01
引子：一块“显卡”如何变成 AI 时代的工业设备
今天谈 NVIDIA，人们想到的是大模型训练、万卡集群和数据中心，而不是电脑屏幕上的一辆赛车。可这家公司最初解决的，恰恰是怎样让赛车、爆炸和光影在个人电脑上实时出现。
图 1｜从图形芯片、计算卡到机架级 AI 基础设施
两类任务表面不同，数学结构却相似。渲染一帧画面，需要对成千上万个顶点和像素执行相近运算；训练神经网络，需要对海量参数和样本反复做矩阵乘加。两者都依靠大量计算单元同时处理许多相似的小任务。
NVIDIA 的发展可以看成计算单位不断扩大的过程：
早期竞争围绕一块芯片每秒能画多少三角形；CUDA 以后，竞争转向开发者能否方便地调用并行算力；深度学习兴起后，矩阵精度、显存容量和多卡通信成为关键；到了 Blackwell 和 Rubin，供电、液冷、交换网络、编译器和推理软件已和 GPU 本身一样重要。
因此，理解 NVIDIA 计算卡，光记“某代多少核、多少 FLOPS”远远不够。更有用的问题是：每一代架构把哪个瓶颈向后推了一步，又暴露了什么新瓶颈。
0
评论 (0)