如何看待英伟达成长之路？

专注带来前瞻，通用诞生生态。

1.专注计算芯片，带来前瞻战略思维

专注 GPU，保持高强度研发投入。英伟达以图形处理器起家，1999 年，英伟达发布 了世界上第一个正式的 GPU——GeForce 256。随后，公司持续加大研发投入，深耕 GPU 领域，无论是游戏显卡、数据中心加速卡、自动驾驶芯片、可视化领域，英伟达不断推展 产品终端用户群体的同时，始终保持 GPU 产品的研发和迭代。公司研发费用率常年保持在 20%-30%，同时随着营收规模的增长，研发人员以及研发金额也不断攀升。

“三团队两季度”驱动创新。英伟达成立伊始，为了应对图形芯片市场激烈的竞争， 采用“三团队两季度”的研发策略，将研发团队分为产品、硬件、软件三个团队，每个团 队专注于自身负责领域以保证产品创新性，同时两季度研发模式保证公司每六个月迭代一 次产品，领先市场研发周期的同时，充分满足下游市场需求。 产品端：专注游戏显卡领域竞争，迎合玩家需求快速迭代产品。2010 年后，英伟达和 AMD 逐渐抢占其他公司份额，成为独立显卡领域唯二的巨头。随后在游戏显卡领域，英 伟达加速产品迭代速度以及性价比的提升，逐步提升市场份额，截止 2023Q3，英伟达独立 显卡市场份额达到 81.50%。我们认为，正是公司专注于 GPU 研发，带来了游戏显卡的快 速迭代以及性价比的快速提升，牢牢抓住玩家需求，最终成长为市场龙头。

微架构创新，从底层突破 GPU 性能与效率。公司自 2006 年自研的 Tesla 架构开始。 不断更新 GPU 架构，平均两年迭代一次 GPU 架构。目前公司旗舰产品采用 Hopper 架构， 采用台积电 4nm 制程，下一代游戏显卡 RTX50 系产品以及数据中心产品 B100 将采用Blackwell 架构，将使用台积电的 4nm 工艺，与现有采用 Hopper 架构的 H200 系列相比， 性能提升超过 100%。公司 GPU 架构发展历程详见图 27。 前瞻性：预见 CUDA 生态的革命性。英伟达于 2006 年开发 CUDA，从今天的眼光来 看，这项决策领先了市场十年之久，对比另一家 GPU 巨头 AMD，AMD 于 2015 年为了对 标 CUDA 生态开发了 ROCm，落后英伟达 9 年。

2. 注重技术复用性，让研发投入落到实处

决策高效干脆，放弃手机芯片市场。2008 年公司依靠平板和游戏机的优势推出了针对 移动端的 Tegra，但由于高通凭借基带技术占据主流，而 Tegra 后续芯片未能及时整合基带 技术而无法及时占领市场，公司因而错失了移动时代机遇，此后公司果断放弃手机市场并 将 Tegra 处理器运用在智能汽车、智慧城市和云端服务上。

技术复用，开辟汽车芯片市场。2015 年国际消费类电子产品展览会上，英伟达发布新 一代移动超级芯片 Tegra X1 处理器，该处理器在性能上是上一代产品 Tegra K1 的两倍。 该处理器适配 NVIDIA DRIVE PX 汽车自动驾驶计算平台，可处理来自 12 个车载摄像头的 视频，以实现环绕视觉 (Surround-Vision) 和自动代客泊车 (Auto-Valet) 等功能。虽然英伟 达在移动芯片领域折戟沉沙，但其技术上极强的复用性，最终使其成功转向至汽车芯片领 域。

3. 重视通用性，引入生态共建

GPGPU：通用化漫漫长路。GPU 一开始只是为了图形加速，替 CPU 分担工作。其主 要用于显示图像、视频的编解码与显示、游戏渲染等工作，起初并不支持编程。在 1999 年 之前甚至没有 GPU 这一概念，只是称为图形加速卡。英伟达发现了 GPU 在并行计算方面 的优势，并且在科学、工程和人工智能领域，许多问题都可以通过并行计算来加速解决。

CUDA 出现之前，GPU 的编程面临多重挑战： 1）编程模型不足：没有一种通用的编程模型来利用 GPU 的计算能力。开发人员需要 使用低级别的图形 API（如 OpenGL 或 Direct3D）来执行计算任务。这些 API 并不专门用 于通用计算，因此编写代码变得复杂且容易出错。 2）数据传输成本高：将数据从 CPU 传输到 GPU 的成本很高。这涉及到数据的复制 和传输，而这些操作会降低性能。 3）无法发挥并行性：开发人员需要手动管理 GPU 并行性，这对于复杂的计算任务来 说是巨大的人力成本。 降低开发者门槛，让 GPU 真正意义上“可编程”。在经 GPU 加速的应用中，工作负 载的串行部分在 CPU 上运行，且 CPU 已针对单线程性能进行优化，而应用的计算密集 型部分则以并行方式在数千个 GPU 核心上运行。使用 CUDA 时，开发者使用主流语言 （如 C、C++、Fortran、Python 和 MATLAB）进行编程，并通过扩展程序以几个基本 关键字的形式来表示并行性。 英伟达的 CUDA 工具包提供了开发 GPU 加速应用所需的一切。TensorRT 基 于 CUDA 平台并行编程模型构建，使开发者能够在英伟达 GPU 产品上使用量化、层和张 量融合、内核调整等技术来优化推理。TensorRT 是英伟达基于 CUDA 一款用于高性能深度 学习推理的 SDK（Software Development Kit），使用门槛相对较低，可以运用 C++ 、 Python API 导入和加速模型。

TensorRT 在低门槛开发的同时，能够最大化挖掘 GPU 性能。NVIDIA TensorRT-LLM 是一个开源库，可加速和优化 NVIDIA AI 平台上最新大型语言模型 (LLM) 的推理性能， 而无需深入了解 C++ 或 CUDA。

CUDA 平台允许开发者利用英伟达的 GPU 来加速计算密集型任务。在全球范围内， 许多行业领军者采用 CUDA 平台最大化其 GPU 性能。

我们认为，正是公司 CUDA 低门槛的特性、GPU 过硬的性能，引入了大批开发者建 设 CUDA 生态社区，最终 CUDA 绑定了数百万 AI 开发者，当 CUDA 几乎与 AI 画等号的时候，会有大量的社区力量为其助力。这就是一种良性循环：好的性能带来好的生态， 好的生态会有助于更好的性能。最终帮助英伟达构建了强大的 CUDA 生态护城河。