初识“芯”朋友：英伟达是谁？为什么它和你的生活息息相关

你上周熬夜通关的《黑神话：悟空》里，金箍棒砸在石头上溅起的火星、黄风岭里漫卷的黄沙映着夕阳的暖光，甚至你操控悟空闪避时镜头扫过的每一片晃动的树叶，都藏着一个“隐形画师”的功劳——它要在1/60秒里算出几百万个像素的颜色，才能让你看到的画面流畅又真实。你昨天用AI APP生成的二次元头像，发梢的渐变色、眼睛里的高光，甚至连你要求的“略带忧郁的表情”都精准还原，背后是这位“画师”在几秒内完成了上万次的计算。你明天准备用AI辅助完成的机器人科创项目，训练识别障碍物的模型时，这位“画师”要帮你跑完几十万次的数据迭代。

这位“隐形画师”，就是我们要认识的第一个“芯朋友”——英伟达（NVIDIA）。

<concept id="c1"> <term>英伟达（NVIDIA）</term> <definition>全球领先的人工智能计算公司，1993年由黄仁勋（Jensen Huang）、克里斯·马拉科夫斯基（Chris Malachowsky）和柯蒂斯·普里姆（Curtis Priem）在美国加利福尼亚州圣何塞创立，最初以游戏图形芯片业务起家，现在是全球AI时代最核心的算力基础设施提供商。</definition> <en_def>N

你上周熬夜通关的《黑神话：悟空》里，金箍棒砸在石头上溅起的火星、黄风岭里漫卷的黄沙映着夕阳的暖光，甚至你操控悟空闪避时镜头扫过的每一片晃动的树叶，都藏着一个“隐形画师”的功劳——它要在1/60秒里算出几百万个像素的颜色，才能让你看到的画面流畅又真实。你昨天用AI APP生成的二次元头像，发梢的渐变色、眼睛里的高光，甚至连你要求的“略带忧郁的表情”都精准还原，背后是这位“画师”在几秒内完成了上万次的计算。你明天准备用AI辅助完成的机器人科创项目，训练识别障碍物的模型时，这位“画师”要帮你跑完几十万次的数据迭代。

这位“隐形画师”，就是我们要认识的第一个“芯朋友”——英伟达（NVIDIA）。

<concept id="c1"> <term>英伟达（NVIDIA）</term> <definition>全球领先的人工智能计算公司，1993年由黄仁勋（Jensen Huang）、克里斯·马拉科夫斯基（Chris Malachowsky）和柯蒂斯·普里姆（Curtis Priem）在美国加利福尼亚州圣何塞创立，最初以游戏图形芯片业务起家，现在是全球AI时代最核心的算力基础设施提供商。</definition> <en_def>NVIDIA is a leading global artificial intelligence computing company founded in 1993 in San Jose, California, by Jensen Huang, Chris Malachowsky, and Curtis Priem. It started as a gaming graphics chip manufacturer and is now the core provider of computing infrastructure in the AI era.</en_def> </concept>

<sidebar type="fun_fact" id="s1"> <sidebar_title>🌰 冷知识：英伟达名字的由来</sidebar_title> “NVIDIA”这个名字其实藏着创始人的小心思：前半部分“NV”是“Next Version（下一代）”的缩写，后半部分“idia”来自拉丁语“invidia”，意思是“嫉妒”——寓意是“我们的下一代产品，会让竞争对手和用户都嫉妒”。另外，英伟达的logo是一只眼睛，象征着“用技术看见未来”，而创始人黄仁勋标志性的黑色皮衣，也成了科技圈粉丝心中的“教主”符号。 </sidebar>

<sidebar type="data_card" id="s2"> <sidebar_title>📊 数据卡片：英伟达的现在</sidebar_title> 截至2024年，英伟达的全球开发者数量超过500万，GeForce系列游戏显卡累计销量突破10亿片，全球90%的AI训练任务都运行在英伟达的GPU上。2024年其市值一度突破3万亿美元，超过苹果、微软成为全球市值最高的公司之一，相当于全球所有青少年一年的零食总开支的200倍。 </sidebar>

1.1 藏在你的游戏和AI应用里的“芯朋友”

很多人对英伟达的第一印象是“做游戏显卡的”，这个认知没错，但只是它全部能力的冰山一角。要理解它为什么和你的生活息息相关，我们不妨先看看你每天都会接触到的场景里，到底藏了多少英伟达的技术。

1.1.1 你玩过的每一款3A大作，都有它的功劳

如果你玩过《黑神话：悟空》《赛博朋克2077》《艾尔登法环》这类3A游戏，那你一定感受过“画质开到最高”时的震撼：水面会实时反射周围的场景，阳光穿过树叶会在你脸上投下晃动的光斑，角色衣服上的刺绣纹理放大看都清晰可见。这些效果背后，都是英伟达的GPU在每秒渲染几十次画面。 除了游戏画面，你玩联机游戏时的低延迟、游戏直播时的实时推流、甚至游戏里的AI NPC（非玩家角色）的智能行为，都离不开英伟达的技术。比如《黑神话：悟空》里的妖怪会主动绕后、会躲避你的攻击，这些AI行为的训练，就是用英伟达的GPU跑了几十万次模拟才完成的。如果你用Steam Deck、Nintendo Switch这类游戏掌机玩游戏，那你手里的设备里甚至直接集成了英伟达定制的芯片：初代Switch和Switch OLED版用的都是英伟达定制的Tegra X1芯片，里面的GPU就是英伟达的Maxwell架构，这也是Switch能流畅运行《塞尔达传说：王国之泪》这类大作的核心算力来源。

1.1.2 你用过的每一个AI应用，都有它的影子

如果说过去英伟达的技术还藏在你的游戏机里，那最近两年AI爆发之后，它的技术已经直接跑在你每天用的APP里了：

• 你用文心一格、通义万相、Midjourney生成头像、插画的时候，APP背后的服务器里跑着几十上百片英伟达的A100/H100 GPU，它们要在几秒内完成上万次的计算，才能把你输入的文字变成一张图片；
• 你用AI作业助手搜题、改作文的时候，APP背后的大模型就是用英伟达的GPU训练出来的，没有它的算力支持，大模型根本不可能记住几亿条知识、理解你的问题；
• 你刷短视频时看到的AI特效、AI换脸、AI配音，背后都用到了英伟达的CUDA计算架构，它能帮APP在几毫秒内完成特效渲染，让你刷视频的时候不会卡顿。

<sidebar type="fun_fact" id="s3"> <sidebar_title>🎮 小测试：你玩过哪些用英伟达技术加持的游戏？</sidebar_title> 除了上面提到的，还有《我的世界》的光追版本、《CS2》的高画质模式、《原神》的PC最高画质，都用了英伟达的DLSS（深度学习超级采样）技术，能在不损失画质的情况下让游戏帧率翻倍。你可以打开自己的Steam库，看看哪些游戏支持DLSS，说不定你早就和英伟达的技术打过交道了。 </sidebar>

1.1.3 你参加的科创比赛，可能正用它的工具

如果你参加过青少年科技创新大赛、全国青少年人工智能创新挑战赛这类科创赛事，那你很可能已经用过英伟达的硬件了：现在很多青少年机器人、智能车、AI识别项目，都会用到英伟达的Jetson系列嵌入式AI开发板，比如Jetson Nano、Jetson Orin NX，这些巴掌大的小板子集成了英伟达的GPU和AI加速核心，能帮你跑视觉识别、语音交互、自动驾驶模型，是很多青少年科创爱好者的“入门神器”。 <sidebar type="data_card" id="s4"> <sidebar_title>🤖 数据小卡片：英伟达在青少年科创领域的投入</sidebar_title> 英伟达在中国已经支持了超过1000所学校的AI科创教育，为青少年提供了超过10万块Jetson开发板的免费试用，每年举办的“英伟达AI创新大赛”吸引了超过10万名青少年参赛，很多获奖选手后来都进入了AI、机器人领域的顶尖高校。 </sidebar>

1.2 从游戏显卡到AI巨头的20年技术长征

很多人会好奇：一个做游戏显卡的公司，怎么突然就成了AI时代的“卖水人”？其实这从来不是偶然，而是英伟达20多年来持续押注技术的结果。我们可以用下面的时间轴看看它的发展历程：

```mermaid timeline title 英伟达（NVIDIA）关键发展历程 1993年 ： 三位创始人在加州圣何塞的Denny's快餐店讨论创业方向，成立NVIDIA，最初目标是做3D图形加速卡 1999年 ： 推出首款GPU GeForce 256，首次提出“图形处理器（GPU）”的概念，把图形芯片从“CPU的附属品”变成了独立硬件 2006年 ： 发布CUDA（统一计算设备架构），首次让GPU不仅能算图形，还能跑通用的计算任务，这是英伟达从“游戏公司”变成“算力公司”的转折点 2012年 ： 深度学习模型AlexNet用英伟达的GTX 580 GPU训练，准确率比传统方法高10%，引爆了全球深度学习革命，英伟达的GPU成为AI训练的首选硬件 2020年 ： 发布A100 GPU，专门为AI训练和大规模计算设计，一片A100的算力相当于几十台传统服务器的总和 2022年 ： ChatGPT发布，大模型时代爆发，英伟达的H100 GPU成为AI训练的核心芯片，一片售价超过3万美元，还供不应求 2024年 ： 英伟达市值突破3万亿美元，数据中心业务（AI芯片）收入占总收入的70%以上，正式从“游戏显卡厂商”转型为“AI算力巨头” ```

1.2.1 创业初期：在巨头夹缝里找方向

1993年，黄仁勋三人创立英伟达的时候，全球图形芯片市场已经被IBM、Intel、3dfx等巨头瓜分，没有多少人相信一家初创公司能做出有竞争力的产品。他们的第一个产品NV1甚至失败了，因为押注了错误的图形技术标准，公司一度只剩下30天的现金流，全靠创始人抵押房子才撑了下来。 转折点发生在1997年，他们推出了RIVA 128芯片，第一次在性能上超过了竞争对手，1999年推出的GeForce 256更是直接定义了“GPU”的概念，把图形芯片的算力提升了10倍，从此英伟达正式成为游戏图形芯片领域的龙头。

1.2.2 长期主义的胜利：提前10年布局CUDA

2006年英伟达发布CUDA的时候，几乎没有人觉得这个技术有用：当时GPU只能用来玩游戏、做简单的科学计算，普通开发者根本不会用CUDA写代码，每年英伟达在CUDA上的投入超过10亿美元，连续亏了7年，很多投资者都劝黄仁勋放弃。 但黄仁勋坚持了下来，他相信“并行计算的未来一定会爆发”。果然2012年深度学习革命到来的时候，所有人都发现：只有英伟达的GPU+CUDA组合能跑深度学习模型，其他厂商的硬件根本不行。CUDA生态也成了英伟达最深的护城河：全球500多万开发者已经习惯了用CUDA写AI程序，换其他硬件就等于要重新学一套东西，这个成本太高了。 <sidebar type="insight" id="i1"> <sidebar_title>💡 启发思考：长期主义的力量</sidebar_title> 英伟达用了10年时间布局CUDA，才等来了AI时代的爆发。如果你现在有一个感兴趣的方向，哪怕现在看起来“没用”，只要能坚持下来，说不定未来就能成为你的核心竞争力。 </sidebar>

1.3 搞懂GPU和CPU：为什么你的游戏本要配两块“大脑”

要理解英伟达的GPU为什么这么强，我们首先要搞懂两个最容易混淆的概念：CPU（中央处理器）和GPU（图形处理器）。你可以把它们理解成你电脑里的两块“大脑”，各有各的长处。

1.3.1 CPU：全能型“班主任”

CPU是你电脑里最核心的硬件，相当于电脑的“班主任”，什么活都要管：你打开浏览器、写作业、运行程序、管理文件，都是CPU在工作。 CPU的设计思路是“单核性能强、核心数少”，就像一位全能学霸，什么题都会做，但是一次只能解一道大题。现在主流的高性能CPU一般有8到16个核心，单核心的算力很强，主频一般在3到5GHz（也就是每秒能跑30亿到50亿次计算），适合处理需要复杂逻辑判断的串行任务，比如你写代码、做表格、开多个软件窗口，都是CPU在管。 <concept id="c2"> <term>CPU（Central Processing Unit，中央处理器）</term> <definition>计算机的核心运算和控制部件，负责执行计算机的所有指令，擅长处理复杂的、需要逻辑判断的串行任务，核心数少但单核性能强。</definition> <en_def>CPU (Central Processing Unit) is the core computing and control component of a computer, responsible for executing all instructions of the computer. It is good at handling complex serial tasks that require logical judgment, with few cores but strong single-core performance.</en_def> </concept>

1.3.2 GPU：专业型“工厂”

GPU一开始是为CPU做“辅助”的，专门负责处理图形相关的计算任务，相当于电脑里的“图形工厂”。它的设计思路是“核心数极多、单核心性能弱，但是并行算力极强”，就像几百个小学生一起做口算题，虽然每个小学生做题的速度不如学霸，但是几百个人一起做，比一个学霸快几百倍。 现在主流的高性能游戏GPU（比如RTX 4060）有3000多个CUDA核心，而主流的高性能CPU（比如i7-13700H）只有14个核心（6个性能核+8个能效核），核心数差了200多倍。虽然GPU的单核心性能只有CPU的几十分之一，但是总并行算力是CPU的几十倍，专门适合处理“可以拆成几千个小任务、每个小任务之间互不依赖”的计算，比如算几百万个像素的颜色、训练AI模型里的几百万个参数。 <concept id="c3"> <term>GPU（Graphics Processing Unit，图形处理器）</term> <definition>专门用于图形和并行计算的处理器，核心数极多，擅长处理可拆分为大量独立子任务的并行计算，是AI训练、图形渲染的核心硬件。</definition> <en_def>GPU (Graphics Processing Unit) is a processor specially designed for graphics and parallel computing. It has a huge number of cores and is good at handling parallel computing tasks that can be split into a large number of independent subtasks. It is the core hardware for AI training and graphics rendering.</en_def> </concept>

我们可以用一个表格更直观地对比CPU和GPU的核心差异： | 对比维度 | CPU（中央处理器） | GPU（图形处理器） | |----------|------------------|------------------| | 核心数量 | 4~64核（主流消费级8~16核） | 1000~10000+核（主流游戏GPU2000~5000核） | | 单核心性能 | 强（主频3~5GHz） | 弱（主频1~2GHz） | | 核心设计 | 复杂，适合复杂逻辑计算 | 简单，适合重复的并行计算 | | 主要用途 | 系统运行、办公、编程、多任务处理 | 图形渲染、AI训练、科学计算、视频剪辑 | | 功耗 | 20~100W（主流消费级） | 100~350W（高性能游戏GPU） | | 代表产品 | Intel i7、AMD Ryzen 7 | NVIDIA GeForce RTX系列、AMD Radeon系列 |

1.3.3 为什么你的游戏本又厚又重？

很多玩游戏的青少年会发现，游戏本普遍比轻薄本厚很多、重很多，甚至风扇转起来像飞机起飞，这就是因为游戏本里既要装CPU，又要装高性能的GPU，两块“大脑”加起来的功耗能到200瓦以上，需要很大的散热模块才能压住温度。 如果你只是写作业、刷视频、做PPT，轻薄本的CPU完全够用，根本不需要GPU；但如果你要玩3A大作、剪4K视频、跑AI模型，就必须要有高性能的GPU，这也是为什么很多青少年买电脑的时候，会特意选带“RTX”后缀的型号——那个“RTX”就是英伟达的高性能游戏GPU系列。 <sidebar type="operation_guide" id="o1"> <sidebar_title>🖥️ 操作指南：怎么查你电脑的GPU型号？</sidebar_title>

• Windows电脑：按`Win+R`键打开运行窗口，输入`dxdiag`回车，打开“显示”选项卡，就能看到你的显卡型号，如果是英伟达的，一般会带有“NVIDIA GeForce”或者“RTX”的字样；
• 苹果电脑：点击左上角的苹果图标，选择“关于本本机”，再点击“系统报告”，在左侧列表里选择“图形/显示”，就能看到显卡型号，2020年之后的MacBook Pro一般用的是苹果自研的M系列芯片GPU，2019年之前的旧款可能用的是英伟达的显卡。

</sidebar>

1.4 图形加速的基础原理：从3D模型到屏幕像素的魔法

很多人会好奇：GPU到底是怎么把游戏里的3D模型，变成你屏幕上看到的2D画面的？这个过程其实可以分为几个步骤，我们以你玩的《黑神话：悟空》为例，拆解一下背后的原理。

1.4.1 第一步：把3D模型变成“网格”

游戏里的所有3D物体，比如悟空的金箍棒、黄风岭的石头，本质上都是一堆“三角形网格”组成的：设计师先做出3D模型，然后把模型的表面拆成几百万个小三角形，每个三角形都有自己的位置、颜色、材质信息。这一步一般是由CPU完成的，因为需要处理复杂的模型逻辑。

1.4.2 第二步：算每个像素的颜色

这是GPU最核心的工作：把3D网格投影到2D屏幕上，算出屏幕上每一个像素应该显示什么颜色。这个过程需要算很多东西：比如光线的方向、物体的材质是金属还是布料、有没有阴影、有没有反射，甚至还要算实时光追的效果——比如光线从太阳照到石头上，再反射到悟空的脸