30 秒看懂
Jensen Huang 等参与者回顾 NVIDIA 的创立、NV1 的失败、RIVA 128 的转机,以及对通用 GPU 和 AI 计算的投资。
- 1学习 PC工作站领域的资深工程师需要学习 PC 生态。
- 2NV1技术雄心很大的芯片并未符合客户需求。
- 3艰难转向行业架构转变时,创始人改变了方向。
- 4一次芯片机会仿真帮助团队在制造前测试设计。
- 5GPU 历史GeForce 256 与 GeForce3 对应不同里程碑。
- 6CUDACUDA 使 GPU 通用编程成为可能。
- 7不确定的 AI 市场AI 投资发生在需求尚不确定时。
要点建议
- 工作站领域的资深工程师需要学习 PC 生态。
- 技术雄心很大的芯片并未符合客户需求。
- 行业架构转变时,创始人改变了方向。
- 仿真帮助团队在制造前测试设计。
- GeForce 256 与 GeForce3 对应不同里程碑。
- CUDA 使 GPU 通用编程成为可能。
- AI 投资发生在需求尚不确定时。
按章节阅读整理后的全文
创立 NVIDIA
PC 游戏与尚未验证的市场。
红杉的 Crucible Moments 回顾 NVIDIA 早期图形业务及后来转向加速计算的历程。Jensen Huang、Chris Malachowsky、Mark Stevens、Alfred Lin 和 Andrew Ng 从各自视角讲述当时的决策。
Huang、Malachowsky 和 Curtis Priem 曾从事工作站图形与半导体工作。他们的职业合作发展成友谊,最终开始讨论创办公司。
Huang 回忆与另外两位创始人在 Denny’s 餐厅讨论想法。他们看到个人电脑正走向家庭,并相信游戏可以创造对更好 3D 图形的需求。
创始人有工作站经验,却需要学习 PC 环境。Huang 说他们购买了一台 PC,研究其硬件和软件,同时发展创业想法。
投资人 Mark Stevens 回忆,当时成熟公司已经在图形芯片领域竞争,而 PC 游戏尚未被视为大型严肃市场。创始人押注的是尚未形成的需求。
Huang 描述了从第一性原理作决定:如果团队相信 3D 图形能改变计算,就必须在市场不确定时采取行动。公司成立于 1993 年。
早期挫折
NV1、Sega 与架构转向。
NVIDIA 的首款芯片 NV1 将 3D 图形、音频和其他功能结合在一起。创始人说,这项技术成果与客户想要的更简单、更便宜的图形产品并不匹配。
Huang 回忆零售销售不佳和库存退回。他把这次经历视为产品市场契合、定位和定价方面的早期教训,而不只是工程努力失败。
公司还与 Sega 合作开发下一代游戏机。它使用的图形架构,与 PC 行业正在采用的基于三角形的方向不同。
随着 Microsoft DirectX 和其他厂商采用新兴方法,NVIDIA 面临艰难选择:完成基于现有架构的项目,还是在资金不足时放弃原方向。
Huang 说,他向 Sega 解释困境,请求解除合同责任,同时仍获得付款。他将 NVIDIA 得以争取时间寻找新路径归功于 Sega 管理层;这是他对谈判的回忆。
Stevens 回忆董事会担心公司可能耗尽资金。芯片开发需要昂贵的工程人才,而团队已经经历一款产品失败和一个方向被放弃。
RIVA 与 GeForce
测试、产品节奏与图形里程碑。
对于下一款芯片 RIVA 128,团队认为自己只能承担一次制造尝试。Huang 说他们从这个约束倒推,在制造前完成软件和验证。
团队从另一家公司购得仿真器,在实体芯片准备好之前测试设计。Huang 回忆首版芯片成功运行;节目把这个故事作为严苛约束下规划的例子。
节目报告 RIVA 128 早期销售强劲,并称开发流程帮助 NVIDIA 提高发布节奏。数字来自参与者的历史回忆,并非节目中提供的经审计销售数据。
节目将 GeForce 256 称为首款 GPU。NVIDIA 的 [1999 年时间线](https://www.nvidia.com/content/timeline/time_99.html)使用了这一称谓;其 [2001 年时间线](https://www.nvidia.com/content/timeline/time_01.html)则将 GeForce3 称为首款可编程 GPU,这与节目较宽泛的表述有所区别。
图形之外
CUDA、研究与 AI 计算。
随着 PC 图形市场成熟,NVIDIA 寻找游戏之外的用途。思路是将图形处理器的并行计算用于其他工作负载,同时继续在原有市场竞争。
公司于 2006 年推出 CUDA,作为通用 GPU 计算平台。NVIDIA 的[编程指南](https://docs.nvidia.com/cuda/archive/13.2.0/cuda-programming-guide/01-introduction/introduction.html)将这项发展置于加速计算工作负载的更广泛历史中。
Huang 回忆研究人员为科学工作组装价格相对低廉的 GPU 系统。这些例子帮助公司看到图形之外对工具的需求,尽管不同领域的计算需求各异。
Andrew Ng 介绍早期使用 GPU 训练神经网络的实验。他报告团队研究的工作负载取得很大加速,但实际收益取决于模型、硬件和实现。
嘉宾描述 NVIDIA 投入资源时,AI 计算仍是一个不确定的市场。公司必须为新技能与产品投入资金,而不知道需求会多快发展。
Huang 说,这一转变需要全公司投入注意力,而不只是一个产品团队。Ng 回忆管理层较早作出承诺;两种说法都是对决策的事后回顾。
Huang 强调重视阶段性进展,例如研究人员发现平台有用。短期反馈帮助团队坚持一项完整商业回报尚不确定的长期项目。
他认为芯片、系统和算法上的进步可以叠加。节目引用了很大的历史加速并将其外推;这类比较取决于工作负载和基线,并不保证未来会以固定速率进步。
讲者最后谈到长期视角和反复适应的教训。NVIDIA 的道路包括挫折、图形架构转向,以及后来扩展到新工作负载;他们的讲述既强调选择,也提到幸运的条件。
同频道的其他文章
1:00:41EN → 简体中文
44:26EN → 简体中文
1:08:02EN → 简体中文
1:04:26EN → 简体中文
1:05:21EN → 简体中文
52:27EN → 简体中文