与今年年初相比，英伟达的股价已经增长了70.3%，反映了资本市场对英伟达的认可和追捧。5年以来，英伟达股价飙升2268%（截至7月17日收盘）。甚至在美国时间7月8日收盘后，英伟达以2513.1亿美元市值首超英特尔，一度成为美国市值最高芯片制造商、全球市值第三的半导体公司。英伟达为何被资本市场寄以厚望，它做对了什么？推动GPU从专用领域走向通用领域如何更好地解决计算问题，是计算机软硬件开发者的永恒主题。从3D加速卡开发商，到GPU的发明者，再到“AI芯片第一股”，英伟达惊人的成长速度，正是来自于对算力痛点的精准突击。20世纪90年代，随着Play Station等游戏主机的发布，以及计算机性能的提升和彩色显示器的出现，3D游戏开始萌芽。而英伟达也正是在这一时期成立，主要面向图形显示市场。但在这一时期，3D图像处理主要以3D加速卡的形式进行，T&L（光影转换）运算仍需占据CPU的算力，也限制了游戏画质的发展。英伟达的GeForce 256，将“GPU”这一概念推向市场。GeForce将T&L能力集成到图形处理芯片，将CPU从图形处理的任务中解放出来，在提升3D画质的同时，也提升了计算机的整体效能。在三年的时间里，英伟达的GPU出货量突破100万颗，成为美国成长最快的半导体公司。虽然在GPU的技术研发和专利积累取得了先发优势，但是英伟达首席科学家David Kirk认为，GPU的能力不应该局限于图像渲染，如何将GPU的浮点运算和并行计算资源释放给更多领域的从业人员使用，成为英伟达的研发重点。之后，英伟达开始对“通用GPU”的研究，让本身为图形图像处理而生的GPU能够运行图形渲染之外的通用计算任务。但是，通用GPU编程门槛极高且难以调试。2006年，英伟达推出并行计算程序开发环境“CUDA”，开发者可以用C、C++、FORTRAN等常用的编程语言在CUDA编写程序。借由CUDA的软硬件生态，不用领域的开发者可以根据本领域的需求，编写GPU加速应用，从而更有效率地利用英伟达GPU处理计算任务。随着深度学习的浪潮兴起，擅长串行运算的CPU，无法高效执行矩阵乘法和卷积计算任务。2012年，基于英伟达GPU加速的卷积神经网络AlexNet参加了ImageNet大规模视觉识别挑战赛，以低于第二名10.8%的错误率拔得头筹，引起了科研领域对于GPU的关注。自此，GPU被越来越多地运用于机器学习和深度学习领域，并迅速崛起为AI计算的主流芯片。在AI计算平台方面，英伟达面向从云端到边缘端的需求，构建了面向训练的DGX平台、超大规模云计算和HPC服务器的HGX平台、面向边缘计算的EGX平台和适用于自主系统的AGX平台。2018年，英伟达推出专为深度学习设计的Tensor Core，进一步提升了针对常用深度学习模型的浮点运算速度。今年以来，浪潮AI服务器、谷歌云相继采用Tensor Core。采用“CUDA Core + Tensor Core”的英伟达GPU，已经在AI算力市场占据一席之地。数据中心将成为最大收入来源长期以来，游戏业务是英伟达最大的收入来源，但目前来看，这一局面有可能被改变。英伟达2021财年第一季度财报显示，其数据中心收入达到11.4亿美元，较去年同期增长80%。而本季度游戏业务收入为13.4亿美元，同比增长27%。数据中心业务已经成为英伟达增速最快的业务，而且收入占比与游戏业务的差距持续缩小。英伟达在股价和市值上的突飞猛进，与其采用多点开花战略，持续降低对游戏市场的依赖程度息息相关。“英伟达主要深耕于GPU芯片，早期主要应用在游戏领域，是其收入的主要来源。随着AI和数据中心的兴起，市场对GPU的需求的暴增，给英伟达带来巨大机遇。从2016年起，数据中心领域成为英伟达增长的重要动力。随着今年收购了Mellanox，英伟达在云端和数据中心领域进一步壮大，业务收入将超过游戏成为收入来源的第一位。AI和数据中心是未来十年热点，会有巨大的市场空间，英伟达的高股价也是人们对于英伟达在AI领域前景的反应。” 赛迪顾问高级分析师吕芃浩向《中国电子报》记者表示。计算机视觉是当前AI前景最为广阔、商用条件最为成熟的领域。清华大学数据显示，在AI技术层面上，计算机视觉的应用在整个人工智能应用领域中占比达34.9％，已成为各行业发展的重要支撑。无论是安防监控、人脸识别，还是自动驾驶根据摄像头判断环境和路况，其本质都是代替人眼去识别、追踪目标物体，而图形图像处理正是GPU加速器的优势所在。而“挖矿”，也就是通过运行特定算法赚取比特币。由于需要重复性的大量运算，GPU成为“矿场”“矿主们”最常用的算力工具，一度导致英伟达、AMD的主力GPU出现缺货。“目前AI计算的大部分应用场景都是对图形图像进行计算，矿机业务也属于并行计算，这都是适合GPU去发挥的领域。”芯谋研究总监王笑龙向《中国电子报》记者表示。虽然“矿机”曾为两大GPU厂商贡献利润，但“挖矿”并不能与区块链技术划等号。业界人士称，“挖矿”属于“币圈”，而区块链技术研究属于“链圈”，“币圈”并不关注区块链技术的发展。在这波红利来得快去得也快，也拖累了英伟达在2018年第三、四季度的营收和股价表现。2019年第一季度，努力走出加密货币“宿醉效应”的英伟达，加大了在数据中心领域的投入。当年3月，英伟达宣布与以色列芯片制造商Mellanox达成收购协议，这笔收购在今年4月27日宣告完成。Mellanox能提供端到端高速以太网和InfiniBand互联解决方案。英伟达创始人兼CEO黄仁勋表示，通过融合Mellanox的技术，NVIDIA将拥有从AI计算到网络的端到端技术，以及从处理器到软件的全堆栈产品，拥有足够的规模去推进下一代的数据中心技术。今年以来，新冠肺炎疫情减少了全球消费者外出活动的时间，“宅经济”异军突起，远程服务、串流等应用持续带动数据中心需求。英伟达趁热打铁，推出了采用安培架构的7nm GPU“NVIDIA A100”，AI训练、推理的峰值算力较上一代Volta架构GPU有了20倍的提升。“目前，数据中心的数量和规模将会持续增加，英伟达GPU在当前已经占据了数据中心市场，并建立了完整的生态。从云到端都采用英伟达的CUDA计算平台，可以极大地减少算法跨平台的难度，实现平滑过渡，提高开发效率。”吕芃浩向记者表示。自动驾驶，被英伟达视为AI时代最大的算力挑战。据Gartner、北京半导体行业协会统计，2019年英伟达在车用半导体市场营收达到6.26亿美元，跻身全球前20大汽车半导体企业。目前，英伟达建立起从10TOPS/5W，200TOPS/45W到2000 TOPS/800W的产品线，分别对应前视模块、L2+ADAS以及Robotaxi的各级应用。今年6月，梅赛德斯-奔驰宣布与英伟达共同开发下一代汽车平台，支持L2、L3自动驾驶功能和最高达到L4的自动泊车功能，打造可拓展、可升级的软件定义汽车。制程、架构、软件算法协同发展从Pascal架构到Ampere架构，英伟达GPU的AI算力有了20倍的提升。业界有观点称，英伟达在AI芯片步履飞快，是因为采用台积电代工的模式，在制程上相对IDM的英特尔有着更快的推进速度。那么，随着摩尔定律逼近极限，Ampere架构也已经走到7nm，英伟达的GPU能够满足持续增长的算力需求么。对此，黄仁勋曾在接受媒体采访时表示，制程不是最为重要的。英伟达仅通过软件优化，就能在两年时间内将AI性能提升4倍。由于架构设计得更好，12nm的图灵芯片效能超过了7nm的GPU。20倍的算力提升，靠的是架构、算法、软件和应用的共同合力。王笑龙也向记者表示，制程是芯片工艺的基础，云端AI计算量大，尤其对工艺要求很高。但在关注制程的同时，也要关注架构和软件算法。架构是硬件设计的基础，是英伟达等欧美公司的强项。算法软件，是在制程、架构基础上的优化。三者共同构成芯片的计算性能。从英伟达的产品更新来看，在制程、架构、软件算法上，英伟达的发力是相对平衡的。从K40到A100，架构与制程基本保持了同步更新，从28nm的Kepler一直到7nm的Ampere。与此同时，CUDA也从1.0版本发展到了11.0版本。同时，在封装技术上，英伟达在推出Pascal架构时，将处理器与数据封装到一起以实现更高的计算效率，采用 HBM2 的 CoWoS（晶圆基底芯片）技术提供更高的显存带宽性能。据悉，今年英伟达将成为台积电CoWoS封装的主要客户之一，借由晶圆级封装进一步强化芯片能力。集邦咨询分析师姚嘉洋向记者表示，英伟达之所以能在人工智能领域拥有一席之地，有部分原因是因为在GPU架构中导入了Tensor Core的功能，目前也已经演进到了第三代，再辅以先进制程与封装技术的支持，才能发挥强大的AI算力，要继续满足如今市场的AI算力需求，应该没有太大的问题。当然，市值的高歌猛进，不代表营收的实质性提升。英伟达虽然在市值上与英特尔出现“你争我赶”的势头，但营收还与英特尔相去甚远。而且，随着数据中心需求的进一步释放，通用GPU的市场竞争只会越来越激烈。今年以来，AMD发布了面向数据中心等高性能计算业务的GPU架构CDNA。英特尔CFO首席财务官George Davis也透露，英特尔预计在2020年推出一款面向独立显卡的Xe架构GPU。毕竟AI还处于发展变化之中，算法和算力需求会持续更迭。未来，能最先看到需求并进行调整的厂商，才能立于不败之地，受到市场和资本的认可和青睐。