所以说你要想去把这个架构做得更好，只有一个方法就是去不停地优化它的架构，让它计算得更快。
GPU下一代架构NVIDIA我们都知道了叫Volta，那我们在接下来的5月份，会在美国发布新的计算架构芯片。一年一度的GTC就是针对于GPU的技术发展，从各个不同的角度去优化它的计算平台的性能，无论你是在做训练或者影响都是一样的。
刚才水成将的很好，在训练的时候可能不惜一切代价，让它算得很快，功耗无所谓，只要算得快就行，但是到影响的时候，我们的模型要小，我们的功耗要很低，然后我们还要算得很快，还要做得很准。因为当你的精度不够的时候。这个AI就像刚才我们讲的，都要变成动物了，那就没有用了。所以它是有一定的门槛的，那这些门槛的对这个影响的作用也是一样的，你必须得达到一定的精度我们才能去用，否则的话这些技术放到今天，我们AI应用当中就是没有价值的了。
那从这些所有的架构当中，我们研究了几乎所有的架构。其实你不管它是叫GPU也好，叫FPGA也好，你最后的就是我们要做深度学习的处理的。那我们可以讲，今天的这个GPU恰恰是在目前架构当中最合适的，无论是用来做训练还是用来做影响，最佳的芯片，处理器的架构。
那在今后这个架构往哪个方向变，是不是叫GPU，你可以叫它是GPU，其实我们可以叫它是深度学习处理器，你要问我的话下一代架构我不叫GPU，可能GPU是我们以前的名字，就像以前我们叫微软研究院，今天有将门，其实都是同一批人，但是同一个架构的演变当中，以前GPU的名字叫图像处理器，20年后，GPU早就不再是以前的GPU。如果拿今天NVIDIA的架构叫做Pascal，跟第一代用来做定点渲染引擎--那个专门做VGA处理器的话，两个架构是完全不一样的。今天的GPU基本上是一个并行计算器，而且100% 可编程，以前是不可能的。
那我们讲20年前那个也叫GPU，今天也还叫GPU的话，下一代还叫GPU的话，那我们可以持续地用这个名称，但是你要问我的话，下一代已经就是深度学习处理器了。
所以FPGA也好，GPU也好，无论是谁，只要你想做人工智能行业，我们必须要专门为这个行业定制处理器。所以NVIDIA下一代处理器你完全100%地可以讲，它就是一个AI 处理器系统，我们在这上面就要搭建一个AI的平台，这个平台不只是芯片的，包括周边的设备，你会看到NVIDIA我们做一个N2N的解决方案。我们有第一个产品叫做AI 超级计算机，很多人可能没有听说过，叫做NVIDIA DGX，DGX1是第一个，在全世界我相信也是第一台基于AI的超级计算机，这个AI 超级计算机我们在中国已经有很多用户开始使用了，他的设计就是专门用来做AI的，它的工作就是AI运算。
在这个超级计算机的基础上，下一代我们要做的是，在超级计算机硬件的基础上，去增加很多数据的处理的能力，所以你可以看到它的支持的内存的速度，它的总线是NVLINK，不是我们的PCIE。在数据和数据之间的通讯，在GPU跟GPU之间的连接，多GPU和GPU Cluster之间的连接，都是专门用来设计做大规模计算处理的一些系统架构。
那当然只有硬件是没有用的，你必须要做很多的训练框架，就像CNTK，我们一定要100%加速，还要让它加速得很快，你就要有它的中间件，我们就要支持caffe，我们要去优化caffe，做成NVIDIA caffe，我们要去支持tensorflow，我们就要有专门NVIDIA Tensorflow去加速的这个Tensorflow的速度。
所以你可以看到一系列的软件过程是经过了很多年的积累下来。当然这些还不重要，重要的是如何让我们更多的人才，让我们所有的初创公司很快地用上这些工具，这个是最关键的。所以我们要有教育系统。
NVIDIA专门设立了一个培训学校叫做深度学习学院（Deep Learning Institute），DLI是NVIDIA在全球推广的一个项目，我们在全球几乎18个国家要去做培训学校，培养深度学习的人才。而这些人才我们肯定会跟北大这样的研究机构、培训机构去培训我们未来的天才，我们也不能只是靠小文帮我们培养在中国的人才，我们也是希望扩大我们的这个培训的机构的能力，让北大、清华、交大，各种各样的大专院校、科研机构在中国培养本土的人才，这样的人才很缺乏，我相信在今后的这一段时间当中，几乎所有的计算机专业的人，学数学的、学物理的，都会成为深度学习的专家的。那这些平台的培养、人才的培养、系统的软件、硬件的架构结合，我相信才会帮助我们把深度学习用在人工智能当中，同时让AI达到一个新的阶段。所以我希望大家不要再去看你是GPU、FPGA还是ASIC，只要是处理器，他要想做人工智能，你一定要为AI定制。