NVIDIA 第二部：机器学习公司（2006—2022）
Nvidia Part II: The Machine Learning Company (2006-2022)
精读 · 按主题梳理核心观点、论证与案例。
§01从显卡到更广泛的计算平台
主持人把 NVIDIA 后来的 Omniverse 愿景视为公司从游戏向外扩张的结果。GPU 可模拟机翼气流、细胞互动和气候，但这些用途需要硬件、开发工具、用户软件和服务协同。计算规模难以直观想象：训练一个语音识别模型所需的运算可能超过地球上的沙粒数量。本期将 NVIDIA 的变化概括为从卖显卡发展到为多个行业构建完整技术栈。
到 2004—2006 年，NVIDIA 已熬过显卡市场竞争和 Intel 试图商品化 GPU 两次重大威胁。公司让 GPU 可编程，为 GeForce 3 加入可编程着色器，与 Microsoft 合作开发 CG，并为 Xbox 提供图形技术。它约每六个月推出一代芯片，远快于竞争者。这帮助其占据游戏市场，也为新的计算任务建立了技术基础。
NVIDIA 自己编写并维护显卡驱动，这是不太显眼但重要的选择。其他公司常把驱动交给下游伙伴；NVIDIA 要控制不同操作系统和硬件上的用户体验。虽然成本较高，却培养了芯片公司内部的底层软件能力。可编程着色器也让 NVIDIA 与开发者直接合作，使他们能针对 NVIDIA 硬件使用通用操作系统软件无法提供的能力。
到 2007 年，NVIDIA 已是市值接近 200 亿美元的成功上市公司，仅靠游戏也能发展壮大，但 Jensen Huang 不满足。一位斯坦福研究人员据说发现，GeForce 运行量子化学模型比实验室超级计算机快十倍，显示 GPU 可用于科学计算。不过当时要用图形着色器表达非图形任务，非常难用。通用计算需要远超图形 API 的开发者软件栈。
§02将 CUDA 作为平台押注
NVIDIA 要打造完整开发环境，工作远超增加一个 API。就像 Apple 的语言、框架与 SDK，开发者需要一整套抽象层才能轻松为新硬件构建应用。Jensen 让公司投入编译器、库、开发者拓展和工具，而市场尚未明确，实用应用出现前就必须大量投入。