收看 GTC TAIWAN 2018 主題演說

從任何地方存取、在大型數據集上進行協作，以及適應浮動工作人員都只是數位工作空間的挑戰。 NVIDIA 虛擬 GPU 正在破除障礙，以達成理想的數位工作空間，並支援數據中心、雲端運算和圖形密集型工作負載。 了解我們的最新版軟體如何為最嚴苛的工作流程提供 GPU 虛擬化，同時透過 GPU 即時遷移，最大限度地提高數據中心的利用率並實現最高可用性。 本議程中，與會者將能夠了解製造業、建築和工程以及其他行業的領導組織如何採用虛擬 GPU 技術。

為取得人工智慧發展契機，由國家高速網路與計算中心 (以下簡稱國網中心) 以 4 年共 50 億元經費，規劃國家級人工智慧研發環境，建置新世代 AI 計算雲端主機及大數據共用設施，提供具延展性之高速運算與儲存軟硬體的共用設施環境。我們將以大型AI計算平台硬體架構舉例，進行計算平台軟硬體的建構比較，進一步說明國網中心人工智慧及大資料研發平台整體架構，及介紹「AI 雲端服務」的軟硬體架構及服務模式。

關於講者：任職於國家高速網路與計算中心 (位於台灣新竹市) 正工程師，專精於資料儲存領域及擅長 IT 儲存架構。過去負責資料備份及雲端儲存的系統管理工作，協助設計先期雲端資源管理軟體，及多項大型 HPC 系統規劃。於 2017 年開始擔任設施服務組組長，負責「前瞻基礎建設計畫」的人工智慧平台整體規劃、建置及維運等多項工作。

近年來醫療影像人工智慧研究不斷的蓬勃發展。在這些光鮮亮麗的成果背後，有非常大量的人力花費在各個環節上。這樣巨量的人力花費讓我們開始思考，基礎軟硬體建設對於醫療人工智慧永續發展的重要性。現有的醫療資訊系統對於人工智慧研究來說已然過時。各資料庫之間連結鬆散，導致異質資料提取效率低落。現有診斷報告格式不適用於人工智慧研究，醫師必須對於已做過診斷的影像再次標記。醫院電腦系統設置是為了資料儲存而非計算用途。更甚者，超高解析度醫療影像的計算，也非一般電腦所能負荷。在我們預見的未來，人工智慧將對醫療的許多面向，從影像辨識，到治療計畫及決策等都會有非常深遠的影響。軟硬體基礎建設的改良，對於實現這個未來至為關鍵。在此演講中，我們將分享在醫療影像人工智慧的研發成果，以及為了迎向未來，我們對於改進基礎架構所做出的努力。

關於講者：葉肇元醫師於台灣大學醫學系畢業後，花了一年的時間在台灣清華大學的腦科學中心進行果蠅腦神經連結圖譜重組之研究。之後他前往美國南加州大學攻讀病理學博士。期間除了學習生醫研究的技術之外，也學習建構雷射掃描顯微鏡，並撰寫電腦程式以控制顯微鏡並進行生醫影像分析。因為對於影像研究以及電腦編程的熱愛，他創立了雲象科技以提供數位病理玻片的雲端解決方案。他對新事物充滿好奇心，也極度熱愛自學。在就讀研究所時，他透過自學開始寫程式。在他積極的企圖讓公司轉型成為醫療影像人工智慧公司時，他花了無數的時間研究深度神經網路。雲象科技在近日已成為台灣醫療影像人工智慧研究的領導廠商，與美國及台灣許多 醫學中心有合作計畫。葉醫師現在亦以業界教師的身分於成功大學教授深度學習。他對於醫療最遠大的願景，是一個醫師和人工智慧和諧互助，使醫療照護品質不斷提升的未來。

本系統的目標使用者為高功能自閉症孩童，在許多情境下社交及情緒的互動上有缺損，如社交互動異常，無法維持雙向對談，在溝通上較少回應。有鑑於此，本團隊希望藉由虛擬實境之遊戲平台提供自閉症孩童一套創新且具吸引力之治療管道，透過虛擬實境遊戲訓練自閉症孩童之社交行為以及應變能力。本系統以速食店作為故事背景，搭配遊戲中的小助手於關卡前給予提示，幫助自閉症孩童能順利完成各項互動任務，藉此加強其訓練應變能力及雙向互動社交行為，以利治療師訓練自閉症孩童之社交。

關於講者：黃懷陞助理教授畢業於國立交通大學資訊工程學系，目前服務於天主教輔仁大學資訊管理學系。他的研究興趣廣泛，包含有雲端計算、虛擬實境、大數據分析、智慧計費、即時計費、物聯網以及無線通訊與網路。他是 NVIDIA 於 2018 年在美國矽谷所舉辦之 GPU Technology Conference (GTC) 的講者之一，同時也是 Amazon Web Services (AWS) Academy 核可的認證講師，目前正擔任 AWS Academy 以及 AWS Educate 在輔大的聯繫窗口。

我們提出一個泛用且基於深度學習的 360 度視覺感知系統，用來達到顯著偵測、自我定位、以及深度預測。這些功能的完成，是基於一個新開發的通用 Padding 技術 (Cube-Padding)。此技術可以泛用在任何卷積類神經網路上，達到避免 360 度影像原始的扭曲以及圖像邊緣等問題。360 度的視覺感知系統是任何自主系統的核心技術，例如自動駕駛車、四軸飛行器、或是家用機器人對 360 度環境的感知。

關於講者：孫民博士目前任教於國立清華大學電機系，他擁有史坦福電機碩士 (導師為吳恩達)、密西根安雅堡電機系統組博士 (先後導師為李飛飛以及Silvio Savarese)、以及西雅圖華盛頓大學計算機工程博士後的經歷。他的研究興趣在電腦視覺、機器學習、以及人機互動領域。近年來基於深度學習在電腦視覺的突破，他致力於開發橫跨人工智慧不同子領域的系統，如自動影片文字描述 (視覺 x 自然語言)、以及與人類行為互動的智慧機器 (視覺 x 控制)。

您的企業必須面臨提供遠端工作的需求？常面臨被研發同仁抱怨電腦或是工作繪圖站繪圖效率不佳？常面臨資安長官稽核的研發資料不落地要求？常面臨開發環境異動變更卻導致軟體無法運作？ QCT 以案例分享，如何透過虛擬化 GPU 運算繪圖，提升與改善以上所面臨的問題。議題中，提及如何從規劃、測試、調教至上線等階段所遇見之問題，經驗分享專案建置的過程，做為您規劃虛擬化工作站導入的最佳實踐案例。透過虛擬 GPU 的工作環境，建立研發與設計上具備高運算效率的工作環境。

關於講者：蘇怡琪現任雲達科技事業發展處經理，主要負責協助雲達科技事業夥伴在雲端產品銷售規劃和顧問技術支援。專長為企業用戶的基礎架構虛擬化系統整合導入建議、系統環境自動化與管理專案規劃等項目。加入雲達科技之前，蘇怡琪於台灣 acer eDc 服務長達 8 年，擔任電子化服務事業群事業部資訊安全服務解決方案產品經理，負責資訊安全管理服務解決方案的行銷策略和產品線規劃、導入能力訓練和推動合作夥伴結盟。

將介紹 AI 於電信產業之應用、中華電信 AI 佈局，如智慧維運、智慧客服、智慧家庭、智慧安全、智慧交通等、特別提出使用 GPU 運算於語音辨識、人臉辨識的顯著改進與創新。並分享 IoT 大平台 + AI 之人臉驗證-門禁實際應用案例，使用 NVIDIA Tesla K80 / P100 / V100 (DGX-1) 縮短訓練時間及提升辨識率情形。

關於講者：國立中央大學通訊工程博士，現任中華電信公司電信研究院主任級研究員及匯流服務研究所智慧人機互動技術計畫經理，銘傳大學資訊傳播工程學系兼任助理教授。參與過的AI相關專案包括深度學習應用於語音辨識、車牌辨識及影音場景偵測等，並曾應邀於 GTC Taiwan 2016 分享「以深度學習加速語音及影像辨識應用發展」。

針對智慧城市的需求，鐵雲科技在 Nvidia Jetson TX1/TX2 平台上開發了一套以邊緣運算為基礎之AI智慧城市影像搜尋系統，該系統可在前端 (edge) 即時處理攝影機影像串流，透過 AI 人工智慧引擎自動辨識影像中的重要訊息如人、車、物、時間、顏色等資訊，同時提供簡單易用的搜尋介面供使用者進行快速查詢。透過開放式的API，該系統亦可以連接至中央管理平台進行資料的儲存並產生相關報表。我們將介紹該系統的運作方式，也同時探討入侵偵測、人流統計、車流統計及人臉辨識等多個智慧城市的相關應用。

關於講者：Patrick Wu 服務於鐵雲科技，負責帶領工程團隊進行 AI 深度學習、雲端及視訊分析產品開發工作。

雖然深度學習技術在語音辨識與語意理解等應用上取得空前的成功，但其成功往往仰賴大量標註語料，也就是其訓練為督導式（supervised），機器並沒有辦法在僅有資料沒有標註的情況下進行自我學習，例如：一般語音助理出廠時因為內建透過督導式學習所得的英文語音辨識、理解系統，所以可以聽懂英文，但是這些智慧型助理就算把它們放在一個說台語的家庭，它們也無法像人類小孩在耳濡目染下就學會了台語。本演講將討論讓機器僅憑大量沒有標註的資料就可以對人類語音進行辨識和理解的可能性，希望在未來機器只要上網看過大量的影片，或在日常生活中聽過大量的人類對話，就可以自動學習、理解各種人類語言。

關於講者：李宏毅現為臺大電機系助理教授，研究主軸是以機器學習技術讓機器辨識並理解語音訊號的內容。以深度學習技術為基石，正致力於語音數位內容搜尋、語音數位內容之自動化組織以及從語音數位內容擷取關鍵資訊等前瞻性研究，這些技術有很多的應用，例如：人機互動、問答系統、智慧型線上教學平台等等。

目前另人矚目的深度學習演算法幫助最大的領域在於複雜、非結構性的資料。這就是為什麼在影像、視訊、語音的研究上看到跳躍式的進步、甚至部分還超越人類的感知能力。正當產業界引頸期盼，希望將這一系列的技術落地為產品的時候，首先得面對的難題是，針對垂直領域，如何獲取有品質的訓練資料。因爲學理上，擁有數千（佰）萬個參數的深度學習網路也必須有相當的訓練資料，關乎智能產品的穩定度及正確性。在這個演講中，我們將探討各種前瞻研究所使用過的策略以及彼此的利弊得失。也會分享近來落實深度學習技術在工業產品上所獲得的（成功跟失敗）經驗。 對於希望落地深度學習技術的產業界朋友們，覺得是值得關注的議題。

關於講者：徐宏民（Winston Hsu）現任台大資工系教授及 NVIDIA AI Lab 計畫主持人。哥倫比亞大學電機博士，專精於機器學習、大規模影像視訊搜尋與辨識、前瞻技術商業模式等領域。為訊連科技研發團隊創始成員，曾任IBM華生研究中心客座研究員、美國微軟研究院客座研究員。習慣從學術及產業界的角度檢驗技術發展的機會；十餘年產學合作以及新創經驗，近年與國內外企業合作，將深度學習技術落實到產品上，並且協助成立深度學習（人工智慧）團隊。曾獲微軟 Bing 大規模影像搜尋競賽全球冠軍（2013）、傑出資訊人才獎、吳大猷先生紀念獎等多項國內外大獎。

對於智慧型機器人而言，從現實世界中收集訓練數據通常是非常耗時，甚至是危險的。因此機器人學習近期的研究方向，都主張使用模擬器作為訓練平台。然而，模擬器中的視覺數據與真實世界的視覺數據之間存在著差距。這個差距阻礙了在虛擬世界中訓練的模型成果，直接移轉到現實世界。本研究團隊提出了一個解決虛擬到現實問題的模組化架構。我們所提出的架構將學習模型分為感知模組和控制策略模組，並且使用語義圖像分割 (Image Semantic Segmentation) 作為這兩個模組傳遞的主要資訊。感知模組將感知到的 RGB 圖像進行語義圖像分割。控制策略模組則由目前最有效的深度強化學習方實作，訓練智慧型機器人能夠根據圖像分割轉換後的結果來執行動作。 本研究所提出的架構在閃避障礙物任務和目標跟隨任務中進行評估。實驗結果證明，本架構在虛擬環境和真實環境中明顯優於所有基準演算法，並且展現出比它們更快的學習曲線。我們還為各種相關配置提供詳細的分析，並驗證模塊化體系結構的可轉移性。本研究所提出的架構已於 NVIDIA Jetson TX2 開發板上實現， 並在真實機器人上進行全面評估，獲得良好的成果。

關於講者：李濬屹博士於2012年畢業於美國普林斯頓大學 (Princeton University) 電機工程學系， 2015 年秋季起於國立清華大學資訊工程學系擔任助理教授一職。在此之前，曾於 2012 至 2015 年間，於美國加州矽谷甲古文公司 (Oracle America, Inc.) 任職資深硬體工程師 (Senior Hardware Engineer)。李濬屹博士領導的研究團隊專注的研究領域為智慧型機器人 (Autonomous Robotics)、深度增強式學習 (Deep Reinforcement Learning)、機器人電腦視覺 (Robotic Computer Vision)、虛擬至真實世界的遷移式學習 (Virtual-to-Real Transferring)、平行嵌入式系統設計 (Parallel Embedded Systems)、異質多核心處理器系統 (Heterogeneous Multiprocessor Systems) 。李濬屹博士有多篇論文發表於最頂尖的國際AI研討會，其中包含國際頂尖電腦視覺研討會Computer Vision and Pattern Recognition (CVPR) 2018，以及國際頂尖AI研討會International Conference on Autonomous Agents and Multiagent Systems (AAMAS) 2018、International Conference on Learning Representations (ICLR) Workshop 2018，以及平行運算研討會 GPU Technology Conference (GTC) 2018、International Conference on Computer Design (ICCD) 2018 等。李濬屹博士亦曾發表多篇 IEEE/ACM 頂級國際期刊與會議論文發表於IEEE TVLSI及DAC等，並獲得2009年 International Conference on Computer Design (ICCD’09) 之最佳論文獎 (Best Paper Award)。李濬屹博士層多次擔任 IEEE/ACM ASP-DAC 之 Session Chair 及 Technical Committee Member，亦多次擔任 IEEE TVLSI、IEEE TCAD、IEEE ISSCC、以及IEEE ASP-DAC 之 Paper Reviewer。李濬屹博士於 2016 年以及 2018 年，帶領 Elsa Lab 以及 NVISION 研究團隊參加 NVIDIA 公司舉辦的智慧型機器人設計競賽，分別獲得了全國冠軍與世界冠軍的佳績。於深度學習應用於智慧型機器人的領域，李濬屹博士的研究團隊已經累積了多年經驗，成果獲得了世界上相關領域專家的肯定。

數據資料結合 GPU 強大的運算能力， AI 引領這世代最大的創新潮流，健康醫療領域將成為 AI 最有機會落實應用的產業之一。中國醫藥大學附設醫院於2017年率先採用了世界運算速度最快的人工智慧工作站訓練神經網路 - NVIDIA DGX-1，在結合豐富的醫療資料與深度學習技術後，建置並導入醫療 AI 輔助臨床診斷，包含「乳癌超音波影像 AI 辨識」，「惡性肝腫瘤電腦斷層影像辨識與預測」以及「臨床骨齡評估」，並落實於放射科與小兒科醫師之臨床診斷應用，中國醫藥大學附設醫院 AI 中心將設備建置、軟體應用、深度學習技術、伺服器效能以及醫療 AI 臨床使用經驗跟大家分享，期待加速台灣醫療 AI 發展進程，為台灣健康照護貢獻一份心力。

關於講者：出身電機工程、投身醫療產業，致力於 AI 醫療，結合深度學習技術與醫療專業，建立醫療人工智慧技術為人類健康盡一份心力。數位化的 21 世紀，醫院創造了許多可利用且龐大的健康資訊，從基因資訊、病理生理資料、人體結構與功能圖像數據，配合深度學習技術建立出適合神經網路解析各類疾病特徵，輔助醫師給予每位病患最正確的診斷結果與最佳預後的治療方式，並藉此降低醫療成本以解決醫療資源不足的問題，是個人的職涯努力的終生目標。

晶圓級晶粒尺寸封裝是錫凸塊將訊號直接由晶粒傳至電路板。在產品生命週期中這些錫接點會反覆受到高低溫變化造成的機械應力。錫接點的疲勞破裂便是封裝常見的失效模式。本研究使用 ANSYS Mechanical 模擬每個錫接點在五個溫度循環中的累積應變能增量，累積應變能增量較小的設計可預期會有較長壽命。此數值模型中同時有細微的晶粒特徵與相對大尺寸的電路板因此元素與節點會較一般封裝體更多，同時非線性的彈塑計算也使求解時間更為漫長。使用多核心及開啟 GPU 加速運算的效能差異將會一併比較。

關於講者：2012 年成功大學航空太空工程學系取得博士學位後任職於日月光中壢廠從事封裝製程產品熱應力翹曲等問題之數值模擬分析與負責電路板層級可靠度測試，對產品進行電路板層級熱循環、落下或振動測試。

PEGATRON 的智慧家用機器人主要功能是可以利用深度學習發展的各種 AI 感知技術，例如人臉辨識、姿態偵測、火焰辨識等功能，來提供專屬家人的體驗及安全防護。其中還要介紹人臉辨識的發展過程，經過四年的發展，在 2017 我們達到 LFW 人臉辨識評估上 99.58% 的準確率。這些都是使用 NVIDIA GPU 進行訓練及部署。最後還會介紹 PEGATRON 在深度學習上發展的其他技術。

關於講者：2000 年畢業於交通大學，資訊工程研究所，多媒體與類神經網路實驗室。 最近四年有一半時間致力於在 PEGATRON 發展深度學習在人臉辨識上的類神經網路模型，成果於 2017 到達 99.58% 的準確率，並提交到 LFW ， 2018 持續提升。 在 PEGATRON 致力於啟用各種深度學習技術，如物件偵測（火焰、刀、手勢），行為辨識（跌倒）等等。

關於講者：黃仁勳以共同創辦人的身份於 1993 年創建 NVIDIA ，並自一開始便擔任總裁、執行長暨董事會成員。 在他的領導下， NVIDIA 於 1999 年發明繪圖處理器 (GPU) 。從此，該公司便持續以令人嘆為觀止、充滿互動性的繪圖功能設立視覺運算的新標準，應用範圍從平板電腦和可攜式媒體裝置到筆記型電腦及工作站。 NVIDIA 在可程式 GPU 上的專業造就了平行運算領域的突破，讓超級運算的成本得以降低，進而被廣泛使用。該公司擁有超過一千一百項的專利，包括建構現代運算的各項設計及真知灼見。 黃仁勳獲得由全球半導體協會 (the Global Semiconductor Association) 所頒發的「張忠謀模範領袖獎 (Dr. Morris Chang Exemplary Leadership Award)」，以表彰其在推動無晶圓廠半導體產業的發展、創新、成長和長期拓展的傑出貢獻。他還獲得美國南加州大學 (University of Southern California) 的 Daniel J. Epstein 工程管理獎，並獲選為美國俄勒岡州立大學 (Oregon State University) 的傑出校友。 在創辦 NVIDIA 之前，黃仁勳在巨積公司 (LSI Logic) 擔任工程、市場行銷與總經理的職位，並曾在超微公司 (Advanced Micro Devices) 擔任微處理器設計師。他擁有俄勒岡州大學的電子工程學士學位，以及史丹佛大學 (Stanford University) 的電子工程碩士學位。

今日人工智慧正在賦予人類超能力：從協助醫生做出更完美的診斷到幫助大眾安全的移動，無所不在。整個產業已被重新定義，而新的產業也在不斷地湧現。深度學習是人工智慧的基石是，也是一套強大的工具，但要充分掌握並整合到現有的產業鏈並非件易事。藉由為科學家提供解決各種人工智慧問題所需的關鍵運算能力，特別是具有挑戰性的感知問題，NVIDIA 已成為目前人工智慧熱潮的主要推手。NVIDIA 正在投入更高階的抽象能力，以解決自駕汽車等更複雜的創新應用，並幫助其他產業利用深度學習。本次演講將介紹如何將 AI 模型應用於生產系統，以及構建和維護 AI 的深度學習基礎設施，包括管理從定義、訓練、部署、重新加載、和終身學習的深度學習模型生命週期的技術。DNN 自動組織和預標記此一循環中的數據。按照所給定的數據，DNN 可找出最佳運行期間的優化深度學習模型。數據量超過多節點的訓練尺度。這些方法只須從應用程序獲取數據，再將DL預測器饋入。此一基礎架構模組化為多個階層，每個模組都容器化，成為 GPU 雲基礎架構的次階基礎架構。

關於講者：Pradeep Gupta 是 NVIDIA解決方案架構及工程的全球主管 ， 負責自動駕駛及其它產業，包括支援自駕客戶及世界各地的生態系統合作夥伴。 Pradeep 在邦加羅爾印度科學研究所（IISc）獲得碩士學位，經歷非常豐富，涵蓋多種不同的產業及技術領域，包括高效能運算、電腦視覺、數學資料庫開發和數據中心技術。

關於講者：Deepu Talla 是 NVIDIA公司自主機器副總裁兼總經理，負責運用 AI 技術在例如視訊分析、工廠自動化和無人機等自動化機器和智慧設備中。在此之前，他負責 NVIDIA 的行動事業群。於 2013 年加入 NVIDIA 前，他曾在德州儀器工作超過 10 年，擔任多個資深管理和技術主管職位。Deepu 擁有印度 Andhra 大學電子和通訊工程學士學位、Vilanova 大學電氣工程碩士學位，以及德州大學奧斯汀分校的計算機工程博士學位。

關於講者：Marc Hamilton 是 NVIDIA 全球解決方案架構和工程團隊的主管，他負責與客戶和合作夥伴合作，為人工智慧和深度學習、專業視覺化以及高效能運算提供全球最佳的端對端解決方案。於 2013 年加入 NVIDIA 前曾在惠普公司的超大規模業務部門，以及 Sun Microsystems 的 HPC 和數據中心部門工作。在 TRW 工作期間，他為美國航空和國防工業開發高性能計算應用程序。曾發表多篇技術論文，也是一本軟開發書籍的作者。Marc 擁有加州大學洛杉磯分校數學和計算機科學學士學位，以及南加州大學電機工程碩士學位。

運用深度學習理論於全醫院範圍的大量臨床圖像和文字資料庫，近年來已有明顯的進展。然而，現代的教學醫院存在大量非結構化病患數據於不同的臨床資料庫（例如 PACS、BTRIS、RIS、CRIS ），這些數據大部分無法編索引、無法進行語意檢索、也就無法用於解決不同尺度的量化精準醫療挑戰。

本議程將回顧我們三項研究工作的近期發展：
1. 運用統計深度群組學習方法，預測包含人口趨勢和個人數據的腫瘤生長模式；以及運用深度卷積神經網路直接顯示和了解腫瘤生長過程中的細胞侵襲和質量效應，並預測腫瘤的後續受累區域。
2. 透過學習每個病變的深度特徵表示，來組織和探索顯著的臨床異常，並構建一個三重網路以學習一萬多項病患研究潛藏的樹狀病變相似性。
3. 一個創新的 Text-Image Embedding 網路（TieNet），用於公共大型胸部 X 光數據集上，以多級關注模型和端到端訓練，抽離解析獨特的圖像和文本表現。

關於講者：呂樂是 NVIDIA AI-Infra 醫學成像和臨床訊息深度學習的資深研究經理。 2013 - 2017 年間，他在馬里蘭州貝塞斯達國立衛生研究院臨床中心擔任資深科學家。自 2006 年起，他的研究集中於醫學成像理解和語義分析，以適應新的臨床實務，特別是在預防性早期癌症篩檢，以及藉由大規模成像協議和統計（深層）學習規則，開發精準的創新成像生物標記。 2006 - 2013 年間，他任職於 Siemens Corporate Research 和 Siemens Healthcare （最後升任資深科學家），解決了結腸息肉和肺結節 CADx 系統、血管、骨骼成像方面的各種核心研發議題。他已列名 23 項美國和國際專利，且為 32 項發明的發明人或共同發明人。他發表或共同發表了 120 篇同儕評議的論文，在過去五年中，在頂級會議（如 MICCAI / CVPR ）和期刊發表了一系列具有高度影響力的論文。他是 MICCAI 2018 、 2016 、 2015 以及 CVPR 2017 、 ICIP 2017 的分區主席。他在 2017 年由 Springer 出版了一本名為「Deep Learning and Convolutional Neural Networks for Medical Image Computing」著作。他在2007年獲得約翰霍普金斯大學的計算機科學博士學位， 2015 年獲得 NIH 年度最佳導師獎，並且在 2017 年獲得 NIH Clinical Center CEO 獎。

早期的人工智慧採用者已經徹底革新了我們當前經濟的主要領域，包括線上媒體、消費電子、醫療照護、媒體和娛樂、安全。然而下一波 AI 可望改變我們經濟中大部分較為古老的領域，包括製造業、能源、交通運輸和機器人。這些行業歷來在使用規範基礎系統的自動化技術方面已投注了大量資源，並具有局限性。 隨著物聯網的興起，基於數據驅動的 AI 系統的新技術開啟了一個全新的機遇，這些新應用能夠將 AI 模型應用於惡劣生產環境中的複雜物理系統，並可透過提高效率、人員生產力，以及更高品質的產品和基礎設施，解放數兆美元的產值。

關於講者：對機器學習有高度熱情，碩博士研究專注於於生物領域，主要解決 Human 以及 Environmental Microbiome 的 DNA 序列分類問題；之後加入了製造業的行列，利用機器學習處理各種流程當中可以定義為監督式學習的問題；目前在 NVIDIA 擔任解決方案架構師，提供客戶重裝備，在各領域做腦力激盪找到深度學習的應用可能。

早期的人工智慧採用者已經徹底革新了我們當前經濟的主要領域，包括線上媒體、消費電子、醫療照護、媒體和娛樂、安全。然而下一波 AI 可望改變我們經濟中大部分較為古老的領域，包括製造業、能源、交通運輸和機器人。這些行業歷來在使用規範基礎系統的自動化技術方面已投注了大量資源，並具有局限性。 隨著物聯網的興起，基於數據驅動的 AI 系統的新技術開啟了一個全新的機遇，這些新應用能夠將 AI 模型應用於惡劣生產環境中的複雜物理系統，並可透過提高效率、人員生產力，以及更高品質的產品和基礎設施，解放數兆美元的產值。

關於講者：Jerry Chen 負責在工業應用中開發 NVIDIA 人工智慧生態系統。 過去的職位包括專業圖形管理職位、科學 HPC 以及面向 AI 新創公司的 NVIDIA Inception 計劃。他擁有康乃爾大學的學士和工程碩士學位、以及加州大學柏克萊分校的工商管理碩士學位。

NVIDIA Volta GPU 導入的 Tensor Core 可透過 IEEE 半精度輸入提供高達 125 TeraFLOPS，讓混合精度訓練提供遠高於單精度的速度提升。我們將提供三項混合精度訓練的基本技巧說明：損耗縮放、精通權重及因應指定運算選擇適當精度。這些技巧都能達到與單精度網路相同的一定模型精度，且不會改變超級參數或訓練排程。最後，我們將解釋如何為您的網路啟用 Tensor Core 、如何確保 Tensor Core 使用及我們將透過圖例顯示以上所有項目，藉助簡單卻不失完備的方式說明 PyTorch 的功能範例。

關於講者：Michael Carilli 是深度學習框架團隊的資深開發人員技術工程師。他的工作重心是讓 Pytorch 中的 FP16 半精度訓練更快速、數量穩定且易於使用。

NVIDIA RTX 是一種光線追踪技術，可為內容創作者和遊戲開發人員提供即時、可媲美電影品質等級的服務。本議程將顯示光線追踪的專業實例，並說明開發人員如何利用 RTX 技術；接著深入探討工業製造、AEC和電影工作流程，強調 RTX 技術的階段和加速應用，為使用者所產生的實質節約；最後，將透過逐步運算顯示 GPU 渲染場景後製著色是如何大勝 CPU 渲染場景。

關於講者：Vishal 自 2005 年以來一直在 NVDIA 工作，目前負責 Quadro 專業繪圖產品線。在擔任現職之前，他曾擔任顯示器行銷經理和多個 GPU 系列的技術行銷經理。 Vishal 擁有杜克大學的計算機工程碩士學位。

NVIDIA Tesla HGX 是一套平台架構，可提供適合人工智慧、深度學習及高效能運算的最高效能端對端解決方案。在本說明中我們將探討 HGX 資料中心產品藍圖、架構如何標準化加速 AI 的資料中心設計、打造新一代效能的最新技術，以及我們如何配合 OEM 與 ODM 合作夥伴在雲端推出 HGX 平台。

關於講者：William Tsu 負責 NVIDIA 的 Tesla 資料中心 HGX 產品線。他與雲端服務供應商、OEM 及 ODM 合作夥伴共同合作，推出全球最高效能的人工智慧、深度學習與高效能運算端對端解決方案。 William 擁有柏克萊加大資訊工程學士與碩士學位，以及柏克萊大學的工商管理碩士學位。

適用於大量相同工件加工的傳統刀具磨耗計算公式，較不適合在少量多樣工件加工的情形下進行預測。卷積神經網路預測多種不同的圖片類型時具有高準確率，相當適合用於預測工件形態多變化下的訊號狀態。這份簡報將展示處理切削訊號資料的方式，並使用卷積神經網路 (CNN) 進行分類，期望能找出在不同時期的磨耗訊號特徵，並在診斷刀具磨耗狀態上更加準確。

關於講者：畢業於國立東華大學資訊工程所，研究主題為探索 CNN 對於圍棋死活問題的解題能力。目前於工業技術研究院智慧機械科技中心服務，服務期間結合分群法與 CNN 預測由感應器獲得的訊號。目前的主要工作包含使用深度學習協助估測刀具磨耗，以及建立物連網的資料收集架構。