本文綜合自 - 系統化投資。在人工智能浪潮下，英偉達無疑是站在風口浪尖的一家公司，成為了首家市值達到 1 萬億美元的芯片製造商。而英偉達之所以能獨領風騷，一個關鍵原因在於其廣受人工智能領域追捧的芯片產品，即 A100 芯片及更高一代的 H100 芯片，目前這些高端芯片及相應的顯卡已是一卡難求。而就在去年 11 月發佈的 H200，預計於 2024 年第二季度開始供貨，到時必然引起搶購。<figure class="image image_resized" style="width: auto"><img src="https://pub.pbkrs.com/uploads/2024/052c74e9af57604dc533ecfae9eb077a?x-oss-process=style/lg" width="750" height="426" original-src="https://pub.pbkrs.com/uploads/2024/052c74e9af57604dc533ecfae9eb077a"/></figure>微軟亞洲研究員的高級研究員張弋近期在播客節目中感嘆，現在居然到了整個地球都拿不出足夠的 A100 芯片的奇怪場景。一年前，幾乎無人料到這一情形。英偉達 2020 年推出的 A100 芯片現在是有價無市，而乘着 ChatGPT 爆紅的 H100 更是被大公司瘋狂搶購。這也讓英偉達的業績一路高歌，股價更是節節高升。人工智能領域的初創公司 Core Weave 創始人兼首席執行官 Brannin McBee 不禁感嘆：H100 是地球上最稀缺的工程資源之一。這句表態足以讓人窺得英偉達現在的盛景。但世上芯片千千萬，為何只有英偉達的芯片成為人工智能領域獨一無二的玩家？而英偉達這一向來在顯卡稱霸的公司，又為何能在深度學習和人工智能領域打下這麼大的一片江山？<blockquote>微軟的兩次推進</blockquote>1999 年，初露頭角的英偉達首次推出了 GPU 這一概念。在此之前，包括英特爾在內的 CPU 廠商都堅信圖形處理是 CPU 的活，CPU 乾的事情越多越好，將圖形工作獨立到另一附屬處理器上的想法十分雞肋。當時，圖形應用領域中又以搞遊戲的日本廠商話語權最重。日系主機的 CPU 很強，大部分開發工作都集中於 CPU 之上，因此 GPU 並沒有得到多少市場空間。轉機在於，不服氣的微軟想要衝擊屬於日本廠商的行業領先地位，其開發出了 Direct X 這一標準化的 API 圖形接口，此後大量的圖形功能從 CPU 裏面移植出來，轉到 GPU 之上。加上微軟另一產品 Xbox 的推出，其 CPU、GPU 各司其職的搭配，打破了行業內 CPU 芯片一家獨大的局面。而英偉達是當年硬件領域唯幾跟着微軟旗幟前進的公司，並在 GPU 這條道上一路走到黑。此後，微軟又推動了另一次變革，引入統一渲染技術，即讓 GPU 將圖形繪製的頂點計算和之後的渲染兩個步驟進行合併。它和顯卡領域另一知名公司 ATI 合作了 GPU Xenos，成功應用了這一技術。<blockquote>無心插柳</blockquote>統一渲染只是圖形應用上的一步，但卻給英偉達帶來了完全不同的發展路徑，可以説是英偉達在後來 GPU 發展，甚至介入深度學習領域中的起點。在看到統一渲染架構之後，英偉達果斷的把自己從前的 GPU 架構推倒重來。其 GPU 流處理器被進行了細緻的分組，變成一個個小型流處理器且能單獨運行，解決了流處理器此前被綁定無法獨立運行而被迫閒置的問題。這奠定了英偉達後來革命性 CUDA 架構的出世。由於英偉達的流處理器是很獨立且標準的單元，極易控制和調度，這讓原本只能串行處理的任務可以被並行處理。這讓編程難度大大降低。與此同時，英偉達的競爭對手 ATI 卻因為早期沒有投入硬件架構變革，因為沿用過去的串行設計，沉沒成本越來越高，讓其革新變得越來越難且越來越貴，最後成功被英偉達擠出顯卡市場。<figure class="image image_resized" style="width: auto"><img src="https://pub.pbkrs.com/uploads/2024/8e0a1727fbb74a35064603b59463164b?x-oss-process=style/lg" width="600" height="337" original-src="https://pub.pbkrs.com/uploads/2024/8e0a1727fbb74a35064603b59463164b"/></figure>此後，英偉達又在 2017 年引入了 Tensor Core 計算單元概念，其專門為深度學習而設計，支持更低精度的運算從而大幅節省了模型算力。這一專用的加速單元很大程度上排擠了 CUDA 處理深度學習的空間，但也同時打了英偉達競爭對手一個措手不及，讓 AI 專用芯片也不再吸引人。於是，英偉達 GPU 機緣巧合地成為 AI 領域最被認可的硬件。<blockquote>賭贏趨勢</blockquote>2003 年，“快速迭代，不斷試錯” 的英偉達搞了一個不受歡迎的項目。其開發了一款 Soc 芯片，將基於 ARM 架構的 CPU 與自己的 GPU 集成在一起。自 Soc 芯片之後，英偉達每隔幾年都發布一些芯片。2015 年，其推出了 Tegra K1，使用 Arm 公版 CPU 和自己的開普勒架構 GPU，但由於功耗和發熱皆不盡人意，對大部分使用者來説很是折磨。但業內人士卻對這些挫折十分認可。一位投資人曾指出，英偉達在守住 GPU 基本盤的同時，不斷在新的領域伸出觸角，並讓無數買它顯卡的人陪它分攤成本。他還稱讚道，雖然英偉達的很多東西，如 CUDA 在一段時間內看不到落地的場景，但在試錯過程中它建立起了完整的生態，並在一股新風向襲來的時候，成功站上了風口。這也是英偉達 GPU 打敗其他芯片，成功吃下 AI 紅利的一個原因。一方面，GPU 的通用性更佳，比專用芯片更適應變化；另一方面，英偉達擁有完整生態，讓它的 GPU 成為當下最合適的那個選擇。事實上，當 AI 一瞬間爆發，行業內的企業無奈發現，GPU 是簡單高效運行生成式 AI 模型的最好選擇，一個本用來玩遊戲的 GPU 不太可能切換去跑 AI 程序，目前只有英偉達的 GPU 能夠做到運行 AI 模型。而英偉達的故事裏還有一個小彩蛋。2016 年，英偉達發佈了第一款深度學習的超級計算機 DXG-1。令人稱道的是，英偉達首席執行官黃仁勳當年彷彿能預知未來，將第一台 DXG-1 捐給了當時還是初創企業的 OpenAI。2022 年，OpenAI 帶着橫空出世的 ChatGPT 引爆了人工智能概念，也帶動英偉達成為芯片領域中的香餑餑。這一段緣分不得不令人感慨，但又像是黃仁勳遠見之下的善果。<blockquote>CPU 與 GPU 的區別</blockquote>CPU 和 GPU 都是運算的處理器，在架構組成上都包括 3 個部分：運算單元 ALU、控制單元 Control 和緩存單元 Cache，但是，三者的組成比例卻相差很大，在 CPU 中緩存單元大概佔 50%，控制單元 25%，運算單元 25%；在 GPU 中緩存單元大概佔 5%，控制單元 5%，運算單元 90%。<figure class="image image_resized" style="width: auto"><img src="https://pub.pbkrs.com/uploads/2024/5f79c072b42273e4a7f63c2f27e66a43?x-oss-process=style/lg" width="750" height="394" original-src="https://pub.pbkrs.com/uploads/2024/5f79c072b42273e4a7f63c2f27e66a43"/></figure><figure class="image image_resized" style="width: auto"><img src="https://pub.pbkrs.com/uploads/2024/185751c412b6f294847d70c7c5b85893?x-oss-process=style/lg" width="750" height="270" original-src="https://pub.pbkrs.com/uploads/2024/185751c412b6f294847d70c7c5b85893"/></figure>

英偉達

在人工智能浪潮下，英偉達無疑是站在風口浪尖的一家公司，成為了首家市值達到 1 萬億美元的芯片製造商。

萬億英偉達的前世今生