英偉達會有個華麗的轉身嗎？

最近，端測的AI推理芯片市場一片火熱，英偉達和英特爾正面對壘，初創企業如履寒冰。而云上AI訓練市場，已經從早期的GPU一統天下，發展到如今多方勢力割據的局面。

作為最早吃到AI紅利的科技公司之一，英偉達在面對連續幾個季度的營收增速下滑后，不得不從數據中心下沉到邊緣和端上，發力更多場景。

在軟硬件生態上，英偉達堪稱是AI硬件廠商的標桿，如今再回望顯卡巨頭的人工智能轉型之路，多次起落，頗為曲折。

“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。

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，到底有多香呢？

其股價從2015年1月的20美元飆升至2018年10月的280美元，英偉達乘著深度學習和區塊鏈的東風，成為AI芯片領域的絕對霸主。

黃仁勛更是在GTC 2015上直言，“我們不是硬件公司，我們是AI公司”。

那么，英偉達如何從CUDA開啟自己的AI輝煌時刻呢？在其排列種組合類繁多的AI芯片產品中，GPU又是如何步步深入到人工智能的訓練、推理市場？

眼花繚亂的AI產品線

通常情況下，AI計算包括兩個步驟，一是訓練深度學習模型，即訓練；二是將訓練好的模型部署到實際應用環境，也就是推理。

早期，英偉達在訓練市場占據了絕對的優勢，谷歌、亞馬遜等無一例外皆使用GPU作為大量數據訓練的算力支持。

在股價飛漲的那幾年，英偉達也推出了適用于不同場景的AI芯片和配套的軟件，打造了一個龐大的AI生態圈。

刨除用于PC游戲、影視的顯卡產品，在其官網可以看到，英偉達的AI產品可被歸類為：DGX系統、DRIVE PX、Jetson、Tesla、T4企業服務器。

每個產品之間有的是包含和被包含的關系，比如Tesla是DGX系統的基礎組成硬件，有的大類產品列表下還可以再細分針對不同場景、性能、價格有所差異的產品。

簡單梳理來看，英偉達的AI芯片產品主要是以GPU為核心，而GPU的微架構會逐年迭代，從Tesla（此處是架構，非GPU產品）、Fermi、Kepler、Maxwell、Pascal、Volta以及最新的Turing，越往后微架構的計算能力越高。比如從Volta開始，英偉達就集成了用于AI計算的Tensor Core，算力可想而知。

所有的GPU產品都會按照性能、功耗、使用場景搭配不同的架構，英偉達于2017年推出的Tesla V100基于的就是架構Volta GV100。而代號為Tesla的GPU產品也是目前云端主流的訓練推理芯片，其專為高性能計算、深度學習而生。

2018年，英偉達推出了基于Turning架構的云端推理GPU產品Tesla T4，這也是T4企業服務器產品的核心硬件構成。

在Tesla系列GPU的基礎上，英偉達再進行“排列組合”，推出了超級計算機DGX，專為加速數據中心和簡化深度學習工作流程而設計，可加快實驗速度、訓練更大的模型。

硬件之外，英偉達近幾年也接連推出了優化GPU運算的相關配套軟件資源，包括用于推理的TensorRT，基于CUDA的高性能深度學習加速庫CuDNN、CuBLAS等等。

在站穩數據中心的位置后，英偉達將目光投向了面向不同應用場景的端側推理芯片。2015年，他們推出了面向自動駕駛的Drive PX系列，以及適用于小型設備的Jetson系列。

端側AI芯片關鍵的一點在于它不僅包括GPU，還囊括了基于ARM架構的CPU等其他芯片，是一個完整的SoC。簡言之，英偉達的云上AI芯片是GPU的組合，端側的AI芯片則是GPU、CPU、DRAM、閃存等在內的處理器組合。

在這里，我們需要區分一下英偉達的GPU產品和Tegra處理器，根據英偉達的財報，其營收主要就是這兩大產品線組成。GPU不用過多贅述，Tegra處理器是他們在2008年推出的用于移動設備和平板電腦的芯片組（SoC），后期更多的應用是向自動駕駛和智能硬件終端方向靠攏。

目前，最新一代Tegra處理器名稱取自“X教授”，叫做Xavier系列。其中，DRIVE Xavier是英偉達最新自動駕駛計算平臺NVIDIA DRIVE AGX Pegasus的核心AI芯片，去年他們又發布了名為Jetson AGX Xavier的端側AI芯片，可驅動新一代機器人及自動機器。

同樣，在軟件方面，英偉達也打造了四個AI計算平臺：Clara醫療圖像平臺、Metropolis智能交通平臺、ISSAC機器人、DRIVE自動駕駛平臺。

粗看英偉達的顯卡系列，很多人會覺得眼花繚亂，但萬變不離其宗的是，英偉達所有的芯片都是根據應用場景靈活搭配不同的GPU架構，從而提供不同的算力需求，所以GPU的架構是英偉達的核心殺手锏。

但實際上為了能夠賣出更多的顯卡產品，英偉達確實在走廣撒網的路線，用“機?！睉鹦g保持穩定的業務營收增長。

不過根據英偉達近一年的財報，數據中心業務的增長已經開始放緩，競爭對手們正在蠢蠢欲動分食剩下的蛋糕。

繼谷歌推出TPU后，云端AI芯片的競爭勢頭如燎原之勢往外延伸，Intel最近推出了NNP-T/NNT-I 用于云端訓練/推理，華為則在去年就推出了“昇騰”系列芯片用于云端訓練/推理，而阿里平頭哥也帶來了“含光”系列芯片用于云端推理……

前有狼后有虎的危機下，英偉達在今年3月擊敗老對手英特爾，以69.7億美元的高價收購了以色列服務器芯片公司Mellanox以提振數據中心的業務，同時發布一系列端側的AI芯片，強化云端之外的邊緣側的布局。

高光之后的轉身

相較于云上的訓練和推理，端側的推理芯片市場也非常熱鬧。由于應用場景的不同，端側的算法各有差異，相應的對性能、功耗以及延遲的要求也有區別，所以在這個市場沒有絕對的巨無霸，可以一統江山。

這也是為什么多數初創公司會選擇從端側的推理芯片切入，無巨頭壟斷、場景豐富、自由度高。

如果云端的AI處理主要強調精度、處理能力、內存容量和帶寬，對價格不那么敏感，那端側的AI處理則主要關注功耗、響應時間、體積、成本和隱私安全等問題，這些無一例外都是英偉達曾經的劣勢。

所以從去年年底到現在，英偉達一改以往售賣硬件“又貴又大”的規則，推出了性價比超高、便宜好用的小型嵌入式芯片Jetson Nano和Jetson Xavier NX。Jetson系列都是低功耗的模塊化系統，具備CPU、GPU、PMIC、DRAM和閃存，進一步豐富端側的應用場景。

曾經主導云端AI芯片市場的英偉達，在面對競爭對手的突圍后，正在用云端加邊緣一體化的解決方案吸引更多客戶，面向終端以及邊緣端的Jetson系列產品就是英偉達的新武器。

如今再去看英偉達的AI布局，已經非常清晰明了，只要技術可以觸及的軟硬件，統統都要自己做，廣撒網多撈魚，產品總會越賣越多。

雖然GPU是一塊磚，哪里需要往哪里搬，但是隨著諸如FPGA、ASIC等產品在端側的快速鋪貨，英偉達的GPU優勢并不明顯。

不過，英偉達的產品策略對市場的反應速度一直很快，從顯卡起家的他們并不會囿于GPU的思維，英偉達的DLA（深度學習加速器）和Xavier，一個ASIC和一個SoC，都證明了他們可以創建各種各樣的加速器，而不僅僅是GPU。

而且英偉達耕耘這么多年，本身的優勢也非常明顯。強大成熟的軟硬件生態能力是很多初創公司都無法比肩的，其次是技術的優勢，顯卡架構的迭代和升級都是英偉達每年上億研發支出的成果。除此之外，早期的產業端積累以及產品的口碑也讓他們的端側擴張之路會走的更加順暢。

在人工智能技術快速迭代、新架構層出不窮，以及應用場景更加多元的當下，英偉達從AI引領者的角色正在轉變為一個追趕者，從他們的AI產品線中也能管窺一豹，以點帶面，強調云邊緣端一體化，抓幾個重點場景推出軟硬件在內的解決方案，同時以賦能者的身份，涌入市場前景更為廣闊的端側市場。

曾經被AI眷顧的英偉達，高光之后，會有個華麗的轉身嗎？