英伟达：帝国裂缝一条条

原文来源：解码Decode

图片来源：由无界AI生成

外界常有这样一种错觉，因为英特尔CPU卖的好就将其归于一家成功的硬件公司，而事实上，英特尔统治桌面处理器的功臣是诞生于1978年的X86架构。

同样的错觉在英伟达身上也有。

英伟达之所以能够垄断人工智能训练芯片市场，CUDA架构绝对是幕后功臣之一。

这个诞生于2006年的架构，已经涉及计算机计算的各个领域，几乎被塑造成了英伟达的形状。航空航天、生物科学研究、机械和流体模拟及能源探索等领域的研究，80%在CUDA的基础上进行。

而在最火爆的AI领域，几乎所有的大厂都在准备Plan B：谷歌、亚马逊、华为、微软、OpenAI、百度……谁也不想让自己的未来攥在别人手中。

创业服务咨询机构Dealroom.co公布过一组数据，在这波生成式AI的热浪中，美国获得了全球投融资的89%，而在AI芯片的投融资中，中国AI芯片投融资世界第一，超过美国两倍。

也就是说，尽管中美企业在大模型的发展方式和阶段都存在诸多差异，但在掌控算力这件事，大家却显得格外一致。

为什么CUDA有这种魔力？

2003年，英伟达为了与推出4核CPU的英特尔竞争，开始着手发展统一计算设备架构技术，也就是CUDA。

CUDA的初衷是为GPU增加一个易用的编程接口，让开发者无需学习复杂的着色语言或者图形处理原语。英伟达最初的想法是为游戏开发者提供一个图形计算领域的应用，也就是黄仁勋口中的"make graphics programmable"。

不过CUDA推出后一直找不到关键应用，也缺少重要客户支持。而且英伟达还要花费大笔金钱来开发应用、维持服务并推广与行销，到2008年遭遇金融风暴，显卡销售不好的英伟达营收大跌，股价一度跌到只剩1.5美元，比AMD最惨的时候还要惨。

直到2012年，Hinton的两个学生用英伟达的GPU参加了一个叫做ImageNet的图像识别速度比赛。他们使用GTX580显卡，利用CUDA技术进行训练，结果算出的速度超过第二名数十倍，精确度也比第二名高10%以上。

让业内震惊的不只是ImageNet模型本身。这个需要1400万张图片、总计262千万亿次浮点运算训练的神经网络，一个星期的训练过程中仅用了四颗GTX 580。作为参考，谷歌猫用了1000万张图片、16000颗CPU和1000台计算机。

这次比赛不仅是AI的一次历史转折，也为英伟达打开了突破口。英伟达开始与业界合作推动AI生态，推广开源AI框架，并与Google、Facebook等公司合作推动TensorFlow等AI技术发展。

这等于完成了黄仁勋口中的第二步，"open up GPU for programmability for all kinds of things"。

当GPU的算力价值被发现后，大厂也猛然醒悟，英伟达此前数年迭代和铺垫的CUDA，已然成为AI绕不开的一堵高墙。

为了筹建CUDA生态，英伟达为开发者提供了丰富的库和工具，如cuDNN、cuBLAS和TensorRT等，方便开发者进行深度学习、线性代数和推理加速等任务。此外，英伟达还提供包括CUDA编译器和优化器在内的完整开发工具链，使开发者能够更方便地进行GPU编程和性能优化。

与此同时英伟达也与许多流行的深度学习框架（如TensorFlow、PyTorch和MXNet）紧密合作，为CUDA提供了在深度学习任务中的显著优势。

这种“扶上马，送一程”的奉献精神，使英伟达仅用了两年半时间，就将CUDA生态的开发者数量翻了一倍。

这还不够，过去十余年里英伟达将CUDA的教学课程推广到超过350所大学，平台内有专业的开发者和领域专家，他们通过分享经验和解答疑难问题，为CUDA的应用提供了丰富的支持。

更关键的是，英伟达深知硬件作为护城河的缺陷在于没有用户粘性，于是将硬件与软件捆绑，GPU渲染要用CUDA、AI降噪要用OptiX、自动驾驶计算需要CUDA……

尽管英伟达目前凭借GPU+NVlink+CUDA垄断了AI算力90%的市场，但帝国的裂缝已经不止一条了。

一条条裂缝

AI厂商苦CUDA久矣，并不是危言耸听。

CUDA的神奇之处就在于它处在软硬结合的关键位置，对软件来说它是整个生态的基石，竞争对手难以绕过CUDA去兼容英伟达的生态；对硬件来说，CUDA的设计基本就是英伟达硬件形态的软件抽象，基本每个核心概念都和GPU的硬件概念相对应。

那么对于竞争对手来说，就只剩两个选择：

1 绕开CUDA，重建一套软件生态，这就要直面英伟达用户粘性的巨大挑战；