1/10个iPhone Xs = 英伟达最便宜AI计算机，这是唯一的“核弹”？
整理 | 一一、阿司匹林
出品 | AI科技大本营（ID:rgznai 100）
北京时间 3 月 19 日 8 点左右，在美国加州圣何塞的圣何塞大学活动中心，第十届 GTC 大会的主会结束。
与往年相比，尽管 99 美元的 AI 计算机备受关注，但本届的 GTC 缺少真正的“核弹”，既没有新的 GPU 架构，也没有重磅 GPU 产品。此前，Tweak Town 报道称 Nvidia 可能在本届大会上公布下一代 GPU “安培(Ampere)”的部分架构细节，目前也没有任何消息。
Nvidia 创始人黄仁勋到底给出了怎样的“答卷”？
AWS 将采用 Nvidia 的 Tesla T4 芯片
Tesla T4
去年 9 月，Tesla T4 芯片首次亮相，它包含 2560 个 CUDA 内核和 320 个 Tensor 内核，处理查询的能力比 CPU 快近 40 倍，目前它已被应用到思科、惠普等公司运营的数据中心中。
亚马逊的 AWS 今天宣布推出使用 Tesla T4 GPU 的 EC2 实例，这些 GPU 将在未来几周内在 G4 实例中提供给用户。T4 也将通过适用于 Kubernetes 的 Amazon Elastic Container 服务进行提供。
AWS 的副总裁 Matt Garman 表示，“AWS 将采用 Nvidia T4 处理器专为机器学习而设计，可以帮助客户缩短在边缘进行推理所需的时间，同时降低成本。”
此外，新实例将能够在云中同时利用多达 8 个 T4 GPU。
售价 99 美元的人工智能计算机 Jetson Nano
Jetson Nano devkit（左）和生产就绪模块（右）
Nvidia 宣布推出售价 99 美元的人工智能计算机 Jetson Nano，Nano 是 Nvidia Jetson 嵌入式计算板系列中的最新产品，面向对象是开发者、制造商和研究人员。相当于 1/10 个 iPhone Xs 的价格就能买来“把玩”。
Nano 是机器人和其他人工智能设备的计算大脑，将其用于最新的研发项目时，它将能够处理对象识别和自主导航等任务，而无需依赖云处理能力，这意味着可以在摄像头和麦克风中直接处理数据，这将使硬件变得更快、更可靠、更安全。
以往的 Jetson 板用于为一系列设备提供动力，比如货架扫描机器人以及自动化无人机，但 Nano 的目标甚至更小。
Nvidia 推出了一款针对“嵌入式设计者、研究人员和 DIY 制造者”的 Nano 开发套件，价格为 99 美元，商业公司的生产就绪模块价格为 129 美元（最少购买 1000 套模块）。
Nvidia 还推出了一个有趣的 DIY 项目：一个名为 JetBot 的开源自动化机器人套件，价格为 250 美元。它包括 Jetson Nano 以及机器人底盘、电池组和电机，允许用户构建自己的自动驾驶机器人。
加上 99 美元的 devkit，可以获得由四核 ARM A57 处理器，128 核 Nvidia Maxwell GPU 和4GB LPDDR RAM 驱动的 472 千兆浮点计算能力。Nano 还支持一系列前沿的 AI 框架，包括TensorFlow, PyTorch, Caffe, Keras 和 MXNet，因此大多数算法都是“即插即用”的。端口和接口一般包括 USB-A 和 B，千兆以太网，并支持 microSD 存储。
Nvidia 表示，希望 Nano 的价格为新用户开放 AI 硬件开发，希望更多制造商社区能够进入人工智能时代。
能创造逼真景观的 GauGAN
Nvidia Research 后续推出了 GauGAN，这是一种生成对抗性 AI 系统，可以让你创建虚拟的逼真风景图像。
据 Nvidia 深度学习应用研究副总裁 Bryan Catanzaro 介绍，GauGAN 是基于去年推出的能够呈现虚拟世界的 Pix2Pix 系统，但后者在仿真风景方面存有一定瑕疵。
GauGAN 的神经网络是通过一百万个开源的 Flickr 图像进行训练的，能够理解如雪、树木、水等超 180 个物体之间的关系。对物体如何相互关联的理解意味着河水旁的树会有倒影，或者当季节变化时并且地面上有雪时，会绘成没有叶子的树。
Nvidia 的科学家详细介绍了 GauGAN 的创建过程，并宣布用于照片处理的空间自适应的非规范化方法的论文将在今天发布。
今天首次发布的还有 Nvidia AI Playground 网站，人们可以修补各种训练有素的神经网络，如 GauGAN，使用强大的 AI 来变换视觉效果或创造逼真的图像。
这种技术的应用可能会让人造成无法分辨真假的困惑，不过，我们更应该看到积极的应用，比如它能够被视频游戏设计师所应用，创造出视觉体验更好的游戏。
基于云的自动驾驶汽车仿真平台 Drive Constellation
Nvidia 正在做基于云的自动驾驶汽车仿真平台 Drive Constellation。这是一个由负责开发其自动驾驶汽车平台的 ATG 部门使用的基于网络的车辆数据平台。
Constellation采用两种不同类型的服务器，其中第一种 Constellation Simulator 为模拟无人驾驶汽车传感器的软件平台 Nvidia Drive Sim 提供动力，第二种 Constellation Vehicle 包含一个 Nvidia Drive AGX Pegasus 芯片（一对 Xavier 处理器和每秒 320 万亿次操作的 GPU），并运行完整的自动驾驶汽车软件堆栈。Constellation 处理来自 Constellation Simulator 的模拟数据，就像它是从真实汽车的传感器记录而来；来自 Drive Pegasus 的命令被反馈到模拟器，大约每 30 秒完成一次数字反馈回路。
Constellation 可以生成照片般逼真的数据流，以创建各种测试环境，模拟各种天气条件，如暴风雪以及不同地形。此外，它可以模仿一天中不同时间的眩光效果和夜间有限的视野。由于它是分布式的，开发人员可以上传交通情景，集成在他们自己的车辆和传感器模型，并驱动整个测试车辆“数十亿”的模拟里程。Nvidia 称，丰田研究院 TRI-AD 是 Constellation 的第一个客户。
防止自动驾驶汽车撞车的 Safety Force Field
Safety Force Field 是 Nvidia 推出的 Drive AV平台的一个新组件，旨在保护无人驾驶汽车，乘客以及同路的其他汽车和乘客。
Safety Force 内置于 Nvidia Drive 的自动驾驶汽车软件套件中，这大约会覆盖到大约四分之三的消费者，在美国汽车协会最近的一项研究中，这些消费者表示对乘坐自动驾驶汽车持谨慎态度。
据 Nvidia 介绍，Safety Force 是运动规划堆栈中的决策策略，通过分析实时传感器数据来监控不安全的操作，它能以最小化伤害和“潜在危险”为目标进行预测。
“通过消除驱动方程中的人为错误，可以防止绝大多数碰撞并最大限度地减少那些确实会发生的碰撞”，Nvidia 自动驾驶软件副总裁 David Nister 表示。
如何实现的？通过基于物理的“零碰撞”验证支持的“强大”数学计算，要优于利用有限统计数据的实时模型。正如 Nister所解释的那样，它遵循避免碰撞的单一核心原则，而不是一系列规则和期望。
Safety Force Field 可以考虑制动和转向限制，使其能够识别并消除两者产生的“异常”状况。“SFF 在数学上的设计使得配备 SFF 的自动驾驶车辆将像磁铁一样相互排斥，从而远离碰撞伤害，并且不会出现不安全的的情况”，Nister 补充道。
不过，Safety Force Field是否足以打消持公众对安全性的疑虑，还有待进一步观察。
此外，NVIDIA还发布了全新的 AI 加速库——CUDA X AI SDK 库，它重组了40 多个 Nvidia 深度学习加速库。CUDA-X AI 库可与流行的框架（如 MxNet，PyTorch 和 TensorFlow）配合使用。
Nvidia 的“新常态”
2 月 15，Nvidia 公布了 2019 财年第四季度及全年财报。报告显示，Nvidia第四季度营收为 22.05 亿美元，与上年同期的 29.11 亿美元相比下降 24%；净利润为 5.67 亿美元，与上年同期的 11.18 亿美元相比下降 49%。
除了营收和利润双双下滑，Nvidia的股价相比过去 52 周的高位也几近腰斩，目前市值也回落到 1024 亿美元左右。
此外，Nvidia还预计，与 2019 财年 117.16 亿美元的营收相比，2020 财年该公司营收将同比持平到小幅下降。除了经济环境的影响，这也说明 Nvidia 今年的产品规划里很可能并没有足以支撑营收大幅增长的“新爆款“。
当然，为了拓展自己的业务，近日，Nvidia 还宣布以 69 亿美元的价格收购以色列公司 Mellanox，这是 Nvidia 史上最大规模的一笔收购交易。
《Mellanox 为何让多家巨头公司“趋之若鹜”》一文里介绍道，“Mellanox是一家著名的网络设备供应商，旗下产品包括网络控制芯片、网卡、线缆、交换机、软件等等，主要应用在数据中心里的各类网络连接，可以说几乎涵盖了数据中心网络产品的各大门类，目前已经成为各大数据中心的主流网络解决方案之一。例如，在全球前十的大型公司中，有九家公司的数据中心就采用了 Mellanox 的方案。”
因此，Nvidia 斥巨资击败了英特尔等竞争对手，为的就是扩大自己的数据中心业务。
疲软的股价，没有核弹的 GTC，这些年一路躺赚，数钱数到手软的 Nvidia，终于要开始习惯“新常态”了。
参考来源：Venturebeat, The Verge