短短幾年，人工智能就從一個被擱置“冷宮”的學術研究，變成商業化最前沿的“網紅”，在安防、金融、教育、制造、家居、娛樂等各個與人們生活息息相關的領域，掀起了一股智能化升級和萬物互聯的颶風。

“意外”的開始

在很長的一段時間內，外界對英偉達有兩個印象：顯卡大廠、皮衣老黃。一個是英偉達的核心GPU產品，一個是英偉達的形象代言人。

從1993年成立到成為和AMD、英特爾抗衡的半導體巨頭，英偉達經歷了幾個關鍵的階段：一是圖形處理器突圍期，拿下大半的游戲顯卡市場；二是AI巔峰期，借著AI和挖礦一鳴驚人，三是AI轉型后時期，從高處下沉后的再反思。

AI芯片戰火蔓延，誰會是人工智能時代AI芯片的最終玩家

早年的英偉達憑借GeForce系列顯卡在游戲市場所向披靡，和成立于1969年的AMD同坐一把交椅，N卡和A卡孰優孰劣之爭也是游戲界老生常談的話題。

在此期間，英偉達既遇到顯卡質量事故，面臨合作伙伴高額的賠償，也遭到競爭對手惡意拒絕技術專利共享，一路起起落落，一波三折。好在他們技術實力過硬，除了旗艦產品GeForce各方面性能給力，英偉達也在收購不同圖像處理公司，加大技術研發投入，加強在游戲渲染硬件上的優勢。

但即便如此，此時的英偉達更多的還是游戲宅眼中的“大神”，距離除PC之外更廣闊的主流B端市場還很遠。

轉折點發生在2012年的ImageNet（圖像識別領域賽事）大賽上，當時Geoffrey Hinton的學生通過兩個GPU將深度卷積神經網絡AlexNet的準確率提高了10.8%，震撼了學術界，英偉達也借此一戰成名，從游戲市場一大步跨入AI市場。

看似無心插柳柳成蔭，但實際上背后是英偉達在GPU上多年的厚積薄發。當學術界開始嘗試用GPU做通用計算（GPGPU）時，英偉達看到了GPU在圖形運算之外的潛力，搗鼓出了改變深度學習，也改變了英偉達自己的CUDA（通用并行計算平臺），一個用于GPU通用計算的并行計算平臺和編程模型，從軟硬件層面釋放了GPU做并行計算的能力，非常適合運行深度學習算法。

然而在2012到來之前，這個產品的特點只有一個：只燒錢不賺錢。但當Geoffrey Hinton和兩個學生用GPU+CUDA開啟深度學習黃金時代后，一切都不同了。自此之后，英偉達的GPU代替CPU成了AI訓練市場的香餑餑。

Nvidia人工智能的今天和未來

目前，Nvidia已經占據了人工智能算力領域的主導位置。在數據中心領域，即使有一些初創公司推出訓練和推理加速芯片，但是想要取代Nvidia需要相當長的時間。首先，大規模部署芯片對于產品的可靠性有相當高的需求，而且分布式系統是一個系統工程，需要芯片在各類指標上（不只是算力，還包括通信，接口帶寬等）都達到優秀的指標，光這一點就需要初創公司相當多的時間去打磨。此外，Nvidia更高的壁壘在于開發者生態，需要開發出一個易用的編程模型和相關編譯器的難度并不亞于設計芯片，而要孵化開發者生態則需要更多的時間。我們認為，至少在未來3-5年內，Nvidia在數據中心的地位難以被撼動。

但這并不意味著Nvidia在人工智能時代就可以高枕無憂。Nvidia 的軟肋仍然在于其移動端——隨著人工智能從云端逐漸走向邊緣和終端，邊緣和終端類的AI加速芯片或許是其他公司的機會。Nvidia之前推出的終端／邊緣類產品并不算特別領先或成功，例如Jetson系列終端GPU的能效比并不領先，芯片架構也是沿用數年前的設計。我們認為，AI加速在終端的市場份額可能會占據總體AI芯片市場不小的份額，如果Nvidia無法抓住終端AI市場，那么其最終在整個AI市場的份額可能會被局限在云端數據中心。