世家 · 英伟达（NVIDIA）
一家最初为游戏玩家造显卡的公司，意外成为整个 AI 时代的地基。没有它的 GPU 与 CUDA，就没有深度学习革命；而它自己，也从硅谷的众多芯片创业公司中脱颖而出，在 2025 年成为人类历史上第一家市值突破 4 万亿美元的企业。
丹尼餐厅里的三个人
1993 年 4 月，美国加州圣何塞（San Jose）东郊一家名叫 Denny's 的 24 小时连锁餐厅。30 岁的 黄仁勋、34 岁的克里斯·马拉乔夫斯基（Chris Malachowsky）和 32 岁的柯蒂斯·普里姆（Curtis Priem）坐在咖啡杯和培根之间，讨论一个赌注——个人电脑即将需要一块专门的芯片来处理 3D 图形，而当时的 CPU 根本顾不过来。
三人背景各异。黄仁勋 9 岁从台湾移民美国，是俄勒冈州立大学电机工程学士、斯坦福大学硕士，此前在超微半导体（AMD）和 LSI Logic 做过芯片设计；马拉乔夫斯基来自太阳微系统（Sun Microsystems），是硬件工程专家；普里姆则在 IBM 和 Sun 设计过图形芯片，被视为天才架构师。他们凑了 4 万美元启动资金，公司名称取自拉丁语 invidia（妒忌）和他们最初给文件命名时常用的 "NV"（next version），合成"NVIDIA"。
公司的头几年并不顺利。1995 年推出的第一款产品 NV1，试图同时做图形、音频和游戏手柄控制，却因为押错了技术路线（二次曲面渲染而非后来成为主流的三角形）几乎让公司破产。黄仁勋后来多次讲述那段日子：账面现金只够维持三十天，他把剩余员工召集起来说——"我们要么彻底改一次方向，要么回家"。
公司活了下来。1997 年的 RIVA 128 和 1998 年的 RIVA TNT 系列让 NVIDIA 在 3D 游戏显卡市场站稳脚跟，与当时如日中天的 3dfx Interactive 正面交锋。到 1999 年 1 月，NVIDIA 在纳斯达克上市；同年 8 月，它发布了一款改变命运的产品——GeForce 256。
GPU 的诞生：从画面到并行
GeForce 256 的发布广告里，NVIDIA 第一次用了一个新词："the world's first GPU"。GPU（图形处理器，Graphics Processing Unit）这个术语就是在这一刻被定义的：一块每秒能处理至少一千万个多边形、内置硬件变换与光照（T&L）引擎的可编程芯片。它把原本由 CPU 负责的 3D 数学运算彻底卸载，让个人电脑第一次可以流畅运行《雷神之锤 III》和《半条命》这样的 3D 游戏。
2000 年，NVIDIA 以 7000 万美元收购了已经破产的老对手 3dfx，吸收其大部分工程师，从此独步 PC 游戏显卡市场。2001 年的 GeForce 3 首次引入可编程着色器（programmable shader），开发者可以自己写小段程序告诉 GPU 如何处理每一个像素、每一个顶点。
这一步看似只是让游戏更漂亮，实际上却在硬件层面埋下了整个 AI 时代的伏笔：GPU 从此不再是一块"画画的"固定功能芯片，而是一个拥有数百个并行计算单元的可编程处理器。敏锐的学术界很快嗅到了机会。2003 年前后，斯坦福、北卡罗来纳等高校的研究者开始尝试用像素着色器跑矩阵乘法、流体模拟——这种"滥用"图形管线的做法被称作 GPGPU（General-Purpose computing on GPU），但写起来极其痛苦：你必须把科学计算伪装成一张贴图。
黄仁勋看到了这个机会。
CUDA：一场被华尔街嘲笑的长赌
2004 年，NVIDIA 招来了刚从斯坦福博士毕业的伊恩·巴克（Ian Buck）。巴克的博士论文就是 Brook——一种让 GPU 像并行处理器一样编程的流式语言。他加入 NVIDIA 后主导的项目，后来被命名为 CUDA（Compute Unified Device Architecture，统一计算设备架构）。
2006 年 11 月，与 GeForce 8800 GTX 同步发布的 CUDA 1.0，第一次让普通开发者可以用接近 C 语言的方式给 GPU 写通用计算程序。这是一个巨大的赌注：NVIDIA 在 GeForce 8 系列芯片里专门留出了面积给不属于图形管线的控制逻辑、调度器和共享内存，同时把 CUDA SDK 免费开放，还投入数千名工程师维护驱动和库。
华尔街当时并不买账。游戏业务本就利润微薄，为一个"科学家们可能会用"的平台年年烧掉数亿美元研发，被不少分析师视为黄仁勋的执念。从 2008 年金融危机到 2012 年，NVIDIA 的股价长期徘徊在个位数到十几美元之间，市值常年不到 100 亿美元。
但大学实验室和国家超算中心开始行动。橡树岭国家实验室、瑞士 CSCS、东京工业大学相继上线以 Tesla GPU 为核心的超级计算机；分子动力学、地震模拟、金融定价领域一个接一个地被 CUDA 改写。最关键的是，一群搞神经网络的边缘研究者也注意到了它。
与深度学习的命运邂逅
2009 年，斯坦福大学的 吴恩达 和博士生拉亚特·莱纳（Rajat Raina）发表论文 Large-scale Deep Unsupervised Learning using Graphics Processors，用两块 GeForce GTX 280 训练一个拥有上亿参数的深度置信网络，比当时的 CPU 集群快约 70 倍。这是 GPU 第一次被严肃用于训练大规模神经网络。
三年后的 2012 年 9 月，多伦多大学的 辛顿 团队震动了整个计算机视觉界。克里热夫斯基 和伊利亚·苏茨克维（后来的 苏茨克维）用两块 GeForce GTX 580 游戏显卡，训练出一个八层卷积神经网络 AlexNet，在 ImageNet 图像识别比赛中把错误率从第二名的 26.2% 一举降到 15.3%。训练代码是 Krizhevsky 亲手写的 cuda-convnet，一行行 CUDA C++ 堆出来的矩阵乘法。
那一刻，世界上所有做视觉、语音、NLP 的研究者都明白了同一件事：未来的算法必须跑在 GPU 上。而全世界能跑深度学习的 GPU，只有一家公司在卖。
从 Tesla 到 Blackwell：算力阶梯
AlexNet 之后，NVIDIA 的数据中心 GPU 走上了一条近乎等差加速的发展路线，每一代都以一位物理学家或天文学家命名：
- Kepler（2012，开普勒）：K20、K40，AlexNet 同时代产品，第一代真正意义上为科学计算优化的 GPU；
- Maxwell（2014，麦克斯韦）：能效大幅提升；
- Pascal（2016，帕斯卡）：P100 引入 NVLink 高速互连和半精度（FP16）运算，专为深度学习设计；
- Volta（2017，伏特）：V100 首次加入张量核心（Tensor Core），针对矩阵乘法做硬件加速，成为 GPT-2 等早期大模型的主力；
- Ampere（2020，安培）：A100 把张量核心扩展到 TF32、BF16，单卡显存从 40 GB 提升到 80 GB，成为 GPT-3 时代的绝对主角；
- Hopper（2022，霍珀）：H100 引入 Transformer Engine，FP8 精度让训练速度再翻一倍，是 GPT-4、Claude、Gemini 等一代旗舰模型的训练平台；
- Blackwell（2024，布莱克韦尔）：B100/B200 两颗裸片通过 10 TB/s 互连封装成一颗 GPU，单颗芯片 AI 算力达到 H100 的 2.5 倍，GB200 NVL72 整机柜把 72 张 B200 用铜缆 NVLink 串成一颗"虚拟超级 GPU"；
- Rubin（2026，鲁宾）：黄仁勋已在 GTC 宣布的下一代架构，以女天文学家 Vera Rubin 命名，将于 2026 年进入量产。
每一代之间不过两到三年，算力却以近十倍的速率跃升——这条曲线已经把摩尔定律甩在身后。业界戏称之为"黄氏定律"（Huang's Law）。
CUDA 的护城河
硬件只是可见的那一半。NVIDIA 真正深不可测的是软件栈。
cuDNN（深度神经网络库）封装了卷积、RNN、Attention 等基本算子；NCCL 负责多卡多机之间的集合通信；TensorRT 把训练好的模型编译为极致优化的推理引擎；Triton 推理服务器管理模型部署；Megatron-LM 提供训练万亿参数模型的并行框架；NeMo 面向 LLM 定制训练；RAPIDS 让数据科学家用 GPU 跑 pandas 和 scikit-learn。
这套生态的厉害之处在于时间——从 2007 年 CUDA 1.0 至 2026 年近二十年的持续投入，已经积累了数万个开源项目、数百万开发者、数千所高校的课程。PyTorch 的底层算子几乎逐一对应 cuDNN 调用；TensorFlow、JAX、MLX 也莫不如此。即便 AMD 的 ROCm、英特尔的 OneAPI 在硬件层面赶了上来，要想复制整套软件栈，至少还需要十年。
竞争对手如 Cerebras、Graphcore、SambaNova 都尝试过另起炉灶，但没有一家能在生态上撼动 CUDA。到 2025 年，全球 AI 研究者每发表一篇论文，几乎默认代码能用 pip install 在一块 NVIDIA GPU 上跑起来——这就是护城河。
大模型时代：一卡难求
2022 年 11 月，OpenAI 发布 ChatGPT。两个月内，全球科技巨头意识到：谁有更多 H100，谁就能训练更大、更好的模型。
2023 年起，NVIDIA 的 H100 变成了硬通货。OpenAI、微软、谷歌、Meta、Anthropic、xAI、字节跳动、阿里巴巴、百度争相下单，订单一路排到两年以后。一块 H100 在二级市场被炒到 4 万美元以上，整机柜的 DGX H100 系统被包机空运，像 20 世纪初的石油一样成为战略资源。
这种疯狂直接反映在财报上。NVIDIA 2025 财年（截至 2025 年 1 月，以日历年 2024 为主）总营收 1305 亿美元，同比增长 114%，其中数据中心业务贡献约 1150 亿美元——相比 2023 财年的 150 亿美元，两年翻了近八倍。2025 财年四季度单季数据中心收入 356 亿美元，同比再增 93%。
市值的曲线比营收更夸张：2020 年初约 1500 亿美元；2021 年底 7300 亿美元；2023 年 6 月首次突破 1 万亿美元；2024 年 2 月突破 2 万亿美元，6 月短暂超过微软、苹果，成为全球市值第一的公司，首次突破 3 万亿美元；2025 年 7 月成为人类历史上第一家市值达到 4 万亿美元的公司；2025 年 10 月一度触及 5 万亿美元。到 2026 年 4 月，NVIDIA 市值稳定在约 4.8 万亿美元左右，是全球市值最高的企业。
DeepSeek 震撼与 CoWoS 瓶颈
然而神话并非没有裂缝。
2024 年开始，全球 AI 芯片的真正瓶颈不再是 GPU 本身，而是台积电的 CoWoS（Chip-on-Wafer-on-Substrate）先进封装产能。H100、B200 都需要 CoWoS 把 HBM 高带宽内存和计算芯片堆叠在一起；而全球 CoWoS 月产能一度卡在 3 万片晶圆左右，被 NVIDIA 几乎独占，也成为所有 AI 大模型交付节奏的隐形节拍器。
更大的冲击来自 2025 年 1 月 27 日。中国公司 DeepSeek 发布 R1 推理模型，宣称仅用约 600 万美元和约 2000 张 H800（H100 的对华特供版）就训练出媲美 GPT-4 的模型。消息传出当天，NVIDIA 股价单日下跌 17%，市值蒸发约 5890 亿美元——美国股市历史上最大单日市值损失。华尔街第一次认真问：如果模型可以更高效地训练，我们还需要那么多 GPU 吗？
黄仁勋几周后在 GTC 大会上给出了自己的回答："推理模型需要更多算力，不是更少——因为它要在回答之前思考。" 事实也支持他：DeepSeek 之后的几个月里，B200 订单不降反升，整个 Blackwell 产品线到 2026 年年中之前已全部售罄，积压订单据报道超过 360 万颗。
收购 ARM 的失败与野心的重塑
在大模型狂潮之前，NVIDIA 曾试图通过一次超级收购重塑半导体版图。
2020 年 9 月，NVIDIA 宣布以 400 亿美元现金加股票的价格收购英国芯片设计公司 ARM——全球最主流的移动和嵌入式 CPU 架构公司，其授权的 CPU 核存在于几乎每一部手机里。这是半导体史上规模最大的交易。然而，该交易在全球引发强烈反垄断担忧：ARM 原本向所有公司（包括苹果、高通、华为）中立地授权，被 NVIDIA 收购后会不会偏袒自家？2022 年 2 月，在美国 FTC、欧盟、英国 CMA 和中国监管机构的联合反对下，NVIDIA 宣布放弃收购，向软银支付 12.5 亿美元分手费。
这场失败让 NVIDIA 转向自研 CPU。2023 年推出的 Grace CPU（72 核 ARM 架构服务器 CPU）与 Hopper GPU 组成 GH200 超级芯片；2024 年 Blackwell 时代的 GB200 则把 1 颗 Grace 和 2 颗 B200 绑在同一块模组上，通过 NVLink-C2C 实现 900 GB/s 的 CPU-GPU 互连，成为超大模型训练的标配形态。
从硬件厂商到全栈 AI 公司
到 2026 年的 NVIDIA，已经远不是"只卖显卡"的公司。
Nemotron 系列：NVIDIA 自研的大语言模型家族，开源权重，参数规模从几十亿到超 3000 亿不等，主要用于为客户提供可本地部署的高质量基础模型。
Project GR00T：2024 年 3 月 GTC 发布的人形机器人基础模型项目，目标是为人形机器人提供类似 GPT 之于对话的通用大脑，已被 Figure、Agility、小鹏等公司接入。
Omniverse：基于 USD（Universal Scene Description）的工业数字孪生平台，被宝马、西门子、富士康用于工厂仿真；同时也是机器人训练的合成数据工场。
DGX Cloud：把自家的 DGX 超算以云服务形式租给客户，绕过传统云厂商。
NVIDIA AI Foundations：为企业定制基础模型的全栈服务。
Drive Thor：车载 AI 计算平台，比亚迪、梅赛德斯-奔驰、捷豹路虎的下一代智能汽车已经在用。
网络业务：2019 年以 69 亿美元收购 Mellanox，把 InfiniBand 和 Spectrum 以太网收入囊中；2024 年起，网络收入已经超过 100 亿美元，支撑了整个 AI 工厂（AI Factory）的互联。
黄仁勋称这种转变为"AI 工厂"——一座数据中心不再只是一组服务器，而是一台生产智能的机器。而 NVIDIA 要做的，是提供这台机器里从芯片、网络、系统、软件到模型的几乎全部组件。
首席科学家与工程文化
支撑这一切的，是一支极为专业的工程团队。2009 年加入 NVIDIA 任首席科学家的比尔·达利（Bill Dally）来自斯坦福，是并行计算与片上网络领域的权威。他领导的 NVIDIA Research 实验室长期保持约 300 人规模，负责前瞻性架构研究，从光学互连到稀疏计算、从低精度训练到芯片级硅光子。
黄仁勋本人保持了硅谷罕见的执掌长度——从 1993 年创立至 2026 年，他已经连续担任 CEO 超过 33 年，是财富 500 强中任期最长的创始 CEO 之一。他以高强度工作和扁平化管理著称：据说他直接向 60 多名高管汇报，没有传统意义上的 1-on-1，所有重要决策在邮件群和站会上公开讨论。他常穿的皮夹克、一次次 GTC 上的 keynote、"The more you buy, the more you save"（买得越多省得越多）的经典台词，已经成为 AI 时代的流行文化符号。
太史公曰
太史公曰
观 NVIDIA 三十三年之兴，其道有三。
其一，长期主义。CUDA 自 2006 年始，十五年无问津而黄生不辍；及至 AlexNet 一出，天下乃觉 GPU 为神算之器，NVIDIA 已独据其市。此非一日之功，乃十余载押注之果。
其二，软硬并举。世之做芯片者众，或有速度之利，或有能效之优，然未有能成生态者。NVIDIA 之胜，半在 Tensor Core，半在 cuDNN、NCCL、TensorRT 数十个库——护城河非以石筑，而以时与码筑之。
其三，顺势而为。从游戏到科学计算，从科学计算到深度学习，从深度学习到大模型，从大模型到具身智能，每一次转折黄生都在前三年已下注。不是预言家，只是准备好的人恰好站在门口。
然富贵之极，必有隐忧。DeepSeek 一役，市值一日蒸发 5890 亿美元，提醒世人：算力不是信仰，效率终会回归；CoWoS 为瓶颈，亦让我们看到再强大的公司，也被一条产线扼住咽喉。护城河深，但河对岸也从未真正安静。
亲历者说
征集中
如果你曾在 NVIDIA 工作，或者使用 CUDA 开展过研究、用 GeForce 训练过你的第一个神经网络，欢迎提交贡献。
参考资料
- Jensen Huang, "NVIDIA Founder Story: From Denny's to the GPU Revolution," Stanford GSB talk, 2023.
- Tae Kim, The Nvidia Way: Jensen Huang and the Making of a Tech Giant, W. W. Norton, 2024.
- NVIDIA Corporation, "NVIDIA Launches the World's First Graphics Processing Unit: GeForce 256," Press Release, Aug 31, 1999.
- Ian Buck, "GPU Computing with NVIDIA CUDA," SIGGRAPH Courses, 2007.
- Rajat Raina, Anand Madhavan, Andrew Ng, "Large-scale Deep Unsupervised Learning using Graphics Processors," ICML 2009.
- Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," NeurIPS 2012.
- NVIDIA, "NVIDIA Announces Financial Results for Fourth Quarter and Fiscal 2025," Feb 26, 2025.
- Al Jazeera, "Nvidia becomes first US company to reach $4 trillion market cap," Jul 9, 2025.
- CNBC, "Nvidia sheds almost $600 billion in market cap, biggest one-day loss in U.S. history," Jan 27, 2025.
- Fortune, "Jensen Huang says investors got it wrong over DeepSeek stock selloff," Feb 21, 2025.
- NVIDIA, "NVIDIA Blackwell Platform Arrives to Power a New Era of Computing," GTC Keynote, Mar 18, 2024.
- Financial Times, "Nvidia abandons $66bn Arm takeover bid," Feb 8, 2022.