过去30多年，摩尔定律几乎每年都会推动微处理器的性能提升50%，而半导体的物理学限制却让其放慢了脚步。如今，CPU的性能每年只能提升10%左右。事实上，英伟达CEO黄仁勋在每年的GTC上都会提到同一件事——摩尔定律失灵了。也就是说，人们要获得更强的计算力，需要花费更多的成本。与此同时，GPU的崛起速度令人咂舌，看看英伟达近两年的股价就知道了。
微处理器趋势图（图片来自NVIDIA）
随着人工智能、深度学习等技术的兴起与成熟，起初为图像渲染而生的GPU找到了新的用武之地，以GPU驱动的计算环境随处可见，从HPC到AI训练。站在数字世界、高性能计算、人工智能的交叉口，GPU悄然成为了计算机的大脑。将性能从10倍提升至100倍，GPU的加速能力远超以X86架构构建的CPU系统，将时间压缩至分钟级别，功耗也相对较低。
2006年，借助CUDA（Compute Unified Device Architecture，通用计算架构）和Tesla GPU平台，英伟达将通用型计算带入了GPU并行处理时代，这也为其在HPC领域的应用奠定了基础。作为并行处理器，GPU擅长处理大量相似的数据，可以将任务分解为数百或数千块同时处理，而传统CPU则是为串行任务所设计，在X86架构下进行多核编程是很困难的，并且从单核到四核、再到16核有时会导致边际性能增益。同时，内存带宽也会成为进一步提高性能的瓶颈。
传统CPU计算架构难以支撑快速成长的HPC（图片来自NVIDIA）
与以往的通用算法相比，深度学习对计算性能的要求则到了另一个量级上。尽管在GPU中运行并行核心时处理的应用数量相同，但在系统中单个内核的使用效率却更高。此外，经过重写的并行函数在应用程序关键部分运行时，在GPU上跑的速度更快。
更重要的是，英伟达在利用GPU构建训练环境时还考虑到了生态的重要性，这也是一直以来困扰人工智能发展的难题。首先，英伟达的NVIDIA GPU Cloud上线了AWS、阿里云等云平台，触及到了更多云平台上的开发者，预集成的高性能AI容器包括TensorFlow、PyTorch、MXNet等主流DL框架，降低了开发门槛、确保了多平台的兼容性。
其次，英伟达也与研究机构、大学院校，以及向Facebook、YouTube这样的科技巨头合作，部署GPU服务器的数据中心。同时，还为全球数千家创业公司推出了Inception项目，除了提供技术和营销的支持，还会帮助这些公司在进入不同国家或地区的市场时，寻找潜在的投资机会。
可以说，英伟达之于GPU领域的成功除了归功于Tesla加速器、NVIDIA DGX、NVIDIA HGX-2这些专属的工作站或云服务器平台，更依托于构建了完整的产业链通路，让新技术和产品有的放矢，从而形成了自己的生态圈，这也是英特尔难以去打破的。
本文属于原创文章，如若转载，请注明来源：人工智能芯片产业面面观 谁将成就最强大脑//net.zol.com.cn/690/6902344.html
