在人工智能蓬勃兴起的时代，GPU（图形处理器）已经不仅仅是游戏画面的幕后功臣，也成为驱动深度学习、科学计算乃至各种新兴技术的核心引擎。

作为全球 GPU 领域的引领者，英伟达（Nvidia）在首席执行官兼联合创始人黄仁勋（Jensen Huang）的带领下，为我们打开了一个更广阔的计算世界。从最初的个人电脑与简单游戏，到如今轰轰烈烈的 AI 模型竞赛，黄仁勋在最近的一次访谈中深入分享了他对于 GPU 演进、AI 并行处理以及未来前景的独到见解。

本文基于访谈内容加以整合，带领读者从“第一台电脑”的回忆出发，逐步走进这位行业领袖的前瞻思维。

一、我的第一台电脑

在访谈刚开始，黄仁勋先回忆起自己与计算机的“缘分”：

“我第一台真正属于自己的电脑应该是 Apple II，但其实在那之前，我还用过一台 Teletype 电传打字机，它是连在大型主机上的。”

当被问到最喜欢的键盘快捷键时，黄仁勋笑言：

“我猜是 WASD。是的，算是一个玩家的标配吧。”

至于对编程风格的选择，他表示：

“我更喜欢用 Tab，而不是空格。”

当话题转到编程语言时，黄仁勋谈到自己历史上用得最多的是 Fortran 和 Pascal，但若谈到日常最常用、最喜欢的语言，答案却是：

“AWK，日常工作里我常常用 AWK，一旦需要规模更大的东西，就会用 Python。”

他打趣说，对 C++ 反而没那么感冒：

“我最不喜欢的编程语言可能是 C++。不过，也正因如此，那些把 C++ 做得特别好的人，真的是非常厉害。”

此外，他的第一款电脑游戏是经典的《Asteroid》（小行星），而在“茶还是咖啡”这个问题上，他也坦言：

“以前偏爱咖啡，但现在越来越倾向于茶。”

二、阅读存档论文与 ChatGPT 的结合

黄仁勋的一个特殊兴趣，是去浏览各种存档论文（archived papers）。他笑称：

“很多论文都非常深奥，但我就算只是略读，也能学到不少东西。我最近看了一篇 DeepSeek-R1 的论文，讲的是如何在没有监督式微调的情况下使用强化学习，结果还挺不错。”

他指出，如今我们已经不需要“硬着头皮”通读所有论文：

“我常常会把论文直接丢到 ChatGPT，让它帮我读、帮我总结。更妙的是，你还可以不停地提问，就像和作者本人对话一样。”

这让黄仁勋意识到一个重要现象：

“很多人还没意识到，其实当你用 AI 来做文献调研、总结时，你最后相当于拥有了一个在该领域颇有研究的专家。研究完成后，你还可以继续和它互动，去讨论与该领域相关的各种问题。”

三、从 Quadro 到 GeForce：GPU 的分化与融合

回顾以往，视频编辑使用 Quadro，游戏则使用 GeForce，两者在底层架构上有何区别？黄仁勋解释道，这些产品虽然名称和定位不同，但它们共同的根基是 CUDA。之所以存在不同产品线，主要是由于产品特性与资源分配的不同：

“有的 GPU 需要更多的纹理单元（texturing unit），有的 GPU 则在光栅操作单元（ROP）上更强大；有的使用 HBM 高带宽显存，有的使用更通用的图形显存。在科学计算领域，FP64（双精度浮点）很重要，就得特别加强；但在图形计算里，FP32（单精度浮点）就够了。”

然而，Tensor Core 的引入改变了这一切：

“无论是计算机图形、AI，还是物理模拟，现在都离不开 AI。张量核心（Tensor Core）在各类 GPU 中的地位越来越重要。”

在图形渲染中，Tensor Core 让 GPU 只需渲染“一小部分像素”，再由 AI 推断出其余像素，既提高分辨率，又保证视觉质量。他强调：

“AI 并非只是近似，而是极大地拓宽了物理模拟和其他计算领域的边界。”

四、GPU 的第二次“分叉”：为何向 Tensor Core 倾斜

黄仁勋认为，GPU 的“分叉”过程大致经历了两个阶段：

• 1、双精度与图形计算的分化

• 为科学计算设计的 GPU，大幅强化了 FP64 性能；

• 为游戏图形设计的 GPU，FP64 则相对更弱，主要依赖 FP32。

• 2、Tensor Core 带来的新变革

• 数据中心对 AI 推理与训练的需求陡增；

• 在晶体管面积有限的情况下，更多地转向对 Tensor Core 的强化；

FP64 并非不重要，但可以通过“模拟”的方式去支持，一方面照顾科学计算需求，一方面为 AI 留出更大空间。

随着 Tensor Core 逐渐在数据中心中站稳脚跟，英伟达又把它带回到消费端 GPU，使得游戏图形渲染同样受益于 AI 算法。

“当年 GeForce 把 CUDA 推向了全世界，让所有做 AI 的人获得了在 PC 上的超级计算机。如今，AI 又回过头来‘反哺’了 GeForce，使计算机图形进入真正的 AI 驱动时代。”

五、硬件如何跟上这股 AI 浪潮

谈到最近几个月 AI 领域的种种飞跃（如 DeepSea 等模型），黄仁勋指出，模型速度正以每 7 个月翻一番的惊人速度增长，而数据规模也在迅猛扩大。这意味着：

“我们每年对计算量的需求，可能会上升 10 倍。”

为理解如何跟上这种指数级增长，黄仁勋回顾了计算史上几个关键节点：

• 软件编译打包到 CD-ROM 中出售；

• 只能靠摩尔定律和 CPU 架构来提升性能。

2、加速计算与CUDA的崛起

• 可替换底层算法并配合 GPU 架构的迭代；

• 实现全栈优化，摆脱了单纯依靠 CPU 主频提升的束缚；

• 使性能增长远超摩尔定律。

3、AI精度调整与并行

• AI 算法对高精度要求相对宽容；

• 可将 FP32“降级”到 FP16、FP8，获得倍数级能效提升；

• 同时，可将更多计算负载并行化，延展到多 GPU、多节点乃至多机架。

综合来看，黄仁勋形容，过去 10 年，计算规模已经提升了上百万倍。而摩尔定律在同样时长里，理论上只能提升 100 倍左右。

“更关键的是，神经网络本质是软件，它可以被无限重写、改进。在硬件层面加速的同时，新型网络架构也在快速涌现，比如 Transformer 及其变体。二者相互促进，更新换代非常迅速。”

六、“Scale Up” 与 “Scale Out”

黄仁勋指出，在谈到计算扩展时，需要区分“纵向扩展”（Scale Up）和“横向扩展”（Scale Out）：

Scale Up：

Scale Out：

英伟达通过 NVLink 把多块 GPU 串成一个“近似统一”的大 GPU，然后再将这些大 GPU 通过机架间的连接做横向扩展。这种方式结合了纵向与横向的优势。

另外，黄仁勋强调了CPU 的不可或缺：

“根据阿姆达尔定律，总会有一部分计算必须串行。如果说有 10% 的部分不能并行，那么你把那 90% 的并行部分加速到无限快，也还是被那 10% 卡住。对于并行体系来说，单线程的性能其实至关重要，所以我们才自己做 CPU，让它单线程性能更好，再把多线程部分交给 GPU 和 CUDA 来做。”

七、GPU 的“意外之用”

最后，黄仁勋被问到是否有一些最初没预料到，却又让他颇感兴趣的 GPU 用途。他回答说，最让他惊喜的往往是实时性要求高但又计算量巨大的领域。例如，5G 基站：

“传统做法会用专门的芯片来处理无线电基带，但我们把它放在 CUDA 上，用软件定义的方式来实现。这样做的好处是，可以在各种环节中整合或替换成 AI 算法，比如深度学习基带处理、大规模 MIMO（Massive MIMO）、多基站之间的流量调度等等。”

一旦把无线电网络视作一个“机器人网络”，就能用强化学习让系统自适应与自我优化，既能节省能耗，又能提高频谱效率。他还提出，AI 在通信网络层面可以给带宽带来惊人的“压缩”效果：

“比如在视频通话里，前几帧传了画面后，后续可以只依赖音频信号来预测说话人的表情、口型，用神经网络在本地重建；如此一来，带宽需求就可能减少上千倍。”

加之人类先验，完全可以靠终端侧生成模型来重构画面，大幅度用“计算”替代“网络传输”。

从最初的 Apple II、喜爱的游戏《Asteroid》，到对 C++ 的“复杂情感”；从 “CUDA 让 AI 研究者拥有超级计算机” 的过往，到 “AI 又反过来革命了 GeForce” 的现在；从 “降精度带来算力倍增” 到 “算力提升推动新网络架构诞生”，黄仁勋在访谈中娓娓道来，展现了 GPU 技术在人工智能时代的全新高度与无限潜力。

可以预见，未来的 GPU 将越来越多地与 AI、并行计算、“边缘实时”应用深度融合，从而创造出更多“意想不到”的新场景与新可能。随着硬件与软件持续迭代，整个行业的创新也将继续高歌猛进，或许在不久的将来，我们会看到更多令人惊叹的成果。

但仅仅这样还是不够的。要知道，能搞出“0~1”的不一定搞得出“1~100”，成果发明人与专利转化者、生产工艺设计者、生产制造组织者是两个完全不同的体系。这也是为什么我们给了发明人50%甚至70%的股权，但是好像没看到多少千万富翁、亿万富翁出来，因为他们的专利成果没有变成现实生产力。我们应该参考《拜杜法案》，把科研成果的投资者、研发人员转化人员三方积极性都调动起来，加速科研成果转化和产业化。