作者：刘润 主笔：付帅 编辑：二蔓 来源：刘润
北京时间2024年2月22日凌晨，这一夜，全球大量的投资者屏息凝神、彻夜无眠。
他们，都在等待一家公司即将发布的第四季度财报。
这家公司，就是英伟达。
最终，英伟达公布的多项财报数字，大超市场预期，市值剑指2万亿美元，全球排名第4，仅次于微软、苹果、沙特阿美。
而谁又能想到，不到2年前，英伟达市值才不过3000亿美元。
所有的一切，都依赖于英伟达的独特地位：无论是国外大火的Sora、ChatGPT，还是国内的文心一言、讯飞星火，几乎全世界所有的人工智能模型，都离不开英伟达GPU所提供的算力支持。
当然，现在的英伟达也在遭遇挑战，比如最近大热的初创公司Groq，它推出的一款自研语言处理单元LPU，在全球人工智能行业，引发了不小的反响。
但根据目前业内专业人士的测评，它在单卡吞吐能力、用户生态等方面，还和英伟达有着不小的差距。
嗯。专业名词有点多。
但总之，到目前为止，英伟达占据了全球GPU市场超过90％的份额，成为了高盛口中“世界上最重要的公司”。而英伟达目前最为先进的H100显卡，更是被马斯克直言“比成瘾药品还难买到”。
在这一波AI浪潮中，英伟达赚了很多。如果再算上它前几年吃到的那一大波关于“加密货币矿机”的红利，更是会让人眼红，也会让不少人感叹：
英伟达，运气真好。
猛地一看，好像还真是这样。但是，如果这种泼天富贵真的只是“运气”这么简单，那为什么只有英伟达接住了它？
回看英伟达的发展历程，你会发现，在这些“运气”背后，其实藏着英伟达曾经做过的艰难抉择和努力。
它们，让英伟达抓住了后面的运气。
今天，我试着用一篇文章，把这些抉择和努力，分享给你。相信会给你一些启发。
01
全球算力“超级军火商”
既然要聊英伟达的运气，就不得不提带来运气的核心产品：GPU。
什么叫GPU？它和我们更常听说的CPU之间有什么关系？
CPU，全称为中央处理单元，它是计算机系统的运算和控制核心。我们熟知的英特尔，就是做CPU的。
而GPU，全称为图形处理单元，俗称显卡，主要用来做计算机图像和图形相关的运算工作。英伟达，是这个领域的老大。
那么，它们有什么区别？让我们打个比方说明一下：
CPU就像一个高等数学特别好的博士生，会计算复杂的微积分，可它只有一个大脑，没办法同时并行处理许多问题，只能一个个来。
因此，CPU适合复杂的通用单线程任务。比如，网页浏览、word文档打开时的快速响应，它们的任务复杂，但都很单一。
而GPU，就像一堆只会做加减乘除的小学生，虽然不能处理特别复杂的问题，但胜在人多、效率高。
所以，在大量重复性的并行计算上，GPU具有压倒性的优势。比如，渲染3D动画、4k视频编辑等等。由于许多视频、图像上大量的像素点是同质化的，因此可以快速并行进行处理。
GPU的这种特性，让它在设计之初主要用于加速计算机的图形渲染，主要用户也局限在游戏、设计等少数几个领域。
相反，在个人电脑时代，能处理单一高精尖任务的CPU用途更广。甚至，除了少部分特别复杂的需求，多数简单的图形渲染功能，完全可以通过把GPU集成到CPU上来解决。
所以，那个时候，世人多知道CPU、英特尔，少了解GPU、英伟达。
但这个格局，被两件事情的到来打破了，这也是英伟达抓住的两波“泼天大运”：
首先是前几年的加密货币浪潮。
从2020年开始，加密货币领域迎来了一波暴涨。而比特币、以太坊这些加密货币有一个特点：需要用到大量的电脑计算来获取加密货币，俗称“挖矿”。
这个过程，不需要高精尖的计算，只需要暴力堆砌算力。而且，由于很多加密货币总量有限，因此，“挖矿”的人越多，竞争就越激烈，所有人所需要的算力也就越大。
还记得GPU有什么特点吗？没错，就是擅长大量重复性的简单计算。暴力堆砌算力，GPU最擅长。这个时候的GPU，已经基本等同于“印钞机”。
靠着这波加密货币浪潮，英伟达狠狠赚了一大笔。
除此之外，后面的一波浪潮，又让英伟达吃到了更大、更持续的一波红利：
AI人工智能。
2012年，后来被称为“深度学习三巨头”之一的Jeffery Hinton教授，带着他的两位学生Alex Krizhevsky和Ilya Sutskever，参加了当时全球最权威的计算机视觉识别挑战赛——ImageNet大赛。
最终，他们设计的识别模型AlexNet一举夺冠。
（从左到右：Ilya Sutskever、Alex Krizhevsky、Geoffrey Hinton）
更令人惊叹的是，AlexNet获胜所依靠的，仅仅是两块英伟达的GPU。
因为Hinton教授在研究中发现，人工智能模型的训练、推理，需要至少数百万次以上的并行计算，而GPU擅长处理大规模并行计算的特点，让它非常适合这样的场景。
而大概在同一时期，当时还在谷歌的另一位AI大神吴恩达，购买了足足16000个CPU处理器来训练模型，以便可以准确识别出图片中的猫咪。
这个对比，让所有人都认识到一件事：
在人工智能模型训练、推理上面，GPU可比CPU好用太多了。
这里有个彩蛋，Jeffery Hinton教授的其中一个学生，Ilya Sutskever，后来成为了OpenAI的首席科学家，并主导了ChatGPT背后技术的研发工作。
后来的故事，我们就都知道了。随着AlphaGo大战李世石、ChatGPT引爆生成式AI……人工智能行业，迎来了大爆发。
而靠着在GPU领域的技术积累，英伟达也成为了一家为全球人工智能行业竞争提供算力武器的“超级军火商”。
看起来，英伟达靠着GPU，接住了两波泼天的运气。可事实上，曾经有机会拥有这些运气的，不止是英伟达。
02
运气，不止英伟达一家独有
1999年，英伟达推出了被称为“全球首款GPU”的Geforce 256。然而，GPU相关的技术并非英伟达首创，此前已经存在了好些年。
为什么英特尔这些大公司会放任英伟达抢占“GPU发明者”这个称号？因为，当时GPU在产业端的需求和竞争力还没体现出来，CPU的市场比GPU大得多。大家熟知的英特尔、AMD等芯片公司，一心都扑在CPU上面。
当时和英伟达竞争GPU市场的，主要是一家叫做ATI的公司。并且，后者优势还更大一些。截止到2004年第三季度，ATI的市场占有率是59%，而英伟达只有37%。
换句话说，ATI曾经更有机会抓住后面那些“运气”。
就在这个关键时刻，曾经一直和英特尔在CPU市场竞争的AMD，转头收购了ATI。
至于收购的原因，也很简单：在CPU市场上，AMD已经竞争不过英特尔，索性通过收购ATI来打造一下“CPU+GPU”双轮驱动，看看能不能来个1+1＞2。
现在，AMD接过了ATI的衣钵，变成了那个也有机会抓住后面两波“运气”的公司。
所以，该轮到英伟达慌了吗？
基本没有。
黄仁勋清楚意识到，按照AMD+ATI的庞大体量，合并后至少要花几年的时间来消化整合。这段时间，就是英伟达宝贵的“红利窗口期”。英伟达要做的，就是稳住阵地、全力聚焦GPU技术的研发。
事实和黄仁勋估计的大致相同，甚至，AMD的情况比他预计的还要更差。
对AMD来说，收购ATI耗费了当时账上几乎所有的现金流，还让AMD背上了沉重的负债，差点拖死了它。
麻烦还不止于此。
由于AMD尽调做的一般，等到整合业务时才发现，ATI的技术并不如它所宣称的那样先进，这导致AMD在接手GPU的研发之初，就已经和英伟达拉开了差距。
在此之后的多年时间里，AMD不得不拖着虚胖的身躯，在CPU、GPU上双线作战。结果，两条业务线的发展都不尽如人意。
对手的失误，以及英伟达的潜心研发、耐心蛰伏，为英伟达后来“抓住运气”打下了基础。
但是，纵然英伟达抓住了AMD犯错的时机“猥琐发育”，但芯片行业日新月异，追赶者层出不穷，为什么只有英伟达笑到了今天？
因为，英伟达还在AMD整合期间做出了一个至关重要的选择和努力，也成为了它奠定今日行业地位的关键。
这个选择，叫做CUDA。
03
CUDA，让英伟达一骑绝尘
2006年，英伟达创始人黄仁勋力排众议，大力砸钱搞CUDA。
什么是CUDA？为什么要搞CUDA？
在回答这两个问题之前，我们需要了解一下，英伟达早年所面临的商业环境。
在个人电脑时代，GPU往往没有太多单独使用的场景，总是需要和CPU一起进行搭配。又因为CPU市场规模大得多，因此，GPU厂商总会受到CPU厂商不小的制约。
事实上，英伟达早年和AMD、英特尔等CPU厂商之间，都发生过非常激烈的冲突。这也让黄仁勋意识到，只做单一性的功能产品是远远不够的，永远都会受制于人。一旦甲方掌握了相关技术，就会毫不犹豫把你踢出局。
怎么办？必须要在原有产品上面“叠buff”，摆脱单一性功能产品的定位，从而让自己产品的护城河足够宽，让自己很难被取代。
这个关键的“buff”，就是CUDA。
CUDA，又叫做计算统一设备架构。它是英伟达为“GPU技术通用化”所搭建的一套程序开发环境。
什么意思？
以往的GPU，主要用于各类图形渲染，核心业务方向主要是游戏。但这个业务天花板比较低，还要受制于人。
公司要想进一步发展，就需要探索除图形渲染之外的其它领域，让更多人、更多业务都能更加方便地使用GPU的计算能力。
这，就是英伟达所构想的“GPU技术通用化”。
至于谁需要使用这个技术，英伟达也进行了设想，比如需要进行科学研究的高校和科研院所、进行药物筛选的生物科技公司、进行高频量化交易的股票交易员，等等。
不过，GPU是个硬件，在上面编写程序非常复杂。因此，英伟达需要在GPU硬件的基础上打造一个相适配的软件生态，降低在GPU上编程的难度，从而让开发者可以用自己习惯的编程语言编写程序，满足不同的计算任务。
CUDA，就是一个能在GPU上编写程序、进行通用计算的软件生态。
不过，在CUDA刚推出时，没几个人能理解这个构想。因为英伟达所设想的那些可能会需要“GPU技术通用化”的领域，当时的规模都太小了。相比之下，从零开始打造一个全新的软件生态，耗费的成本又太高。
事实确实如此。自从开始重金研发CUDA后，英伟达的利润表就变得难看了不少。此时的CUDA，就是一个只有投入没有产出的“吞金兽”。
怎么办？英伟达做了两件事：
第一件事，扛着。是的，你没看错，就是扛着。如果黄仁勋对未来的判断和押注没有错，那么，英伟达的这段“至暗时刻”就必须扛过去。
第二件事，做推销。没有需求，那就创造需求。在那几年，黄仁勋化身为“超级推销员”，经常奔波于各大高校、科研院所、初创公司里，反复为大家讲解CUDA生态的优势，并且低价甚至免费提供英伟达的GPU。
而在所有的推销故事中，有一件事堪称标志：
2016年8月，在OpenAI成立初期，黄仁勋就亲自把世界上第一台装载了8块英伟达P100芯片的超级计算机DGX-1送去了OpenAI的办公室，并由当时OpenAI最重要的出资人马斯克亲自开箱。
（图片来自互联网）
这台DGX-1价值超过100万美元，由3000名英伟达员工耗时3年打造而成。它有多强大呢？能把当时OpenAI一年的训练时间，压缩到短短一个月。
当时的OpenAI还是一个刚刚起步的非营利组织，对于这样一个重磅礼物，员工们别提多兴奋了。于是，包括马斯克、Sam Altman在内的早期员工，纷纷拿着马克笔在这台DGX-1上签下了自己的名字。
（图片来自互联网）
后面的故事，我们都知道了。AI浪潮的爆发，让英伟达的一切努力都得到了回报。
靠着十余年间对CUDA的持续投入，英伟达已经绑定了全球数百万的AI开发者和研究者，形成了强大的软件生态壁垒。
也正是因为英伟达打造了“GPU硬件+CUDA生态软件”的高度嵌合平台，才得以让英伟达占据当前GPU市场超过90%的绝对垄断份额。
回到英伟达，黄仁勋在决定重金研发CUDA时，不可能预料到后来人工智能这波大浪潮。毕竟，AI领域在上世纪50年代就已经出现，而60多年来，它的进展始终缓慢。
但是，黄仁勋始终相信，未来，世界会加速发展，无论是对虚拟世界的模拟，还是推动真实社会的进步，都会用到巨大的算力，也会促使GPU的市场规模得到空前提升。
而CUDA，则是英伟达抢占这个未来庞大市场的关键利器。
他赢了。
最后的话
机会，从来只留给有准备的人。
黄仁勋就是这样一个活生生的例子。因为他笃信自己的对未来的看法，所以坚持推动GPU技术的迭代，坚持十年如一日对CUDA进行砸钱研发。
最终，所有的抉择、努力、准备，都被AI这个划时代的运气事件所引爆。
可是，大多数人只会看结果，看到那份所谓的“泼天富贵”。他们对自己的设想，是“金鳞岂是池中物，一遇风云便化龙”。
在他们眼中，他们自己就是那个“金鳞”，他们需要的，只是“风云”这样一个运气。
可事实上，绝大多数人的成功，都是一个“鲤鱼跃龙门”的过程。
如果前期没有为“跃龙门”做充足的准备，比如，锻炼体力、提升耐力，那么，即使遇到“风云”这样的运气，“化龙”这件事与你也无关。
再退一步来说，如果你不做任何努力，只是将自己的人生寄托于可能随时会来、也可能永远不会来的运气，那么，你的生活就会完全被偶然性所支配。这个过程，既十分被动，又非常虚无。
祝你，做好准备，抓住运气。
祝你，强壮身体，遇风化龙。