产业数字化转型浪潮迭起，各行各业都需要建立与自身商业模式适配的AI大脑，实现智慧经营、智能决策。那么可以用Geforce代替Tesla来做深度学习吗？毕竟价格上Geforce便宜太多了。
众所周知，英伟达是显卡界的老大，2017年英伟达的GPU芯片在全球市场的占有率为70%左右，无论是人工智能、自动驾驶，甚至搞电竞、区块链都绕不开英伟达的阴影。Tesla系类的价格是GeForce价格的数倍，所以现在不少厂商都是在用GeForce进行深度学习运算。
Geforce代替Tesla做深度学习理论上是可以的
有人专门做了对比，统计Geforce和Tesla显卡两者训练的平均时间，虽然Tesla在标准测试中胜过了GeForce（但价格也摆在那），但是，也只获得了1.25倍的加速，或者说，Tesla 系列显示卡进行深度学习的训练时间，相较 GeForce 系列显示卡少了 20%，整体差距不是很大，但是价格方面，Tesla是GeForce却是天上地下，足有数倍差距，所以综合来看，GeForce无疑是性价比最佳的解决方案。
英伟达最初开发GPU是用于游戏的，产品线包括针对游戏的GeForce系列和用于高端处理器的Tesla系列。一组简单的数字：
GeForce GTX 1080: PASCAL; 2560 CUDA cores; 8 TFLOPS (single-prec); 8 GB GDDRX5 320 GB/s; max 180 W.
Tesla P100: PASCAL; 3584 CUDA cores; 9.3 TFLOPS (single-prec); 16 GB HBM2 732 GB/s; max 250 W.
这样看不直观。有人专门做了对比[2]，下图展示了训练的平均时间。Tesla在基准测试中胜过了GeForce；但是，只有1.25倍的加速（或者说，训练时间减少了20％）。在MNIST基准上看，差异并不明显，可能是由于epoch速度太快。
英伟达禁止Geforce用于深度学习
2017年英伟达悄然修改了用户许可协议，其中特别要求消费者级显卡GeForce允许做区块链处理，但禁止在数据中心使用GeForce显卡做深度学习。
GeForce、Quadro与Tesla三款产品中最物美价廉的就是GeForce系列产品，它不仅仅只用于打游戏，性能上与其他两类产品区别不大，有些服务器企业处于成本的考虑，会大量使用GeFoce显卡，尽管Tesla是服务器专用的 GPU加速器，但8-10倍的价格差距，使得很多服务器和专注深度学习的企业宁愿选择GeForce显卡。
此次英伟达的禁令，就是明确划分旗下产品的边界，说得通俗一些，Geforce系列的GPU芯片就是用来打游戏的，如果想建数据中心，并且搞挖矿以外的事情的话，请买别的产品。这对于那些财大气粗的巨头企业来说也许影响不大，但对于中小机构或是个人开发者而言，相当于变相提高了深度学习的门槛。
那还可以把Geforce用在数据中心吗？
准确的说不是不允许在数据中心使用GeForce显卡，而是禁止在数据中心授权配套软件，换句话说就是，你还是可以正常买显卡，但是没有英伟达官方的软件许可，使用 GeForce 进行深度学习训练是几乎无法进行的。修改后的英伟达GeForce软件用户使用协议，No Datacenter Deployment，软件不能在数据中心使用。
不过很多人解读是NVIDIA 在限制 GeForce 显卡进行深度学习。这一推断其实也是合理的，毕竟数据中心内部署显卡很少是用来玩游戏的。
