根据摩尔定律，晶体管的数量与计算能力成正比。经过50年的快速发展，如今的晶体管几乎无法变得更小，再想通过增加晶体管的数量来增加计算能力变得不可能，与此同时，晶体管的数量增加50%，但是CPU性能每年只增加10%，这一切都预示着，摩尔定律已经终结。

这是黄仁勋在GTC大会上对摩尔定律下的“已死”结论，他表示，现在一些新的计算模型已经出现，例如深度学习等等。所需的强大计算能力已经不仅仅是CPU能够满足的，而NVIDIA的GPU能够弥补CPU的不足，能够实现这种低能耗、高强度的计算。NVIDIA的GPU模型开始崛起。

在下午的媒体见面会上，黄仁勋进行深入解读，他说：“GPU不会替代CPU。事实上最完美的架构是什么呢？首先，NVIDIA要把万事皆能的CPU，和在某些重大计算挑战方面非常有能量的GPU结合在一起。比如，GPU非常善于图形的计算处理和人工智能类型的应用。因此，NVIDIA的决定是推出‘统一架构’CUDA，其实就是CPU+GPU。”

黄仁勋在GTC CHINA2017大会上介绍CUDA

据悉，现在已经有几十万人在使用GPU计算，并且CUDA的开发人员已经超过了65万，增长了14倍——这仅仅是5年里的增长的速。在过去的一年中，CUDA SDK的下载量增加了80万。这些都见证了GPU计算能力的迅猛增长。

GPU背后的驱动力，第一个杀手级应用，就是计算机图形。据悉，在以前，通过程序员制定的规则训练系统在数百万图像中识别出一张面孔，需要耗费整整一个学期，而通过GPU，研究人员在短短几周、几天甚至几个小时之内就能完成训练过程。

出击AI领域

发展到现在，人工智能（AI）和深度学习成为新的GPU杀手级应用。在过去的几年中，我们看到GPU的计算能力驱动AI取得了巨大的进展，并且发展的趋势很不错。现在AI领域的初创企业数量是5年前的12倍，今年AI领域的投资预计将达到66亿美元。同时，今年发布AI领域的论文的数量已经超过了3千篇，这意味着在过去3年当中发表论文的数量增加了13倍。

黄仁勋表示，NVIDIA 的愿景是为所有AI研究人员打造一个功能强大且高效的计算平台，进而推动人工智能发展。

NVIDIA在上半年发布的最新的计算平台——NVIDIA Tesla V100，采用了全新架构Volta的V100，不仅有更强的性能，还增加了TensorCore用以专门针对深度学习。借助Tesla V100可以将CPU的速度提高40倍，这意味着只需要一台8GPU服务器就可以替换160台双CPU服务器或4个机架。“也就是说，每台Tesla V100可以帮助企业节省约50万美元！而且买的GPU越多，省的越多！”黄仁勋表示。

更重要的是，这个平台是可编程的，支持几乎所有人工智能框架。“我们可以整合、优化、合作，可以跟全世界框架工程师进行合作，这样一来每个框架都可以在我们平台上得以优化，”黄仁勋表示，“例如，和百度合作优化NVIDIA的平台时用的是百度的PaddlePaddle人工智能框架。”

另外，NVIDIA还推出了第三代Tensor RT。TensorRT是全球首款可编程AI推理加速器，能够对神经网络编译器进行优化。这个网络的框架能够对来自于任何框架的计算图形进行处理，包括TensorFlow、Caffe 2、Chainer、PaddlePaddle、PYTORCH、TensorFlow、Theano。NVIDIA针对这种复杂的计算图形进行编译、优化，然后来适应CUDA架构。

据介绍，NVIDIA TensorRT 3在性能上得到了进一步提升，运行在Volta上的TensorRT 3，在图像分类方面比最快的CPU还要快40倍，在语言翻译方面则要快140倍。

最后

在GTC上午的大会演讲中，黄仁勋共分享了NVIDIA在AI、VR、AI城市，还有自动驾驶、自主机器五个领域的布局。而这些都是挑战性非常高的领域。根据黄仁勋的说法，“NVIDIA给予他们的都是独一无二的价值。“

他强调，NVIDIA的核心业务是针对万物的GPU计算。未来，医疗卫生或者健康产业是NVIDIA非常重视的。从新药研发到疾病的早期检测再到新药的临床效果实验大规模取样问题，人工智能都将大有所为。

在各个领域，人工智能可以去完成以前不可能完成的使命，而在NVIDIA的推动下，更多崭新的方式正在出现，不断证明着“现在这样一个时代是令人难以置信的时代。“