利用自家高大上的GPU技術所做出來的虛擬實境，但NVDA 把它應用在提升生產力，而非遊
戲或社交。在先前的GTC上就有提出兩個 use cases。一個是在虛擬世界裡訓練機器人或
自駕車，等到訓練的差不多了再部署到真實世界的機器上做 fine tune。這樣做有個好處
是可以進行極端情況的訓練，例如可以訓練自駕車如何在即將車禍的情況下採取最小傷亡
的行動，而這樣的訓練在現實世界成本很高甚至根本不可行。二是虛擬工作室讓不同地點
的人可以在同一個空間協同工作。因為是虛擬空間，所以在裡面可以把引擎這種複雜的機
械像爆炸圖一樣拆解開來檢視裡面每一個零件，像是在科幻電影看到的場景

說穿了就是現在很夯的元宇宙。NVDA 幾年前就做出了prototype 給高端企業試用，而目
前omniverse 平台已經有超過 500 家企業使用。BMW 利用它打造虛擬工廠並最佳化生產
線，tune 完後再部署到真實世界。他們在德國有三座工廠都是用這種方法蓋出來的（這
是否就是工業4.0？）

不得不說雖然 Facebook 感覺在走下坡，但依然是很有影響力的公司。NVDA 已經耕耘了
虛擬實境好幾年，結果 Facebook 換個詞一喊就潮了（不過 NVDA 已經把實際產品推出來
了）

本次 GTC 提到 Omniverse 一個 use case 是 Ericsson 用它打造虛擬城市，在裡面研究
怎麼佈建 5G 訊號發射器才能讓整個城市的收訊最佳化。因為是在虛擬環境，因此可以模
擬車輛在道路移動過程中所接收到的訊號強度，以及訊號在大樓間反射的路徑，這些資訊
都可以用視覺化的方式呈現。這些通訊設備的 configurations 一樣在虛擬世界 tune 完
後 deploy 到現實世界

本次也有介紹 GPU 如何加速基礎科學的研究，其中教主提到他想進行氣候變遷的研究。
氣候變遷的難度跟天氣預測完全不是同一個數量級。氣候變邊的時間跨度長，需要考慮的
因素多，例如人跟環境的互動，海洋的變化等等（有用數值方法解過 PDE 的應該都很能
體會誤差如何隨著時間拉長而放大）。我不確定有沒有聽錯，但教主好像打算在 omniver
se 打造整個地球的 digital twin，精確度在 1~10 米。這個虛擬地球需要嵌入真實世界
的物理，因此跟 Google Earth 不是同一回事。如果辦到那真的不得了

這是一個自動倉儲管理跟規劃系統用來管理理貨機器人，應該也是omniverse的應用結果
。它隨時都可以對當下規劃重新做最佳化以因應機器人故障離線等狀況。我認為重點在於
，這個系統做一些調整，可以應用在現實世界的交通規劃上

先說說我對未來交通的想像。車輛這種機械應該交由機器去操作，問題會比較少，效率也
會比較高。這部分大家應該有共識，沒什麼好討論的。紅綠燈這種東西應該要砍掉，效率
太差！理想上，鄰近車輛應該要彼此分享即時車輛資訊如速度與目的地等，並組成虛擬的
計算叢集，用這些資訊進行運算，對鄰近所有車輛即時做出最佳化的行駛規劃，如此就不
需要任何號誌與標線了（不過不同地點的局部最佳化結果，組合起來是否等同於全域最佳
化，這要數學家回答了）。佈建 5G 提高資料傳輸速度，並想辦法把 NVDA 為了資料中心
提高資料在各節點交換與分散運算的技術應用到這個場景，配合 ReOpt routing，在這情
況下有機會做到這件事。此外，NVDA 有跟另一間公司合作用 cloud sourcing 的方式（
類似 google 街景車）建構 3D 地圖來當作 ground truth，也顯示他們在自駕車方面的
企圖心（1. 所以說 TSLA 的競爭優勢是很巨大的，畢竟資料為王。2. 這個 3D 地圖可以
是 the digital twin of the Earth 的其中一部分）。但另一方面，在高度自動化的環
境，如何避免設備故障或網路攻擊導致這些自動化機器（如自駕車）或資料中心的伺服器
做出錯誤的決策是個很重要的議題。而今年他們也推出了 Morpheus 保障網路安全，在我
看來他們的產品或服務都是環環相扣的

cuQuantum 用來加速量子計算的模擬器。用現今最快的電腦，幫研究機構開發明日的電腦
（量子電腦）。可是吼…儘管可能還要一二十年，量子電腦就是個 game changer，老黃
應該也清楚。面對這樣的局面，我想他不會只甘於當個工具人的角色。自己進行量子電腦
的開發，並用 cuQuantum 加速這個流程我認為才是比較合理的作法

cuGraph 是對 graph 計算加速的東西（NetworkX就是個慢）。graph 不是影像，而是圖
論中用來表示現實物體間交互作用的模型，例如 social network 表示人之間的互動，或
是金流等。老黃這次有弄個 avatar 對話機器人出來，展示中大家問的問題還蠻難的，背
後應該是有個知識圖譜在運作。因此在 graph上做搜尋與計算是必須的。感覺老黃對 gra
ph model 有重視，這是好事。這是個有潛力但尚未被充分開發的東西，期待之後可以看
到更多這方面的相關工作。老黃似乎有想用量子電腦來解決圖論方面的問題。例如這次GT
C上，他有展示用 cuQuantum 來提昇處理 Maximum cut 的效率

我認為 NVDA 的競爭優勢不在於顯卡，而是 CUDA。可以思考下，AMD 也有做顯卡，還比
較便宜，為何大家不用它做深度學習？沒有 NVDA 提供的軟體套件，光把資料搬到 GPU

消費者，但我認為本質上是一間 B2B 的公司。感覺老黃對未來的想像是各公司都可以利
用深度學習提供各式各樣的服務，但背後都有NVDA的影子，都有NVDA的存在，都離不開 N
VDA（未來的計算大多會發生在資料中心，那就是個兵家必爭之地）