NVIDIA看準趨勢　成功轉型為AI芯片商

　　過(guò)去幾年桌上型電腦(DT)與筆記型電腦(NB)銷(xiāo)售量大幅下滑，英特爾(Intel)的年成長(cháng)率也下滑至9%，市場(chǎng)展望似乎對電腦芯片制造商不利，不過(guò)就在英特爾CPU銷(xiāo)量持續下滑的同時(shí)，NVIDIA的GPU卻穩步成長(cháng)，2016年第4季營(yíng)收甚至大增55%，當然這和電腦游戲沒(méi)有太大關(guān)系，而是歸功于人工智能(AI)市場(chǎng)的爆發(fā)。

　　根據PCMag報導，PC時(shí)代早期，電腦性能主要與CPU數量及可用的隨機存取存儲器(RAM)有關(guān)，隨著(zhù)圖形密集應用和游戲的興起，專(zhuān)為加快圖框緩沖(framebuffer)圖像建立速度的GPU開(kāi)始嶄露頭角。而摩爾定律(Moore’s Law)的腳步則已放緩，英特爾無(wú)法單靠提高芯片上電晶體數量的優(yōu)勢繼續稱(chēng)霸市場(chǎng)。

　　讓NVIDIA GPU再度火熱的原因與深度學(xué)習有關(guān)。深度學(xué)習是一種用于AI和認知運算的先進(jìn)機器學(xué)習技術(shù)，也是自駕車(chē)、影像辨識、語(yǔ)音辨識以及氣候預測模型所不可或缺的技術(shù)。如同多數演算法，深度學(xué)習也仰賴(lài)進(jìn)階的數學(xué)和統計運算，并試圖透過(guò)不同神經(jīng)網(wǎng)路類(lèi)型來(lái)模擬人類(lèi)腦部的功能。例如語(yǔ)音助理使用自然語(yǔ)言處理，就是使用遞回式類(lèi)神經(jīng)網(wǎng)路(Recurrent Neural Network)，而影像辨識及臉部偵測則使用卷積式類(lèi)神經(jīng)網(wǎng)路(Convolutional Neural Network)。

　　要訓練AI識別影像中的物體或分析股市資料，就必須將數據解碼為一組數字然后執行矩陣乘法，這是序列運算的CPU無(wú)法做到的，而解決這個(gè)問(wèn)題的最佳方案就是使用高達5,000個(gè)微核心的GPU執行平行處理。

　　此外NVIDIA執行長(cháng)黃仁勛的遠見(jiàn)及賭注也是推動(dòng)其GPU成為深度學(xué)習和AI研究人員歡迎的原因。大約10年前NVIDIA注意到用戶(hù)使用其繪圖芯片計算復雜的投資以及氣候模型，因此決定投入統一計算架構(Compute Unified Device Architecture;CUDA)的研發(fā)，據紐約時(shí)報報導，NVIDA的CUDA計劃，至今已投入100億美元，目的就是將GPU轉化為更通用的運算工具。

　　CUDA是一個(gè)平行運算平臺及程式設計模型，透過(guò)圖形處理單元大幅提升運算性能，幫助使用者針對不同任務(wù)設計程式。盡管面對ATI、超微(AMD)在GPU市場(chǎng)的激烈競爭，NVIDIA仍舊把賭注放在CUDA上，后來(lái)也證明這樣的做法是正確的，當云端運算、大數據和AI開(kāi)始展現動(dòng)能時(shí)，NVIDIA的芯片恰好符合這些運算的需求。

　　不過(guò)NVIDIA不可以目前的成就自滿(mǎn)，畢竟英特爾與Google正急起直追，前者以160億美元收購FPGA芯片大廠(chǎng)AItera及專(zhuān)門(mén)設計AI芯片的新創(chuàng )公司Nervana，后者則開(kāi)發(fā)了支援其語(yǔ)音辨識平臺及AlphaGo的特殊應用集成電路TPU。