NVIDIA以夺下MLPerf 八项纪录，证实NVIDIA GPU加速技术仍在AI领域唯快不破

NVIDIA 藉由GPU 加速颠覆人工智慧的发展后，不少企业与新创公司也纷纷藉由各种方式挑战NVIDIA 在AI 领域的地位，从数据规格与设计，无不以超越NVIDIA 的硬体为目标；然而，帐面规格是一回事，实作又是另一回事， NVIDIA 拿出MLPerf 的基准测试纪录，一举突破MLPerf 六项测试基准、创下八项纪录，八项纪录中包括三项大规模整体运算效能、以及五项基于加速器的效能纪录。

MLPerf 是包括Google 、 Intel 、百度、 NVIDIA 等多家业界领导厂商与学界，针对将AI 性能的量化所开发的测试基准，将多项业界常用的AI 模型训练作为基础，越快完成训练也意味着有更好的AI 效能。在新一代的AI 型超级电脑问世后，一举将过往需要耗时数一个工作天的训练流程，如今仅需几分钟就可完成。

举例来说， NVIDIA 在2017 年已经藉由搭载Tesla V100 的第一世代人工智慧超级电脑NVIDIA DGX-1 单机进行测试，当时在八个小时内完成ResNet-50 影像辨识模型，当时已经是相当惊人的纪录，然而当前藉由基于新一代的NVIDIA DGX-2H 与Mellanox InfiniBand 构成的NVIDIA DGX SuperPOD ，结合分散式人工智慧方式，则在80 秒就达成相同的模型训练流程，大大提升模型训练效率。

而今， NVIDIA 在加入Mellanox 的InfiniBand 互联技术后，以及结合全新的分散式AI 训练技术，让DGX SuperPerf 在大规模MILPerf 有更惊人的表现，更是当前唯一一款能在20 分钟内完成MILPefr 六项测试的AI 平台，尤其在Heavy Weight Object Detection 的Mask R-CNN 与Reinforcement Learing 的MiniGo 这两项较重度的训练负载， NVIDIA DGX Super-Pod 较同级平台大幅缩短训练时间，尤其Mask R-CNN 训练时间更仅有第二名约一半时间。

Heavy Weight Object Detection 使用的Mask R-CNN 对于自动驾驶是相当重要的项目，这一类的负载除了提供进阶的实例分割外，可结合摄影机、感测器、超音波等多个数据资讯来源配合，可作为自动驾驶时的行人与物体精确定位，另外用于医疗影像，更能协助医师搜寻与辨识肿瘤。至于 Reinforcement Learing 的MiniGo 则可应用在工厂机器人，或是智慧城市的红绿灯控管。

但打破纪录并非NVIDIA 最重要的目的， NVIDIA 的初衷仍是在加速推动创新； NVIDIA 让使用者能利用NGC 容器registry 下载完成针对DGX SupePOD 最佳化的CUDA-X AI 软体，能够抢先得到高效能的运算力，同时NVIDIA 几乎每个月都会持续发表新版CUDA-X AI 软体版本，以目前最新版本相较七个月前的训练成果，在相同硬体基础的NVIDIA DGX-2H 伺服器的MLPerf 0.6 处理量达到先前的80% ，显示软体与硬体的配合有助发挥更高的整体性能。