本文摘要：语音交互的智能机顶盒”，而是智能家庭中心。

语音交互的智能机顶盒”，而是智能家庭中心。为了让Shield能接管用户从家里任何地方收到的语音指令，老黄在公布新的Shield的同时还展出了与新的Shield配上用于的NvidiaSpot。NvidiaSpot是经过尤其设计的麦克风，可以摆放在家里的任何地方，并且通过局域网与Shield连接起来，把用户的语音指令传输到Shield。同时，在Nvidia的计划中，Shield可以掌控的也相比之下好比电视机，而是可以掌控各种智能家电（如Nest的产品）。

这样，在Nvidia获取的智能家庭方案中，Nvidia Spot作为用户指令的接收者遍及家的每一个角落，用户在任何地方下的语音指令通过Spot传到物联网中心节点Shield，而Shield则根据指令来掌控家庭的智能家电，如关上空调，启动扫地机等等。GeForceNow以及新的Shield都表明了Nvidia企图将旧有的游戏硬件业务升级转型的尝试。我对于GeForceNow的评价是，要是不了解决问题网络延后的问题显然就没戏。目前最风行的游戏是动作游戏（枪），仿真驾驶员游戏（车）以及各种体育游戏（球），而枪车球对于输出延后的拒绝十分低，一旦玩家的输出（如在驾驶员游戏里旋转方向盘）距离游戏号召（游戏里的车确实改变方向）有上百毫秒的延后，玩家的体验就不会显得很差劲。

问题是，目前要求网络延后的某种程度是玩家的终端网络带宽，而是从玩家接入点到GeForce服务器中心间的任何地方网络减慢都会沦为短板减小延后从而很大地影响玩家体验。另外，否有那么多人是因为缺少硬件而不玩游戏也是个问题——很有可能大部分人就是对游戏没有兴趣，即使给他们充足运营游戏的硬件也宁愿去做到其他事情而不是玩游戏。所以，GeForceNow看起来很美，实质上却还有许多路要回头。

对于Shield+Spot的家庭物联网中心战略，在Nvidia之前只不过也有不少类似于的企图将游戏机升格为家庭客厅娱乐中心的尝试，然而都告终了。典型的就是Sony的PSX，当年Sony借着在游戏主机（PS2），视频播放机（DVD）和电视机领域的龙头地位，企图将PSX打导致能玩游戏PS2游戏，能播出/录音DVD又能播出/录音视频的客厅娱乐中心，然而遭告终。类似于微软公司也企图将XBOXOne打导致既能看互联网视频又能玩游戏的客厅娱乐中心，然而并没取得成功，反而在与PS4的激战中慢慢处于下风。

直到PhilSpencer上台接掌Xbox后，才新的将XboxOne定义为游戏机，并退出了专门为Xbox制作电视内容的娱乐部门，将焦点移回游戏后才渐渐寻找方向。所以Nvidia和Google合作的Shield+Spot家庭物联网中心战略能否顺利还必须时间去检验，特别是在在连物联网智能家电仍未普及的今天，Nvidia就早已公布了家庭物联网中心，不能说道是在为未来布局而不有可能在短期内就造就Shield的销量。未来如果Shield真为能沦为新的家庭物联网中心，GooDia（Google + Nvidia）将沦为WinTel（微软公司Windows + Intel）之后又一对软硬件巨头联盟。

Xavier：1TOPS/W沦为深度自学硬件平台新的标杆如果说GeForce Now和Shield+Spot只是老黄此次CES主题演说的油腻前菜，那么在这之后公布的Xavier就是重头戏了。Xavier是Nvidia预期在2017年月发售的车载超级计算机模组。

Xavier包括了享有512 CUDA核的Volta GPU，8核心的Nvidia自定义ARM64 CPU。最令其业界愤慨的，堪称是其性能：在峰值性能超过30TOPS的情况下，意味着消耗30W！也就是说，其能量效率超过了1TOPS/W。

相形之下，2017年公布在半导体领域最顶级会议ISSCC Deep Learning Processor Session的第一篇paper，ST最顶尖的深度自学专用ASIC也意味着构建了2.9TOPS/W。必须忘记的是，ST的深度自学加速器是专门深度自学研发，一般而言不能做到深度自学计算出来；而Xavier是一款标准化的计算出来平台，1TOPS/W的性能除了可以计算出来深度自学外还可以做到其他计算出来，因此通用性远好于ASIC。一般来说专用的ASIC的能量效率应该比标准化计算出来平台好一个数量级左右，而现在这个差距被增大到了3倍将近，可见Xavier性能之强劲。

在性能差距并不大的情况下，大多数人都会自由选择标准化计算出来平台而非ASIC，因此坚信专门从事深度自学加速器ASIC研发的工程师们看见Xavier这个指标知道是压力相当大。另一个有意思的细节是，Xavier的性能并没用常规GPU的FLOPS（每秒浮点运算量）做到单位，而是OPS（每秒定点数运算量）。在整天的GPU中，深度自学计算出来一般来说用浮点数运算来已完成，这样的作法在确保计算精度的同时却损失了计算速度，因此深度自学硬件的一个很热门的方向就是如何用定点数运算来替换浮点数运算，在确保计算精度损失高效率的情况下大幅度提高速度。

Nvidia在PascalGPU上早已做到了一些对于定点数计算出来的反对，而根据CES的主题演说透漏出有的蛛丝马迹，下一代VoltaGPU上毕竟不会强化对定点数运算的反对。而Nvidia作为深度自学硬件领域的意味著统治者，其对于定点数运算的大力支持又不会倒逼深度自学算法开发者强化对于用于定点数的深度自学框架的研发。在可预计的将来，用于定点数的深度自学网络将不会显得更加风行。

在有所不同平台上上用于浮点数与定点数计算出来效率的对比ADAS系统沦为Nvidia人工智能战略重点人工智能是Nvidia未来发展的重中之重。人工智能未来市场有多大早已不用多说道，而在这次CES主题演说中老黄自由选择了ADAS（高级驾驶员辅助系统）作为Nvidia人工智能平台的切入点。在自动驾驶方面，Nvidia公布了配备Xavier的BB2无人驾驶车，BB2目前能构建根据路况自动变道，滑行弯道，拐弯行人等等。

Nvidia与奥迪合作，预期在2020年构建第四级无人驾驶（即意味着在很少情况下必须人工干预的自动驾驶系统）。Nvidia无人驾驶系统展示除了无人驾驶之外，Nvidia还公布了协同驾驶员（co-pilot）系统，该系统在无人驾驶技术仍未成熟期前可以辅助驾驶员从而让驾车显得更加精彩又安全性。

协同驾驶员技术共计包括四大要点，还包括面部辨识，头部跟踪，视线跟踪以及读唇技术。面部辨识首先可以通过深度自学辨别驾驶员的表情从而更进一步辨别驾驶员的情绪状况，在找到情绪动荡时警告驾驶员即使睡觉调整情绪以防止再次发生冲动驾驶员。头部跟踪和视线跟踪可以协助协同驾驶员系统辨别驾驶员注意力否集中于，并在驾驶员分神时及时警告。读唇技术则可以在环境较吵杂的情况下根据驾驶员嘴唇的动作辨别其收到的语音指令并不予继续执行。

根据老黄的说明，Nvidia正在和英国牛津大学LipNet团队合作研发用作读唇的深度自学网络模型，目前该模型早已能超过93.4%的正确率，有望迅速就要用在确实的汽车中。最后，协同驾驶员系统还能为驾驶员不道德评分，在敦促驾驶员安全性驾驶员的同时也需要沦为保险公司制订保险费的依据。在人工智能领域，Nvidia的人工智能平台早已占据统治者地位。

除了硬件之外，Nvidia目前的CUDA是人工智能硬件加速的主流编程语言，而融合CUDA的CuDNN也因为其高性能沦为近于热门的深度自学框架。那么，人工智能有这么多方向，为什么Nvidia不会自由选择ADAS作为战略重点呢？首先，从市场上说道，汽车运输市场显然是一个极大的市场。

黄仁勋提及，目前的运输市场规模可约一万亿美元，全球共计十亿量跑完在路上的汽车，而汽车运输市场又是一个损耗相当严重的市场，主因就是人类驾驶员更容易受罚。一旦驾驶员受罚，车祸带给的损失十分大。如果用人工智能协助驾驶员，那么这些损耗可以被大大降低。除此之外，另一个最重要的事实是，Nvidia的人工智能平台（特别是在是硬件）最合适的应用于场景就是ADAS。

Nvidia的人工智能平台最不具优势的应用于场合就是数据量中等、计算能力拒绝低、对功耗有一定拒绝但是并不严苛的地方。在数据量极大的数据中心，Nvidia的GPU是服务器不可或缺的一部分，但是Nvidia自己目前还没想自己做到服务器，因此在大数据人工智能市场Nvidia获取的是硬件而非平台。

在另一个极端，即数据量并不大，对运算能力拒绝不低但是对功耗有很大容许的嵌入式深度自学领域，Nvidia基于GPU的人工智能平台一方面功耗过于大，另一方面过低的计算能力反而造成成本过低，因此无法与ASIC抗衡。而在ADAS市场，Nvidia的人工智能平台无论计算能力（10-100TOPS）还是功耗（10-100W）都能极致地符合要求，因此Nvidia主打自动驾驶市场并不怪异。

结语Nvidia在CES的主题演说中表明了它从芯片公司全面转型沦为云服务、物联网以及人工智能平台提供商的野心。在2016年顺利逃跑人工智能风口市值刷了3倍之后，让我们拭目以待Nvidia在2017年的展现出。

特约稿件，予以许可禁令刊登。下文闻刊登须知。

本文来源：半岛网页版-www.albertaautoleasing.com