“显卡大厂”到“AI霸主”，英伟达的成功之路

英伟达宣布将以400亿美元收购英国芯片设计公司Arm，如果交易最终达成，这将是半导体行业有史以来最大的并购交易，英伟达将成为横跨服务器、PC、消费电子和智能手机等多个重要领域的关键角色。回顾英伟达的发展历史，从一家单纯卖显卡的公司到横跨多领域的巨头，英伟达有何成长的故事?

一、“显卡大厂”故事的开启

爱玩游戏的人大概率都知道英伟达，而说起英伟达，同样绕不开其创始人黄仁勋。

1993年，黄仁勋和朋友Chris Malachowsky和Curtis Priem联合创立了Nvidia，Malachowsky和Priem是太阳微系统公司(Sun Microsystems)的工程师，黄仁勋当时是San Jose芯片制造商LSI Logic的董事。他们创业的初衷是研发一种专用芯片，用来加快电子游戏中3D图像的渲染速度，带来更逼真的显示效果。

Nvidia原始资金为4万美元，一开始公司并没有起名字。彼时，所有文件都冠以两字词NV开头，含义是 Next Version(下一版)。后来，为了整合公司，他们审核了所有带“N”和“V”的单词，最后选了“Nvidia”，拉丁词寓意为“羡慕”。谁能想到经过二十多年后，籍籍无名的Nvidia发展成了全球最受瞩目的芯片公司，旗下拥有GeForce、Quadro、Tesla、Tegra等多个产品线，着实成为了一家令人“羡慕”的公司。

1995年，Nvidia推出第一款产品，即个人电脑多媒体卡NV1，不过由于NV1塞进了太多的功能，导致性能低下而宣告失败。此外，NV1耗尽了公司最早的投资，虽然Nvidia还想继续开发NV2，但是由于资金短缺，而被迫终止。为了生存，公司大刀阔斧裁员，从100多人裁减至30多人。

1996年，Nvidia把重心转到了图形处理器上。其后两年时间，英伟达陆续推出RIVA128、RIVA128ZX、RIVATNT等图形处理器。这些新产品不仅支持微软Direct3D和OpenGL标准，在能效上也超越了竞争对手3Dfx的Voodoo和ATI的Rage Pro，加上价格低廉，逐渐获得了整机厂的青睐。

1999年，英伟达迎来了具有里程牌意义的一年。同年它首创并定义GPU这一词汇，这极大地推动了PC游戏市场的发展，重新定义了现代计算机图形技术，并彻底改变了并行计算。

与此同时，英伟达发布了第一款GeForce产品——GeForce 256显卡。GeForce 256继前代Riva TNT2显卡最大的改变是率先增加了T&L引擎的支持，由于显卡采用T&L引擎能够分担处理器运算负载，对于支持T&L引擎的第一人称射击游戏，也就是Quake，对于这种具有革命意义的电子游戏来说，GeForce 256的效能可以完全发挥出来，而其他3dfx、S3 Graphics等厂商而言，通通望尘莫及，而唯一能与之抗衡的，只有一年后才出现的ATI Radeon 256显卡。

此后，英伟达开始了快速发展。2000年底，英伟达以7000万美元现金、100万股公司股票，将竞争对手3dfx收入囊中，正式成为行业老大。

最终，英伟达凭借GeForce系列显卡在游戏市场所向披靡，和成立于1969年的AMD同坐一把交椅，N卡和A卡孰优孰劣之争也是游戏界老生常谈的话题。

二、埋下进军人工智能的伏笔

2004年到2007年，英伟达游戏和专业绘图处理器业务稳步增长，度过了顺风顺水的四年。按照既定的路线走下去，英伟达现在的title或许只有“显卡大厂”。不过，伟大的公司之所以伟大，还在于它目光长远且敢于创新。在这四年里，英伟达首席科学家David Kirk思考着一个更长远的问题——让只做3D渲染的GPU技术通用化。

最初的GPU只是用来处理图形显示的任务，计算纯交给CPU，这事实上造成了大量运算能力的浪费。随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化，在计算上已经超越了通用的CPU，特别擅长并行计算。

于是，2006年，在DavidKirk博士的主导下，英伟达推出CUDA，让显卡可以用于通用并行计算等其他非图形计算。所谓CUDA技术，简单来说就是打通了所有GPU内小核心的并行计算能力，能够解放GPU的计算能力，使得GPU能够承担和CPU一样的计算任务的技术。在CUDA问世之前，对GPU编程必须要编写大量的底层语言代码，是程序员不折不扣的噩梦。CUDA的到来可以说是结束了程序员的噩梦。

而DavidKirk博士也因此被誉为CUDA之父。对于英伟达来说，DavidKirk博士居功至伟。他是图形学和高性能并行计算的大神，除了做显卡，他另一大贡献就是搞出了CUDA，后当选美国工程院院士。

CUDA的诞生为英伟达进军人工智能埋下了伏笔。

三、CUDA出师不利

2006年之后，英伟达在坚持主流显卡市场的同时，也在继续布局CUDA，推出了CUDA平台和Tesla架构。当时，英伟达推出的GeForce 400,500,600,700系列不仅在性能上超过竞争对手，而且功耗较低。

然而，CUDA的发展就没有那么顺利了。一方面，英伟达推出的大规模并行运算芯片——Tesla，对于其传统游戏和专业绘图业务来说，并没有这样的高性能运算需求。另一方面，David Kirk博士说服黄仁勋投入大量资源研发CUDA技术，并让每一颗英伟达GPU都支持CUDA。而这一疯狂的举动导致成本剧增。由于必须在硬件产品设计中增加相关CUDA逻辑电路，使得芯片面积增大、散热增加、成本上升、故障率增高;同时，还要保证每款产品的软件驱动都支持CUDA，这对英伟达的工程师来说是巨大的工作量。

除了内部发展不顺之外，英伟达也外部受敌。2008年，CPU巨头AMD收购英伟达老对手ATI，形成了CPU整合GPU的新解决方案。Intel也终止了与英伟达的合作，在自家芯片组中集成了3D图形加速器。

种种不利因素的影响下，2008年，英伟达营收骤降16%，股价从37美元跌到6美元左右。

不过，一时的挫折并未动摇黄仁勋的信念和决心，他仍然坚持继续布局CUDA技术。事实证明，黄仁勋的坚持是对的，英伟达也终守得云开见月明。

2009年到2012年，随着基于CUDA的通用GPU在高性能计算领域威力凸显，英伟达也迎来了发展史上最重要的时期。

四、跨进人工智能大门

2012年，ImageNet(图像识别领域赛事)大赛上，当时Geoffrey Hinton的学生通过两个GPU将深度卷积神经网络AlexNet的准确率提高了10.8%，震撼了学术界，英伟达也借此一战成名，从游戏市场一大步跨入AI市场。

此后，英伟达乘着深度学习和区块链的东风，成为AI芯片领域的绝对霸主。黄仁勋更是在GTC 2015上直言，“我们不是硬件公司，我们是AI公司”。

2012年英伟达与Google的人工智能团队合作，建造了当时最大的人工神经网络，之后各深度学习团队开始广泛大批量使用NVIDIA显卡。

2013年，英伟达与IBM在建立企业级数据中心达成合作。

2017年，英伟达发布了面向L5完全无人驾驶开发平台PegASUS。自2014年至2018年，英伟达股价翻了9倍多。2018年，深度学习将Nvidia送上了AI领域第一股。

2019年，英伟达开始正面对刚Intel，69亿美元击败Intel收购以色列公司Mellanox。英伟达与Mellanox的合并，能增强其数据中心和人工智能业务，可与Intel竞争。资料显示，占据70%高性能计算的计算机网络通信标准InfiniBand市场的Mellanox，是该领域绝对的老大，Intel也只能屈居其下。

很难说是人工智能捧“红”了英伟达，还是英伟达成就了人工智能，但是，两者的关系可以说是“相辅相成”。在已经到来的AI时代，英伟达为各行各业提供了发展和应用人工智能技术的有力支持。英伟达推出了在人工智能、高性能计算、机器人、自动驾驶、医疗健康、专业化视觉等领域的多项创新应用。

数据显示，世界上目前约有3000多家AI初创公司，大部分都采用了英伟达提供的硬件平台。AndreessenHorowitz风投公司的合伙人马克·安德森也曾表示，他们已经投资了大批基于深度学习的创业公司，几乎每个公司都在采用英伟达平台。

毋庸置疑，英伟达是我们这个时代最伟大的公司之一。在黄仁勋的带领下，英伟达从曾经的小小显卡设计和提供商，逐渐变成了AI领域最具有发言权的公司之一。在人工智能到来的风口下，得益于此前的转型和布局，终成“AI霸主”。