NVIDIA日前也宣布推出学习模型加速器TensorRT 3，借此让深度学习效率大幅提升，进而可在运算设备成本做更明显节省。
在此次GTC Taiwan活动中，NVIDIA首席执行官黄仁勋再次强调因类神经网络为基础的深度学习运算模式兴起，进而凸显GPU运算能力更高特性，并且延续效能成长幅度趋缓多年的CPU在摩尔定律演进，成为目前人工智能技术主流演算方式，借此应用在各类技术领域发展。
就黄仁勋看法认为，电脑运算依然需要CPU进行基础运算与指令集处理，但在更大资料分析则需要借助GPU运算能力，因此目前主流人工智能技术均以CPU+GPU的组合为运算基础，此外也能借由更大运算效能驱动不同电脑使用模式，例如借由虚拟实境互动共同作的Holodeck，便让使用者能借由高解析虚拟实境影像线上协同作业。
目前投入人工智能的新创产业已经在过去5年内成长10倍，总计约带来66亿美元规模产值，同时关于深度学习的论文内容在过去3年也成长10倍，并且有超过3000个论文内容被提出。借由深度学习模式，目前已经可借由GPU加速方式实现3D影像中的即时自然光影追迹、人脸表情与口语同步、动画人物动作自动表现、确保影像中的物件相对距离，或是让机器手臂判断、移动正确物件等过往难以实现技术。
而为了进一步协助台湾地区人工智能技术应用发展，黄仁勋宣布将与中华民国科技部合作采用Volta显示架构的DGX-1V，借由排名全球前25名内的超级电脑运算能力协助带动智慧制造、物联网、智慧城市、智慧医疗等技术成长，并且协助更多新创团队借由人工智能技术推出更多创新服务。
同时，借助于NVIDIA今年在GTC 2017提出的GPU Cloud服务，将可让企业、新创团队借由云端协作方式取得更大运算能力，借此实现各类深度学习等训练需求，进而可应用在人工智能建立、电脑视觉应用、自动驾驶发展，或是对应越来越多的物联网装置使用需求，并且持续带动更多类神经网络模型生成。
针对学习模型运算部分，除了对应市场主流学习模型设计，NVIDIA日前也宣布推出学习模型加速器TensorRT 3，借此让深度学习效率大幅提升，进而可在运算设备成本做更明显节省，例如原本160组CPU对应每秒分析4万5000张照片的演算需求，透过配置8张Tesla V100的单组NVIDIA HGX超级电脑即可达成相同运算效能，但在占用体积、使用电耗却明显不同，几乎仅需占用原本1/4体积、1/20电力损耗，甚至仅需原本1/6左右的成本支出。
黄仁勋强调，借由GPU加速带动云端服务器运算效能规模，将可持续推动超级电脑、云端运算应用服务、公有云等成长，甚至可进一步带动整体产业走向全新改革。
