英偉達黃仁勛：站在算力拐點上的人

2026年，英偉達市值位居全球第一。

在資本市場的語言里，這是一個確定性的結果：AI 爆發、算力緊缺、GPU 成為時代的基礎設施。而在更長的時間尺度上，這個結果并不突然，只是遲到。

因為黃仁勛押注的，從來不是某一代芯片，而是一種世界會如何運轉的判斷。

很少有人一開始就把黃仁勛視為“改變計算范式的人”。

1993年，英偉達成立時，他只是硅谷眾多工程師創業者之一。公司名字來源于拉丁語 invidia，意為“嫉妒”。這不是一個宏大的愿景，更像是一種工程師式的自嘲。

那時的計算世界，秩序清晰。

CPU 負責一切。
圖形，只是附屬。

GPU 被認為是“為游戲服務的外設”，是性能浪費，是不務正業。

黃仁勛卻隱約意識到，問題并不在圖形，而在計算方式本身。

在傳統 CPU 架構中，計算是線性的、順序的，追求極致的單線程效率。這套邏輯非常優雅，也非常脆弱。一旦任務需要并行，效率便急劇下降。

而圖形渲染，恰恰相反。

每一個像素、每一個頂點，幾乎都可以獨立計算。
成千上萬個小任務，同時發生。

這不是妥協，而是一種完全不同的哲學。

黃仁勛后來反復強調：并行不是為了更快，而是為了更接近真實世界。

英偉達并非一路順遂。

在成立后的前十年里，公司多次瀕臨失敗。產品路線反復調整，市場反應并不穩定。華爾街并不理解 GPU 的長期價值，投資人更關心下一季度的銷量，而不是十年后的計算形態。

真正的分水嶺，發生在 2006 年。

這一年，英偉達推出了 CUDA。

從商業角度看，這是一個極其危險的決定。公司選擇將 GPU 從“固定功能硬件”，轉變為“可編程計算平臺”。這意味著更高的研發成本、更復雜的生態建設，也意味著短期利潤的不確定性。

但從技術邏輯上看，這是一次不可逆的選擇。

如果 GPU 不能被程序員自由使用，它永遠只是附屬品。
如果不能進入科學計算，它就無法進入未來。

CUDA 并沒有立刻改變世界。

最早使用它的，并不是互聯網公司，而是科研人員。做流體力學的、做分子模擬的、做天體物理的。他們發現，在某些任務上，GPU 的效率可以達到 CPU 的幾十倍。

這并非奇跡，而是架構的必然結果。

大量相似計算。
極高的并行度。
對延遲不敏感，卻對吞吐量極度饑渴。

后來，這類任務有了一個更統一的名字：深度學習。

2012 年，ImageNet 比賽成為轉折點。

AlexNet 使用 GPU 訓練模型，在圖像識別準確率上大幅領先傳統方法。那一年，AI 領域真正意識到：算法并非唯一變量，算力本身就是模型的一部分。

黃仁勛并不是第一個意識到深度學習潛力的人，但他是極少數已經準備好基礎設施的人。

這不是臨時轉向，而是長期押注的回報。

此后十余年，英偉達的路線變得異常清晰。

制程升級只是表層。
核心在于：不斷放大并行計算的優勢。

從 GPU 到 Tensor Core，從單卡到多卡互聯，從芯片到整機，再到數據中心級系統。英偉達不再只是賣芯片，而是在定義算力的組織方式。

這條路徑，并不輕松。

它要求公司同時理解半導體制造、系統架構、軟件生態和開發者心理。任何一個環節斷裂，整體都會失效。

但黃仁勛始終堅持一件事：
沒有生態的芯片，只是硅片。

在外界看來，英偉達的成功像是一連串順風。

但在內部，它更像一場長期高壓實驗。

先進制程的成本指數級上升。
封裝與互聯成為系統瓶頸。
算力效率與能耗開始正面沖突。

每一次代際躍遷，都是在逼近物理極限。

黃仁勛并不回避這些問題。他反復提到“摩爾定律已經變慢”，但這并不意味著計算會停下。只是繼續前進的方式，必須改變。

更多并行。
更緊密的系統級設計。
更深的軟件協同。

今天，當人們談論英偉達，談論的是 AI、數據中心、全球算力格局。

但黃仁勛真正改變的，是人們對“計算是什么”的理解。

它不再只是執行指令的機器，而是一個可以被不斷擴展、被重新組織的系統。

而這個系統，仍然不完整。

算力的能耗問題尚未解決。
通用智能仍然遙遠。
硬件與模型的協同方式仍在演化。

英偉達站在高處，但并未抵達終點。

黃仁勛很少用宏大的語言談未來。

他更常說的是：“Work harder.”

在一個被算法、資本和想象力不斷放大的時代，這句話顯得近乎樸素。但正是這種工程師式的堅持，讓英偉達一次次走在拐點之前。

技術并不會自動通向未來。
它需要有人，長期站在正確但孤獨的位置上。

黃仁勛做的，只是比別人更早相信，并且堅持得更久。

歡迎加入行業交流群，備注崗位+公司，請聯系老虎說芯（加V：tigerchip）