可靠，强大且可通用的语音识别是机器学习中的持续挑战。 传统上，培训自然语言理解模型需要包含数千小时语音和数百万（甚至数十亿）文本单词的语料库，更不用说足够强大的硬件以在合理的时间范围内处理它们。 为了减轻计算负担，IBM在一篇新发表的论文（用于自动语音识别的分布式深度学习策略）中提出了一种分布式处理架构，该架构可以实现15倍的训练加速，并且在流行的开源基准测试中不会损失准确性（ 总机）。 该论文的作者表示，该系统部署在包含多个显卡的系统上，可以将培训时间总计从几周减少到几天。（Venturebeat）