今年Computex 2017期间，NVIDIA解决方案架构与工程部门副总Marc Hamilton接受笔者访谈时，便曾针对Intel提倡以FPGA形式推动人工智能系统，以及Google以TPU形式加快深度学习效率的应用模式表明看法，认为借由GPU作为加速基础的作法还是较有弹性，无论建立以云端或装置端为主的深度学习所推动人工智能，透过GPU的方式基本上还是较实际方式。
而在此次于10月下旬即将展开的GTC台湾场次之前，Marc Hamilton借由近期与各地区合作伙伴巡回沟通，再度与台湾媒体、分析师说明目前NVUIDIA在人工智能技术领域布局现况，同时也说明针对越来越多厂商强调装置端的学习运算模式，NVIDIA主要还是着眼于云端背后的巨量数据分析学习，借此建构更具体的人工智能系统。
就Marc Hamilton说明，从NVIDIA的角度来看的话，基于GPU的运算模式依然是核心所在，因此无论是Intel提倡以FPGA形式推动人工智能系统，或是像Google借由TPU推动云端加速运算效率，GPU的运算模式相较下更能对应不同运算框架，同时也具备可布署于云端或装置端的运算架构。
整体上比起Google提出TPU仅能用于TensorFlow为学习框架的云端应用，甚至仅能由使用者向Google租赁，而FPGA运算形式整体建置成本效益并不比GPU高，相对而言比较适合Intel此类资金充足厂商应用，因此若要满足更多中小型企业布署需求，以GPU为主的深度学习模式教具吸引力。
同时，以目前NVIDIA提供选择包含从装置端的Jetson TX系列开发板、DGX-1超级电脑，乃至于对应云端运算需求的HGX-1，几乎涵盖绝大多数深度学习应用需求，让更多厂商能借由NVIDIA GPU运算资源推动各类人工智能技术，甚至在发展扩充、调整更具弹性。
不过，对于目前越来越多厂商如Qualcomm、海思半导体旗下行动处理器均开始导入深度学习运算设计，甚至苹果稍早揭晓的A11 Bionic处理器也内建类神经网络演算引擎，借此实现装置端的深度学习应用，NVIDIA似乎尚未计划布局行动端的深度学习模式。
但在Marc Hamilton看法认为，其实最关键的作法并非全面由装置学习使用者行为，而是将相关搜集数据回传至云端进行深度学习，装置端的学习主要还是以修正细微行为差异，或是辅助预测可能使用模式，进而让整体运算效率可具体提升。
因此就NVIDIA立场来看，装置端的学习行为虽然同样重要，但实际上更能让装置端学习产生价值的关键，依然还是在于背后云端的学习成效，而两者其实依然处于缺一不可的共存状态，只是NVIDIA更关注的是云端面的深度学习加速所产生应用。
