与CPU相比，GPU 具有数以千计的计算核心，及强大、高效并行计算能力， 可实现 10-100倍应用吞吐量，特别适用于AI 海量训练数据情形。目前深度学习解决方案几乎完全依赖 NVIDIA GPU。根据艾瑞咨询，2020年全球AI 市场规模达1190 亿元，市场潜力巨大。据机构预测，硬件市场占AI市场份额将达30%。此外，NVIDIA还专门设计了全球首款针对深度学习的GPU架构（Pascal 架构） 。

　　AI领域，NVIDIA不想做单纯的硬件或者软件厂商，致力于打造于基于AI平台化公司，构建端到端的深度学习平台。NVIDIA CEO黄仁勋表示，未来NVIDIA 将是基于人工 智能平台化的公司，业务将涵盖智慧城市、交通、超级运算等领域。

　　NVIDIA在AI 和自动驾驶领域，形成了以Tesla P100 和 和 DGX-1 为核心的训练体系，以 P4/P40 和Tensor-RT 为核心的数据中心推理体系， 及以Jetson TX1 与Jetpack 2.3、 DRIVEPX 2与Driveworks 为核心的智能设备体系。NVIDIA 在上述领域从硬软件到解决方案 上都进行了全面布局，构建了端到端的深度学习平台。

　　| 英特尔：研发+收购抢夺芯片市场份额

　　近年来， 英特尔传统业务表现不佳， 为避免对 PC、 服务器的过度依赖，公司基于主业积极谋求战略转型，将业务从PC芯片、移动芯片拓展至数据中心（云服务） 、物联网、人工智能等领域，还提出“2016 重建计划”，将未来工作重心从 PC 芯片转向物联网和云计算。 随着战略转型推进， 预计未来三年英特尔数据中心 、物联网营收增速将维持在5%-10%之间。

　　根据 CB Insights，英特尔在AI领域总投资额排在第二位， 这将加强AI核心竞争力。未来英特尔将打通从云端数据中心到设备终端， 历经大数据处理环节，再回到云端数据中心等AI闭环，打造AI生态系统以谋求领导地位。英特尔AI 终端布局聚焦于人机交互，通过提供英特尔 Curie 模块、Edison 计算平台、Cedar Trail 芯片平台、RealSense 实感技术及凌动处理器等技术，进一步提升终端设备智能化水平， 并将设备数据上传至后端数据中心。 AI 后端布局主要是研发适合机器学习 CPU 芯片（如 Xeon Phi） 、及 FPGA 芯片，以拓展 AI 计算性能。

　　软件上，致力于数学核心函数库和数据分析加速库：

　　目前，英特尔已开源针对深度学习数学核心函数库——深度学习神经网络 (Intel MKL-DNN)，以 供 MKL 深度学习神经网络层的使用。 2015年发布数据分析加速库DAAL，可帮助第三方开发者在 Intel 底层硬件上更好进行机器学习模型的 搭建和训练。Intel 在 2017 年还将在“数学核心函数库”产品中发布神经网络 API，供开 发者直接调取，降低了开发者入门机器学习的门槛。

　　此外英特尔还围绕 AI 领域进行了一系列收购 （如体感识别公司 Omek Interactive、 Hadoop 咨询公司 Xtremeinsights、自然语言处理初创企业 Indisys、联想记忆 Saffron Technology、 半导体厂商 Altera、半导体功能性安全方案厂商Yogitech、计算机视觉公司 Itseez、AI 初 创公司 Nervana、计算机视觉公司Movidius） 。

　　硬件上，三管齐下对抗NVIDIA GPU：