英伟达对于其GPU架构在数据处理领域的应用并不陌生。多年来英伟达一直在AI深度学习开发领域占据主导地位，在科学计算领域也有相当强大的地位。不过现在它正准备抢占机器学习领域，这个市场占据了目前世界上正在进行的所有数据项目的一半以上。

为此，它推出了专用的机器学习硬件（DGX-2）和新的开源平台Rapids。英伟达基于GPU的机器学习平台旨在作为一端完整的端到端解决方案协同运行，目的在于彻底改变众多机构和企业处理和理解数据的方式。

英伟达创始人兼首席执行官黄仁勋在GTC Europe 2018大会上登台亮相时解释：“数据分析和机器学习是高性能计算市场中还没有实现加速的两大细分领域。世界上最庞大的行业在大批服务器上运行学习机器编写的算法，以发现市场和环境中的复杂模式，做出直接影响账本底线的快速而准确的预测。”

在过去，由于CPU数量激增，加上摩尔定律以比较快的速度取得进展，机器学习完全在基于CPU的系统上进行。现在摩尔定律已走到尽头，数据科学家们是时候寻找一种更强大的解决方案来支持处理数字的机器运行了。据分析师们声称，这个市场每年的产值预计高达360亿美元（合263亿英镑），因此难怪英伟达想从中分得一杯羹，并且希望有机会通过自己的产品推动机器学习领域的发展。

黄仁勋说：“我们立足于CUDA及其全球生态系统，并与开源社区紧密合作，开发出了Rapids GPU加速平台。该平台可以无缝整合到世界上最流行的数据科学库和工作流程中，以加速机器学习。”

“我们正在加速机器学习，就像我们之前加速深度学习那样。”

外人不必深入钻研背后的所有技术细节（相信我，技术细节繁多），一眼就能看出英伟达的GPU系统比传统的CPU机器学习到底快多少。

在大会现场展示的一个例子中，英伟达的平台在大约40秒内就处理完了一家大型抵押贷款经纪商行整整16年的抵押和贷款数据。而在传统的基于Python的CPU系统上，这项任务大概需要2分钟。

如果是这种更高级的过程：为AI创建一个便于学习的模型，以便根据行为来进行预测（比如建模、基于某人以往的贷款记录预测违约贷款的可能性有多大），需要长一点的时间。如果是传统的100个CPU的系统，在20个CPU的阵列上大概需要半小时、甚至更长时间。作为英伟达的DGX-2系统和Rapids的一部分，它用时仅2分钟，差不多是黄仁勋解释我们看到的情况所花的时间。

很显然，这意味着可以为数据科学家大幅缩短时间，并加快企业的学习步伐。黄仁勋还指出，一台DGX-2还能够处理与300台服务器相当的工作负载。这有望为公司省下超过300万美元的安装费；如果一家公司在运行Rapids的DGX-2系统上花同样的支出，根本不知道如何处理这种级别的计算能力，实在太强悍了。

也并非全是夸夸其谈，英伟达已经吸引了众多大公司支持其GPU加速的机器学习平台。沃尔玛已经开始使用它来帮助了解库存管理和预测，确保可以大大减少旗下所有门店的食品浪费。

在技IT领域，HPE与英伟达合作，为客户改进其机器学习产品；IBM希望将其与Watson AI及它运行的其他各种机器学习软件结合起来使用，而Oracle正在充分利用其开源Rapids平台和一套DGX-2，深入了解Oracle云基础设施的情况。

最终，Rapids和DGX-2的想法是为新的市场和公司企业带来机器学习方面的机会。如果公司没有预算也没有能力来运行大批服务器或雇用大批数据科学家，现在可以做到这一点。这项技术虽然本身不是很性感，却可能会对公司企业在未来的运营带来巨大的影响。

Tesla P100 16GB

Tesla P100 12GB

Tesla P40

Tesla P4

Tesla V100

M60

Tesla M10

价格好 服务优 

------------------------------------------------