转载：英伟达在AI领域的护城河是什么？

2017-11-04 23:12阅读：

http://blog.sina.cn/dpool/blog/u/1249424622

转载：英伟达在AI领域的护城河是什么？
2017-09-27 艾斯布雷克只谈科技股

任何一个有些年头的股民朋友都会有一堆的和牛股失之交臂的故事，什么50块钱买过茅台，20块钱买过腾讯之类的。牛股人人都买过，但赚到大钱的永远是少数。为什么？因为股价从来都不是一路上涨的，中间永远伴随着股价的回调和企业的“利空”消息，如果你对行业和企业不是特别的了解，很容易就中途下车了。

英伟达就是一个很好的例子。英伟达的股价在16年涨了3倍多，17年至今又涨了80%，这么大幅的上涨到底是对人工智能概念的炒作还是企业多年耕耘的厚积薄发？不想明白这个问题就不可能在股价的上下波动中做到坚定持有。

GPU是什么？和CPU有什么不同
推荐大家看下这个视频，看完之后你不需要任何的专业知识就能理解CPU和GPU的不同之处。

简单来说， CPU擅长的是通用逻辑的顺序执行，而GPU擅长的是特定逻辑的并行计算。现在性能最强劲的CPU也只有几十个核，而GPU却可以轻松做到上万个核。

GPU最早是用来做图形渲染的，就像上面视频里演示的，它可以并行的计算出各个像素点的值从而快速生成图像，这个计算的本质就是四维向量和变换矩阵的乘法。后来人们发现不光是图形渲染，很多计算任务，特别是现在火热的深度学习，其本质也是矩阵运算，同样也可以用GPU来加速计算过程。在实际的使用中， CPU和GPU是配合使用的，程序的主体部分仍然由CPU执行，但CPU会将复杂的计算任务交给GPU来处理，如下图所示。

搞清楚了这一点，再来看看老黄在北京G

TC接受媒体采访的一段评论是不是就更明白了呢？
至于计算力，首先GPU不会替代CPU，它是携手和CPU共同工作的，这也是我们为什么把它称之为加速器，CPU是通用型的，什么场景都可以适用。但是GPU在一些专门的问题上有非常大的能量。它的性能要比CPU超过10倍、50倍甚至100倍。
因此，我们就认为最完美的架构是什么呢？首先我们要有万事皆能的CPU，再加上在某些重大计算挑战方面非常有能力的GPU

英伟达在AI领域的竞争优势到底是什么？
要回答这个问题先得普及一下基本的计算机知识，就是程序到底是怎么执行的。我们知道程序是码农们用C++， Java，python这些编程语言写出来的，这些都叫高级编程语言，特点是比较贴近自然语言，适合人去写和理解，但是用高级语言写出来的代码CPU是理解不了的，是无法让CPU直接运行的。CPU懂的语言叫指令集，这些指令集会直接操纵CPU的内部结构，比如寄存器，算术控制单元等等，CPU指令集绝大多数的程序员都搞不懂，也不需要搞懂。我们有各种各样的编译器会帮我们把用高级语言写出来的程序翻译成CPU能懂的指令。

另外说一句，现在的桌面电脑和服务器CPU已经基本被x86指令集一统天下，所有的系统和软件都是针对x86来编译和开发的。而x86的专利基本上就是被Intel和AMD牢牢的控制在手上，也就是说只有这两家才能生产基于x86的CPU。所以我们老是说为什么中国生产不出来自己的CPU，这实际上是两个问题，一个是芯片设计和工艺的问题，这个相对来说还好解决，只要坚持追赶总能慢慢缩小差距；另外一个就是x86的专利问题，要是intel和AMD不给你授权你就用不了。有人会说那我就自己搞一套指令集呗，这当然可以，其实也没什么技术难度，但问题是现有的所有的操作系统和软件就会在你的CPU上跑不起来，因为不兼容，那这样谁又会来买你的CPU呢？

GPU也是一样的道理，要想让你的代码在GPU上跑起来，你就必须有一整套的代码编写，编译和调试环境。英伟达的CUDA就是这么一套环境。CUDA的全称是Compute Unified Device Architecture，统一计算设备架构。这个架构提供了一整套的C/C++编程接口，各种库函数，runtime，底层驱动还有完善的技术支持文档。而且，基于CUDA开发的程序只能跑在英伟达的显卡上。

转载：英伟达在AI领域的护城河是什么？

转载：英伟达在AI领域的护城河是什么？

这就是英伟达的过人之处，当10年前AMD还在和英伟达拼显卡时，英伟达的研究员和工程师发现 GPU 稍作改造可以做很多科学计算相关的事情，于是发明了CUDA并且不断投入完善，而当时没有人做同样的事情。CUDA相当于是建立了一个开发者社区，而且和facebook，微信一样具有“网络效应”：

1. CUDA具有越多人用越好用，越好用越多人用的正向反馈效应。因为用的人越多，英伟达对用户的需求和获得的反馈也会越多，从而更好的改善产品性能。更重要的是，用户在使用CUDA的过程中，会产生大量基于CUDA的入门文档，研究成果，学术论文，开发类库以及技术讨论，这都极大的方便了后来加入的研究者。下面这张胶片是老黄刚刚在北京GTC披露的数据：CUDA的开发人员在过去5年里增长了14倍超过60万；CUDA下载量已达180万，仅去年一年便增加了80万。这可以看出整个CUDA社区还在壮大和蓬勃发展。

转载：英伟达在AI领域的护城河是什么？

2. 用户的迁移成本高。微信这类产品的黏性在于，你的整个社交关系链都在这个平台上。同样，很多企业和研究人员之前的代码，测试基准结果都是基于CUDA平台上的，一旦使用别的平台意味着代码要重写，重新编译，之前的测试结果要重新校准，这都是非常高的成本。

AMD的GPU能和英伟达竞争吗？

英伟达的老对手AMD也推出了Insinct系列的GPU来和英伟达在机器学习这块竞争，在驱动和开发环境上，AMD采用的是OpenCL。就像上面提到的，CUDA是英伟达专有的，是一个封闭的体系，用了CUDA就意味着必须用英伟达的显卡。而OpenCL是一个开放的标准，用其开发的程序可以跑在任何支持OpenCl标准的显卡上而不用和具体的硬件厂商绑定。从通用性上来看，OpenCL似乎是一个更好的选择。但是OpenCl的致命弱点是其性能和开发的便利性都远远比不上CUDA，而且因为英伟达在CUDA上投入了大量的人力财力其更新的速度飞快，OpenCL作为一个开放松散的标准却缺乏一个强有力的领导者来推动，两者的差距还在拉大。
所以在机器学习这块，AMD已经无法撼动英伟达的地位，只能做一个配角刷刷存在感。

两周前，华尔街有家投行对英伟达给出了250的目标价，这个数字靠不靠谱另当别论，当分析师在报告中对英伟达竞争优势的评价却是非常的恰当：
Supported by first mover advantage, its unified graphics processing unit architecture and a system level approach (including an extensive CUDA software ecosystem supported by $10 billion plus in historical research and development dollars), Nvidia has created an industry standard for AI systems that will be nearly impossible to replicate.

简单来说，因为先发优势和累计100亿美元的持续研发投入，CUDA已经成为了一个生态系统和AI领域的行业标准，而这就是英伟达竖起的竞争壁垒。

当然，这并不意味着英伟达就可以高枕无忧了。垄断者的威胁往往是来自于看不见的竞争对手和范式的变化。intel到现在为止都垄断着基于x86的CPU，但手机芯片却绕过了x86，转向了基于ARM的芯片，现在人工智能又跑出来了个GPU。这就像你守住了一个路口，获得了收过路费的垄断经营权，结果隔壁老王又新修了一条路，人都不从你这过了。

我个人觉得在GPU这块，已经没有任何企业可以挑战英伟达了。但如果你注意AI领域新闻的话，经常会看到各种各样其它的xPU，比如谷歌的TPU，还有什么DPU，最近Intel还推出来了神经元芯片，号称这才是人工智能的未来。那么未来的计算范式会不会出现新的转移呢？英伟达的挑战者会不会从别的地方冒出来呢？我会在下一篇文章中做一个简要的分析。

举报/Report

我的更多文章

下载客户端阅读体验更佳