江苏龙网

  1. 首页 > 资讯 > 科技 > >

|从“显卡大厂”到“AI霸主”，英伟达的版图没有边界？( 二 )


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 。
|从“显卡大厂”到“AI霸主”，英伟达的版图没有边界？
本文插图

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 。
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 。
【|从“显卡大厂”到“AI霸主”，英伟达的版图没有边界？】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 。
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 。


推荐阅读


上一篇：|华为哈勃投资半导体激光器芯片研发企业源杰半导体

下一篇：|千亿级美元存储芯片战争的背后：长江存储如何打出“致钛”这张牌