深度学习是人工智能 (AI) 中发展迅速的领域之一，可帮助计算机理解大量图像、声音和文本形式的数据。利用多层次的神经网络，现在的计算机能像人类一样观察、学习复杂的情况，并做出相应的反应，有时甚至比人类做得还好。这样便提供了一种截然不同的方式，用于思考数据、技术以及人类所提供的产品和服务。

智能是各行业之所欲 通过改进机器学习算法和升级计算硬件，各个行业中有远见的公司都在采用深度学习技术来处理爆炸性增长的数据量。这帮助他们找到新方法来利用随手可得的数据财富开发新产品、服务和流程，从而创造巨大的竞争优势。

所以说简单点，要提升人工智能的水平，关键之处还是在于计算能力、GPU技术水平的提升。而就在本次GTC上，NVIDIA也发布了全新的下一代GPU计算加速卡Tesla P100。在主题演讲中，黄仁勋用“奇迹(MIRACLES)”来形容Tesla P100带来的改变，全新的Pascal架构、16nm制程、HBM2显存架构(提供高达720GB/s的超高带宽)、支持NVLink技术和全新的AI算法，支持高达21.2 Teraflops的峰值FP 16运算性能。

除此之外，针对深度学习领域，NVIDIA还重磅发布了全球第一款基于Tesla P100打造的面向深度学习的专用设备。相比传统的双路至强平台，Tesla P100在性能上提升了近60倍，节点带宽提升了10倍以上，训练时间缩短75倍。根NVIDIA针对13.3亿照片进行训练的测试结果显示，相比去年发布的Maxwell产品在性能提升上达到了12倍。

毫无疑问，以深度学习为代表的高性能计算领域近年来确实受到了越来越多人的关注。可以预见的是包括NVIDIA，以及围绕在其周边的产业伙伴正在针对性的做一些解决方案，以应用为主的一方则在考虑如何更好地优化、提升。随着双方
的不断精进，未来像AlphaGo战胜李世石的事情会越来越多，那时我们或许考虑的将不再是语音识别、图片搜索、无人驾驶等改善生活方式的。

计算性能的指数级增长

加速科学发现、可视化大数据以供获取见解以及为 消费者提供智能服务，这些都是研究人员和工程师们 的日常挑战。解决这些挑战需要更为复杂且精准的 模拟、对于大数据的强大处理能力或是训练复杂精妙 的深度学习网络。这些工作负载还要求提升数据中心速度，以满足对指数级计算能力的需求。

选择合适的 NVIDIA® Tesla ® 解决方

机器学习工具

· Caffe: 用于脑回神经网络算法的架构
· cuda-convnet: 脑回神经网络的高性能 C++/CUDA 软件实施
· Theano: 用于定义、优化以及评估数学公式的 Python 库
· Torch7: 用于机器学习算法的科学计算架构
· cuBLAS: GPU 加速版本的完整标准 BLAS 库
· MATLAB: 简单易用的 HPC 语言集成计算、可视化以及编程
· cxxnet: 神经网络工具包

NVIDIA Tesla P100 是能够推动 AI 革命和实现 HPC突破的计算引擎。例如，纽约西奈山伊坎医学院（IcahnSchool of Medicine at Mount Sinai）的研究人员使用深度学习分析 100,000 多名患者的健康记录，以预测患者可能的疾病发展，可至多先于传统诊断一年的时间为患者给出治疗方案。