NVIDIA Drive PX平臺擁有深度學習能力，可將現實環境學習結果反饋回資料中心。NVIDIA官網許多系統單芯片（SoC）大廠已開始投入具備深度學習（deep learning）技術的產品，SoC設計走向、機制及功能正受其影響而產生轉變，智能型汽車、手機及穿戴式裝置皆有望因而提升性能表現，不過若要運用于移動裝置，則須先克服功耗及生態環境等問題。

　　據EE Times報導，深度學習正改變電腦與真實世界的互動方式，SoC制造商對其熱忱亦逐漸浮現。

　　繪圖芯片大廠NVIDIA在CES 2015上推出的Drive PX平臺擁有深度學習能力，搭載該系統的智能型汽車可將在現實環境的學習結果反饋回資料中心，并透過定期更新不斷提升表現，而不再只是提供基本的環境偵測。

　　高通（Qualcomm）于2015年3月推出的認知運算平臺Zeroth據稱可模擬人腦，并將于未來運用在最新AP產品Snapdragon 820上。盡管目前高通并未釋出相關細節，但表示Zeroth平臺將具備電腦視覺（computer vision）、裝置上深度學習及智能相機等功能，讓移動裝置可辨識場景、物體以及解讀文字和筆跡。

　　百度科學家吳韌受訪時表示，移動裝置的處理能力成長迅速，未來無需與云端連結即可運行深度學習功能的愿景有望實現。不過，將深度學習引入手機及穿戴式裝置中仍將面臨三大難題，分別是缺乏殺手級應用（Killer App）、能否建立起協作良好的生態系統，以及如何于運行該功能時維持低電源消耗。

　　渥太華大學（University of Ottawa）電子工程及電腦科學院教授Robert Laganiere指出，在卷積神經網路（Convolutional Neural Network；CNN）運用于電腦視覺前，開發者很多時候必須自己做決策，包括決定物體偵測的識別器類型、建構聚合功能的方法，以及如何處理物體的可變形部件，或是否支持向量機器（support vector machine）等。

　　在深度學習架構之下，可以把許多步驟整合成一個，開發者不需自己做決策，因為該架構會自行判斷。盡管目前有關嵌入性視覺SoC的最佳CNN架構仍未有共識，Laganiere深信大規模并行處理架構是有效處理CNN的最佳模式，然而屆時或需提高Soc的存儲器容量，以應付大量的過渡數據。

　　嵌入式視覺聯盟（Embedded Vision Alliance）創辦人Jeff Bier表示，深度學習確實正影響未來嵌入式視覺的SoC設計走向，許多企業皆希望分一杯羹，不過Bier認為，在視覺芯片領域經營多年、已累積充分經驗的企業仍將擁有先行者優勢（first mover advantage）。 360°：卷積神經網路卷積神經網路（Convolutional Neural Network；CNN），其為一種前饋神經網路（Feedforward Neural Network）。卷積神經網路對于大型圖像處理表現出色。其特別在模式分類等科學領域是研究重點，因為卷積神經網路可以避免對圖像的前期預處理，進而直接輸入原始圖像，所以據傳可獲得更廣泛的應用。

　　卷積神經網路的基本結構包含兩層。一為特征提取層，其神經元的輸入與前一層的局部接受域相連，提取相關局部的特征。另一層為特征映射層，卷積神經網路的計算層由多個特征映射而成，每個映射為一平面，上面的神經元權值相等。

　　卷積神經網路主要用途在于，辨識縮放、位移等不同形式扭曲不變性的二維圖形。因為其透過特征檢測層訓練數據來進行學習，因此使用時，會避免掉顯性的特征抽取，而是從訓練數據中隱性學習。由于相同特征映射面上的神經元權值相同，所以其可并行學習。

　　卷積神經網路被視為一種頗具吸引力的深度學習（deep learning）結構，比起其他前饋神經網路或深度神經網路（deep neural network），其所需估計的參數較少。