1484
10📝 本期播客简介
本期我们克隆了：Nvidia Parts I–III: The GPU Company, The Machine Learning Company, The Dawn of the AI Era (1993–2023)
原内容更新时间：2023-09-05
从 90 家做着相似显卡的公司，到今天为 AI 数据中心提供整套计算平台，英伟达的路并不是一路顺风。黄仁勋曾三次押上公司，最危险时团队只剩 35 人，账上现金只够再撑 6 个月。
Acquired 的三部曲串起英伟达从图形芯片、可编程 GPU、CUDA，到生成式 AI 的发展史。Ben Gilbert 与 David Rosenthal 讲述公司如何靠一次次转型活下来，CUDA 为什么成了 AI 计算的底座，以及数据中心、芯片互连和开发者生态如何构成今天的英伟达。
👤 本期嘉宾
本集没有嘉宾出场，内容由 Acquired 主持人 Ben Gilbert 与 David Rosenthal 讲述。他们分别是风险投资人和天使投资人，长期研究科技公司及其经营史；这次从英伟达的创业、产品转型、CUDA 押注一路讲到生成式 AI 时代。
⏱️ 时间戳
黄仁勋的早年经历
04:33 黄仁勋从台湾辗转泰国、美国，16 岁上大学
从芯片工程到创业构想
11:24 从手工设计芯片，到想让工具和平台赋能更多人
Riva 128绝境突围
32:14 世嘉退出，英伟达只剩 9 个月现金
GeForce与可编程GPU
47:19 英伟达每 6 个月推出一代，性能持续翻倍
CUDA押注通用计算
1:51:53 研究人员拿游戏显卡跑量子化学模型
AlexNet引爆AI计算
2:18:23 ImageNet 用百万张标注图片测试识图算法
Transformer与生成式AI
3:45:38 两块约 1000 美元的显卡训练出 AlexNet
英伟达重构数据中心
4:25:18 突破冯·诺依曼瓶颈，转向并行计算
护城河、竞争与未来
5:00:58 CUDA 注册开发者一年从 300 万增至 400 万
🌟 精彩内容
💡 英伟达最危险时只剩 35 人
世嘉退出、内存成本变化，英伟达的下一代芯片眼看要砸掉。黄仁勋决定裁掉 70% 员工，用软件模拟芯片，把原本要 18 到 24 个月的设计周期压到 6 个月。
"如果我们要活下去，就必须把这一切都扔掉。"
💡 CUDA 是一场 iPhone 级别的押注
英伟达从 2006 年起打造一整套 GPU 通用计算平台，免费提供 CUDA，却让它只能运行在自家硬件上。多年后，AlexNet 用英伟达 GPU 和 CUDA 训练神经网络，AI 计算迎来转折。
"这是一次 iPhone 规模的赌注。"
💡 两块千元显卡，训练出 AI 突破
2012 年，AlexNet 团队用两块 GeForce GTX 580 和 CUDA 训练图像识别模型，错误率从此前约 25% 降到约 15%。过去被认为算力不足、难以实用的神经网络，突然证明了自己的潜力。
"天哪，他们用价值大约 1000 美元的消费级硬件，就训练出了这个模型。"
💡 Transformer 为什么需要 GPU
Transformer 每次预测下一个词时都能查看整段输入，计算量很大，但各部分比较可以并行完成。GPU 的大量核心让模型训练速度大幅提升，也让更大的语言模型变得可行。
"GPU 来救场了。"
💡 英伟达卖的不是单独一块芯片
数据中心客户买的可以是一整套 DGX 系统：GPU、CPU、互连和 CUDA 软件一起工作。单块 H100 标价 4 万美元，顶配系统售价可达 50 万美元；整合方案让客户更容易部署，也让英伟达获得更高利润。
"你说解决方案，我听到的就是毛利率。"
💡 想挑战英伟达，得重造整套生态
竞争者不只要做出好 GPU，还得补齐高速互连、数据中心服务器、台积电先进封装产能和 CUDA 级别的软件生态。CUDA 已积累约 1 万人年的开发投入，追赶不是单靠一颗芯片就能完成。
"要说服一位首席信息官，你在这些方面就得比英伟达强 10 倍。"
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
