NVIDIA跟Google在人工智能学习的硬件支援上，可说是目前两大翘楚，想知道NVIDIA这边怎么看Google提出的TPU架构与Intel的解决方案，就看下面的采访吧。
在NVIDIA首席执行官黄仁勋接连针对Google所打造的TPU加速器设计做出“回应”，对于目前Google借由TPU推动基于深度学习的人工智能技术发展，以及Intel借由FPGA多丛集处理器架构所推动的人工智能发展模式，我们在此次Computex 2017期间向NVIDIA解决方案架构与工程部门副总Marc Hamilton提出一些询问。
对于Google所提出TPU学习加速模式，Marc Hamilton认为就Google主要以TensorFlow学习框架推动人工智能学习，其实是相当不错的应用方案，但相比NVIDIA始终聚焦在以GPU进行加速，同时可对应更多学习框架的弹性，其实更能符合多元使用需求。
Marc Hamilton表示，在现行人工智能仍没有一定学习训练模式，借由GPU加速的方式确实能更有效率地缩短整体学习时间，甚至在占用体积、电力损耗方面也都更具优势。而在装置端的学习应用，现阶段看起来也是借由GPU加速运算的学习模式较为有利，甚至就Volta显示架构的Tesla V100单组运算效能便高于单组第二代TPU表现，甚至同样针对TensorFlow学习框架加入Tensor核心设计，借此优化学习运算效能。
就NVIDIA的看法，Google所提出的TPU固然有其优势，但主要还是聚焦在TensorFlow学习框架，甚至依然仅能在云端进行学习运算，相比NVIDIA所提出解决方案便显得有其应用局限。而NVIDIA过去以来与Google维持深度合作关系，除旗下服务器同样借由NVIDIA GPU产品协助运算，开发者在其云端学习运算选项除可选择前后规格的TPU，其实仍可选择采GPU架构的运算规格。
因此Marc Hamilton认为NVIDIA提出GPU加速学习运算模式包含对应更多学习框架、硬件配置更具弹性，甚至针对更多开发者需求提出NVIDIA Cloud运算资源租赁服务，借此满足不同开发者实际应用情境。
此外，由于TPU的设计主要还是对应Google Cloud云端服务为主，而NVIDIA的解决方案却可同时对应不同硬件设计需求，例如借由HGX-1云端服务器平台设计对应不同云端平台使用模式，因此对应提供云端服务的合作伙伴硬件布署也更为有利。
至于针对Intel强调借由多处理器丛及以FPGA形式推动人工智能学习模式，Marc Hamilton则认为NVIDIA很明确地持续走在以GPU加速为基础的发展模式，并非像Intel选择以大量资金向外收购Atera、Movidius、Nervana Systems，甚至针对自动驾驶技术发展重金收购Mobileye，即便NVIDIA提出的学习模式确实仍须使用CPU，但借由GPU的加速模式却是众多处理器难以比拟，甚至在人工智能学习分析所需巨量数据传输带宽更可借由NVLink界面改善，因此在学习效率将有更大优势。
但Marc Hamilton也同意不同人工智能技术发展，确实有各自合适的学习模式，因此主要还是取决人工智能技术实际应用。不过确实在人工智能技术成长背后所带动的巨量数据传输带宽需求，NVLink这样的传输界面设计预期将能持续推动人工智能技术成长，甚至让更多人导入NVLink或相似的巨量数据传输技术。
※相关连结》
- NVIDIA再次针对第二代TPU做回应 强调GPU加速有更多元应用
- 第二代TPU带来更大运算效能、加入深度学习 但应用领域仍有局限
- 强化深度学习 Google揭晓第二代TPU、TensorFlow Research Cloud服务
- 观点／Tesla V100加速卡加入Tensor核心设计，或许同时向Google TPU做“回应”
- 对应众多学习框架 NVIDIA强调以GPU加速人工智能技术成长弹性
- Intel：将GPU用于深度学习仅只是人工智能技术的一部分
