NVIDIA 在今年 GTC 大會，正式宣布首款基於 Volta 架構的 GPU 產品 Tesla V100，同時也針對去年所發表的新一代自動駕駛車平台 Xavier 進行技術規格更新，而此次兩個基於 Volta 架構的產品最大的特色就是在架構中導入針對深度學習框架 TensorFlow 的加速器，也不禁令人好奇為何需要在架構中融合加速器。
去年 Google已經宣布將針對 TensorFlow開發名為 TPU 的 ASIC 加速器，而 Tesla V100 的 Tensor Core 以及 Xavier 中的 Xavier DLA 也是類似的意義，皆是專為 TensorFlow 最佳化的硬體加速架構。
而 NVIDIA 在這兩款產品中導入加速器的用意，就是希望藉此針對這兩款產品應用在深度學習相關的領域時，能利用加速器的特性達到高效率、低能耗的目的，但也因為 Tesla V100 與 Xavier 都不只是單純為深度學習所開發，故不可能將整個架構完全置換成全加速器核心設計。
Tesla V100 的目標應用主要還是應用在如 HPC 、 AI 、工作站等應用，而加入加速器的用意則是讓 Tesla V100 能夠在這些應用需要結合深度學習時，既維持原本 CUDA 在高效能運算或是圖形運算的效能，但又能夠在深度學習的部分更具效率；而且將 Tensor Core 直接融合到 SM 單元內，相較 Google 的 TPU 採用與運算核心外接的方式，能夠大幅增加運算結果相互溝通的效率。
至於 Xavier 雖是主打自動駕駛的次世代平台，深度學習固然重要，但也還要一併處理包括影像分析與決策的部分，是故藉由融合 Xavier DLA 加速器使深度學習效率提升也是相當合理的手段。
從 NVIDIA 此次硬體架構的規劃來看，若是涉及到深度學習的應用與硬體架構，藉由配合或是加入專為 TensorFlow 的加速器已經是趨勢，但畢竟 TensorFlow 也是整個人工智慧的一環而非全部，也不可能只靠加速器維持整個系統，而 NVIDIA 在這兩款產品加入深度學習的加速器，就宛若當初在 GPU 當中加入針對影像編碼的硬體解碼有類似的意義，透過針對特定領域的最佳化架構達到效能的提升，把運算資源活用在更合理的領域。
不過目前兩個具備加速器設計的核心皆是以特定應用領域而生，未來若是針對偏消費端應用的產品線，例如 GeForce 、 Quadro 或是 Tegra ，也不確定當 Volta 開始導入之後，會否在架構上省卻深度學習加速器的部分，不過以稍早大會上提及將深度學習應用在 Ray Tracing 領域，或許未來就連遊戲娛樂也可能會使用到 TensorFlow 也不一定。
