從AI熱潮中率先獲益的英偉達，其GPU參數和性能頻繁出現在不少AI芯片發布會的對比圖中。這是在缺乏AI芯片衡量的標準時，新的AI芯片證明自己實力的不錯方式。不過，聲稱性能超越英偉達GPU的創新AI芯片不少，但想要超越英偉達非常困難。

因為，超越英偉達最核心的并不是更高的硬件參數和更低的價格，13年和160萬這兩個數字才是關鍵。

13年前就“注定”成為AI明星

1993年成立不久后，英偉達就面臨激烈的顯卡市場競爭，幸運的是，它從47家顯卡生產商的競爭中勝出，并于1999年在美國上市。帶領英偉達走向成功的關鍵人物之一就是其創始人兼CEO黃仁勛，人稱黃教主。

為了讓英偉達拓展新的市場領域，多年來黃仁勛一直都會事先做好風險預估工作。十多年前，黃仁勛下了一次關鍵性的賭注，押注一系列的改動和軟件開發，讓GPU能夠處理圖像以外更為復雜的任務。

此舉給英偉達帶來了不小的成本壓力。黃仁勛估計，名為CUDA（Compute Unified Device Architecture，統一計算架構）的項目每年需要花費5億美元，當時英偉達的總營收約為30億美元。

這個重大的決策和CUDA成功背后，還有一個關鍵人物——現英偉達GPU 計算軟件總經理的Ian Buck。他在加入英偉達之前就通過實驗證實GPU用于通用計算的潛力巨大，2004年進入英偉達實習后，Ian Buck開始聚集相關的硬件和軟件工程師創建GPGPU模型。

不久后，英偉達對其芯片作出改動，開發出軟件輔助工具，包括支持標準的編程語言，而非用于向圖形芯片發出指令的神秘工具。在Ian Buck的率領下，2006年CUDA正式推出，這是全球首款GPU的通用計算解決方案。

CUDA工具包包括了GPU加速庫、編譯器、開發工具。為了便于使用，英偉達讓使用CUDA的開發人員可以使用熟悉的C、C ++、Fortran、Python、MATLAB等流行語言設計程序，以幾個基本關鍵字的形式通過擴展表達并行性，就能用GPU實現加速計算。

隨著CUDA的迭代，CUDA團隊開發了石油、天然氣和國防等相關產業所使用的科學計算方面的庫。開發者們也逐漸把GPU應用于氣候建模、勘探石油和天然氣等很多領域。

同樣關鍵的是，CUDA發布之后，英偉達所有新推出的GPU都支持CUDA。這就意味著只要研究人員、學生擁有搭載英偉達GPU的筆記本電腦或者臺式機，就能在學校實驗室和宿舍開發軟件。再加上英偉達說服了許多大學開設課程，教學生用其最新的技術。

這才有了大家都熟悉的2012年Alex Krizhevsky用英偉達GPU運行AlexNet卷積神經網絡算法在2012年ImageNet競賽中獲得第一，圖像識別的錯誤率大大降低。

由此，深度神經網絡引發了第三次AI浪潮，英偉達也一步步成為了“AI明星”。

2016年，英偉達投入數十億美元動用數千工程師打造的第一個專為深度學習優化的Pascal GPU推出。2017年，又推出了性能比Pascal提升5倍的Volta架構，神經網絡推理加速器TensorRT 3也同時亮相。

2018年，黃仁勛口中自2006年CUDA GPU發明以來最大的飛躍圖靈（Turing）架構發布，這一新架構承載了RT核心（RT Core）以及全新張量核心（Tensor Core），RT Core使全球首款光線追蹤GPU成為可能，Tensor Core能實現高性能的深度學習訓練和推理。

英偉達承諾第8代圖靈架構GPU模擬物理世界的能力將比Pascal架構提升6倍，實時光線追蹤能力比Pascal架構提升25倍。

AI的光環下，英偉達的股價比GPU性能的提升更加迅速，2016年每股30美元左右， 到2018年最高漲至每股280美元，創下歷史新高。

不過，相比硬件的加速，軟件帶來的提升更加顯著。黃仁勛稱，在不改變硬件的前提下，通過軟件和庫的完善，過去2年英偉達將計算性能提升4倍，AI推理性能可以提升2倍，所需的開發時間也可以幾周縮短為幾天，從幾天縮短為幾小時。

即便是新推出的硬件平臺Orin，也十分強調其軟件定義特性，盡可能延長硬件的生命周期以及發揮軟件的優勢。

160萬開發者生態

英偉達開發者計劃副總裁Greg Estes說，“之所以英偉達在AI時代比其它公司跑的更快一些，主要的原因是十多年前做出的戰略性決定——將CUDA開放給各個行業。任何一個英偉達GPU都可以使用相同的軟件堆棧。”

這意味著，英偉達生態系統中的合作伙伴都能接觸到一個巨大的市場，無論是做AI、游戲還是數據中心、邊緣計算。

在這種吸引力下，特別是伴隨深度學習的火熱，英偉達的開發者生態日漸壯大，過去三、四年開發者數量增長尤為快速。2019年，全球已經有超過160萬CUDA開發者。中國CUDA開發者數量最為眾多，數量也增長最快，數量已經超過了30萬，并且還在以每個月新增1萬人的數量增長。僅今年，CUDA的下載次數就超過了500萬次。

與之相伴的是CUDA的不斷更新，今年初，全新的AI加速庫CUDA X AI SDK正式發布，可以用于數據分析、機器學習、深度學習等多個領域的加速，更好地釋放 Tensor Core GPU 的靈活性。如今，CUDA已經發布了500多個庫。

本周三的GTC China 2019上，黃仁勛又宣布推出TensorRT 7，它支持各種類型的RNN、Transformer和CNN，能支持1000多種不同的計算變換和優化。之所以選擇在TensorRT6推出后的三個月就推出TensorRT7，英偉達負責TensorRT產品市場Siddarth Sharma接受采訪時稱主要是為了會話式AI。

會話式AI涉及語音識別和轉化為文字、理解文字、再轉化為文字用語音反饋三個部分，此前的TensorRT版本能完成理解的部分，TensorRT7可以完成三個流程，并且是在300毫秒內。

另外，英偉達還用遷移學習、聯邦學習等方式幫助開發者更快地將AI技術應用于自動駕駛、醫療等行業。

當然，為了讓新注冊的開發者更快上手CUDA，除了提供文檔，英偉達深度學習學院（DLI）也提供實戰培訓，幫助開發者了解如何開發、應用甚至部署。還有英偉達的校園大使項目，目前以及與國內23個高校合作，讓高校老師能開設DLI課程，補充理論課程。

為了中國開發者，DLI將很多課程轉換為中文，還在中國新開了10個基礎的DLI課程。

更多的開發者讓CUDA軟件堆棧不斷完善，也讓英偉達可開發不同的全套解決方案應用到各個垂直行業，這也是英偉達成功的關鍵。要探索更多的領域，英偉達需要進一步開放CUDA，在支持x86的基礎上，英偉達今年6月宣布將在年底前向Arm生態系統提供全堆棧的AI和HPC軟件。

至于未來是否會進一步開放甚至開源CUDA，Greg Estes告訴雷鋒網，現在整個開發者社區做出了各種貢獻，CUDA周邊也有很多開源軟件和代碼，對于CUDA的進一步開放英偉達并不反對。

“我們也將不斷探索，開拓一些現在還沒人愿意關注的市場。這需要勇氣，也非常困難，但英偉達的基因讓我們非常享受各種挑戰。” Greg Estes如此解釋構建更強大開發者生態的挑戰。

他同時指出，進入到新的領域，營銷可能需要更多的支出。但英偉達使用的是統一的平臺，進入新領域的時候并不需要像其它公司一樣開發新的架構和軟件，不會大幅增加研發成本。比如開發自動駕駛的軟件和開發機器人的軟件差別沒那么大，它們都有感知環境、設定路徑、模擬周圍物體移動的相同之處。

如何超越？

所有GPU，從云端到終端不同的硬件平臺，都支持統一的CUDA軟件平臺，讓英偉上百萬的開發者可以基于GPU在各個領域進行計算加速。這促進了CUDA軟件堆棧的完善，也讓英偉達能夠針對不同的領域推出完整的解決方案。

這是英偉達在AI時代率先被廣泛應用的重要原因，也是其在未來競爭中核心競爭力。26年的硬件能力積累，13年前開始的統一平臺軟件布局，160萬的開發者生態，不斷探索新領域的商業模式，這樣的一個系統公司怎么看都難以超越。

但也并非沒有可能，有一家初創公司的思路是在軟件層面完美兼容CUDA，通過提供性價比更高的硬件，能夠替代英偉達GPU。但由于CUDA并非完全開放，且在持續迭代，要完美兼容CUDA面臨挑戰，能否在兼容的同時完成新生態的建設影響成敗。

還有一家公司走的是定制化和本地服務的路線，通過與有強AI需求的公司合作，提供性價比更高的定制化解決方案，同時提供更加本地化的服務，以期獲得一些市場份額。

這兩種方法都有成功的機會，但實際應用和發展的過程中每一步都充滿挑戰且非常關鍵。

還有一點不容忽視的是，GTC China 2019上英偉達展示了GPU相比CPU在云端AI推理中的成本以及性能優勢，即便黃仁勛表示這并不是要用GPU替代CPU，但在云端訓練市場需求放緩，推理市場迅速增長的背景下，英偉達和英特爾將在云端AI推理市場激烈的競爭難以避免。

這是否會改變市場格局？雷鋒網雷鋒網

總結

以上是生活随笔為你收集整理的英伟达_如何超越英伟达？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。