紐約大學(New York University)的資料科學中心(Center for Data Science)做為該領域的尖端機構，擁有開創性的內涵，在機器學習、自然語言處理、電腦視覺以及智能化機器等方面皆有著墨。
由於運算速度在加速實驗，以及精進研究時十分重要，該中心的智能、學習、視覺與機器人電腦運算實驗室(Computational Intelligence, Learning, Vision and Robotics, CILVR)，最近採購了 NVIDIA DGX-1 的 AI 人工智慧超級電腦，預備要以前所未有的高速運算進行科學研究。
CILVR 實驗室乃以”非監督式學習(unsupervised learning)”作為開發重心。實驗室中的教職人員、研究科學家以及研究所學生，皆致力於開發讓機器能夠從粗糙而未標籤的資料中自主學習的方法，這些技巧可能是讓機器去觀察影片、閱覽照片，或是聽人家演講。
這些技巧與方法，之後將應用於電腦視覺的情境中，像是能夠理解周遭環境的自動駕駛車輛，能夠在初期偵測腫瘤或疾病的醫療影像分析，甚至比傳統醫學判斷方式更正確。還有自然語言處理技術，能夠翻譯語言、回答問題，或是與人們進行對話。
Yann LeCun，NYU 資料科學中心的創始董事，同時也是 AI 領域的先驅者說道: “DGX-1 幾乎將會用在我們的每一個研究計畫中，學生們簡直迫不急待要使用它。”
CILVR 實驗室在進行的非監督式學習演算法，需要大量的運算效能才能完成。研究人員必須嘗試非常多的版本，才能夠找出哪個才是最有效的方法。數以千計的實驗以平行的方式在運行，只要得出結論的時間越短，研究人員就越快能確認何種設定調適是正確的。
LeCun 更表示，”擁有一台高速的機器對於計畫能否成功至關重要。”
DGX-1 是無可匹敵的，足以提供高達 170 TFLOPS 的運算效能，大約等同於 250 台傳統的伺服器，並且只佔用大概一個公事包的體積。
預測性分析的力量
CILVR 實驗室更在預測性分析領域上大刀闊斧，由 Claudio Silva 主持的研究工作，應用於城市系統及運動分析領域。
目前在主要都市中，計程車輛皆使用 GPS 來追蹤定位，司機的調查資料將可用機器學習的模式來接管。這些資料是以實際的交通模式為基礎，成千上萬的計程車，日以繼夜的駕駛時數與司機習慣來分析，結果可真實反映路面交通是如何運作。
在運動分析領域，Silva 使用深度學習，擷取棒球員行為模式的錄影畫面，達到以往從未實現過的資料細緻度。Silva 已經與大聯盟合作，利用系統追蹤每個球員在場上的每個動作，每次投球以及每次擊球，甚至球本身的運動模式都被記錄下來。
然而，這些資料量相當龐大。一個賽季就有將近 700,000 的打數，等同於約 1.5 兆位元(terabyte)的資料量。
有了較大的電腦模型，諸如 Silva 之類的研究者可以探究更大而更深的問題，譬如究竟是什麼讓投球變得有效，球員需要改變身體的哪些擺盪動作，還有哪些球員可能比較容易受傷等等。
“倘若沒有 GPU，我們根本沒有辦法有效地進行這樣的機器學習工作，會耗費太多時間。”Silva 表示，”有了類似 DGX-1 這樣的系統，讓我們能夠處理這些龐大的資料，創建更有效的預測性模型。”