白癜风能治愈 https://m.39.net/pf/bdfyy/zqbdf/年麻省理工大学评选出的全球最聪明的公司是哪家？你可能会想到IBM，又或者是谷歌、Facebook、苹果、微软等大公司。把你脑海中熟悉的这些公司都过滤一遍后你会发现，他们虽然在榜单上，但都不是最耀眼的那家。这份榜单中排名榜首的公司，名叫NVIDIA，中文名为英伟达。诸如IBM、谷歌、Facebook等公司虽然在人工智能方面也成绩斐然，但是他们所做的研究都是基于人工智能中的应用层，是利用人工智能技术为大家服务。而NVIDIA则位于人工智能最底层的技术层，是一家人工智能芯片公司。虽然该公司的GPU（图形处理器）产品最初是为电脑游戏而生，但是目前已经成为驱动深度学习和自动驾驶等突破性技术的主力。NVIDIA发展经历的三个阶段笔者在加入动脉网转战医疗媒体之前，曾经在IT媒体工作13年，多次赴美参加NVIDIA的GPU（图形处理器）发布会和GTC图形处理器技术大会。从年第一次购买NVIDIARIVATNT芯片显卡算起，笔者和NVIDIA结缘，已经有接近20年的时间。所以，回顾NVIDIA的历史，也开启了笔者对过去工作经历的回忆。过去的20年，是IT技术飞速发展的时代，而人工智能一直是计算机科学家的梦想。现在，人工智能不再是科幻片里面的情景，已经开始在各行各业崭露头角。究竟是什么使得人工智能成为新的IT技术革命，答案就是基于GPU的深度学习这一全新的计算模式，它让计算机能够从海量数据中进行学习，然后编写出人类无法写出的复杂软件。在过去的20年中，NVIDIA历经了三个阶段的发展，从PC游戏显卡芯片的领军者，到年GPU通用计算诞生，然后转型到人工智能计算公司。GPU最初用于模拟人类的想象力，实现PC游戏和电影的虚拟世界。今天，它也模仿人类的智慧，更深入地了解物理世界。GPU通过数千个计算核心实现了强劲的并行处理能力，对于运行深度学习算法至关重要。拥有人工智能的算法，使得电脑能够从海量数据中进行学习，并充当可以感知和理解世界的智能计算机、机器人和无人驾驶汽车的大脑。成为全球最聪明的智能公司只是NVIDIA的光环之一，它还是五年来全球表现最好的半导体公司：年纳斯达克指数里表现最好的股票，超出第二名几乎三倍。第三季度，由于数据中心、比特币挖矿对GPU芯片强势的需求，NVIDIA的销售额增长了54%，利润更是翻番，达到有史以来的最好水平。上图比较了过去五年来，每年1月底的NVIDIA股票、标准普尔指数、标准普尔半导体指数和纳斯达克指数的累计回报。以年1月29日为起点，4个指数的股价都设置为美元。可以看到，年全年，NVIDIA得益于人工智能领域的表现，得到了投资者的青睐，股价大幅度上涨。综合来看，五年时间，NVIDIA的股价翻了八倍。第一阶段：从诞生到成为电脑图形芯片领军企业NVIDIA除了被麻省理工大学评选为全球最聪明的公司之外，它同时还获得全球最受赞赏公司（《财富杂志》）、全球最佳CEO（《哈佛商业评论》）、全美最环保公司（《新闻周刊》）、50大最佳工作场所（《Glassdoor》）等殊荣。NVIDIA究竟是一家什么样的公司？CEO是谁？NVIDIA联合创始人/CEO黄仁勋NVIDIA诞生于年，创始人是黄仁勋、ChrisMalachowsky和CurtisPriem三位。在过去的24年中，NVIDIA的CEO都是由黄仁勋所担任。现年54岁的黄仁勋是一位个人魅力相当出色的领导者，在他领导下的NVIDIA，仍然像一个初创公司：快速决策，快速执行。对于一家半导体厂商来说，都不是一件简单的事情。黄仁勋是一位出生在台湾的美籍华人。年，黄仁勋于俄勒冈州大学取得电子工程学位，其后在斯坦福大学取得硕士学位。在俄勒冈州大学电子工程专业毕业后，黄仁勋来到了硅谷，加盟著名的处理器公司AMD(年－年)。黄仁勋在AMD主要担任芯片设计师，周围一堆的博士，让他倍感压力，之后利用业余时间到斯坦福大学深造。两年后，黄仁勋跳槽来到了LSILogic(年－年)工作。这两家芯片公司的工作经历，使得黄仁勋进入到了芯片设计领域。特别是在LSILogic，黄仁勋参与了电脑芯片的图形处理部分设计，并参与市场工作，为随后创立NVIDIA公司打下了基础。年底，两位曾经在SUN工作过的技术人员ChrisMalachowsky和CurtisPriem把黄仁勋拉进NVIDIA的创业团队。因为既有技术背景又懂销售和管理，黄仁勋被推举担任公司总裁兼CEO，直到今天。NVIDIA于年发布了首款产品NV1图形芯片。NV1因为采用了多边形贴图，在技术方向上的错误选择使其成为一款失败的产品。这款产品耗尽了公司最早的投资。为了生存，公司从多人裁员到30多人，黄仁勋承诺在公司情况好转后让大家再回来。后来，日本的游戏机巨头世嘉看好NVIDIA的研发能力，支付了万美元订金希望为其研发一款游戏机图形芯片。虽然最后世嘉取消了NV2的订单，转而使用了了3dfx的PowerVR技术，但是这笔钱拯救了英伟达的命运。NVIDIA前期产品失败的一个很重要的原因，是当时的3D图形接口技术不统一。黄仁勋决定在后续的开发中，选择使用微软刚发布的Direct3D技术，专注于PC专用的2D/3D显卡。同时，黄仁勋召回了当初因为NV1失利后被迫辞退的研发人员。后来，NVIDIA在年发布了RIVA（NV3），并获得了成功。随后，NVIDIA在图形芯片领域一路随风随水，RIVATNT和RIVATNT2相继成为市场上的明星，市场份额首次超越了当时的大佬3dfx。年，NVIDIA推出了第一款GPU——GeForce，实现了硬件实时编程着色。同年，NVIDIA在纳斯达克上市。多款重磅产品的发布使得NVIDIA逐渐成为市场上最重要的计算机图形芯片厂商，长期占据市场头把交椅，并收购了3dfx。90年代初，市场上有几十家计算机图形芯片厂商。而现在，仍在独立运营的图形芯片厂商只有NVIDIA一家，其他厂商纷纷倒闭或者被收购，NVIDIA最重要的竞争对手ATI也于年被AMD收购。笔者在和黄仁勋不同时间段的接触中，发现他是一位相当具有个性的CEO。他可以在会议中把脚踩在凳子上和记者进行交流，也可以把公司的LOGO纹在自己的手臂上。他可以穿着朋克风的皮夹克讲解最新技术，也可以配合中国记者秀一秀中文。黄仁勋在接受采访时说道：“我犯过很多错误，也一直在犯错。但我不怕犯错，不断犯错再改变、学习、创新，才能成功。”使用NVIDIA显卡实时渲染的照片级人物肖像当时的NVIDIA，旗下的GeForceGPU产品主要用于游戏电脑。它既能渲染广袤的自然大海，也能雕刻精细的人物毛发，还能模拟逼真的烟雾效果，这些都使得游戏效果更为逼真。而且，NVIDIAQuadroGPU还被全球90%的专业图形工作站所采用，大量的数字艺术家、工业设计师、电影制作人员以及广播工作者使用NVIDIAGPU，绝大多数的奥斯卡最佳特效奖也是基于NVIDIAGPU技术制作而成。第二阶段：通过CUDA架构获得通用计算能力虽然NVIDIA已经稳坐视觉计算行业的头把交椅多年，但是黄仁勋一直保持着技术上的前瞻性和敏感度，不断带动着NVIDIA继续创新，引领视觉计算行业的发展。从显卡厂商成为人工智能厂商，在这两步的跨越中，NVIDIA有几款重要的产品不得不提。在年以前的GPU显卡芯片里，采用的是专用电路对3D画面进行渲染。顶点着色器负责完成完成3D画面的顶点描绘和建模，用三角形组成图像，然后用渲染管线进行贴图，让3D图像拥有颜色和纹理。开启GPU通用计算时代的GeForceGTX系列显卡而在年底，NVIDIA发布了一款具有划时代意义的GeForce系列（代号G80）GPU。这款GPU没有使用传统的像素渲染管线设计，而是使用了名为CUDA的通用计算（又名SIMD统一渲染）架构。这种设计可以让显卡不仅仅能够实现3D图像的渲染，也可以如CPU一样实现其他的通用计算任务，一种强大而又全新的计算方式就此诞生。GPU比CPU拥有更多的线程，能够快速完成并行计算GPU的并行计算能力大幅度超越了CPUCUDA通用计算架构的计算性能在部分应用中能够实现相比处理器数倍的性能，这是因为它拥有数据的并行计算能力。通俗一点来讲，传统的中央处理器（CPU）的核心数量少，主要为串行指令而优化，数据计算方式如同流水线，计算指令需要一步一步完成。CUDA架构的GPU有非常多的流处理器，在大规模的并行运算中优势明显。这样的设计，让显卡也有了通用计算能力，从而在大规模的数据计算应用中提供了一种比CPU更加强大的计算性能。在CUDA架构的GPU基础上，NVIDIA开发出通用计算专用的Tesla计算卡。各个领域的研究人员通过Tesla计算卡享受到此前只有超级计算机才具备的计算能力，广泛使用在药物研发、医学成像、天气建模、科学研究等各种大规模计算中。在拥有强大的计算能力之后，GPU当然也被超级计算机所采用。相比传统CPU搭建的超级计算机，采用GPU计算核心的超级计算机拥有性能高、功耗低的特点。年计算性能世界排名第一的中国的天河一号A超级计算机，就使用了NVIDIATesla计算卡。在这一段时间里，除了GPU之外，NVIDIA也开始进军移动处理器领域。Tegra系列曾是NVIDIA进军智能手机芯片市场的一次尝试。当时，黄仁勋认为智能手机正处在改变计算和通信方式的浪尖。但是由于低估了集成基带的重要性，NVIDIA在手机芯片市场上的表现并不出色，平板电脑市场也不尽如人意。现在智能手机几乎不再使用Tegra，NVIDIA的产品中Shield平板和ShieldTV还在使用Tegra处理器。但是，Tegra产品延伸到汽车领域后却大获成功，利用其GPU计算能力主攻车载娱乐系统和无人驾驶系统。特斯拉ModelS电动车的车载娱乐系统正是基于Tegra3设计，现在已经升级到最新的TegraX1。而基于Tegra的无人驾驶系统DRIVEPX，也被沃尔沃、奥迪、宝马、奔驰等大厂采用。这是后话。通用计算和医疗行业在通用计算时代，医疗领域是NVIDIAGPU发挥作用的重要阵地。医疗成像是较早利用GPU通用计算能力加快性能的商业应用之一，有多款医疗设备均配备了NVIDIATeslaGPU。在一些医疗影像应用中，计算机需要处理大量的高精度CT或者MRI图像。患者需要快速、精确并且舒适的诊断，而医生则需要能够实现高效诊断的工具。将庞大的服务器阵列引入临床设备非常困难，但GPU和Tesla的强大计算能力使得提供小型的并行计算模块成为可能。GPU的通用计算性能，能够让科研人员以比处理器快数十倍甚至上百倍的速度处理这些图像。因此，医生能够实现实时查看CT和MRI的3D合成图像，或者在不损失检查影像画质的情况下能够使系统更快地运行。通过这些快速得到的结果，医生能够检查病患组织的状态并做出诊断，而无需活体检查和外科处理。此外，某些医生可以同时查看此类图像，彼此沟通。GPU还被利用在GERevolutionCT扫描仪上，不但可以生成高画质影像，还能同时使患者受到的辐射减少82%。伊利诺伊大学的科学家在使用了个GPU的BlueWaters超级计算机上首次确定了HIV“病毒衣壳”的准确化学结构对于那些敢于迎接最难挑战的科研人员来说，GPU的通用计算平台成为了成功的关键。伊利诺伊大学的科学家利用一台基于GPU的超级计算机，首次对病毒衣壳进行了全原子模拟，在艾滋病毒的研究方面取得了突破性进展。该论文发布在《自然》杂志上，首次确定了HIV“病毒衣壳”的准确化学结构，是其病毒性的关键所在。在药物开发、计算化学、生物信息系及生命科学领域，GPU都发挥了其显著的并行计算能力而广受青睐。斯坦福大学化学系副教授兼Foldinghome项目总监VijayPande表示：“NVIDIAGPU对蛋白质折叠模拟的影响是巨大而深远的。使用GPU来模拟蛋白质折叠的团队实现了其生产效率的极速飙升。在Foldinghome中应用如此强大的处理性能彻底改变了这一项目，极大地缩短了我们进行生物医学研究所需的时间。”第三阶段：从通用计算向人工智能迈进GPU的通用计算能力使得它的应用场景从单一的图形渲染大幅度扩大到需要计算的方方面面，能够让科学家和科研人员利用GPU强大的并行计算能力来解决复杂的计算难题。这其中，也包含了深度学习计算。年，世界各地的人工智能研究员已经开始利用NVIDIAGPU的并行计算能力来进行神经网络训练。年是人工智能标志性的一年。多伦多大学AlexKrizhevsky创建了能够从万样本中自动学习识别图像的深度神经网络。仅在两块NVIDIAGTX电脑显卡上训练几天，“AlexNet”就赢得了当年的ImageNet竞赛，击败了有着几十年算法经验的人类专家。同年，在认识到网络规模越大，其学习能力越强的规律之后，当时还在斯坦福大学的吴恩达（AndrewNg，后来加入百度，并于今年离开）与NVIDIA研究室合作开发了一种使用大规模GPU计算系统训练网络的方法。这引起了全球
转载请注明：http://www.dongzhiw.com/zdml/12112.html
