在小朋友问父母问题的场景里，父母其实就充当的是小朋友的推荐系统，但普通人的知识储备毕竟有限。互联网时代，有了搜索引擎，但还不足够。AI技术的兴起，帮助了推荐系统大步前进，无论是购物平台的商品推荐，直播平台的主播推荐，还是视频平台的视频内容推荐，越来越多的人开始感叹，AI更懂自己。
但要加速这些AI推荐系统，不止是从CPU迁移到GPU这么简单。嵌入表（Embedding）被用于将输入数据中的离散特征映射到向量，以便下游的神经网络进行处理，这通常是一个内存带宽和容量密集型，对于计算需求不大，但需要很大的内容容量和带宽进行快速读取，这对于CPU而言是一个明显挑战。
NVIDIA Merlin作为一个针对推荐系统近似端到端解决方案，为预处理提供了NVTabular，可以实现加速。此外，还有Distributed-Embeddings可以方便TensorFlow 2 用户用短短几行代码轻松完成大规模的推荐模型训练，并且性能表现也十分突出。
然而，加速计算巨大的想象空间并不是一蹴而就的事情。摩尔定律已经放缓，从最初每年1.5倍性能提升，现在只有1.1-1.2倍。这意味着接下来的十年，将会面临如何才能实现AI更多应用的一个重要考验。而英伟达CEO黄仁勋表示：“接下来十年的所有计算任务都将被加速。”
因此，加速度成为了一种必然趋势，而这背后的算力演进，是我们必须关注的问题。在这个过程中，我们是否能找到一种既能够满足复杂算法需求，又能够降低成本、提高效率、促进普及的大规模加速度解决方案呢？这是未来的一个重大课题，也是当前我们共同探讨的话题之一。
