在生成式人工智能（generativeAI）技術的帶動下，科技業界正掀起一波淘金熱潮，各企業莫不希望搶占先機。值得注意的是，在背後驅動這許多AI應用的，是NVIDIA的硬體産品，特别是于2020年推出、大受市場青睐的A100GPU。
NVIDIA執行長黃仁勳在法說會上大談AI，并提到，與NVIDIA參與打造的AI基礎建設相關的活動，以及與利用NVIDIAGPU架構Hopper與Ampere進行推論、影響大型語言模型的相關活動，都在過去2個月以來，呈爆發式成長。
根據CNBC引述NewStreetResearch統計資料，NVIDIA可供機器學習應用的GPU，全球市場占有率達到95%。相較于部分軟體可能隻要偶爾使用一小段時間的運算能力，機器學習工作負載往往會占掉計算機所有運算資源，有時持續幾小時甚至幾天時間。是以，旗下擁有熱門AI産品的企業，往往需要更多的GPU，來應付尖峰使用時段，或是拿來改良模型。部分AI相關企業，會以能夠使用到多少數量的A100，作為進步的标志，可見這項産品的代表性。
根據截至2022年11月的StateofAI報告，針對公有或私有雲端，以及各國家擁有的高效能運算（HPC）系統為對象進行統計，使用最多A100的業者是Meta，達2.14萬個，其中私有雲端占1.6萬個，其餘5,400個是公有雲端。不過此資料并未計入沒有公開資料的雲端服務供貨商。
A100 GPU大約1萬美元，并不便宜，由8個A100組成的DGXA100系統建議售價，甚至接近20萬美元。NewStreetResearch據此推算，導入微軟（Microsoft）Bing搜尋引擎的ChatGPT模型，假設需要8個A100，以在1秒之内針對1個問題做出1個回答；按這個速度，若需要服務所有Bing使用者，則得使用超過2萬台的DGX伺服器，是以光這些基建費用就至少40億美元。如果按照Google搜尋引擎的規模，則可能高達800億美元。
另外，最新版本的圖像生成器StableDiffusion，是通過256個A100訓練的。據Stability AI透露，單是模型訓練就花了60萬美元，但相比同業已經算非常便宜。而且這個費用還不包括推論與模型部署的部分。
黃仁勳受訪時也稱，以這類模型所需的運算量而言，NVIDIA産品其實并不昂貴——假設仰賴CPU運作的資料中心需要10億美元，透過NVIDIA的産品，則有辦法降到1億美元；如果再把運算資源放到雲端供100家企業分享，則這成本就幾乎可以忽略。黃仁勳強調，比起CPU，新創企業若善加利用NVIDIAGPU來訓練模型，可以省下很多成本。
繼A100之後，剛剛在2022年推出的新一代産品H100，是NVIDIA首款專為重要性與日俱增的transformer深度學習模型而設計的資料中心GPU。NVIDIA還曾表示，未來的目标，是把AI訓練速度，再提高百分之100萬以上。