于咏琳透视奶照。有一些朋友还不知道这回事，而知道的朋友，有些也不清楚为什么偏偏是显卡会成为

　　今天，我们就来讲讲显卡的故事，它是如何从游戏玩具，一步步身不由己，走向风口浪尖的。

　　显卡是带着快乐来到世界上的。在 1999 年之前的人类文明早期，世界上是没有“显卡”的——但已经有电子游戏了。

　　那时候的游戏画面是由CPU 生成的，这些，都是人类驯服早期野生游戏的珍贵影像：

　　这样的画质，多少有点磕碜了。游戏玩家说，要有高画质，于是，就有了显卡。1999年，英伟达声称自己“发明了GPU”，也就是这个GeForce 256。

　　所谓的 GPU，就是“图形计算单元”，它是显卡最最核心的部件。再给它配上其他一系列零部件，就成为了一张“显卡”。GPU 跟显卡，严格来说不是一个概念，只是平时大家很少特意区分。

　　比如游戏中任何一个3D物体，它位置、方向、大小的变化，以及光源、物体表面的材质的变化对它光影的影响，都需要电脑来计算。这些计算，被称为Transfrom 和 Lighting，简称 T&L。

　　一个游戏中有很多个物体，一个物体有很多个角度，在你打游戏的时候，电脑要对无数个多边形做 T&L 以及其他一系列计算，倒不是说多难，但量也太大了...

　　而GeForce 256显卡，它在硬件层面支持 T&L 功能，干起活儿就像这样：

　　CPU 的核心很强，但数量少。每个核心就像是一个处于智力巅峰的高三学生，他能熟练地解出模拟卷上的最后一道大题，但让他算 10000 道加减乘除，他得累死。

　　而显卡上面密密麻麻地分布着几千个小核心，每个核心都像是一个小学生，高考题肯定是不会，但他们同时并排开动，在 10 秒钟之内就把 10000 道加减乘除做完。所以渲染画面特别快。

　　从原理层面来看，显卡能提升游戏画质，就是因为它具有这种强大的并行计算能力。

　　而显卡此后脱离游戏，被别的领域盯上，乃至成为国际博弈的筹码，也是因为这种强大的并行计算能力。

　　在 GeForce 256 发布后没几年，斯坦福大学的实验室就盯上了显卡。他们意识到显卡的并行计算能力这么强，肯定不能只拿来打游戏啊！

　　于是在 2003 年，斯坦福博士生Ian Buck在这篇论文首次提出了一个概念：GPGPU。

　　这里的前两个 GP，是指 General Purpose，通用计算。也就是利用 GPU 强大的算力，来处理其他领域的问题。

　　哦对了，这位 Ian Buck，毕业之后就进了英伟达实习，一直干到现在。如今，人家已经是英伟达的副总裁了......

　　要让显卡解决其他领域的问题并不简单。显卡算力虽强，但要有合适的软件能驾驭才行。我们可以沿用刚才的比方：

　　我们说 GPU 就像是 10000 个小学生在同时工作，计算能力很强。但前提是你得能把一道难解得大题，分解成无数个小学生能解决的简单问题才行，否则显卡再强又有什么用呢？

　　转换到现实中，就是你得让开发者能方便地写出代码，利用上显卡的并行计算能力才行。

　　Ian Buck 进入英伟达后，就继续他博士时的课题，带领团队在 2006 年推出了至今仍在持续迭代的并行计算平台：CUDA。

　　如果你关注过 AI 领域的新闻，那可能听说过 CUDA 的大名。它能帮开发人员更方便地面向 GPU 编程，让 GPU 具备了通用计算的能力。如今绝大多数的 AI 模型，都是利用 CUDA 开发的。

　　除了 CUDA 以外，OpenCL、ROCm 等平台，作用也类似。每一个拿显卡干活儿的人，都绕不开它们。

　　在硬件层面，显卡有强大的并行计算能力。在软件层面，配套的编程平台也成熟了。这意味着，GPU 完全可以离开游戏领域，走向更大的世界了。

　　很多人第一次感受到显卡在游戏以外其他领域的价值，是因为“挖矿”。“挖矿”，就是挖比特币、以太坊等虚拟货币。

　　挖矿其实就是用计算机来解决数学问题。比如任何数据，都可以通过哈希算法生成一串哈希值。原始数据不管发生多小的变化，最终生成的哈希值都完全不同。我们有时候下载大文件时，也会利用哈希算法的这种特性，来做一次校验，看看下载的文件是否完整。

　　很多“挖矿”，就是要生成一个符合要求的哈希值，这就要计算机去反反复复地尝试。

　　所以挖矿跟游戏画面计算一样，属于那种“不难，但计算量非常大”的事情，恰好能利用显卡的算力。

　　于是在加密货币价格持续攀升的日子里，显卡涨价，缺货，一路推动英伟达的股价从 140 亿美元，暴涨到 1750 亿美元。

　　但显卡跟加密货币之间，只是一段露水情缘。随着专用矿机的出现，虚拟货币的价格跳水，以太坊等调整了挖矿规则等原因，显卡跟虚拟货币的关系已经大不如前了。

　　但很快，显卡就卷入了另一波更大，更革命，让自己卷入了国际博弈的科技浪潮：AI。

　　现在所有人都知道了， AI 可能是引发新一次科技革命的巨大产业。而几乎所有的AI模型的训练，都需要显卡。

　　就拿现在正火的 ChatGPT 来说吧，它的模型训练中涉及到大量的“矩阵运算”。你这些矩阵运算本身不难，但量很大很大，好在可以同时并行计算，所以很适合交给 GPU 来处理。

　　用来 AI 作画的 Stable Diffusion 模型也一样，它基于深度神经网络，同样需要海量的数据喂养，适合 GPU 来处理。即使是 V1 版的Stable Diffusion，单次训练就需要开头提到的十几万一张的 A100 GPU 跑满 15 万个小时。

　　几乎所有 AI 模型的训练，都离不开显卡强大的并行计算能力。正是算力的不断提升，才让这些应用成为了可能。

　　可以这么说：AI 被认为有改变世界的潜能，而 AI 的基础，是算法、数据，和算力。算力是土壤，有了足够的算力，随时随地都可能长出一个类似 ChatGPT 的东西来，你猜不到具体长出来的是什么，会重塑哪个领域。

　　视频开头提到的 A100 和 H100，都是售价高达十几万甚至几十万元一张的专业显卡，还供不应求。有报道说，训练 ChatGPT 需要相当于 3 万块 A100 显卡的算力，那光这一个项目就需要花几十个亿来买显卡。

　　这也是为什么从 2022 年 10 月开始，英伟达的股价在半年时间内就飙升了三四倍。

　　但到了这一步，卖显卡已经不再是单纯的商业问题了。甚至有人把各国的算力和 GDP 做了排名，二者高度相关。虽然谁是因谁是果不好说，但大家都意识到了，这是一个“大力出奇迹”的年代，算力更大，出奇迹的概率就越大。谁又知道哪个奇迹，说不定就会改变国际竞争的局势呢？

　　所以算力，不能轻易卖给别人。像H100 和 A100 这种专门为 AI 计算设计的高端显卡，一台能卖十几万甚至几十万，但再赚钱，也不让卖了。

　　当然，目前受到影响的只是最高端的显卡。没有生意人会跟钱过不去，为了绕开禁令，英伟达还推出了性能弱一些的 A800 显卡卖给中国。

　　此处插播一则消息，就在这期视频制作过程中，《华尔街日报》报道，说美国方面又要禁止中国公司购买 A800 显卡，除非获得美国政府的许可。这将进一步切断中国 AI 产业的硬件来源。

　　所以我们最希望的是，如果我们以后再出一期视频续写显卡的故事，那希望其中能有更多中国企业的面孔。我们能自己给自己提供算力，创造来自中国的奇迹。

　　我们的格局不大，如果真到那一天，中国的高端显卡厂商找我们（如果还没倒闭）做广告的话......那打个九折，交个朋友~