短短幾年，人工智能就從一個被擱置“冷宮”的學術(shù)研究，變成商業(yè)化最前沿的“網(wǎng)紅”，在安防、金融、教育、制造、家居、娛樂等各個與人們生活息息相關(guān)的領(lǐng)域，掀起了一股智能化升級和萬物互聯(lián)的颶風。

“意外”的開始

在很長的一段時間內(nèi)，外界對英偉達有兩個印象：顯卡大廠、皮衣老黃。一個是英偉達的核心GPU產(chǎn)品，一個是英偉達的形象代言人。

從1993年成立到成為和AMD、英特爾抗衡的半導體巨頭，英偉達經(jīng)歷了幾個關(guān)鍵的階段：一是圖形處理器突圍期，拿下大半的游戲顯卡市場；二是AI巔峰期，借著AI和挖礦一鳴驚人，三是AI轉(zhuǎn)型后時期，從高處下沉后的再反思。

AI芯片戰(zhàn)火蔓延，誰會是人工智能時代AI芯片的最終玩家

早年的英偉達憑借GeForce系列顯卡在游戲市場所向披靡，和成立于1969年的AMD同坐一把交椅，N卡和A卡孰優(yōu)孰劣之爭也是游戲界老生常談的話題。

在此期間，英偉達既遇到顯卡質(zhì)量事故，面臨合作伙伴高額的賠償，也遭到競爭對手惡意拒絕技術(shù)專利共享，一路起起落落，一波三折。好在他們技術(shù)實力過硬，除了旗艦產(chǎn)品GeForce各方面性能給力，英偉達也在收購不同圖像處理公司，加大技術(shù)研發(fā)投入，加強在游戲渲染硬件上的優(yōu)勢。

但即便如此，此時的英偉達更多的還是游戲宅眼中的“大神”，距離除PC之外更廣闊的主流B端市場還很遠。

轉(zhuǎn)折點發(fā)生在2012年的ImageNet（圖像識別領(lǐng)域賽事）大賽上，當時Geoffrey Hinton的學生通過兩個GPU將深度卷積神經(jīng)網(wǎng)絡AlexNet的準確率提高了10.8%，震撼了學術(shù)界，英偉達也借此一戰(zhàn)成名，從游戲市場一大步跨入AI市場。

看似無心插柳柳成蔭，但實際上背后是英偉達在GPU上多年的厚積薄發(fā)。當學術(shù)界開始嘗試用GPU做通用計算（GPGPU）時，英偉達看到了GPU在圖形運算之外的潛力，搗鼓出了改變深度學習，也改變了英偉達自己的CUDA（通用并行計算平臺），一個用于GPU通用計算的并行計算平臺和編程模型，從軟硬件層面釋放了GPU做并行計算的能力，非常適合運行深度學習算法。

然而在2012到來之前，這個產(chǎn)品的特點只有一個：只燒錢不賺錢。但當Geoffrey Hinton和兩個學生用GPU+CUDA開啟深度學習黃金時代后，一切都不同了。自此之后，英偉達的GPU代替CPU成了AI訓練市場的香餑餑。

Nvidia人工智能的今天和未來

目前，Nvidia已經(jīng)占據(jù)了人工智能算力領(lǐng)域的主導位置。在數(shù)據(jù)中心領(lǐng)域，即使有一些初創(chuàng)公司推出訓練和推理加速芯片，但是想要取代Nvidia需要相當長的時間。首先，大規(guī)模部署芯片對于產(chǎn)品的可靠性有相當高的需求，而且分布式系統(tǒng)是一個系統(tǒng)工程，需要芯片在各類指標上（不只是算力，還包括通信，接口帶寬等）都達到優(yōu)秀的指標，光這一點就需要初創(chuàng)公司相當多的時間去打磨。此外，Nvidia更高的壁壘在于開發(fā)者生態(tài)，需要開發(fā)出一個易用的編程模型和相關(guān)編譯器的難度并不亞于設計芯片，而要孵化開發(fā)者生態(tài)則需要更多的時間。我們認為，至少在未來3-5年內(nèi)，Nvidia在數(shù)據(jù)中心的地位難以被撼動。

但這并不意味著Nvidia在人工智能時代就可以高枕無憂。Nvidia 的軟肋仍然在于其移動端——隨著人工智能從云端逐漸走向邊緣和終端，邊緣和終端類的AI加速芯片或許是其他公司的機會。Nvidia之前推出的終端／邊緣類產(chǎn)品并不算特別領(lǐng)先或成功，例如Jetson系列終端GPU的能效比并不領(lǐng)先，芯片架構(gòu)也是沿用數(shù)年前的設計。我們認為，AI加速在終端的市場份額可能會占據(jù)總體AI芯片市場不小的份額，如果Nvidia無法抓住終端AI市場，那么其最終在整個AI市場的份額可能會被局限在云端數(shù)據(jù)中心。