黄仁勋与英伟达：游戏显卡为什么能走向 AI？

把工作拆开，同时处理，再汇集结果。AI 生成的概念示意图。

游戏需要一秒钟画出许多幅画面，AI 模型需要完成海量计算。两件事看起来不同，却有一个共同点：其中有些工作可以拆开，同时交给许多计算单元处理。理解这一点，就能明白英伟达为什么能从游戏显卡走向 AI。

先认识黄仁勋

1993 年，黄仁勋与 Chris Malachowsky、Curtis Priem 共同创办英伟达。他在俄勒冈州立大学学习电气工程，工作期间继续求学，于 1992 年取得斯坦福大学硕士学位。与其只记住“有远见的企业家”，不如从他的工程师背景入手：电脑需要完成什么工作，怎样的芯片能把它做好？斯坦福的人物介绍记录了这段经历。

画图的芯片，为什么也能做计算？

想象把一张照片的每个像素都调亮一点。处理这个像素时，不必等另一个像素处理完。许多计算可以同时进行，这就叫并行计算。GPU，也就是图形处理器，擅长这种工作。CPU，即中央处理器，则适合处理多样的任务，以及必须先完成上一步才能进行下一步的工作。两者各有分工，通常一起使用。

AI 的许多运算，也是在大批数字上反复做计算。GPU 能加快其中适合并行处理的部分。但买一块显卡，不等于所有程序都会变快：任务能不能拆开、数据传输跟不跟得上、软件会不会使用它，都影响结果。

把硬件能力变成可用工具，软件是关键

2006 年，英伟达推出 CUDA，让开发者可以用 GPU 完成图形以外的计算。这好比有了设备齐全的工坊，还需要趁手的工具和组织工作的办法。编程工具与软件库帮助人们真正用上硬件。英伟达的 CUDA 入门文档解释了 CPU 与 GPU 如何协作。

从这个角度看，英伟达的发展就不只是一位领导者预见未来的故事。芯片、软件和写出实际应用的人必须配合起来。技术能解决具体问题，才真正产生价值。

接下来，还要问选择权在谁手里

一个平台很好用，并不意味着所有问题都有了答案。软件能否迁往其他平台？换一套工具需要付出多少成本？哪些变化可以自己决定接受或拒绝？选择基础设施时，这些都值得逐一弄清楚。

在互联网协调问题上，卢恒在第 65 篇札记《运行代码优先》中把选择权推得更远：参与者应能自行验证规则，自愿采用变化。读完这段技术史，可以带着一个问题继续读他的论述：基础设施扩大了使用者的能力，是否也保留了他们自主选择的空间？