虽然 NVIDIA 即将在十月下旬举办 GTC 台湾场次，不过稍早台湾 NVIDIA 仍请来解决方案架构育工程部门副总 Marc Hamilton 针对目前 NVIDIA 在人工智能相关领域的技术发展与现状进行简介； NVIDIA 是以 GPU 技术为发展基础的芯片商，是如何与人工智能热潮产生关连的？关键在于 NVIDIA 在相当早就开始发展 GPU 运算，而透过 GPU 运算技术发展日趋成熟， NVIDIA 耕耘已久的 CUDA 核心技术也广被业界导入，成为当前新一代基于机械神经网络的深度学习基础。
不过现在在深度学习与人工智能领域，也有不少厂商推出基于 FPGA 或是专用加速器的解决方案， NVIDIA 又怎么看这些竞争对手的产品呢？ Mr. Hamilton 表示， GPU 本身就是相当庞大且复杂的 ASIC ，具备高度的可程式化弹性，相较其它竞争对手所提供的解决方案不仅架构更完整，同时也在软件与开发环境有良好的基础；举例来说， Google的 TPU 虽是针对 FP16 最佳化的加速器架构，可于推理时提供最佳的效率，但在深度学习的训练部分却不仅止于 16bit ，在 16bit 外仍需仰赖其它更完整的加速架构，故 Google 也购买大量的 GPU 作为人工智能使用。
在结合产业这点， NVIDIA 也将打造 DGX 系统的经验转移到产业上，提出 HGX 的概念，让服务器厂商，服务商可借由 HGX 平台打造适合它们服务器架设环境的系统平台。
而在实际应用面， Mr. Hamilton 举出通用电器的 GE AVITAS 为例，通用电器做为工厂设备供应商，以基于 NVIDIA 的架构，透过部属大量感测器、 Tegra 做为端点感测，同时在工厂端与云端服务器使用 DGX 系统，借此作为智慧工厂的架构，相较过去的智慧工厂容易误判感测器警报造成不必要的通知， GE AVITAS 透过深度学习的方式，让系统对于感测器通部的判断更正确，使系统能够依照深度学习从感测器错误回报情况研判正确性，减少智慧工厂的错误通报率。
同时 NVIDIA 也展示了几项与深度学习相关的应用，包括透过深度学习学习画作并在影像中临摹处理的 Style Transfer ，且在服务器端使用的结果可移转到同样具备 CUDA 的架构上，这项功能也被应用于 Ansel 游戏截图，让玩家在游戏中可套用 Style Transfer 提供有趣的游戏截图；另外也包括都市监控、自动驾驶的展示。
此外比较难得的是 NVIDIA 首度在台湾展示针对机器人开发的 ISSAC 平台，透过 VR 装置与虚拟的机器人互动，作为训练机器人的手段，更重要的是可在实际生产机器人前先在虚拟环境中完成训练，减少在实际环境中因为错误操作造成机器人毁损的问题。
