人工智能平臺到底是工具還是應用？人工智能平臺（包括芯片，模組，軟件）在一般人看起來像是一種新型應用, 但在我們看來人工智能芯片在整合軟硬件后將成為各種物聯網應用的提升效能工具平臺, 這就像我們常用的微軟 Office 軟件, 微軟 Office 軟件是我們在辦公室應付各種應用的生財工具, 因此人工智能平臺除了被廣泛利用在云端大數據的深度學習訓練和推斷外, 我們認為人工智能平臺也將出現在各式各樣的應用端的邊緣設備，從英偉達公布的數字來看，早在 2016 年，公司就累計了 7 大領域（高等教育，發展工具，互聯網，自駕車，金融，政府，生命科學）及 19,439客戶使用其深度學習的服務工具, 配合軟件和之前在云端大數據的深度學習訓練和推斷的數據成果庫, 來達到幫助使用者或取代使用者來執行更佳的智能判斷推理。
人工智能會滲入各領域應用－無所不在。當大多數的產業研究機構把自駕車(Autonomous drive vehicle), 虛擬/擴增實境(Virtual Reality/Augmented Reality), 無人商店 (Unmanned store), 安防智能監控 (Smart Surveillance System), 智能醫療，智能城市，和智能億物聯網(Internet of Things, IoT) 分別當作半導體產業不同的驅動引擎, 國金半導體研究團隊認為其實自駕/電動車, 5G, 虛擬/擴增實境, 無人商店, 安防智能監控, 智能醫療，智能城市其實都只是人工智能億物聯網的延伸。
三種主流人工智能演算法。最早的人工智能出現及運用在 1950－1980 年代，接著轉換到 1980-2010年機器學習，從 2010 年以后，隨著各種演算法 CNNs, RNNs, DNNs 等圖影像視覺學習，辨識，推理的普及，讓深入人工智能深入學習的突飛猛進。深度學習是人工智能和機器學習的一個子集，它使用多層人工神經網絡在諸如對象檢測，語音識別，語言翻譯等任務中提供最先進的準確性。深度學習與傳統的機器學習技術的不同之處在于，它們可以自動學習圖像，視頻或文本等數據的表示，而無需引入手工編碼規則或人類領域知識。它們高度靈活的架構可以直接從原始數據中學習，并在提供更多數據時提高其預測準確性。人工智能的深度學習最近取得的許多突破，例如谷歌 DeepMind 的 AlphaGo 及更強大的AlphaZero 陸續 在圍 棋， 西洋 棋類 比賽 奪冠 ，谷 歌 Waymo, 英 偉達 的Xavier/Pegasus 320, 及 Intel/Mobileye 的 Eye 4/5 自動駕駛汽車解決方案，亞馬遜的 Alexa, 谷歌的 Google Assistant, 蘋果 Siri，微軟的 Cortana, 及三星的Bixby 智能語音助手等等。借助加速的深度學習框架，研究人員和數據科學家可以顯著加快深度學習培訓，可以從數天或數周的學習縮短到數小時。當模型可以部署時，開發人員可以依靠人工智能芯片加速的推理平臺來實現云，邊緣運算設備或自動駕駛汽車，為大多數計算密集型深度神經網絡提供高性能，低延遲的推理。
