Nvidia 第三部：AI 时代的黎明（2022–2023）

Nvidia 在 2021 年曾用一种自上而下的方式描述自己的市场空间：汽车、工厂等行业合计约 100 万亿美元，公司只需从中获取 1%，就对应 1 万亿美元的总可寻址市场。这个计算依赖自动驾驶、Omniverse 和机器人等尚未兑现的应用。此前讨论 Nvidia 估值时，节目认为，若这些实体世界的应用不能很快发生，万亿美元估值就很难成立。

另一种可能性是，Nvidia 不必等实体机器普及，也能受益于互联网和软件持续扩张。社交媒体推荐已经证明，数字世界里的新计算层可以创造巨额价值。节目回看当时的讨论，认为那个尚未被认真对待的问题如今可能有了答案：生成式 AI 成了新的计算需求，而 Nvidia 的营收和利润已经体现了这项变化。

这次机会出现的时机很特殊。2022 年利率上升，股票、初创公司和房地产承压，加密货币与 Web3 泡沫破裂，Nvidia 也为库存计提减值；与此同时，大语言模型在实验室研究多年后终于进入大众视野。ChatGPT 的快速普及让生成式 AI 成为产品机会，也引出了这期节目的核心问题：这场转变如何发生，为什么它建立在 Nvidia 的硬件和软件之上？

故事回到 2012 年的 AlexNet。ImageNet 竞赛要求识别 1,400 万张由人工标注的图片；当时机器学习还无法可靠地完成这类图像分类，标注工作依赖 Mechanical Turk 上大量低薪工人。AlexNet 把错误率从约 25% 降到 15%，这不是渐进式的小幅改进，而是一次明显的能力跃迁。

AlexNet 的方法并非凭空出现：神经网络，尤其是卷积神经网络，已有数十年历史，真正的障碍是训练成本。多伦多团队用两块消费级 GeForce GTX 580，在 CUDA 上训练卷积网络，硬件成本约 1,000 美元。GPU 的大量并行执行能力让原本需要超级计算机实验室的计算变得可行。

图形处理之所以适合并行，是因为屏幕上的像素可以独立计算。Nvidia 起初为图形建立的技术，后来也适用于机器学习、加密货币和其他矩阵运算。AlexNet 因此不只是一项图像识别成果，也成为加速计算进入 AI 研究的起点。

这项技术很快进入商业系统。AI 推荐可以决定社交媒体信息流里出现什么内容，并释放数十亿美元的价值。Google 和 Facebook 因此开始大量购买 Nvidia GPU，说明并行计算已经从研究工具转变为大型互联网公司的重要生产基础。

AlexNet 的人才也成为下一阶段故事的一部分。研究团队成员包括 Alex Krizhevsky、导师 Jeff Hinton 和博士生 Ilya Sutskever。Jeff 的学术背景连接到布尔代数的 George 与 Mary Boole；Ilya 后来成为 OpenAI 的联合创始人和首席科学家。技术突破、人才流动与新公司创立，在这里交织起来。

AlexNet 的研究者和其他领域人才很快成为大型科技公司的争夺对象。Google 与 Facebook 招揽了这批研究人员，也由此开始大量购买 Nvidia GPU。AlexNet 团队成员 Ilya Sutskever 后来成为 OpenAI 的联合创始人和首席科学家；这一人才流动让早期的机器学习突破与后来生成式 AI 的发展连接起来。

AlexNet 带来的突破很快被 Google 吸收进内部研究体系：团队成员加入新成立的 Google Brain，与其他顶尖学者一起推进 AI 研究。Google 收购 DeepMind，Facebook 招募 Yann LeCun，最优秀的 AI 人才逐渐集中在少数大型科技公司手里。但这一代系统并非通用智能，而是擅长信息流推荐等有限任务。

有限任务同样能产生巨大商业价值。Google Brain 团队参与改进 YouTube 算法，推动平台从一个亏损的收购项目成长为巨头；AI 推荐也让 Instagram 的信息流成为 Facebook 极有价值的资产。精准广告和推荐系统既能带来利润，也需要大量 Nvidia GPU，这让 AI 研究、云端计算和互联网公司的商业模式连在一起。