黃仁勳：NVIDIA 如何讓 GPU 走出圖形處理

平行處理，匯集成果。由 AI 生成的概念插圖。

遊戲每秒必須繪製許多次新畫面，AI 模型則必須執行極大量的計算。這看起來是兩種不同的工作，但兩者都包含可以拆成許多較小運算、同時處理的部分。這就是 NVIDIA 從電腦圖學走向 AI 背後的連結。

黃仁勳是誰？

黃仁勳於 1993 年與 Chris Malachowsky、Curtis Priem 共同創立 NVIDIA。他曾在奧勒岡州立大學攻讀電機工程，並於 1992 年一邊工作、一邊完成史丹佛大學碩士學位。他的背景有助於理解最初的出發點：圍繞電腦需要完成的工作，打造晶片與企業。他在史丹佛大學的介紹頁面回顧了這段工程師生涯。

圖形晶片為何不只能畫圖

想像你要把一張照片裡的每個像素調亮。處理一個像素的計算，可以與另一個像素的計算同時進行，這就是平行處理。圖形處理器，也就是 GPU，正是為了同時處理大量運算而設計。中央處理器，也就是 CPU，則更適合多樣化的任務，以及下一步取決於上一步的序列工作。兩者會配合運作。

許多 AI 計算也涉及對大型數值陣列反覆執行數值運算。GPU 可以加速其中適合平行處理的部分。但加上 GPU 並不會自動讓每個程式都變快：任務必須能拆分，資料必須送達處理器，軟體也必須有效利用它。

關鍵的橋梁是軟體

NVIDIA 於 2006 年推出 CUDA，讓開發者能將其 GPU 用於圖形處理以外的運算。可以想想，擁有一間設備強大的工坊，與同時擁有好用的工具、操作說明及工作安排方法，有什麼差別。函式庫與程式設計工具協助人們把硬體用起來。NVIDIA 的 CUDA 入門文件說明了 CPU 與 GPU 如何合作。

與其把這說成某一位領導者預見一切的故事，從這個角度更容易理解 NVIDIA 的發展。晶片、軟體，以及開發應用程式的人，必須共同配合。當有人能用一項技術能力解決真實問題時，它才產生價值。

接著要問：誰能做選擇？

實用的平台也會帶來實務問題：軟體能不能搬到其他地方？更換工具的成本是多少？誰決定哪些改變是你必須接受的？這些都是選擇基礎設施時需要查明的問題，不能單憑一家公司的聲譽就得到答案。

在網際網路協調方面，盧恒於隨筆 65：運行代碼優先中，進一步探討選擇權的問題。他主張規則應能由參與者在本地驗證，變更則由他們自願採納。兩者的連結，是一個值得繼續追問的問題：這套基礎設施是否擴大了使用者能做的事？他們是否仍保有選擇的能力？