北京時間周二凌晨，一年一度的GTC（Graphic Technology Conference，每年由Nvidia主辦的GPU技術會議）在硅谷圣克拉拉正式拉開了帷幕。Nvidia CEO 黃仁勛的主題演講往往是每年GTC的熱點，本文將為大家帶來今年GTC黃仁勛主題演講的內容分析。
PRADA：GTC2019 關鍵詞
近幾年，人工智能持續得到關注，Nvidia的GPU則成為了人工智能計算的基礎設施。同時，Nvidia也借著這股東風在近幾年內硅谷最炙手可熱的公司之一
事實上，Nvidia的GPU成為人工智能的基石，不僅僅是因為其GPU支持大規模并行（這一點AMD的GPU也能做到），更因為其生態系統。Nvidia早年研發的在GPU上做通用計算的CUDA生態在經過數年艱苦經營后成為了人工智能開發者的首選，從而為Nvidia的GPU在人工智能領域的領先地位建成了堅實的護城河。
然而，隨著人工智能的走火，Nvidia在芯片領域也受到了不少初創公司的挑戰。畢竟，GPU原本并非為人工智能專門設計，因此其效率相比專門為人工智能優化的專用芯片來說相差不少。因此，Nvidia在這一領域最大的優勢并非芯片，而是其CUDA生態。這也是今年GTC黃仁勛主題演講的焦點。
黃仁勛在今年的主題演講中作為綱領的關鍵詞是PRogrammable Acceleration (for multiple) Domains (with one) Architecture，即PRADA。PRADA的意思是“使用一個統一的硬件和底層軟件接口架構（CUDA-X），通過編程可以為不同的領域做定制化的高效率加速”。在這里，PRADA有明顯的回應AI芯片初創公司的意味，首先AI芯片往往宣稱GPU無法做domain-specific acceleration，因此效率差；而Nvidia則用PRADA回應說GPU通過編程也可以做高效domain-specific acceleration。更進一步，由于AI芯片往往只針對特定應用，因此不同的應用需要不同的芯片，不同的軟件API以及系統框架，因此會造成碎片化的問題；而使用GPU配合其強大的CUDA生態則可以完美解決這個問題，使用同一類硬件，同一種框架就可以解決不同領域的問題。
今年的GTC的開場中，Nvidia列舉了眾多基于GPU的AI能擔任的角色，包括Visionary（智能設計），Guardian（計算機視覺），Navigator（無人車和無人機），Scientist（數據挖掘），Healer（深度學習醫療），以及Artist（基于AI的內容生成）。這些內容都包含在了PRADA的領域中，也讓我們看到了Nvidia在AI時代的野心。
計算機圖像：Nvidia的基本盤
在今年的GTC上，Nvidia在計算機圖像領域的主題是實時ray tracing（RTX）。這個主題從去年開始就開始宣傳，在今天Nvidia在GTC上則主要是給出了一些RTX的落地應用。有趣的是，重點不再是游戲，而是智能設計中的渲染和多媒體設計中的渲染。
首先展示的demo是汽車智能設計中的實時RTX。在demo中，使用RTX渲染的圖像和真實的汽車圖像讓人難辨真假，而更重要的是RTX可以做到實時。因此，設計者可以實時更改設計，更改表面材料屬性，從而實時看到更改造成的表面光反射等。在這里，Nvidia同時宣布了對于最新版Unity的支持，強強結合為智能設計賦能。
此后，Nvidia展示了RTX在游戲中的應用。比較令老玩家感動的是Nvidia對于Quake II做了RTX的重制，從而讓經典游戲煥發出了新的光彩。
最后，Nvidia展示了其GPU在多媒體內容（電影等）渲染中的應用，包括其強大的生態伙伴，包括微軟的DirectX，Unity等。
AI與超級計算機
在傳統的圖像渲染之外，Nvidia的第二個主題是行業用大數據分析。
在這里，黃仁勛首先重申了Nvidia在大數據時代的愿景。在大數據時代，最關鍵的基礎設施是計算能力。本環節的看點是，Nvidia的關注點已經從“神經網絡”這一種狹義的機器學習方法拓展到了更廣闊的大數據處理能力，包括對XGBoost等傳統機器學習算法的支持。這一方面說明了Nvidia對于大數據時代的看好，另一方面也體現了GPU的通用性。
Nvidia首先展示了一個微軟Bing基于其GPU的智能助手demo，該助手類似Siri，可以識別用戶的語音命令，并且使用自然語言處理方法理解用戶的意圖，通過搜索引擎搜索到相關結果呈現在用戶面前，同時把最關鍵的一條結果用語音播報給用戶。在這里，處理延遲是關鍵指標（GPU計算高延遲也往往是為人詬病的痛點），而Bing的演示中該助手使用非常流暢，可見是做了很多優化，體現了GPU在低延遲應用中的潛力。
之后，Nvidia把重心放到了超級計算機上。為了幫助大數據應用，Nvidia提出了“數據科學服務器”的概念。傳統的服務器大致可以分成兩類，一類是超級計算機supercomputer，其處理的任務計算量大，但是任務數目有限；另一類是hyperscale，其處理的任務計算量并不大，但是任務并發數量非常大，類似于網絡搜索等。而大數據應用則是在兩者之間，其處理的任務計算量較大（如訓練任務），同時任務數量也不小。Nvidia認為其GPU架構非常適合這類數據科學計算應用，并發布了數據科學服務器。該服務器的性能將比原有的DGX-2略低，但是其對于RDMA等關鍵技術的支持可以使這樣的服務器能快速形成計算集群，從而滿足數據科學對于算力的需求。
機器人應用
這次Nvidia的演講的第三部分是關于機器人。機器人部分其實是從原來的自動駕駛概念拓展而來（自動駕駛也屬于機器人的一部分）。機器人與自動駕駛事實上都是一脈相承，其要點在于能在本地提供低延遲、高可靠性的強算力系統，而目前機器人在各大智能工業領域紛紛落地得到使用，因此Nvidia將其概念拓展到機器人可謂是順勢而為。
首先發布的是Jetson Nano開發板，是基于之前的Tegra X1芯片，在板子設計上做了精簡，以$99的低價發售。
之后的重點仍然是自動駕駛。在自動駕駛方面，第一個上場的是最新版本的Drive Ap2X，它是Nvidia的level-2自動駕駛系統。該系統可以實現自動收集本地高精度地圖，并實現交通標志檢測等。
在這之后，黃仁勛隆重介紹了Drive AV，這是Nvidia的路線規劃系統。該系統可以對于其他車輛的行動路徑做預測，從而實現安全駕駛。此外，還有Constellation系統，該系統是包括了軟件和計算硬件的自動駕駛模擬系統。該系統可以讓用戶可以以駕駛員的角度來實時觀測駕駛的效果，從而盡可能保證安全駕駛。最后，Nvidia還發布了和豐田的全方位合作，將從硬件到軟件上一起構建下一代自動駕駛系統。
結語
在本次GTC的主題演講中，我們看到了一個重要的方向，即人工智能已經在進入了落地階段。對于人工智能，Nvidia不再有太多花哨的概念和宏大的前景預期，而是踏踏實實將幾個可以落地的應用落到實處。在落地的過程中，也不再拘泥于“深度學習”，“自動駕駛”等熱門風口，而是合并同類項，將“深度學習”拓展到了“大數據”，同時將“自動駕駛”拓展到了“機器人”。我們認為對于人工智能行業來說，確實也進入了落地的階段。在未來的數年內，我們將看到這些概念的一一實際應用，為我們的生活帶來更多實際變化。
此外，面對AI芯片初創公司的挑戰，Nvidia則是重申了“生態”這一利器并多次提及了其CUDA-X生態，而生態也確實是目前Nvidia最高的護城河。預計AI芯片初創公司只能先從一些較小但是有明確痛點的地方入手，才能慢慢站住腳跟并挑戰Nvidia的位置。
