根据英伟达最新公布的年报，其最主要的业务领域均出现了两位数以上的增长。除了其一直占有领先优势的游戏业务增长之外，其更多的涨幅事实上来自于数据中心业务和自动驾驶两大全新业务板块。

年报数据显示，数据中心业务有138%的增长，而自动驾驶有52%的增长。

“事实上，这是整个英伟达财报里最具有说明力的内容，因为数据业务和自动驾驶的增长根本上是人工智能和深度学习的发展所激发的。”一位美国计算机硬件分析师向21世纪经济报道表示。

在目前的深度学习领域，把神经网络投入实际应用要经历两个阶段：首先是训练，其次是执行。从目前的环境来看，训练阶段非常需要处理大量数据的GPU(图形处理器，下同)，也就是以游戏和高度图形化的应用做图像渲染起家的英伟达领先的领域;而在转型阶段则需要处理复杂程序的CPU，也就是微软十几年来领先的领域。

“英伟达目前的成功事实上代表了GPU的成功，它正是最早的GPU领先者之一。”上述行业分析师表示。

深度学习神经网络尤其是几百上千层的神经网络，对高性能计算需求非常高，而GPU对处理复杂运算拥有天然的优势：它有出色的并行矩阵计算能力，对于神经网络的训练和分类都可以提供显著的加速效果。

举个例子，研究员不用一开始就人工定义一个人脸，而是可以将几百万个人脸的图像展示出来，让计算机自己定义人脸应该是什么样子的。学习这样的例子时，GPU可以比传统处理器更加快速，大大加快了训练过程。

因此，搭载GPU的超级计算机已经成为训练各种深度神经网络的不二选择，比如Google大脑早期就是使用Nvidia的GPU做深度学习。“我们正在搭建一款带有跟踪功能的摄像装置，因此需要找到最适合的芯片，GPU是我们的首选。”欧盟AR初创企业Quine CEO Gunleik Groven在今年一月的CES(国际消费电子展)现场向本报记者表示。

目前，谷歌、Facebook、微软、Twitter和百度等互联网巨头，都在使用这种叫做GPU的芯片，让服务器学习海量的照片、视频、声音文档，以及社交媒体上的信息，来改善搜索和自动化照片标记等各种各样的软件功能。一些汽车制造商也在利用这项技术，开发可以感知周围环境、避开危险区域的无人驾驶汽车。

除了在GPU和图形计算领域长期领先，英伟达也是最早一批在人工智能领域进行投资的科技公司。2008年，当时在斯坦福做研究的吴恩达发表了一篇用GPU上的CUDA进行神经网络训练的论文。2012年“深度学习三巨头”之一Geoff Hilton的学生Alex Krizhevsky用英伟达的GeForce显卡在ImageNet中将图像识别准确率大幅提升，这也是英伟达CEO黄仁勋时常提到的英伟达注重深度学习的开端。

有报告显示，世界上目前约有3000多家AI初创公司，大部分都采用了Nvidia提供的硬件平台。

“深度学习被证明是非常有效的。”黄仁勋在季报2月10日的发布会中表示。在列举目前GPU计算平台正在人工智能、云计算、游戏和自动驾驶领域快速展开应用的同时，黄仁勋表示，在未来数年间，深度学习将会成为计算机计算的一种基础性的核心工具。