nvidia是什么公司-Nvidia 是图形芯片巨头

Nvidia 这家公司，听起来可能有点拗口，就连有点“老派”，但要是你彻底不懂它，那确实挺难在目前的 IT 圈子里站得住脚。别跟我谈啥“开创先河”，也别跟我念那些晦涩难懂的“摩尔定律”公式。好办说，它就是那个在显卡领域、特别是深度学习这块地儿，一直干着“硬骨头”活儿的巨头。 你看目前的 AI 火得离谱，啥大模型、生成式 AI、自动驾驶，全都在蹭它的热度。但这家公司可不是那种为了炒概念随意造个显卡就躺在卖钱上赚快钱的“韭菜们”能混的。它从上个世纪的 80 年代就启动发家了，那时候它主要卖硬件，是卖图形处理芯片的。
那时候的图形，就是给游戏机、显卡游戏机用的，那时候的显卡也是为玩 3D 游戏设计的，像素点少，画面不流畅，操作起来跟做地球模拟器差不多。
那时候的显卡是“笨”的，但后来它确实用上了，能从 80 年代一直干到目前，这劲头确实不一般。 说到“笨”，实际上它的芯片也是跟着硬件发展的。早期的 GPU 核心数量少，速度慢，那是时代的眼泪。
可是，到了 2018 年，A100 处理器算是它的一个转折点。
那一年，它发行了 A100，专门给训练大模型用的。数据层面上，当时它的参数有点大，但更关键的是它启动把算力堆高了。到了 2019 年，P100 和 H100 的出现，直接把它的算力推上了新台阶。H100 那时候被大量大模型训练机构抢着要，出于它的算力密度确实高，随意在一个集群里跑几个大模型都不成难题。
那时候的图，确实有点亮，能点亮一些万亿级的参数模型，训练速度也明显快了。 但到了 2023 年，H100 还是显得有点“老”。
那时候的算力，别看比前几代高，但还是跟不上后来“卷”出来的算力。Nvidia 自己也承认了，它得跟别的厂商拼，拼速度，拼效率，拼那些新出来的架构。便，Blackwell 系列出现了。相比之前的 H100 和 H800，Blackwell 在能效比上提升了大量，核心数量也多了。更绝的是，它把 Tensor Core 和 Cores 分开了。
那会儿是混在一起的，目前把专门做矩阵运算的 Tensor Core 和专门做计算的核心分开了，这样效率更高，跑速度更快。对软件层来说，这意味着有了更多的库能够直接调用，比如 PyTorch 和 TensorFlow，只要适配上了，就能在 Blackwell 上跑起来，并且速度明显比在 H100 上快。 这种“卷”的劲儿，在数据上实际上能看出来。
比方说，在同一个训练集群里，要是混着跑，Blackwell 的速度可能达到 500 TFLOPS 左右。而单独跑 H100 的话，速度大约在 350 TFLOPS 上下。
这就是架构升级带来的实实在在的提升。再比如，对于多卡协同，NVIDIA 出了一堆新的互联方案，比如 NVLink。
那会儿是两条线，目前是四条线，带宽翻倍了。
这意味着，要是你有多个卡插在同一个板子或服务器上，它们之间的数据传输瞬间就能搞定，不再需求等那么久。
这对训练大模型特别关键，出于大模型的训练需求频繁地从显存里读写数据，带宽越宽，速度越快，收敛难题就越好办解决。 还有那个 Tensor Core。
那会儿是混合的，目前分开了。
这有啥益处呢？益处就是软件层能够针对 Tensor Core 做优化。
比方说，数学运算比纯计算快。在训练大模型的时候，挺大一局部工作就是矩阵乘法，是纯计算，这时候用 Tensor Core 能跑起来。而有些操作是复杂的数学运算，能够用 Tensor Core 加速。
这种分层处理，让软件层能更智慧地利用硬件的优势。 不过，咱们也得看到，Nvidia 也不是没缺点。它时常被诟病出于垄断，害得软件生态里的一些插件和工具不够多，要么生态碎片化严重。
比方说，ARM 架构的设备上，Nvidia 的驱动和软件栈赞成得不好，用户得自己写代码去适配，这确实是个痛点。
还有啊，软件生态里，像 Linux 原生赞成还是得看社区，有时候会有点折腾。 但话说回来，这些确实是挑战，而不是它不中了，只是说明它还在不断进化。对于开发者来说，选择上使用 Nvidia 的驱动和生态，确实会省事多，出于文档完善，工具多，社区活跃。对于一般/平平用户，比如玩 3D 游戏、做视频剪辑，Nvidia 的显卡还是那种“闭着眼就能玩”的好东西，负担小，效率也高。 再说说市场表现。在 AI 大模型训练这块，Nvidia 的 H100 和 Blackwell 系列确实还是抢手货，特别是多卡训练的场景。用户想要跑一批大模型，买多台 H100 混个连，要么买多台 Blackwell 拼一起，这都是贼常见的需求。在云计算这个领域，Nvidia 的 A100 和 A800 系列依然是大量云厂商的首选，出于算力强，兼容性好，部署起来撇脱。 另外，Nvidia 在存本上也做得不错，比如 NVMe SSD，别看不算它是 CPU，但对 AI 训练和推理都有挺大帮助。在软件层，它也有自己的 CUDA 库，别看目前并不是所有厂商都在全面使用，但 CUDA 依然是行业标准之一，大量大模型框架都深度依赖它。 总的来说，Nvidia 是一家典型的技术驱动型公司。它的核心逻辑一直就是一条：硬件要越来越强，架构要越来越智慧，软件生态要越来越完善，最终让用户在 AI 应用上跑得又快又稳。它不会说自己是“最好的”，但它在 AI 领域的统治力，特别是视觉、计算、通信这几个方面，确实是有目共睹的。别看行业也在变，其他厂商也在发力，但 Nvidia 这个老大哥，还在那个位置上，就连可能还在往上爬。 对于想要搞 AI 的人来说，选择 Nvidia 的服务器、显卡、软件栈，确实是最稳妥的一个策略。
毕竟，在这个领域，能跑起来，往往就意味着能跑得更快，能跑得更准，能迭代得更久。自然，也不是所有场景都适合用 Nvidia，毕竟 ARM 架构的设备还在通过软件适配慢慢提升，但在这个特定领域，Nvidia 确实还是那个“硬”面。 最终，咱们再回回看数据。
比方说，在同一个训练集群里，当大家把 H100 和 Blackwell 混合起来跑的时候，算力的表现确实是有质的飞跃。
那种提升，肉眼由此可见，报表上也能看出来。对于训练一个千亿参数的模型，这种速度的差异，就是几个月就连更久的区别。
这就是硬件进步带来的红利。 故此，别被它那种“老派”的叙事方式迷惑了。它一直在做着自己认定有价值的东西，从卖显卡到卖算力，从卖硬件到卖生态。对于想要走进 AI 世界的人来说，Nvidia 确实是个绕不开的名字，出于它代表了目前 AI 算力基础设施中最主流、最硬的选项。