一些初创公司通过模仿Google的技术来推销自己，从实时网站更新技术到机器学习。Google Brain无疑是Google下一代项目之一，旨在利用谷歌已掌握的用户数据，使搜索和其它产品的行为表现得更智能化。现在，Google Brain的研究者之一向我们展示了如何靠GPU和无限带宽技术进行深度学习计算，并且价格比Google更低廉。
正如Wired周一提到的，包括斯坦福大学教授Andrew Ng（曾在Google Brain项目工作）和Google 研究员Jeff Dean在内的研究人员共同发表了一篇论文，讨论如何利用GPU完成CPU通常所做的高强度的工作，尤其是针对快速学习神经网络。据Wired文章中提到的，这样一个系统预计花费2万美元，而Google的标价是100万美元。
在这项研究中，集群部署了16台服务器，每个服务器包含两个四核处理器，四个Nvidia GPU和一个无限带宽适配器。这些服务器通过无限带宽转换器连接。这篇论文中提到：“这种特殊的服务器配置是为了平衡GPU和CPU的数量，对于大规模的深度学习，这点很重要。”这套系统比以前的迭代版本更高效。
我们已经通过这个系统证明，我们可以轻松地训练网络进行多于110亿个（是上一个最大型网络的6.5倍）参数的学习，并且只用了不到2%的机器。
研究看起来像是GPU的另一个有力宣传，对于Nvidia和其它类似AMD的GPU制造商来说也有好处。Nvidia GPU已经被应用在目前最快的超级计算机中，现在被应用到更传统的数据中心中看起来似乎有点道理的。（据我们同事之前的一篇文章，打破记录的天河二号超级计算机并没有使用GPU，而是融合了Intel Xeon E5-2600芯片和Xeon Phi协同处理器，所以GPU的竞争还有路要走）当然，虽然这项研究使我们更加确信有高性能计算并不是不切实际的，同时基于GPU的云服务也是可行的。AWS很早之前就提出希望利用GPU进行高性能计算，并且其整合了Nvidia GPU的集群GPU实例已经有了一些商业应用，如Peer1，SGI等。
有趣的是，虽然Google在Google Brain项目中大量使用了GPU，但它并没有为其云平台发布GPU选项。研究人员的创新精神已经为Google开发了一个健全的商业模式，以服务的模式销售GPU时间。
这项研究同时也促进了其它涉及GPU的人工智能项目。比如机器蜜蜂，通过一个公共的大脑来感知蜜蜂收集的数据。以更少的机器、更低廉的价格达到更快的认知模式，从而使蜜蜂更智能。
