最近AI 公司疯狂盖资料中心，新闻里也经常看到NVIDIA 的名字，从一张张GPU，到现在动辄数千、甚至上万颗AI 加速器组成的资料中心，NVIDIA 已经成为AI 产业里很难忽略的存在，但这家公司其实也不是一路顺风顺水，甚至曾经面临快要发不出薪水的危机，那NVIDIA 到底做对了什么，才有办法从一家差点倒闭的显卡公司，一路走到今天的AI 时代呢
（图片来源：Unsplash）
AI 为什么这么需要GPU？
先从最基本的地方开始看，现代AI 模型在训练和推论的过程中，需要大量进行矩阵运算，而这类工作有一个特色，就是同时存在大量相似的计算，CPU 比较擅长处理复杂、需要依序完成的工作，而GPU 里面则有大量运算单元，可以同时处理大量相似的计算，因此在AI 这类需要庞大平行运算的工作上，GPU 就特别适合，随着AI 模型越做越大，需要的运算量也跟着快速增加，于是我们才会看到现在AI 公司开始疯狂建造资料中心，里面放进大量GPU，来支撑模型训练以及每天来自全球使用者的AI 服务需求
（图片来源：Unsplash）
GPU 并不是只有NVIDIA 做得出来
AMD 有Instinct 加速器和ROCm 平台，Intel 也推出过Gaudi AI 加速器，所以NVIDIA 今天能站在这个位置，并不只是因为它做出了一颗很快的GPU，真正重要的地方，其实是NVIDIA 很早就开始思考，GPU 能不能不要只拿来画图
（图片来源：Unsplash）
NVIDIA 重要的一步
2006 年，NVIDIA 发表CUDA 架构，让开发者可以更容易地使用GPU 来执行原本不属于图形处理的工作，这件事情乍看之下，好像只是让GPU 多了一个用途，但对后来的AI 发展来说，影响其实非常大，因为当AI 开始快速发展之后，大家需要的就不只是「一颗很快的晶片」，还需要软体工具、函式库、开发环境，以及大量已经熟悉这套工具的开发者
（图片来源：wikipedia）
和其他竞争者之间的差异
硬体效能可以通过研发和资金慢慢追上，但软体生态系和开发者使用习惯，却不是单纯砸钱就能立刻建立起来，所以现在AMD 等公司想挑战NVIDIA，面对的其实不只是GPU 效能问题，而是硬体、软体生态，以及整个开发者社群都要一起追上
（图片来源：Unsplash）
NVIDIA 真的有预测到AI 的未来吗？
如果说NVIDIA 很早就知道ChatGPT 有一天会爆红，这可能就有点太神了，毕竟ChatGPT 直到2022 年底才正式推出，而NVIDIA 早在1999 年推出GeForce 256 时，就已经开始把GPU 从传统的图形处理硬体往更通用的方向发展
（图片来源：wikipedia）
GPU 和AI 产生连结的关键
2012 年，当时多伦多大学的研究团队，使用两张GTX 580 显示卡训练AlexNet，参加ImageNet 影像辨识比赛，最后在最受关注的Top-5 错误率项目中拿下约15.3% 的成绩，第二名则约为26.2%，这个差距非常明显，而且重点是，当时使用的GPU 只有两张，不是两千张，这场比赛让更多研究者开始注意到，深度学习搭配GPU，可以大幅提升AI 模型的训练效率，也让GPU 在AI 领域的价值开始被看见，与其说NVIDIA 早就精准预测了ChatGPT，不如说它很早就认定，GPU 的用途不应该只停留在图形运算
（图片来源：Unsplash）
生成式AI 进入生活
到了2022 年底，ChatGPT 出现之后，生成式AI 开始快速进入一般人的生活，AI 模型的规模也越来越大，这时候GPU 的需求就完全不是以前的等级了，过去研究人员可能需要几张显示卡来训练模型，现在大型AI 公司则需要建立整座资料中心，里面塞进大量AI GPU，才能支撑模型训练和全球使用者每天产生的推论需求
（图片来源：Unsplash）
「一张GPU」变成完整的AI 运算系统
从GPU、伺服器，到网路设备、软体平台，再到整座资料中心所需要的运算架构，NVIDIA 的角色也逐渐从晶片供应商，变成AI 基础建设的重要参与者，到了2026 年8 月，NVIDIA 更宣布与六家大型金融机构合作，希望通过新的融资平台，逐步动员超过5,000 亿美元的第三方资金投入AI 运算基础建设，目前相关合作仍有待最终协议确认，这也反映出一件事情，现在的AI 竞争，已经不只是比谁的模型比较聪明，而是开始比谁有足够的算力、资料中心和基础建设，GPU 也不再只是单纯的硬体零件，当它被大量部署在资料中心里，背后代表的其实是一整套可以持续产生运算服务和商业价值的基础设施
（图片来源：Unsplash）
NVIDIA 也曾经差点撑不下去
如果只看现在的NVIDIA，很容易觉得它好像从一开始就知道自己会走向AI，但其实公司的早期历史，完全没有这么顺利，1993 年，黄仁勋和另外两位共同创办人创立NVIDIA，当时的目标其实很单纯，就是希望通过3D 图形技术，让PC 游戏有更好的画面表现，但第一代产品NV1 的市场表现并不理想，NVIDIA 很快就陷入生存危机，当时黄仁勋甚至裁掉超过一半的员工，还亲自飞到日本向Sega 说明原本合作开发的晶片无法继续，最后才说服Sega 将约500 万美元的合约款转成投资，替NVIDIA 多争取一些时间，而公司最危急的时候，甚至一度只剩下大约一个月的薪资
（图片来源：Unsplash）
渡过重重危机与问题
真正让NVIDIA 撑过这场危机的，是1997 年推出的RIVA 128，上市四个月后出货量就超过一百万颗，才让NVIDIA 终于有机会重新站稳脚步，后来Intel 等大型公司也陆续进入3D 图形市场，NVIDIA 依然必须面对激烈竞争，所以从NV1、RIVA 128，到后来的GeForce、CUDA、AlexNet，再一路走到今天的AI，NVIDIA 其实一直在做一件事情，就是不断扩大GPU 和加速运算能够解决的问题
（图片来源：wikipedia）
运气好，还是看见未来？
回头看NVIDIA 的历史，可能很难说它从一开始就知道今天会有ChatGPT，也不太可能有人可以精准预测AI 会在2020 年代以生成式AI 的形式爆发，但NVIDIA 确实比很多公司更早押注了一件事情，那就是GPU 不应该只拿来画图，这个决定在当时未必看起来特别合理，毕竟AI 还没有成为今天这么热门的产业，CUDA 也不可能在推出之后马上带来现在这种规模的回报，但十几年过去，当全球突然开始需要庞大的AI 算力时，NVIDIA 已经把硬体、软体和开发者生态一步一步准备好了，也因此，今天大家看到的NVIDIA，某种程度上并不是一家公司突然抓住AI 浪潮，而是它很早以前就开始准备，只是刚好等到了AI 真正爆发的那一天
（图片来源：Unsplash）
小结
NVIDIA 今天能走到这个位置，当然有时代和市场需求的推波助澜，但如果只把它归类成「运气好」，好像又少了一点什么，它不一定预测到了ChatGPT，也不一定知道AI 最后会变成今天这个样子，但它很早就开始投资GPU 的通用运算能力，并且花了超过十年的时间建立CUDA 和相关生态系，等到AI 真的开始需要大量算力时，这些过去看起来有点超前的布局，刚好全部派上用场，所以NVIDIA 的故事与其说是预测未来，更像是不断为不同的未来做准备，至于接下来这套生态系还能维持多久，AMD、Google、Intel 或其他新玩家有没有机会真正挑战NVIDIA，可能才是AI 产业接下来更值得观察的事情
