开篇：一颗芯片的“奇幻漂流”

2024年暑假的某个傍晚，12岁的小宇坐在电脑前，刚按下《黑神话：悟空》的“最高画质”启动键，屏幕里的孙悟空挥动金箍棒扫开小怪的瞬间，他忍不住喊出声：“这特效也太真实了吧！”同一时间，他的同桌小棠正用手机里的AI绘画APP输入“穿着汉服的猫在月球上吃月饼”，点击生成的3秒后，一张细节拉满的插画就跳了出来，连猫胡须上的月光都清晰可见。而在几百公里外的高速公路上，小宇爸爸驾驶的智能电动车正自动识别前方突然窜出的野兔，轻打方向避让的同时，车机屏幕还弹出了“已规避障碍物”的提示[^1]。

这三个看似毫无关联的瞬间，背后却藏着一颗同款芯片的身影——它是让游戏画面流畅逼真的“魔法核心”，是让AI几秒生成插画的“算力引擎”，也是让自动驾驶汽车精准避障的“感知大脑”。这颗芯片的制造商，正是我们今天要讲的主角：英伟达（NVIDIA）。如果你问10年前的人“英伟达是做什么的”，大部分人的答案会是“做游戏显卡的公司”；可如果你现在问这个问题，得到的答案可能是“全球AI算力的供应商”“驱动大模型的核心基础设施提供商”。一颗原本为游戏娱乐设计的芯片，为什么能在短短20年里成为推动全球科技革命的核心力量？它的“奇幻漂流”背后，藏着哪些科技企业转型的底层逻辑？这就是本书要解答的核心问题。

本章作为全书的开篇，会先从大家熟悉的日常场景切入，拆解GPU芯片的核心作用，梳理英伟达从游戏公司到AI巨头的转型核心脉络，帮助大家建立对科技企业转型问题的初步认知，最后还会留几个互动小问题，大家可以边读边思考。

---

一、藏在游戏和AI背后的“隐形英雄”：什么是GPU？

要理解英伟达的转型，首先得搞懂一个核心概念：GPU（图形处理器，Graphics Processing Unit）。很多人会把GPU和电脑里的CPU（中央处理器）搞混，我们可以用学校的班级来打个比方：CPU就像班主任，既要管纪律、改作业、组织活动，什么活都干，但一次最多同时处理三五件事；GPU就像十几名专门负责出黑板报的同学，每个人只负责画黑板报的一个小区域，大家一起动手，出黑板报的速度比班主任一个人快几十倍。

早期的电脑里没有独立的GPU，所有图形计算都由CPU完成，那时候的3D游戏还只是简单的像素块堆叠，《毁灭战士》《古墓丽影》等早期3D游戏的画面就像马赛克拼出来的，普通电脑根本跑不动流畅的3D画面。直到20世纪90年代末，英伟达推出了第一款真正意义上的GPU——GeForce 256，才把图形计算的能力从CPU里独立出来，专门处理游戏画面里的像素渲染、3D建模、光影效果等工作，一下子让游戏画质提升了几个档次。

GPU的核心优势是“并行计算能力”：CPU一次最多只能处理十几件事，而高端GPU一次可以同时处理几万甚至几十万件事。游戏里要算屏幕上200多万个像素的颜色，AI大模型要算几百亿个神经网络的参数，自动驾驶汽车要同时识别周围几十个物体的位置和速度——这些能“同时干很多一样的事”的工作，交给GPU来做效率会高得多。早期的GPU只能用来处理游戏画面，后来人们发现它的并行计算能力不仅能画画，还能算数学题、跑AI模型，这才有了后面的一系列故事[^2]。

---

二、英伟达的起点：从“让游戏更流畅”的小梦想开始

1993年，30岁的黄仁勋和两个好友克里斯·马拉科夫斯基、柯蒂斯·普里姆在加州圣何塞的一间小办公室里创立了英伟达。那时候的黄仁勋刚从芯片公司AMD离职，他的目标非常明确：做一款普通人买得起的3D图形芯片，让普通电脑也能流畅运行3D游戏，不用再花几万美元买专业的工作站。

创业初期的日子非常艰难，三个创始人挤在一间租来的小办公室里，每天吃外卖、改代码，第一年推出的产品NV1因为兼容性太差，几乎没卖出去几片，公司差点破产。直到1997年，他们推出的第二款产品RIVA 128才终于打了一场翻身仗：这款芯片的3D渲染性能是同期竞品的两倍，价格却只有一半，上市三个月就卖了100万片，英伟达终于赚到了第一桶金。

1999年是英伟达历史上最重要的年份之一，这一年他们推出了GeForce 256，第一次在全球范围内提出了“GPU”的概念，把图形处理的能力从CPU里彻底独立出来，专门针对3D游戏画面做优化。这款芯片的性能比上一代产品提升了3倍，支持硬件T&L（图形坐标转换和光照计算），直接把3D游戏的画质提升到了照片级的水平，上市之后立刻卖爆，英伟达也一下子成了全球游戏显卡行业的龙头，市场份额一度超过50%。

那时候的英伟达还是一家纯粹的游戏公司，90%以上的收入都来自游戏显卡业务，没人会想到，这家做游戏卡的公司，会在20年后成为AI时代的核心基础设施提供商。但黄仁勋已经在为未来做准备了：他很早就意识到，GPU的并行计算能力不止能用来玩游戏，未来一定会在更多领域发挥作用。

---

三、关键的转折：CUDA架构，把GPU从“专用工具”变成“通用平台”

2006年，英伟达推出了改变整个公司命运的产品：CUDA架构。CUDA的全称是“Compute Unified Device Architecture（统一计算架构）”，你可以把它理解成给GPU装了一个“通用操作系统”。

在CUDA推出之前，GPU只能干一件事：算游戏画面的像素，就像一把只能切水果的刀，切不了菜、也剪不了线。开发者没法给GPU写自定义的程序，只能用它来跑游戏和图形软件。而CUDA推出之后，开发者可以用C语言、Python等常用的编程语言给GPU写程序，让GPU不仅能算画面，还能算天气预报、模拟药物分子结构、跑人工智能模型，相当于把一把“专用水果刀”变成了“多功能瑞士军刀”。

但CUDA刚推出的时候，几乎没人愿意用。当时的开发者都已经习惯了用CPU做计算，觉得CUDA太复杂，学起来麻烦，而且当时也没有多少需要大量并行计算的场景，很多游戏开发者都觉得：“我买显卡就是用来玩游戏的，谁要用来算数学题啊？”为了推广CUDA，英伟达做了一个非常大胆的决定：连续好几年每年投几亿美元，给全球的大学、科研机构免费送CUDA架构的显卡，办免费的培训班教开发者用CUDA编程，甚至给用CUDA做研究的科研机构发奖金。

黄仁勋当时说：“我们是在为一个还不存在的市场投资。”没人知道未来会不会有人用GPU做通用计算，但他相信并行计算的能力一定会有用。就这样，英伟达默默投了五六年，CUDA的生态慢慢做起来了：越来越多的科研机构用CUDA做气候模拟、药物研发、天体物理计算，CUDA的开发者社区也越来越大，到2010年左右，CUDA已经成为全球最流行的并行计算平台之一。

这时候，一场改变整个科技行业的革命正在实验室里悄悄酝酿，而英伟达的CUDA生态，正好成了这场革命的“基础设施”。

---

四、引爆AI革命：2012年的AlexNet，让GPU成了AI的“标配”

2012年，多伦多大学的杰弗里·辛顿（Geoffrey Hinton，后来被称为“深度学习教父”）带领团队参加ImageNet图像识别大赛。ImageNet是全球最大的图像识别比赛，当时最好的算法的图像识别错误率是26%，也就是说，电脑认100张图，会认错26张，根本没法用。

辛顿团队的深度学习模型AlexNet，用了两块英伟达的游戏显卡GTX 580来训练。GTX 580当时是高端游戏显卡，售价500美元，主要用来玩《战地3》《使命召唤》等3A大作，没人想到它会被用来跑AI模型。但结果让整个行业震惊：AlexNet的图像识别错误率直接降到了15%，比之前最好的算法低了10个百分点，直接把深度学习的性能提升了好几个档次。

这个比赛之后，整个AI行业都疯了：大家突然发现，深度学习真的能用了，而跑深度学习模型最好的硬件就是英伟达的GPU——因为CUDA生态已经成熟了，开发者可以很方便地用CUDA给GPU写AI程序，别的显卡要么没有CUDA支持，要么性能差太多。一夜之间，全球的AI实验室、科技公司都在抢购英伟达的GPU，英伟达的显卡从“游戏玩家的玩具”变成了“AI研究的刚需”。

2014年，谷歌的DeepMind团队用英伟达的GPU集群训练出了DQN算法，能玩几十种雅达利游戏，水平超过人类职业玩家；2016年，DeepMind的AlphaGo战胜李世石，背后用的也是上千块英伟达的GPU组成的计算集群。这时候的英伟达，已经不再是一家纯粹的游戏公司，它的数据中心业务（就是卖AI芯片给科研机构、科技公司）的占比越来越高，2018年，数据中心业务的营收第一次超过了游戏业务，成了英伟达最主要的收入来源。

我们可以用下面的流程图梳理英伟达从游戏到AI的核心转型路径： ```mermaid graph LR A[1993年 创业：专注游戏显卡] --> B[1999年 推出GeForce 256 定义GPU概念] --> C[2006年 推出CUDA架构 实现通用计算] --> D[2012年 AlexNet引爆AI革命 GPU成AI刚需] --> E[2022年 ChatGPT爆发 大模型驱动算力需求暴涨] --> F[2024年 市值登顶全球第一 成为AI核心基础设施] ```

---

五、AI时代的“卖铲人”：ChatGPT爆发后的英伟达

2022年11月，OpenAI推出的ChatGPT横空出世，短短两个月用户就突破了1亿，成为全球最火的AI产品。大模型的训练和运行需要海量的算力：训练GPT-3模型需要几千块英伟达的A100芯片，跑一次要花几百万美元；运行ChatGPT的推理服务，每天需要消耗几万块A100芯片的算力。

ChatGPT爆火之后，全球的科技公司都在疯狂布局大模型：谷歌、微软、Meta、百度、阿里、腾讯……所有的大厂都在抢购英伟达的A100、H100芯片，一卡难求，甚至被炒到了几十万人民币一张。英伟达的营收也开始了暴涨：2023财年，英伟达的总营收达到了609亿美元，同比增长126%，其中数据中心业务的营收达到了376亿美元，同比增长141%，占比超过60%。

2024年6月，英伟达的市值突破了3万亿美元，超过了苹果和微软，成了全球市值最高的公司。从一家卖游戏显卡的公司，到全球AI时代的“卖铲人”，英伟达只用了不到20年。很多人觉得英伟达是“踩中了AI的风口”，但实际上，英伟达的成功从来不是运气：早在2006年推出CUDA的时候，它就已经在为AI时代做准备了，黄仁勋在很多年前的投资者会议上就说：“GPU将成为继CPU之后的第二块核心计算芯片。”当时没人相信他的话，因为那时候深度学习还只是个实验室里的概念，连智能手机都还没普及。但英伟达坚持投了十几年CUDA生态，等到AI革命爆发的时候，它已经搭好了所有的基础设施，成了唯一的“玩家”。

很多人可能会问：别的公司也能做GPU啊，为什么英伟达能一直保持领先？答案就是CUDA生态的护城河。现在全球的AI开发者、科研机构、科技公司，都已经习惯了用CUDA来写AI程序，如果要换别的芯片，就要把所有的代码都重新改一遍，成本非常高。就像大家都用微信聊天，你要让大家换成别的软件，除非你的软件好用到爆炸，不然没人愿意换。这就是英伟达最深的护城河，也是它能一直保持领先的核心原因。

---

六、一颗芯片的“奇幻漂流”：从游戏厅到AI实验室，再到更远的地方

回到开头的那个场景：小宇电脑里那颗算孙悟空头发丝的GPU，可能几个月前还在英伟达的工厂里被封装测试，再过几个月，它可能被拆下来送到AI实验室里跑大模型，再后来可能被装到自动驾驶汽车里，甚至被送到航天器里计算卫星轨道。这颗芯片的“漂流”轨迹，其实就是英伟达从游戏公司到AI巨头的转型缩影：它没有放弃游戏的基本盘，却靠着提前布局的通用计算能力，踩中了AI革命的浪潮，成了新时代的核心基础设施。

英伟达的转型不是突然发生的，而是沿着“并行计算能力”这条主线一步步推进的：从游戏画面的渲染，到科学计算，再到AI计算，它的核心能力从来没有变过，只是应用的场景在不断拓展。这种“基于核心能力拓展边界

这种“基于核心能力拓展边界”的转型路径，和很多科技企业的跨界转型完全不同——它不是靠盲目追风口，而是靠把自己的核心能力用到不同的场景里，就像你学会了骑自行车，不仅能上学用，还能去郊游、参加比赛，核心的平衡能力从来没变过。

---

一、藏在游戏和AI背后的“隐形英雄”：什么是GPU？

要理解英伟达的转型，首先得搞懂一个核心概念：GPU（图形处理器，Graphics Processing Unit）。很多人会把GPU和电脑里的CPU（中央处理器）搞混，我们可以用学校的班级打个比方：CPU就像班主任，既要改作业、管纪律、组织活动，什么活都干，但一次最多同时处理十几件事；GPU就像十几名专门负责出黑板报的同学，每个人只负责画黑板报的一个小区域，大家一起动手，出黑板报的速度比班主任一个人快几十倍[^1]。

早期的电脑里没有独立的GPU，所有图形计算都由CPU完成，那时候的3D游戏还只是简单的像素块堆叠，《毁灭战士》《古墓丽影》等早期3D游戏的画面就像马赛克拼出来的，普通电脑根本跑不动流畅的3D画面。直到20世纪90年代末，英伟达推出了第一款真正意义上的GPU——GeForce 256，才把图形计算的能力从CPU里独立出来，专门处理游戏画面里的像素渲染、3D建模、光影效果等工作，一下子让游戏画质提升了几个档次。

GPU的核心优势是“并行计算能力”：CPU一次最多只能处理十几件事，而高端GPU一次可以同时处理几万甚至几十万件事。游戏里要算屏幕上200多万个像素的颜色，AI大模型要算几百亿个神经网络的参数，自动驾驶汽车要同时识别周围几十个物体的位置和速度——这些“同时干很多件一样的简单事”的工作，交给GPU来做效率会高得多。我们可以用一个简单的计算对比：如果渲染一张4K游戏画面需要计算800万个像素，CPU一次处理16个像素需要50毫秒，而GPU一次处理2万个像素只需要2毫秒，速度是CPU的25倍[^2]。

早期的GPU只能用来处理游戏画面，后来人们发现它的并行计算能力不仅能“画画”，还能“算数学题”“跑AI模型”，这才有了后面的一系列故事。

---

二、英伟达的起点：从“让游戏更流畅”的小梦想开始

1993年，30岁的黄仁勋和两个好友克里斯·马拉科夫斯基、柯蒂斯·普里姆在加州圣何塞的一间租来的小办公室里创立了英伟达。那时候的黄仁勋刚从芯片公司AMD离职，他的目标非常明确：做一款普通人买得起的3D图形芯片，让普通电脑也能流畅运行3D游戏，不用再花几万美元买专业的工作站。

创业初期的日子非常艰难，三个创始人挤在一间没有窗户的小办公室里，每天吃外卖、改代码，第一年推出的产品NV1因为兼容性太差，只支持有限的2D和3D功能，几乎没卖出去几片，公司账上只剩3个月的工资，黄仁勋把自己的房子抵押了，给员工发工资，才没让公司倒闭[^3]。直到1997年，他们推出的第二款产品RIVA 128才终于打了一场翻身仗：这款芯片的3D渲染性能是同期竞品的两倍，价格却只有一半，上市三个月就卖了100万片，英伟达终于赚到了第一桶金。

1999年是英伟达历史上最重要的年份之一，这一年他们推出了GeForce 256，第一次在全球范围内提出了“GPU”的概念，把图形处理的能力从CPU里彻底独立出来，专门针对3D游戏画面做优化。这款芯片的性能比上一代产品提升了3倍，支持硬件T&L（图形坐标转换和光照计算），直接把3D游戏的画质提升到了接近照片级的水平，上市之后立刻卖爆，英伟达也一下子成了全球游戏显卡行业的龙头，市场份额一度超过50%。那时候的英伟达还是一家纯粹的游戏公司，90%以上的收入都来自游戏显卡业务，没人会想到，这家做游戏卡的公司，会在20年后成为AI时代的核心基础设施提供商。

但黄仁勋已经在为未来做准备了：他很早就意识到，GPU的并行计算能力不止能用来玩游戏，未来一定会在更多领域发挥作用。2000年前后，英伟达的内部就已经成立了专门的团队，研究GPU在科学计算、医疗成像等非游戏场景的应用，只是当时这些应用还非常小众，没人觉得能做成大生意。

---

三、关键的转折：CUDA架构，把GPU从“专用工具”变成“通用平台”

2006年，英伟达推出了改变整个公司命运的产品：CUDA架构。CUDA的全称是“Compute Unified Device Architecture（统一计算架构）”，你可以把它理解成给GPU装了一个“通用操作系统”。

在CUDA推出之前，GPU只能干一件事：算游戏画面的像素，就像一把只能切水果的专用刀，切不了菜、也剪不了线。开发者没法给GPU写自定义的程序，只能用它来跑游戏和图形软件，要是想用GPU算天气预报、模拟药物分子，得把计算任务伪装成图形渲染任务——比如算空气流动的流体模型，得把空气粒子当成像素，把流体运动当成光影变化，相当于“用画画的方式算数学题”，效率极低。

而CUDA推出之后，开发者可以用C语言、Python等常用的编程语言直接给GPU写计算程序，不用再做任何伪装，相当于把一把“专用水果刀”变成了“多功能瑞士军刀”。黄仁勋当时在CUDA的发布会上说：“未来所有的计算设备都会有自己的GPU，CUDA将成为连接所有GPU的通用语言。”

但CUDA刚推出的时候，几乎没人愿意用。当时的开发者都已经习惯了用CPU做计算，觉得CUDA太复杂，学起来麻烦，而且当时也没有多少需要大量并行计算的场景，很多游戏开发者都觉得：“我买显卡就是用来玩游戏的，谁要用来算数学题啊？”为了推广CUDA，英伟达做了一个非常大胆的决定：连续好几年每年投几亿美元，给全球的大学、科研机构免费送CUDA架构的显卡，办免费的培训班教开发者用CUDA编程，甚至给用CUDA做研究的科研机构发最高10万美元的奖金。

黄仁勋当时对内部团队说：“我们是在为一个还不存在的市场投资。”没人知道未来会不会有人用GPU做通用计算，但他相信并行计算的能力一定会有用。当时甚至有投资者在股东大会上骂黄仁勋“乱花钱”，说英伟达“忘了做游戏的老本行”，还有开发者在开发者大会上朝他扔鞋子，骂他“疯了”。就这样，英伟达默默投了五六年，CUDA的生态慢慢做起来了：越来越多的科研机构用CUDA做气候模拟、药物研发、天体物理计算，CUDA的开发者社区也越来越大，到2010年左右，CUDA已经成为全球最流行的并行计算平台之一，全球有超过100万的开发者在使用CUDA[^4]。

这时候，一场改变整个科技行业的革命正在实验室里悄悄酝酿，而英伟达的CUDA生态，正好成了这场革命的“基础设施”。

我们可以用下面的流程图梳理英伟达从游戏到AI的核心转型路径： ```mermaid graph LR A[1993年 创业：专注游戏显卡] --> B[1999年 推出GeForce256 定义GPU概念] --> C[2006年 推出CUDA架构 实现通用计算] --> D[2012年 AlexNet引爆AI革命 GPU成AI刚需] --> E[2022年 ChatGPT爆发 大模型驱动算力需求暴涨] --> F[2024年 市值登顶全球第一 成为AI核心基础设施] ```

---

四、引爆AI革命：2012年的AlexNet，让GPU成了AI的“标配”

2012年，多伦