英伟达的进化之路：从电子游戏到人工智能

　　“深度学习几乎和大脑一样”，黄仁勋说：“它非常有用，你可以教会他几乎所有事情。但是它有一个非常大的壁垒，那就是它需要大量的计算。而我们的GPU具备这样的计算能力，是深度学习计算模型的理想选择。”

　　深度学习发展史具有里程碑意义的事件发生在2010年帕罗奥图的一家日本餐馆，在这里，斯坦福的软件语言学教授吴恩达(Andrew Ng)会见了Google 当时的 CEO 拉里·佩奇和塞巴斯蒂安·特伦(Sebastian Thrun)。塞巴斯蒂安·特伦是一位才华洋溢的计算机科学家，后来成为了Google X实验室的负责人。早在2008年吴恩达就发表了一篇关于将GPU运用到深度学习模型的学术文章。“深度学习在2008年还不常见”，吴恩达说：“当时的风气是写出花哨的算法。”

　　特伦开发了最早一批的自动驾驶车，在斯坦福他和吴恩达的办公室只有一墙之隔，这两位科学家共同选择了在Google建立一个深度学习研究团队。这样的选择是有道理的：Google有大量的计算基础设施，这对于搭建世界上最大的神经网络来说是再好不过的了。佩奇同意了他们的想法，Google Brain就这样诞生了。Google Brain产出的深度学习几乎渗透到了Google的每一个产品里，尤其是搜索、语音识别和图像识别。

　　在谷歌开始开发Google Brain的同时，相隔2500英里以外的另一只研究团队也在捣鼓着深层学习。2012年，当时还是多伦多大学博士研究生的Alex Krizhevsky向ImageNet大赛提交了他出色的研究成果。全球各地的参赛者都可以向ImageNet大赛提交自己的软件，比赛内容是软件对图像中的物件和场景识别的精准度。Alex Krizhevsky在自己的房间里用两块英伟达GeForce游戏芯片开发出了他的深度学习神经网络系统，他向其中导入了120万张图片来训练其深度学习模型。他开发的这套模型所达到的图像识别准确度是前所未有的，错误率只有15%——对于以前25%的错误率来说是巨大的进步。Alex Krizhevsky的研究成果不仅赢得了当年的ImageNet大赛还立刻在学术界引起了巨大的反响。(Alex Krizhevsky和他以前在多伦多大学的教授现在都在Google工作。)

　　有了这样的进步以后，深层学习开始以野火般的趋势推展开来。除了谷歌以外，微软、Facebook和亚马逊也开始着手富有前瞻性的深层学习项目。英伟达加大了对CUDA基础软件生态系统的投资，这一决定成为了推动这一场变革的关键助因。“这需要多年投入大量资金，”英伟达CUDA开发团队领头人Ian Buck说：“我们现在正在从多年前这笔富有远见的投资中收获果实，这是黄仁勋多年来一直的承诺。”

　　基于深层学习，英伟达持续优化其硬件。英伟达将8片最新发布的服务器芯片Tesla P100集装在一个三英尺长五英寸厚的长方形容器中，英伟达将这个容器命名为DGX-1并号称其是“世界上第一台盒子里的AI”。这台售价130,000美金的机器的计算速度达到了每秒170万亿次( teraflop)，这相当于250台传统服务器的计算速度。今年8月，黄仁勋亲自将第一台DGX-1送给Elon Musk，Elon Musk在旧金山运营了一个名为OpenAI的非营利AI项目。

　　黄仁勋的竞争意识在他早年就显现出来了。黄仁勋于1963年出生在台湾，在他10岁那年，他的父母还在办理移民手续，他被送到肯塔基州东部偏远地区的寄宿学校上学，在那里度过了糟糕的青春时光。当时那里环境恶劣，他的室友是比他年长7岁，身上有7处刀伤的男生。黄仁勋找到了自己的情绪出口，他迷上了乒乓球。1978年，15岁那年，他在美国乒乓球公开赛中夺得了青年组双人季军。

　　黄仁勋在高中时又迷上了计算机，后来在俄勒冈州立大学(Oregon State University)学习计算机科学及芯片设计。在那里，他还遇见了他的老婆Lori。毕业以后，他们搬到了硅谷，在这里黄仁勋的第一份工作是在Intel的对手AMD那里设计处理器芯片。同时，他继续进修学习，在1992年，他在斯坦福取得了电气工学学硕士学位。接下来，他就在芯片制造商LSI Corp.遇见了Malachowsky和Priem，当时Malachowsky和Priem都还在Sun Microsystems工作。

　　他们三个想创办一家图像处理芯片公司时，黄仁勋才刚满30岁。他们在早期图像处理中看到了可以带来进步的巨大机遇，他们的产品后来也成功的运用在了PC上。

　　英伟达在1995年发布了第一代芯片NV1，耗费了1千万美金开发费，这笔钱由红杉资本和Sutter Hill Ventures提供。英伟达设想NV1可以在很多场景下使用，但不幸的是消费者并不买单。当时英伟达才刚建立起来两年，濒临破产，他们被迫解雇了几乎一半的员工，最后留下了40人。他们于1997年发布的第三代芯片RIVA128终于取得了成功。RIVA128的速度比其他图形处理器快4倍，公司的危机也由此解除了。

　　在接下来一二十年里，各厂商都在不断打破处理速度记录，这已成为该行业和英伟达的常态。但是当时的70家GPU公司现在还存在的只有英伟达和AMD了。

　　在当时，黄仁勋就成功地打造了愉快的工作氛围，这呼应了该公司在Just 100榜单上的排名。他一直心系员工。在2015年的一场关于工作环境多样化的会议上，他和一群英伟达女员工聊后发现了她们不能在事业上更上一层的原因。其中很重要的一点就是产假。黄仁勋决心改善这一状况。现在英伟达的员工可以休22周的带薪产假，另外还有8周的弹性时间作为回归过渡期。

　　黄仁勋将员工的幸福都归功于英伟达所做的事业。进入深沉学习这样的领域也为整个工作氛围注入了新的活力。“工作必须能够给整个社会带来价值。我们希望我们的工作可以改进癌症的早期发现和诊断。这多么美妙啊!”

　　英伟达的成功并不是没有人注意到，几乎所有的大型芯片商都突然开始追寻AI梦了，同时也有大量的初创公司开始开发架构新型的深层学习芯片。开始躁动的不仅是芯片制造商。未来科技业中，深层学习至关重要，因此英伟达最重要的客户Google现在也开始制造芯片了，成了其竞争对手。Google在此之前从未制造过芯片。

　　Google在5月的开发者大会上宣布已经搭建好了一款名为Tensor Processor Unit的定制芯片，该芯片专为其深层学习框架TensorFlow制造。Google表示已经在其数据中心中使用此芯片以改善其地图服务和优化搜索结果。

　　无独有偶，英伟达的另一客户微软现在也开始为自己的数据中心开发制造芯片，该定制芯片被命名为FPGA，量产后，该芯片可以被重新编码，对于AI app来说十分有利。

　　半导体行业的领军人物英特尔似乎尤其惧怕英伟达的进步。在错过了智能手机的浪潮以后，它不能再错过深层学习的浪潮了。英特尔没有先进的AI研究，于是选择了疯狂收购。英特尔最近买进了两家AI初创公司：在8月以4亿多美金购入了Nervana，接下来还会收购Movidius，该笔收购还暂未披露任何报价。去年英特尔还豪掷160亿美金购入了FPGA制造商Altera。

　　英特尔非常注重维护其收入来源——数据中心。英特尔以垄断地位占据了该市场几乎99%的市场份额。英伟达现有的芯片还不能替代英特尔的处理器，英特尔的处理器速度仍然更胜一筹。但是英特尔更想的是它的客户们都只用它的产品。因此，英特尔计划在2017年发布一款为深层学习优化的服务器芯片——新一代Xeon Phi处理器。英特尔高调的宣布，有了从Nervana购入的技术，该公司可以在2020年之前将现有的深层学习网络速度提高100倍。

　　英伟达的优势是它早于英特尔，AMD及其他对手在深层学习领域开展业务。但是它也不能松懈。多年来，它在该领域一枝独秀，但是现在市场涌入了更多竞争者了。“我认为英伟达所处的位置非常好，形势对他们非常有利，但是我还是不能保证他们会怎么样，”资深科技分析家 Jon Peddie说到，“有太多人对这个市场虎视眈眈了。”

　　“AI 计算是计算机的未来，”黄仁勋说：“只要我们继续保持着最优AI计算平台的位置，我认为我们可以获得大量业务。最终，GPU会存在于每一个公司。”

　　黄仁勋沿袭了曾长期执掌英特尔的Andy Grove 在其90年代的畅销书《只有偏执狂才能生存》(Only the Paranoid Survive)中的哲学理念。

　　“我一直都假设我们30天以后就没有业务了，”黄仁勋说：“这从来没有变过。这不是害怕失败，这是害怕自满，我不想在心中为自满留下一点点位置。”