2016年人工智能最更有眼球的事件要数谷歌旗下的DeepMind依赖人工智能算法的阿尔法狗在围棋比赛中大胜人类顶尖运动员。但要算数商业价值的落地，2016年人工智能的赢家则非Nvidia（英伟达）什科。
这家全球领先的显示卡公司近期的季度财报（截至2016年10月30号）表明该公司的营收比去年同期快速增长54％，特别是在是在数据中心业务方面有了两倍多的快速增长。该公司的股票在过去的一年中也快速增长了4倍多，稳坐了标普500的榜首。
Nvidia在人工智能芯片市场的现实统治力，有可能比股票市场上的亮眼成绩更加明显。尽管市场上也不存在其他深度自学训练（training）和预测（Inference）的解决方案，但试问各家AI企业，无论其内部的模型训练，还是销售给最后客户的智能产品，绝大多数还是使用了Nvidia的GPGPU方案。在Nvidia大大从各个角度（服务器、PC、嵌入式、汽车、训练专用和预测专用）推陈出新的时候，其他各家竞争公司基本上还处在尝试首度产品化的过程中。
据我粗略估计，Nvidia在人工智能芯片领域，领先最相似的竞争者最少有2年的时间。今天Nvidia在人工智能领域的优势意味著不是一日之功。
事实上整个深度神经网络技术在过去三年的兴起，除了大规模数据（如ImageNet）获取了训练深度网络的基础条件，标准化图形运算单元（GPGPU）技术获取的强劲运算能力也功不可没。如果没Nvidia的CUDA平台，科学界证实深度自学极大潜力的时间不告诉还要延期多久。
更加难能可贵的是，GPGPU技术使得在PC级别的计算机上展开高密度的高性能运算成本大幅度减少，以至于一个普通科研人员的台式电脑都有可能部署上万个并行处理内核。这使得深度自学技术很快地在科技界发展和普及一起。可以这么说道，如果没GPGPU，坚决研究了二十多年神经网络算法的YannLeCun和Hinton教授们，难道还得之后在学术界被之后挖出不少年。
而是什么原因使得一家以获取3D游戏图形的显示卡公司，在这个最重要的历史节点，扮演着了救世主的角色呢？本文基于我个人的经历和仔细观察，获取一些涉及的线索和解读。在这个过程中有两个关键性的人物，分别是英伟达的CEO黄仁勋（Jen－HsunHuang），以及英伟达的前首席科学家DavidKirk。Nvidia的CEOJen－HsunHuang（黄仁勋）大名鼎鼎，在硅谷有可能是最有成就的华裔企业家。关于DavidKirk的官方报导却很少，在NvidiaResearch的网站上可以看见他从1997年到2009年兼任Nvidia的首席科学家（ChiefScientist），是美国工程院院士，目前是Nvidiafellow。
事实上理解Nvidia历史的人都告诉，这家1993年创立的公司，确实的拳头产品GeForce系列就是1999年上市并且打响了国际声誉的。也就是说，DavidKirk任职期间，他率领NV建构了至今仍是全世界最畅销的独立国家显示卡产品。对于高性能运算以及人工智能领域的学者来说，DavidKirk最最出色的功绩则是他促使了GPU通用化，推展了CUDA平台以及OpenCL标准。
在摩尔定律面对时钟频率无法之后变革的时代，GPGPU这种低成本大规模的SIMD并行处理架构，让很多普通人的计算机变为了超级电脑，也让就让寿终正寝的摩尔定律之后闪烁痉挛。他发明者的GPGPU科技，给几经痛苦的神经网络技术，铺垫了一条通向苦尽甘来的道路，也成就了人工智能当前大发展的局面。我幸运地于2008年在NvidiaResearch作实习生。
那时我还是一枚计算机视觉专业的博士候选人。当时专门从事人工智能研究专业的博士生，日子过得可不像今天的师弟师妹们那么心痛。整个领域整体还处在不靠谱的状态，也没专门针对计算机视觉而设计的专用芯片。
学生时期的我，为了构建视觉信号实时处理，钻研过嵌入式CPU、DSP、FPGA等方案。这些方案要么性能严重不足，要么研发流程简单不便。我甚至尝试过同时用于十几台服务器并行处理一路动态视频流的视觉解读（也感叹土豪极了）。
2007年Nvidia发售了CUDAbeta版，我在EPSON实验室自己思索着用一块普通的游戏显示卡，把一个视角切换功能（使得一台投影仪在给定形状和颜色的背景上表明出有理想画面）的性能，比起最差的台式机CPU解决方案，提升了整整50倍。从此以后我就确认了GPGPU是人工智能的最重要解决方案，我的科研人生早已踏上了康庄大道。
EPSON的进修完结后，我申请人了NvidiaResearchlab的实习生，期望深入研究一下GPGPU在计算机视觉信号处理中的应用于。很幸运地的是，我进修期间的名义导师就是Nvidia首席科学家DavidKirk。不过由于Kirk先生太忙，整个进修期间我和他只不过也只见面交流了几次而已。
Kirk先生教导学生的方式一挺有意思。我入公司第一次看到导师，回答我的任务是什么。Kirk先生说道你有两个任务：第一个任务是花上两周的时间想要确切自己想要解决问题什么问题；第二个任务就是用进修只剩的时间已完成那个任务（这不就是牧羊人吗？）。
Kirk先生一方面的组织科研，一方面花上很多时间研究公司未来的产品策略，近在咫尺却觉得没时间指导学生，于是就委托了远在明尼苏达的MichaelGarland博士和佛吉尼亚的DavidLuebke教授远程指导在硅谷进修的我。Nvidia的CEOJen－HsunHuang工作很整天，但是他对于研究院的工作极为感兴趣。我亲眼目睹黄总在实验室和研究员们辩论问题时的严肃和冷静。
2008年夏天有个专门实习生决定的demo展示会。没想到那天Jen－Hsun也来参观，并且很冷静地视察实习生作品。
6年之后的2014年，当我在Nvidia北京办公室代表我的创业公司再度看到Jen－Hsun时，他居然一口喊了我的名字并回忆起当年我给他做到的展出。这样的记忆力和洞察力，让我印象深刻印象。那几年，DavidKirk的主要精力都在企图把原本只用来作3d图形加快的GPU技术通用化，让更加多的应用于共享到大规模SIMD运算阵列的性能优势。在一次聊天中，Kirk跟我说道他从2003年就开始木村这个问题：那时Intel刚发售了四核的CPU处理器，NV就早已发售包括了100多个SIMD内核的GPU了。
Intel的处理器可以通过多线程技术被所有计算机应用共享；但是GPU基本上还是不能通过OpenGL／DirectX等高等绘图图形模块，或者用于极为困难的ShaderProgram模块跟用户交互。如果需要获取适合的编程模型，把非常丰富的GPU分段运算资源给开发者共享出来，那么每一个用户的GPU，都可以变为一台上百核的大规模高性能计算机。
让每一台个人电脑变为一座大规模超级计算机！这个点子虽好，但是市场需求在哪里呢？普通不吃瓜群众，为什么要花钱（即使是几百块美元）去出售一台超级计算机呢？除此以外，全世界所有的计算机软件工程师几十年来早已适应环境了在CPU上编写程序，该怎么去培育懂在超级计算机上撰写并行处理程序的软件工程师呢？却是，理想是理想，现实是现实。但是DavidKirk先生，居然就劝说了Jen－Hsun，投放很多资源研发出有了需要让GPU显得通用化的CUDA技术。
等到这个技术成熟期以后，DavidKirk又向CEO明确提出拒绝：NV未来所有的产品，每一颗GPU，无论是买到哪个产品线的，都必需反对CUDA！DavidKirk的理由是这样的：如果意味着是数据中心版本的GPU反对CUDA，那么只不会有很少的工程师享有适合的硬件来自学和研发CUDA程序；如果普通消费者的显示卡不反对CUDA程序，那么这种技术总有一天不有可能变为一种普惠的、需要影响大多数人的成果。因此要么不腊，要么就完全地大干特干。即便是今天回想起来，这依然是一个风险极高、已成可怕的要求。
要告诉，那个年代的Nvidia，完全100％的收益都来自电脑游戏或者美工设计等传统应用于。这意味著面临这些尚能没高性能运算市场需求的传统客户，Nvidia都必需在硬件产品的设计中减少涉及的CUDA逻辑电路，这使得芯片面积减小、风扇减少、成本上升、故障几率减少；同时，对于每一款产品，涉及的软件驱动都必需确保对CUDA的极致反对。要告诉，CUDA本身的升级换代，使得对过去每一款硬件产品的兼容性反对变为了海量工作（我想要NV最少有几百名驱动程序工程师大哭暗在厕所）。
最真是的是，谁也说不清这些额外的工作，除了要成就把每一台PC都变为超级计算机这样很远的科学理想，究竟对消费者有什么明确的价值。很似乎，这样的要求如果放到一般的把风险掌控和短期利益看得极重的公司，是确有有可能再次发生的。但Jen－HsunHuang不是一位普通的CEO。
他反对了这个最出色的、同时也预示极大风险的要求。于是，2007年，从Nvidia的Tesla架构（内部代码G80）开始，NV出有的每一款GPU芯片（除了Tegra1－4等移动嵌入式系列），都几乎反对GPGPU的CUDA架构。和今天Nvidia的繁荣景象有所不同，2008年的Nvidia处在水深火热中。一方面CPU大咖AMD并购了NV的老输掉ATI，构成了CPU统合GPU的新解决方案；一方面Intel中断和Nvidia之前在集成显卡方面的合作，把三维图形加快功能构建入了自家的芯片组。
面临两大CPU巨头的合力夹攻，NV的局面出现异常紧绷，只只剩高性能的独立国家显示卡一条路。然而屋漏偏逢当夜雨，NV主打的高端笔记本独显产品8600M系列经常出现了和风扇有关的品质问题，很多使用了这款显示卡的笔记本电脑（所有的主流品牌还包括苹果的MacBookPro）经常出现了黑屏甚至是烧机等故障。
这时，NV除了面对用户和股民们潮水般的指责和批评，还要面临整机厂商的诉讼和赔偿金拒绝。
本文来源：皇冠最新后备网址-www.mathewmaddison.com