看NVIDIA显卡发展史，是如何蜕变成“人工智能”界的领头羊的

显卡（Video card，Graphics card）全称显示接口卡，又称显示适配器，是计算机最基本配置、最重要的配件之一。显卡作为电脑主机里的一个重要组成部分，是电脑进行数模信号转换的设备，承担输出显示图形的任务。显卡接在电脑主板上，它将电脑的数字信号转换成模拟信号让显示器显示出来，同时显卡还是有图像处理能力，可协助CPU工作，提高整体的运行速度。对于从事专业图形设计的人来说显卡非常重要。 民用和军用显卡图形芯片供应商主要包括AMD（超微半导体）和Nvidia（英伟达）2家。

如果你喜欢用电脑玩游戏，那么对 NVIDIA（英伟达）这个名字肯定不会陌生，NVIDIA 研发的旗舰级游戏显卡，性能强大，发热量惊人，有“核d”之称。随着人工智能的兴起，NVIDIA 的 CEO 黄仁勋（Jen-Hsun Huang）却反复强调：显卡公司NVIDIA 是一家人工智能公司！

2014 年，NVIDIA 的股价还在 25 美元附近徘徊，到了今天，NVIDIA 的股价却已经飙到了 96 美元，翻了近 4 倍！堪称美国科技界的一只“妖股”。

靠游戏显卡发家的 NVIDIA，怎么就成了“人工智能”界的领头羊呢？

险些夭折的NVIDIA

创建 NVIDIA 之前，黄仁勋曾经是 AMD 公司的芯片设计师，那时候的他或许想不到，二十年后，自己创立的公司会成为老东家最强劲的竞争对手。

在 AMD 公司，黄仁勋打下了结实的技术基础，之后他又跳槽到了芯片公司 LSI-Logic，在那里，黄仁勋完成了从技术岗到销售岗的转型。1993 年，三十而立的黄仁勋和两位好友共同创建了 NVIDIA，主攻当时仍处在萌芽阶段的图形芯片市场。

NVIDIA 做的第一件大事，就是花两年时间研发了一款与市面上所有图形芯片都不同的产品——NV1，其集成了显卡、声卡、手柄驱动等多种功能，瞄准的并不是 PC 市场，而是游戏主机。

可惜，NVIDIA 倾尽全力研发出来的第一款产品，却始终没有打进主流游戏市场，NVIDIA 花光了投资，几近破产。

在走投无路之际，游戏公司世嘉伸出了援手——当时世嘉正在开发新一代的主机“土星”，他们认为 NVIDIA 芯片的高集成度能够更好地在游戏机上发挥性能，因此投入了 700 万美金支持 NVIDIA 研发新一代的产品。

世嘉土星游戏主机

重新定义“显卡”

虽然世嘉跟 NVIDIA 的合作最终没有成功，研发中的 NV2 芯片也因此流产，但靠着这 700 万美金，黄仁勋终于摸到了市场的脉象——当时微软发布了 Direct X 接口，可市面上支持这一标准的图像芯片却寥寥无几，所有的图像芯片厂商都在忙着推广自己的接口。

黄仁勋决定，放弃部分已有的专利，转而全面支持微软的 Direct X 接口。同时，NVIDIA 全面提升了开发速度，每六个月就研发一款新产品。

转型后的 NVIDIA 推出了 Riva 128 芯片，不仅性能足够强大，而且造价也要比同类产品低廉不少，加上对 Direct X 的良好支持，成为不少 ODM 厂商的首选。

NVIDIA Riva 128 图形芯片

之后，找对产品思路的 NVIDIA 开始奋起直追，于 1999 年推出了世界上首款 GPU（Graphics Processing Unit，图形处理器）GeForce 256，与同时代的其他图像芯片相比，GeForce 256 的创新之处在于，大大减少了对 CPU 的依赖，强化了对 3D 图像的渲染功能，性能上远远地甩开了同期的对手。

得益于 GeForce 256 的出色表现，NVIDIA 拿到了微软 Xbox 游戏机的订单，辗转多年以后，NVIDIA 又回到了他们最初想攻占的游戏机市场。

浮夸的 GeForce 256 包装，凸显其强大的性能

从显卡到人工智能

其实，黄仁勋一直都知道，NVIDIA 的 GPU 绝不只是为电子游戏服务的，但是让他想不到的是，GPU 居然还能在“深度学习”领域大放异彩。

“深度学习”是人工智能的关键，从 20 世纪 60 年代至今，“深度学习”领域一直没有巨大突破的原因在于：

需要足够庞大的数据量

需要足够廉价的计算能力

互联网的普及让数据前所未有地庞大，而且每个人都能轻易地接触到大量的数据，可是这么多年过去了，计算机的算力依旧不够强大。

2006 年，为了减少开发者的负担，NVIDIA 发布了一个名为 CUDA 的编程工具，开发者们通过这套工具，可以轻松地让 GPU 同时对画面上的每一个像素进行编程，让他们完成一些简单的渲染工作——这样一来，开发者就无须不胜其烦地重复写代码了。

同样，利用这一原理，深度学习的研究者们也可以利用 GPU 来完成大量低级计算，从而大大提升人工智能的计算能力。在世界范围内，大约有 3000 家人工智能公司通过 NVIDIA 的芯片来满足他们对人工智能的需求，其中不乏亚马逊、谷歌、微软等科技巨头。

NVIDIA GPU 深度学习原理图示

对于“深度学习”，黄仁勋是这样理解的：

深度学习就像人脑一样，你几乎可以教会它任何东西，但它有个巨大的障碍：需要庞大的计算量，这跟我们的 GPU 的运算模式几乎是一致的。

尽管 NVIDIA 的主营业务仍是显卡，2017 财年第三季度，图形芯片部门的营收占其总营收的 85%；但得益于人工智能领域的发展，NVIDIA 的汽车业务增长迅速，同比增长 60.8%，最新推出的车载电脑 DRIVE PX 2 更是被用到了特斯拉的电动汽车当中，发展前景十分可观。

黄仁勋与特斯拉电动汽车

人工智能带着显卡厂家一起装逼一起飞了。那么我们来看看，显卡的前世今生。

原来的显卡是什么？

显卡的工作非常复杂，但其原理和部件很容易理解。在本文中，我们先来了解显卡的基本部件和它们的作用。此外，我们还将考察那些共同发挥作用以使显卡能够快速、高效工作的因素。

显示卡（videocard）是系统必备的装置，它负责将CPU送来的影像资料（data）处理成显示器（monitor）可以了解的格式，再送到显示屏（screen）上形成影像。它是我们从电脑获取资讯最重要的管道。因此显示卡及显示器是电脑最重要的部份之一。我们在监视器上看到的图像是由很多个小点组成的，这些小点称为“像素”。在最常用的分辨率设置下，屏幕显示一百多万个像素，电脑必须决定如何处理每个像素，以便生成图像。为此，它需要一位“翻译”，负责从CPU获得二进制数据，然后将这些数据转换成人眼可以看到的图像。除非电脑的主板内置了图形功能，否则这一转换是在显卡上进行的。我们都知道，计算机是二进制的，也就是0和1，但是总不见的直接在显示器上输出0和1，所以就有了显卡，将这些0和1转换成图像显示出来。

早期，显卡计算能力不行，3D的数据处理不过来。古墓丽影中，劳拉的屁股是方的。

显卡的主要部件是：主板连接设备、监视器连接设备、处理器和内存。不同显卡的工作原理基本相同CPU与软件应用程序协同工作，以便将有关图像的信息发送到显卡。显卡决定如何使用屏幕上的像素来生成图像。之后，它通过线缆将这些信息发送到监视器。

显卡的演变自从IBM于1981年推出第一块显卡以来，显卡已经有了很大改进。第一块显卡称为单色显示适配器（MDA），只能在黑色屏幕上显示绿色或白色文本。而现在，新型显卡的最低标准是视频图形阵列（VGA），它能显示256种颜色。通过像量子扩展图矩阵（QuantumExtendedGraphicsArray，QXGA）这样的高性能标准，显卡可以在最高达2040x1536像素的分辨率下显示数百万种颜色。

根据二进制数据生成图像是一个很费力的过程。为了生成三维图像，显卡首先要用直线创建一个线框。然后，它对图像进行光栅化处理（填充剩余的像素）。此外，显卡还需添加明暗光线、纹理和颜色。对于快节奏的游戏，电脑每秒钟必须执行此过程约60次。如果没有显卡来执行必要的计算，则电脑将无法承担如此大的工作负荷。

显卡工作的四个主要部件

显卡在完成工作的时候主要靠四个部件协调来完成工作，主板连接设备，用于传输数据和供电，处理器用于决定如何处理屏幕上的每个像素，内存用于存放有关每个像素的信息以及暂时存储已完成的图像，监视器连接设备便于我们查看最终结果。