NVIDIA 在今年 GTC 大会，正式宣布首款基于 Volta 架构的 GPU 产品 Tesla V100，同时也针对去年所发表的新一代自动驾驶车平台 Xavier 进行技术规格更新，而此次两个基于 Volta 架构的产品最大的特色就是在架构中导入针对深度学习框架 TensorFlow 的加速器，也不禁令人好奇为何需要在架构中融合加速器。
去年 Google已经宣布将针对 TensorFlow开发名为 TPU 的 ASIC 加速器，而 Tesla V100 的 Tensor Core 以及 Xavier 中的 Xavier DLA 也是类似的意义，皆是专为 TensorFlow 最佳化的硬件加速架构。
而 NVIDIA 在这两款产品中导入加速器的用意，就是希望借此针对这两款产品应用在深度学习相关的领域时，能利用加速器的特性达到高效率、低能耗的目的，但也因为 Tesla V100 与 Xavier 都不只是单纯为深度学习所开发，故不可能将整个架构完全置换成全加速器核心设计。
Tesla V100 的目标应用主要还是应用在如 HPC 、 AI 、工作站等应用，而加入加速器的用意则是让 Tesla V100 能够在这些应用需要结合深度学习时，既维持原本 CUDA 在高效能运算或是图形运算的效能，但又能够在深度学习的部分更具效率；而且将 Tensor Core 直接融合到 SM 单元内，相较 Google 的 TPU 采用与运算核心外接的方式，能够大幅增加运算结果相互沟通的效率。
至于 Xavier 虽是主打自动驾驶的次世代平台，深度学习固然重要，但也还要一并处理包括影像分析与决策的部分，是故借由融合 Xavier DLA 加速器使深度学习效率提升也是相当合理的手段。
从 NVIDIA 此次硬件架构的规划来看，若是涉及到深度学习的应用与硬件架构，借由配合或是加入专为 TensorFlow 的加速器已经是趋势，但毕竟 TensorFlow 也是整个人工智能的一环而非全部，也不可能只靠加速器维持整个系统，而 NVIDIA 在这两款产品加入深度学习的加速器，就宛若当初在 GPU 当中加入针对影像编码的硬件解码有类似的意义，透过针对特定领域的最佳化架构达到效能的提升，把运算资源活用在更合理的领域。
不过目前两个具备加速器设计的核心皆是以特定应用领域而生，未来若是针对偏消费端应用的产品线，例如 GeForce 、 Quadro 或是 Tegra ，也不确定当 Volta 开始导入之后，会否在架构上省却深度学习加速器的部分，不过以稍早大会上提及将深度学习应用在 Ray Tracing 领域，或许未来就连游戏娱乐也可能会使用到 TensorFlow 也不一定。
