在过去的一年里，NVIDIA的股价从26美金一路疯涨到了114美金。如下图。
不只是各种概念让人对未来充满期待，这家公司赚钱能力也很强，去年第三季度的财报发布之后，我们来看看最近的增长情况。如下表，是ANANDTECH整理的最近三个季度各个业务收入增长情况，很明显，游戏是最大头。不过很显眼的是数据中心业务，年度增长率达到192.7%！所以我们可以明白为什么NVIDIA这么不遗余力地推广深度学习应用，这个市场的未来太大了。
阿呆之前就说过，本轮人工智能热的幕后推手是硬件架构革命。其实从产学研层次来讲，深度学习有三个方面：
- 研究层面：不断提出新算法和框架，提升精度和速度。这方面主要是各路科研人员在努力，目前最火。
- 应用层面：把AI技术深度应用到我们生活中的方方面面，比如辅助驾驶，智能监控，语音识别等等，这个比较艰苦，但是市场很大。想想移动互联网当前的市场有多大就能理解了。尽管未来市场很大，但是现在很多公司都是雷声大，雨点小。需要时间的磨砺和经验积累。阿呆以前听过罗格斯-新泽西州立大学熊辉教授的一个报告，他说大数据分析中，在某个领域中的经验非常重要，需要长期积累，否则，仅靠机器很难充分挖掘海量数据中的有效信息。人工智能也是如此，只有在一个行业中有长期的应用积累，才能利用该领域数据实现智能化。所以，该行业的创业公司要能够熬得住，活下来就有希望抓住机遇。
- 硬件层面：推出适合人工智能计算的各种硬件产品，如GPU，FPGA，专用芯片等。这个是当前真的能赚钱的领域，因为可以直接应用到已经成熟的行业中。硬件赚钱靠的是量，只有量大了，才能摊薄成本，提升利润率。在安防，驾驶，数据中心等成熟行业中，人工智能硬件需求量很大。
本文我们来看看NVIDIA最新的Tesla GPU，专门用来做神经网络预测计算，就是根据训练好的模型直接计算来分析用户数据，最新的GPU是P40和P4。另一个计算叫做训练，对应的GPU是P100.它俩什么关系呢？就是训练是用已有的数据集算出最合适的模型，预测是使用模型实时计算最新数据。训练对精度和计算能力要求高，一般是16位浮点，Tesla P100具有超强16位浮点计算能力。而预测对精度的要求稍微低一点，甚至8位整型就够了。下表是上一代产品Maxwell架构的M40和M4与Pascal架构的P40，P4对比。1个32位浮点核心能做4个8位整型运算。
据称，新平台在GPU集群中能提升4倍性能。P40有3840个CUDA Core，P4有2560个。P40的定位是高性能服务器，功耗250瓦，P4用在刀片式服务器，功耗50瓦或75瓦。
NVIDIA还提供了两个软件工具：TensorRT库和软件开发包DeepStream SDK。TensorRT是NVIDIA推出的库，主要是帮助开发者把已经训练好的16位和32位的浮点神经网络模型移植到8位整型架构，这样能提供翻2倍或者4倍的计算能力。
DeepStream是视频处理库，使用TensorRT库和GPU内部的解码器，来快速解码和分析视频。之所以推出这个，是因为深度学习目前的一个重要应用就是视频实时分析。
人工智能硬件大战才刚刚开始，未来几年我们将看到各种巨头和新创公司的创新产品。吃瓜群众请准备好小板凳，等着看好戏。
