智慧硬體擴張為生態系

硬體產業如何擴張？怎樣跨足到毛利相對高的軟體或是新興產業？這是台灣許多資通訊業所關心的議題。似乎不少人選擇跨足到與本業不同的全新領域，但這是唯一做法嗎？

筆者一直覺得NVIDIA相似於台灣許多公司，有很多可以參考的角度。前陣子參加舉辦在矽谷的GTC 2019，有一些觀察。三大主要產品線——遊戲及動畫、AI及高效能電腦(HPC)、機器人，前兩項產品線，發現NVIDIA由單純的垂直領域內的硬體提供者，深耕客戶的痛點，與策略夥伴合作，嘗試建構生態系、新服務。有好幾個有趣的範例。

GPU已在使用者等級的顯示卡上達到即時高畫質擬真的效果，除了晶片速度提升之外，還利用智能運算，提供有效率的高畫質呈現。這樣的技術嘉惠了電玩以及電影製作產業。不滿足於單機版的電玩客戶，跟上行動端串連遊戲逐漸普及，他們順勢推出GeForce Now提供更廣泛的虛擬實境內容及遊戲串流平台，更與日本SoftBank、南韓LG U+電信業者進行合作，結合高效能運算以及電玩產業經驗。

在電影產業，推出全新的服務Omniverse——跨公司、跨地點的電影共同編輯以及特效平台，支援多個電影產業工具如Autodesk Maya、Unreal Engine、Substance等。他們宣稱這是首次為電影產業提供類似Google Docs的雲端共編服務。原因很簡單、既然已是電影產業的關鍵技術供應者，所以就以中性的角度，聯合其他夥伴來串接整個生態系，提升電影製作的效率、生產力。

在AI+HPC的主軸上，企圖由支援角色的GPU晶片，逐漸擴展到整個資料中心的組成伺服器。 目前跨伺服器間的資料傳輸非常大，似乎想以破壞性的方式解決這些瓶頸，這就是為什麼買下Mellanox來解決底層的IO問題。此外，不滿足於熟悉的高效能運算，也開始嘗試資料中心大規模伺服器群(hyperscale server)，用以服務大量用戶的伺服器架構。

在機器學習運算上，不以深度學習計算為滿足。更首次推出解決資料科學(data science)大數據運算所需的各種功能，加速資料處理、清除、支援圖形(graph)資料架構、視覺化等，還支援業界時常使用的Hadoop、Spark平台、SQL資料查詢加速。同時推出新的資料科學工作站，水平擴張，嘗試他們之前未涉獵的龐大資料運算需求。

這樣的脈絡在這家公司並不是第一次。之前為了提升遊戲的體驗，開始開發CUDA；在賠錢好幾年的情況下，堅持開發科學運算；以及察覺學界早期機器學習需求，及早支援深度學習運算，之後才能銜接意想不到的深度學習浪潮。他們似乎習慣默默在市場上拉出長長的高牆，將競爭者排除在外。

另外，終端運算、機器手臂、自駕車等歸類到機器人產品線。可以想見在技術發展上還有許多不確定性，所以還在探索各種技術的突破。Nano倒是吸引了很多人的眼光，小型化的GPU終端平台、低耗能設計、支援多個感測器，而且直接支援各種深度學習開發架構(如大家常使用的PyTorch)。可以想像致力於高效能後端訓練的NVIDIA也嗅到終端的需求了。

聆聽垂直市場的需求，聯合其他合作夥伴，不滿足於硬體提供者的角色，察覺市場的早起機會，由硬體的領先者逐漸建構生態系。這些觀察，什麼是我們的資通產業可以受惠的？