最近 AI 公司瘋狂蓋資料中心，新聞裡也經常看到 NVIDIA 的名字，從一張張 GPU，到現在動輒數千、甚至上萬顆 AI 加速器組成的資料中心，NVIDIA 已經成為 AI 產業裡很難忽略的存在，但這家公司其實也不是一路順風順水，甚至曾經面臨快要發不出薪水的危機，那 NVIDIA 到底做對了什麼，才有辦法從一家差點倒閉的顯卡公司，一路走到今天的 AI 時代呢
（圖片來源：Unsplash）
AI 為什麼這麼需要 GPU？
先從最基本的地方開始看，現代 AI 模型在訓練和推論的過程中，需要大量進行矩陣運算，而這類工作有一個特色，就是同時存在大量相似的計算，CPU 比較擅長處理複雜、需要依序完成的工作，而 GPU 裡面則有大量運算單元，可以同時處理大量相似的計算，因此在 AI 這類需要龐大平行運算的工作上，GPU 就特別適合，隨著 AI 模型越做越大，需要的運算量也跟著快速增加，於是我們才會看到現在 AI 公司開始瘋狂建造資料中心，裡面放進大量 GPU，來支撐模型訓練以及每天來自全球使用者的 AI 服務需求
（圖片來源：Unsplash）
GPU 並不是只有 NVIDIA 做得出來
AMD 有 Instinct 加速器和 ROCm 平台，Intel 也推出過 Gaudi AI 加速器，所以 NVIDIA 今天能站在這個位置，並不只是因為它做出了一顆很快的 GPU，真正重要的地方，其實是 NVIDIA 很早就開始思考，GPU 能不能不要只拿來畫圖
（圖片來源：Unsplash）
NVIDIA 重要的一步
2006 年，NVIDIA 發表 CUDA 架構，讓開發者可以更容易地使用 GPU 來執行原本不屬於圖形處理的工作，這件事情乍看之下，好像只是讓 GPU 多了一個用途，但對後來的 AI 發展來說，影響其實非常大，因為當 AI 開始快速發展之後，大家需要的就不只是「一顆很快的晶片」，還需要軟體工具、函式庫、開發環境，以及大量已經熟悉這套工具的開發者
（圖片來源：wikipedia）
和其他競爭者之間的差異
硬體效能可以透過研發和資金慢慢追上，但軟體生態系和開發者使用習慣，卻不是單純砸錢就能立刻建立起來，所以現在 AMD 等公司想挑戰 NVIDIA，面對的其實不只是 GPU 效能問題，而是硬體、軟體生態，以及整個開發者社群都要一起追上
（圖片來源：Unsplash）
NVIDIA 真的有預測到 AI 的未來嗎？
如果說 NVIDIA 很早就知道 ChatGPT 有一天會爆紅，這可能就有點太神了，畢竟 ChatGPT 直到 2022 年底才正式推出，而 NVIDIA 早在 1999 年推出 GeForce 256 時，就已經開始把 GPU 從傳統的圖形處理硬體往更通用的方向發展
（圖片來源：wikipedia）
GPU 和 AI 產生連結的關鍵
2012 年，當時多倫多大學的研究團隊，使用兩張 GTX 580 顯示卡訓練 AlexNet，參加 ImageNet 影像辨識比賽，最後在最受關注的 Top-5 錯誤率項目中拿下約 15.3% 的成績，第二名則約為 26.2%，這個差距非常明顯，而且重點是，當時使用的 GPU 只有兩張，不是兩千張，這場比賽讓更多研究者開始注意到，深度學習搭配 GPU，可以大幅提升 AI 模型的訓練效率，也讓 GPU 在 AI 領域的價值開始被看見，與其說 NVIDIA 早就精準預測了 ChatGPT，不如說它很早就認定，GPU 的用途不應該只停留在圖形運算
（圖片來源：Unsplash）
生成式 AI 進入生活
到了 2022 年底，ChatGPT 出現之後，生成式 AI 開始快速進入一般人的生活，AI 模型的規模也越來越大，這時候 GPU 的需求就完全不是以前的等級了，過去研究人員可能需要幾張顯示卡來訓練模型，現在大型 AI 公司則需要建立整座資料中心，裡面塞進大量 AI GPU，才能支撐模型訓練和全球使用者每天產生的推論需求
（圖片來源：Unsplash）
「一張 GPU」變成完整的 AI 運算系統
從 GPU、伺服器，到網路設備、軟體平台，再到整座資料中心所需要的運算架構，NVIDIA 的角色也逐漸從晶片供應商，變成 AI 基礎建設的重要參與者，到了 2026 年 8 月，NVIDIA 更宣布與六家大型金融機構合作，希望透過新的融資平台，逐步動員超過 5,000 億美元的第三方資金投入 AI 運算基礎建設，目前相關合作仍有待最終協議確認，這也反映出一件事情，現在的 AI 競爭，已經不只是比誰的模型比較聰明，而是開始比誰有足夠的算力、資料中心和基礎建設，GPU 也不再只是單純的硬體零件，當它被大量部署在資料中心裡，背後代表的其實是一整套可以持續產生運算服務和商業價值的基礎設施
（圖片來源：Unsplash）
NVIDIA 也曾經差點撐不下去
如果只看現在的 NVIDIA，很容易覺得它好像從一開始就知道自己會走向 AI，但其實公司的早期歷史，完全沒有這麼順利，1993 年，黃仁勳和另外兩位共同創辦人創立 NVIDIA，當時的目標其實很單純，就是希望透過 3D 圖形技術，讓 PC 遊戲有更好的畫面表現，但第一代產品 NV1 的市場表現並不理想，NVIDIA 很快就陷入生存危機，當時黃仁勳甚至裁掉超過一半的員工，還親自飛到日本向 Sega 說明原本合作開發的晶片無法繼續，最後才說服 Sega 將約 500 萬美元的合約款轉成投資，替 NVIDIA 多爭取一些時間，而公司最危急的時候，甚至一度只剩下大約一個月的薪資
（圖片來源：Unsplash）
渡過重重危機與問題
真正讓 NVIDIA 撐過這場危機的，是 1997 年推出的 RIVA 128，上市四個月後出貨量就超過一百萬顆，才讓 NVIDIA 終於有機會重新站穩腳步，後來 Intel 等大型公司也陸續進入 3D 圖形市場，NVIDIA 依然必須面對激烈競爭，所以從 NV1、RIVA 128，到後來的 GeForce、CUDA、AlexNet，再一路走到今天的 AI，NVIDIA 其實一直在做一件事情，就是不斷擴大 GPU 和加速運算能夠解決的問題
（圖片來源：wikipedia）
運氣好，還是看見未來？
回頭看 NVIDIA 的歷史，可能很難說它從一開始就知道今天會有 ChatGPT，也不太可能有人可以精準預測 AI 會在 2020 年代以生成式 AI 的形式爆發，但 NVIDIA 確實比很多公司更早押注了一件事情，那就是 GPU 不應該只拿來畫圖，這個決定在當時未必看起來特別合理，畢竟 AI 還沒有成為今天這麼熱門的產業，CUDA 也不可能在推出之後馬上帶來現在這種規模的回報，但十幾年過去，當全球突然開始需要龐大的 AI 算力時，NVIDIA 已經把硬體、軟體和開發者生態一步一步準備好了，也因此，今天大家看到的 NVIDIA，某種程度上並不是一家公司突然抓住 AI 浪潮，而是它很早以前就開始準備，只是剛好等到了 AI 真正爆發的那一天
（圖片來源：Unsplash）
小結
NVIDIA 今天能走到這個位置，當然有時代和市場需求的推波助瀾，但如果只把它歸類成「運氣好」，好像又少了一點什麼，它不一定預測到了 ChatGPT，也不一定知道 AI 最後會變成今天這個樣子，但它很早就開始投資 GPU 的通用運算能力，並且花了超過十年的時間建立 CUDA 和相關生態系，等到 AI 真的開始需要大量算力時，這些過去看起來有點超前的布局，剛好全部派上用場，所以 NVIDIA 的故事與其說是預測未來，更像是不斷為不同的未來做準備，至於接下來這套生態系還能維持多久，AMD、Google、Intel 或其他新玩家有沒有機會真正挑戰 NVIDIA，可能才是 AI 產業接下來更值得觀察的事情
🌟電獺少女也有 TikTok 了！各類 App 使用密技、即時科技大事、第一手產品把玩心得全都在電獺少女 TikTok 就差你沒關注啦！
