1. 驅動人工智慧的為什麼是GPU

因為人工智慧需要強大的浮點能力支持，http://ming.jia..com/article/626154

2. ai gpu性能有什麼用

可以提來高成像的質量 我一開始學自AI的時候就遇到過這樣一種情況 有兩個緊密貼合的形狀 每個的描邊都是無色的 但是看的時候總覺得兩個中間有一股淡淡的虛線 導出的圖像是正常的 但是編輯的時候看著總是感覺很蛋疼 後來把GPU性能打開後 那些虛線就消失了 形狀才真正緊密貼合了起來

3. 英偉達為人工智慧定製的GPU有何不同

你都不說誰和誰……
怎麼比
╮(╯_╰)╭

給個圖，自己找自己型號

4. 晶元GPU對未來人工智慧深度學習有多重要

首先搞清楚一點：
GPU的工作是「呈現」
人工智慧和學習都是由運算單元CPU來解決的！
GPU在未來也還是作為「呈現」的功能！
譬如CPU發出喜怒哀樂的表情指令
那麼GPU可以根據要求「呈現」出來
一定要說在人工智慧上的作用，也僅僅在這個方面
最多有些細節由cpu發出特定指令，GPU根據指令集來執行！
這就是類似現在的dx指令功能！

5. 「cpu」和「GPU」之間的區別有什麼不一樣

GPU概念

GPU英文全稱Graphic Processing Unit，中文翻譯為「圖形處理器」。GPU是相對於CPU的一個概念，由於在現代的計算機中（特別是家用系統，游戲的發燒友）圖形的處理變得越來越重要，需要一個專門的圖形的核心處理器。

GPU的作用

GPU是顯示卡的「大腦」，它決定了該顯卡的檔次和大部分性能，同時也是2D顯示卡和3D顯示卡的區別依據。2D顯示晶元在處理3D圖像和特效時主要依賴CPU的處理能力，稱為「軟加速」。3D顯示晶元是將三維圖像和特效處理功能集中在顯示晶元內，也即所謂的「硬體加速」功能。顯示晶元通常是顯示卡上最大的晶元（也是引腳最多的）。現在市場上的顯卡大多採用NVIDIA和ATI兩家公司的圖形處理晶元。
於是NVIDIA公司在1999年發布GeForce 256圖形處理晶元時首先提出GPU的概念。GPU使顯卡減少了對CPU的依賴，並進行部分原本CPU的工作，尤其是在3D圖形處理時。GPU所採用的核心技術有硬體T&L、立方環境材質貼圖和頂點混合、紋理壓縮和凹凸映射貼圖、雙重紋理四像素256位渲染引擎等，而硬體T&L技術可以說是GPU的標志。
簡單說GPU就是能夠從硬體上支持T&L（Transform and Lighting，多邊形轉換與光源處理）的顯示晶元，因為T&L是3D渲染中的一個重要部分，其作用是計算多邊形的3D位置和處理動態光線效果，也可以稱為「幾何處理」。一個好的T&L單元，可以提供細致的3D物體和高級的光線特效；只不過大多數PC中，T&L的大部分運算是交由CPU處理的(這就也就是所謂的軟體T&L)，由於CPU的任務繁多，除了T&L之外，還要做內存管理、輸入響應等非3D圖形處理工作，因此在實際運算的時候性能會大打折扣，常常出現顯卡等待CPU數據的情況，其運算速度遠跟不上今天復雜三維游戲的要求。即使CPU的工作頻率超過1GHz或更高，對它的幫助也不大，由於這是PC本身設計造成的問題，與CPU的速度無太大關系。

關於CPU和GPU的相關問題

第一個問題：
GPU的競爭遠比CPU的競爭來得激烈。通用PC的CPU就只有英特爾和AMD兩家大廠。而在GPU方面領先的是N記和A記兩家廠商，但能生產中低端產品的還有英特爾、3S等好幾家廠商。它們的產品雖然不如前兩家，但在很多應用方面也能滿足用戶的需要，所以N記和A記只有拚命往前跑才不會死掉。CPU廠商沒有採用GPU的先進工藝是因為CPU廠商都有自己投資的生產線，不可能一下把原來的生產線都淘汰了上新的生產線，那樣做可能連當初投入的資金都難以收回。而GPU廠商由於種種原因，一般都是自己設計由別人代工的，比如找台積電代工。代工廠商為了能接到業務，只有不停升級自己的生產設備，這樣才能生存下來。所以造成以上原因。
第二個問題
就如你所說的一樣，CPU除了處理游戲的AI，情節等方面的數據外，對於有些圖像方面也是由它完成的。當微軟每次發布新的DX時，並不是每款GPU都能支持DX新的特性，所以有些圖像方面的任務還得由CPU來完成。還有有些特性比如重力特性以前是由CPU來完成，現在有些GPU也能支持了，這些任務就由GPU來完成了。
第三個問題
GPU相當於專用於圖像處理的CPU，正因為它專，所以它強，在處理圖像時它的工作效率遠高於CPU，但是CPU是通用的數據處理器，在處理數值計算時是它的強項，它能完成的任務是GPU無法代替的，所以不能用GPU來代替CPU。
另外
現在AMD收購了A記顯卡晶元的設計廠商，AMD看到今後CPU和GPU只有走一條融合的道路才能地競爭中佔得先機。CPU和GPU如何配合默契才能最大地提高工作效率是AMD現在考慮的問題，也是英特爾的問題。
第四個問題
微軟發布windows7 其中一個顯著特性就是 聯合GPU和CPU的強大實力，提升GPU在硬體使用的價值，在Windows7中，CPU與GPU組成了協同處理環境。CPU運算非常復雜的序列代碼，而GPU則運行大規模並行應用程序。微軟利用DirectX Compute將GPU作為操作系統的核心組成部分之一。DirectX Compute。它讓開發人員能夠利用 GPU的大規模並行計算能力，創造出引人入勝的消費級和專業級計算應用程序。簡單的說，DirectX Compute就是微軟開發的GPGPU通用計算介面，欲統一GPU通用計算標准。也就是說windows7 以後GPU的硬體地位將僅次於CPU，發揮出更大的效用。

6. GPU為什麼能驅動人工智慧，以及它是否會被仿

人工智慧說到底不外乎將人的五官模仿出來再配合數學公式來計算出下一步的結果
處理五官的信息其實說到底就是不斷的進行數學計算，用非人話說就是把採集到的數據以一定的格式呈現，常見的有矩陣，然後再對矩陣進行數學或非數學的加工，最後將加工的結果套用一些數學公式，希望達到人類思考的結果。比方說距離公式
說人話就是通過很復雜的數學計算和數學公式，企圖模仿人從收集信息到處理信息最後給出反應一系列的過程
由於信息很多很復雜，傳統CPU只有幾個核心根本處理不過來，而且都是一些很簡單的浮點運算為主，傳統CPU根本就是大材小用，所以用GPU會更合適。
通過把信息拆分成N個片段送到GPU，通過多線程，這樣會比較快的得出想要的結果，配合CPU，就能加速整個人工智慧的過程。
至於會不會被模仿，就好像葯廠的配方，除非它開源，否則要模仿也不是容易的事兒。

7. 人工智慧是如何被大數據喂養的，演算法、數據和GPU硬體哪一個的影響更大

人工智慧需要有大數據支撐
人工智慧主要有三個分支：
1.基於規則的人工智慧；
2.無規則，計算機讀取大量數據，根據數據的統計、概率分析等方法，進行智能處理的人工智慧；
3.基於神經元網路的一種深度學習。
基於規則的人工智慧，在計算機內根據規定的語法結構錄入規則，用這些規則進行智能處理，缺乏靈活性，不適合實用化。因此，人工智慧實際上的主流分支是後兩者。
而後兩者都是通過逗計算機讀取大量數據，提升人工智慧本身的能力/精準度地。如今，大量數據產生之後，有低成本的存儲器將其存儲，有高速的CPU對其進行處理，所以才有了人工智慧後兩個分支的理論得以實踐。由此，人工智慧就能做出接近人類的處理或者判斷，提升精準度。同時，採用人工智慧的服務作為高附加值服務，成為了獲取更多用戶的主要因素，而不斷增加的用戶，產生更多的數據，使得人工智慧進一步優化。