英偉達黃仁勳的豪賭：行走在破產邊緣，打造萬億 AI「軍火商」
營收翻兩倍至 181 億美元，利潤從去年同期的 6.8 億美元直接飆升到 92 億。
在 AI 浪潮下，英偉達最近一季度以超於期待的「炸裂」表現，從台積電手上奪走桂冠，成為「芯片之王」。
引用人工智能領域正在進行一場戰爭，而英偉達是唯一的軍火商。
一位華爾街分析師曾如此評論。
英偉達今天享受的「AI 紅利」，來自於黃仁勳十多年前的「豪賭」。通過《紐約客》最近一篇深度報道，我們得以看到這場決定性的「豪賭」背後的更多細節。
成功從來沒發打包票，破產永遠都在邊緣。
點燃人工智能的「大爆炸」時刻
引用那是第一個 8K 分辨率的遊戲機，佔了整面牆，太美了。
2000 年，斯坦福學生 Ian Buck 用 32 個英偉達 GeForce 顯卡連在一起，外加 8 個投影儀來玩《雷神之錘》，自己造了個高清遊戲機。
最開始，英偉達 GeForce 的成功來自於遊戲《雷神之錘》的助力。在遊戲的「死亡競賽」模式中，GPU 的並行計算讓玩家能有速度優勢，因此 GeForce 每每出新品都會有玩家跟上。
Buck 也好奇，除了讓自己投手榴彈速度快點以外 GeForce 還能做什麼。
後來，Buck 成功黑進了顯卡的原始編程工具「着色器（shader）」，利用其並行計算，將 GeForce 變成了一台低成本的超級計算機。
沒過多久，Buck 就成了英偉達的員工。
▲ Ian Buck 現在已經是英偉達的副總裁
黃仁勳想讓 Buck 做一套軟件，讓每一個 GeForce 都能變成超級計算機。同時，也讓硬件團隊在芯片結構上進行對應改造。
2006 年，Buck 為英偉達做的 CUDA 正式推出，可支持研究人員和編程人員通過編程語言來更個性化和高效地利用 GPU 的計算能力。
然而，消費者對於黃仁勳想給大家普及的超級計算機沒啥興趣。在硅谷流行的科技播客「Acquired」如此評論道：
引用他們在這種新的芯片架構上花了鉅款。
他們花了幾十億美元，目標在於服務學術和科學計算的一個小眾領域，那在當時還是一個不大的市場 —— 市場規模肯定比他們投入那幾十億小。
當時的英偉達也在廣撒網，努力尋找目標客户。試了股票交易員、石油勘探公司、分子生物學家等等，但並沒有考慮過人工智能領域。
甚至連「AI 教父」主動「上門」都沒有感覺。
這也難怪。
▲「AI 教父」Geoffrey Hinton
今天，我們會稱 Geoffrey Hinton 為「AI 教父」。
然而，在 2009 年，Hinton 是在被資本嫌棄的 AI 領域裏，研究在該領域裏還要算上是小眾的「神經網絡」。
Hinton 那年給英偉達寫了一封這樣的郵件：
引用我剛給上千個機器學習研究人員説，他們都該去買英偉達的顯卡。你可以免費寄一個給我嗎？
結果？當然是被拒絕了。
在那之前，Hinton 曾嘗試用英偉達 CUDA 平台去訓練神經網絡來識別人類語言，發現成果的質量比想象中好很多，於是決定在行業會議上展示。
雖然英偉達不肯給 Hinton 送顯卡，但 Hinton 依舊鼓勵學生用它。
其中最關鍵的，是他門下兩位出色的程序員 Alex Krizhevsky 和 Ilya Sutskever。
▲（從左至右）Ilya Sutskever、Alex Krizhevsky 和 Geoffrey Hinton
眼尖的讀者應該有發現，後者就是 OpenAI 的首席科學家，那個主導了 ChatGPT 背後技術的人。
2012 年，Sutskever 和 Krizhevsky 買了兩個英偉達 GeForce 顯卡，在一週時間裏就給神經網絡灌了數百萬張圖片數據，訓練出了「AlexNet」。事後 Sutskever 回想：
引用GPU 出現了，感覺就像奇蹟一般。
他的感嘆不無理由。
也是同一年，Google 曾購置了一萬六千多個 CPU 來訓練他們的神經網絡，以做到可以識別出貓咪視頻。
而 AlexNet 卻能夠正確地識別電動車、獵豹、貨運船等內容的圖像，只用了兩個 GPU。
2012 年，在當年仍相當權威的大規模視覺識別挑戰賽（ImageNet Large Scale Visual Recognition Challenge）中，AlexNet 以 top-5 誤差 15.3% 的成績奪冠，表現遠優於第二名和之前的參賽者，出眾到還一度被懷疑作弊。Hinton 評論説：
引用那是一種大爆炸時刻。一種範式的轉變。
雖不是刻意為之，但英偉達就這樣點燃了人工智能的「大爆炸」時刻。
成為一家 AI 公司
引用（黃仁勳）他在週五晚上發出一份郵件，表示公司一切將圍繞深度學習展開，我們不再是一家圖像公司。
在接下來的週一清晨，我們就成為了一家 AI 公司。
真的，就是那麼快。
英偉達副總裁 Greg Estes 告訴《紐約客》。
在 AlexNet 登場之後，沒過幾年，近乎所有參加大規模視覺識別挑戰賽的人都選用了神經網絡這種形式。
到了 21 世紀 10 年代中期，用 GPU 訓練的神經網絡在圖片識別的準確度已經達到 96%，這個精確水平甚至已經超過了人類。
黃仁勳的超級計算機願景成真，他開始找下一個目標：
引用我們能夠解決計算機視覺問題，一個完全無組織結構的問題，這個事實指向了一個問題：「你還能教它什麼其他的東西？」
黃仁勳內心的答案似乎是 —— 一切。
他認為神經網絡將改變社會，他也可以用 CUDA 來壟斷這背後所需硬件的市場。
他縱身一躍，開啓了英偉達的 AI 征途。
這次，AI 行業的領軍人物不再需要給英偉達寫郵件申請免費顯卡了。
2016 年 8 月，黃仁勳親自將世界上首台 DGX-1 送到 OpenAI 的辦公室。
當時還未和 OpenAI 決裂的馬斯克親自開箱了這個由 3000 人耗時 3 年打造的成果。
在官方新聞稿中，黃仁勳開玩笑地説：
引用如果這是唯一一個出貨的產品，那這個項目造價就高達 20 億美元了。
誰能想到，第二年 Google 就公佈了一種新的神經網絡訓練架構 Transformer。
這次的新突破再被 Sutskever 抓住，引領 OpenAI 建造出來第一個 GPT 模型，一切都建立於英偉達的超級計算機上。
一年前的今天，OpenAI 正式向公眾發佈了 ChatGPT，改變了一切，其中也包括英偉達。
訂單不止，供不應求。
在 2023 年，英偉達的股價累計飆升超過 200%，成為全球首家市值突破萬億美元的芯片製造商。
曾經不被看好的 CUDA 也聚合了 400 萬名開發者，成為了英偉達在 AI 領域的另一「護城河」。
無論是航空航天、生物科學、機械以及能源探索等領域研究，大部分都是在 CUDA 之上進行。
英偉達最新的 AI 產品 DGX H100 則是一個重達 370 磅的金屬盒子，定價高達 50 萬美元。
和當時送到 OpenAI 辦公室的 DGX-1 相比，新產品運行速度提升了五倍。
想要訓練出 AlexNet，一分鐘內就搞定。
總是「在破產邊緣」的成功者
今年 9 月，黃仁勳受邀回到加州聖何塞的那家丹尼餐廳。
當年，他就是在這個餐廳的卡座裏和合夥人起草文件，成立了英偉達。
他們想設計一款能讓競爭對手「嫉妒死（green with envy）」的芯片。黃仁勳想到了「Nvidia」這個名字，融入了拉丁語中「嫉妒（invidia）」這個詞。
如今的英偉達當然讓競爭對手眼紅，連連鎖餐廳丹尼的 CEO 都特意為他們做了一塊紀念牌，讓英偉達的光也照在餐廳裏。
然而，英偉達的成功不是一個特別典型的「成功者」故事。
英偉達初成立時，喜歡電子遊戲的黃仁勳認為遊戲市場值得擁有更好的顯卡，在 1995 年推出了首款產品 NV1。
然而，NV1 並沒有真正地被主流市場接受過，其中一大原因在於同年微軟推出了 D3D 的 API，但 NV1 卻不支持 D3D。接下來一代產品 NV2 也失敗了。
「賭」輸了一次的黃仁勳不服氣，他在 1996 年辭退了一半員工，收緊資金，把一切都押在了未經測試的新產品上：
引用幾率 50/50，但無論如何我們都已經在破產邊緣了。
當 RIVA 128 正式開售，英偉達剩下的錢只夠頂一個月的開支了。所幸 RIVA 128 獲得了成功，4 個月就售出了上百萬件。
從那時起，黃仁勳就開始鼓勵員工帶着這種「絕望」去工作。
對於黃仁勳而言，困境和失敗並不陌生：
引用我發現，我在困境之中想東西最清晰。
我的心率甚至會下降。
他甚至堅持，「失敗一定要被分享」。
之前，英偉達曾寄出過一款有問題的顯卡，那顯卡上的風扇超級響。
黃仁勳沒有炒掉負責這個產品的經理，而是開了一場大會，聚集了幾百號人，讓這個經理去講述每一個最終導向這場鬧劇的決策。
把「失敗」展現出來，也成為了英偉達內部的「習俗」。
引用你也可以由此很快看得出，誰能在這裏留下，誰不可以。
如果有人開始立起防禦，那我就知道他們留不久了。
英偉達軟件負責人 Dwight Diercks 説道。
黃仁勳還喜歡鼓勵員工去追求「0 億美元市場（zero-billion-dollar market）」—— 那些不僅還沒有競爭對手，甚至還沒有明確顧客的實驗性領域。
畢竟，正如黃仁勳所言：
引用我一直覺得我們距離破產就只有 30 天。這一點從來沒變。
沒什麼理由不拼一把。
資料來源：愛範兒（ifanr）