—–广告，请继续往下阅读—–

AI 与 GPU 的连结：为什麽 NVIDIA 股价一路飙？

2023 年至今，人工智慧（AI）热潮引爆全球科技圈的竞争与创新，但最受瞩目的企业，莫过於 NVIDIA。它不仅长期深耕游戏显示卡市场，在近年来却因为 AI 应用需求的飙升，一举跃居市值龙头。原因何在？大家可能会直觉认为：「显示卡性能强，刚好给 AI 训练用！」事实上，真正的关键并非只有强悍的硬体，而是 NVIDIA 打造的软硬体整合技术──CUDA。

接下来将为你剖析 CUDA 与通用图形处理（GPGPU）的诞生始末，以及未来 NVIDIA 持续看好的量子计算与生医应用，一窥这家企业如何从「游戏显示卡大厂」蜕变为「AI 世代的领航者」。

欢迎订阅 Pansci Youtube 频道 获取更多深入浅出的科学知识！

CPU vs. GPU：为何显示卡能成为 AI 领跑者？

在电脑运作中，CPU（中央处理器）向来是整个系统的「大脑」，负责执行指令、逻辑判断与多样化的运算。但是，AI 模型训练需要面对的是庞大的数据量与繁复的矩阵或张量运算。这些运算虽然单一步骤并不复杂，但需要进行「海量且重复性极高」的计算，CPU 难以在短时间内完成。

反观 GPU（图形处理器），原先是用来处理游戏画面渲染，内部具有 大量且相对简单的算术逻辑单元。GPU 可以同时在多个核心中进行平行化运算，就像一座「高度自动化、流水线式」的工厂，可一次处理大量像素、顶点或是 AI 训练所需的运算。这让 GPU 在大量数值计算上远远超越了 CPU 的处理速度，也让「显示卡算 AI」成了新时代的主流。

—–广告，请继续往下阅读—–

显示卡不只渲染：GPGPU 与 CUDA 的诞生

早期，GPU 只被视为游戏绘图的利器，但 NVIDIA 的创办人黄仁勳很快察觉到：这种多核心平行化的结构，除了渲染，也能用来处理科学运算。於是，NVIDIA 在 2007 年正式推出了名为 CUDA（Compute Unified Device Architecture） 的平台。这是一套让开发者能以熟悉的程式语言（如 C、C++、Python）来调用 GPU 资源的软体开发工具套件，解决了「人类要如何对 GPU 下指令」的问题。

在 CUDA 出现之前，若要把 GPU 用於渲染以外的用途，往往必须透过「着色器语言」或 OpenGL、DirectX 等绘图 API 进行繁琐的间接操作。对想用 GPU 加速数学或科学研究的人来说，门槛极高。然而，有了 CUDA，开发者不需理解图像着色流程，也能轻松呼叫 GPU 的平行运算能力。这代表 GPU 从游戏卡一跃成为「通用图形处理单元」（GPGPU），彻底拓展了它在科学研究、AI、影像处理等领域的应用版图。

AI 崛起的临门一脚：ImageNet 大赛的关键一击

如果说 CUDA 是 NVIDIA 迈向 AI 领域的踏脚石，那麽真正让 GPU 与 AI 完美结合的转捩点，发生在 2012 年的 ImageNet 大规模视觉辨识挑战赛（ILSVRC）。这场由李飞飞教授创办的影像辨识竞赛中，参赛团队需要对庞大的影像数据进行训练、分类及辨识。就在那一年，名为「AlexNet」的深度学习模型横空出世，利用 GPU 进行平行运算，大幅减少了训练时间，甚至比第二名的辨识率高出将近 10 个百分点，震撼了全球 AI 研究者。

AlexNet 的成功，让整个学界与业界都注意到 GPU 在深度学习中的强大潜力。CUDA 在此时被奉为「不二之选」，再加上後来发展的 cuDNN 等深度学习函式库，让开发者不必再自行编写底层 GPU 程式码，建立 AI 模型的难度与成本大幅降低，NVIDIA 的股价也因此搭上了 AI 波浪，一飞冲天。

—–广告，请继续往下阅读—– AlexNet 的成功凸显 GPU 在深度学习中的潜力。图／unsplash

为什麽只有 NVIDIA 股价冲？对手 AMD、Intel 在做什麽？

市面上有多家厂商生产 CPU 和 GPU，例如 AMD 与 Intel，但为什麽只有 NVIDIA 深受 AI 市场青睐？综观原因，硬体只是其一，真正不可或缺的，是 「软硬体整合」与「庞大的开发者生态系」。

硬体部分 NVIDIA 长年深耕 GPU 技术，产品线完整，且数据中心级的显示卡在能耗与性能上具领先优势。软体部分 CUDA 及其相关函式库生态，涵盖了影像处理、科学模拟、深度学习（cuDNN）等多方面，让开发者易於上手且高度依赖。

相比之下，虽然 AMD 也推行了 ROCm 平台、Intel 有自家解决方案，但在市场普及度与生态支持度上，依旧与 NVIDIA 有相当差距。

聪明的管理者

GPU 的优势在於同时有成百上千个平行运算核心。当一个深度学习模型需要把数据切分成无数个小任务时，CUDA 负责将这些任务合理地排班与分配，并且在记忆体读写方面做出最佳化。

—–广告，请继续往下阅读—–

• 任务分类：同性质的任务集中处理，以减少切换或等待。
• 记忆体管理：避免资料在 CPU 与 GPU 之间频繁搬移，能大幅提升效率。
• 函式库支援：如 cuDNN，针对常见的神经网路操作（卷积、池化等）做进一步加速，使用者不必从零开始撰写平行运算程式。

结果就是，研究者、工程师甚至学生，都能轻松把 GPU 能力用在各式各样的 AI 模型上，训练速度自然飞涨。

从 AI 到量子计算：NVIDIA 对未来的布局

当 AI 波浪带来了股价与市值的激增，NVIDIA 并没有停下脚步。实际上，黄仁勳与团队还在积极耕耘下一个可能颠覆性的领域──量子计算。

2023 年，NVIDIA 推出 CUDA Quantum 平台，尝试将量子处理器（QPU）与传统 GPU / CPU 整合，以混合式演算法解决量子电脑无法单独加速的部分。就像为 AI 量身打造的 cuDNN 一样，NVIDIA 也对量子计算推出了相对应的开发工具，让研究者能在 GPU 上模拟量子电路，或与量子处理器协同运算。

NVIDIA 推出 CUDA Quantum 平台，整合 GPU 与 QPU，助力混合量子运算。图／unsplash

这项新布局，或许还需要时间观察是否能孕育出市场级应用，但显示 NVIDIA 对「通用运算」的野心不只停留於 AI，也想成为「量子时代」的主要推手。

—–广告，请继续往下阅读—–

AI 热潮下，NVIDIA 凭什麽坐稳王座？

回到一开始的疑问：「为什麽 AI 热，NVIDIA 股价就一定飞？」 答案可简化为两点：

1. 硬体领先 + 软体生态：显示卡性能强固然重要，但 CUDA 建立的开发者生态系才是关键。
2. 持续布局未来：当 GPU 为 AI 提供高效能运算平台，NVIDIA 亦不断将资源投入到量子计算、生医领域等新兴应用，为下一波浪潮预先卡位。

或许，正因为不断探索新技术与坚持软硬整合策略，NVIDIA 能在游戏市场外再创一个又一个高峰。虽然 AMD、Intel 等竞争者也全力追赶，但短期内想撼动 NVIDIA 的领先地位，仍相当不易。

未来，随着 AI 技术持续突破，晶片性能与通用运算需求只会节节攀升。「AI + CUDA + GPU」 的组合，短时间内看不出能被取代的理由。至於 NVIDIA 是否能继续攀向更惊人的市值高峰，甚至在量子计算跑道上再拿下一座「王者宝座」，让我们拭目以待。

—–广告，请继续往下阅读—–