2026年11月,全球科技圈的头条被一条极具戏剧性的新闻占据:英伟达创始人兼首席执行官黄仁勋,那个在过去近二十年里几乎永远穿着黑色皮衣、以“AI教父”形象出现在每一次发布会舞台上的人,在一封致员工的公开信里承认了对妻子不忠,伤害了妻子和孩子,并向家人、员工、董事会及股东表示歉意。消息像一道闪电劈进了本已绷紧到极致的AI叙事之中,但讨论的焦点迅速从技术路线、算力需求、毛利率,滑向了一个更加古老、也更加刺激的领域:私人生活,以及随之而来的、甚至被美方情报机构渲染得若有若无的“间谍疑云”。
社交网络上的反应是分裂的。有人翻出他半年前在韩国综艺节目里谈论妻子和“人品”的片段,感叹形象的脆弱;有人把Coldplay演唱会“Kiss Cam”的旧画面重新剪辑成恶搞视频,让这场风波在算法推送里获得了远超任何一场GTC演讲的曝光量;也有人——比如特朗普——公开表示“他是个好人”,认为他应当继续执掌英伟达。
马斯克罕见认同:黄仁勋是这代最伟大企业家之一,却犯了极其愚蠢的错误,但美国AI领先离不开他;

与此同时,中国外交部对所谓“中国间谍”的指控做出了明确回应,称之为“捕风捉影、污蔑抹黑”。英伟达董事会启动了由独立董事组成的调查,但同时也明确表示,没有理由认为公司机密或国家安全已经受到损害,并支持黄仁勋继续履行CEO职责。
但真正值得我们停下来想一想的是另一件事:为什么一个人的私人关系,会被放在“国家安全”的框架里审视?为什么一家公司的CEO承认出轨,需要同时表态“维护美国国家安全”?
答案不在那个夜晚的公开信里,而在英伟达过去近二十年里一点一点筑成的一道墙里。那道墙的名字,叫CUDA。
当私人生活的风暴席卷头条时,英伟达真正赖以站立的东西CUDA,其实一直安安静静地躺在每一块GPU的硅片之下、每一行科学计算的代码之中、每一个深度学习框架的底层调用里。它不穿皮衣,不上综艺,不卷入任何一段关系,但它决定了英伟达为什么是一家市值数万亿美元的公司,而不是一家“曾经很会做显卡”的公司。
要理解CUDA为什么重要,不妨先理解英伟达今天站在什么位置上。
2025年7月,英伟达成为全球首家市值突破4万亿美元的上市公司。不到四个月后,2025年10月,它的市值触及5万亿美元。到2026年5月,这个数字进一步越过5.5万亿美元,超过了世界第三大经济体德国的GDP。在半导体行业,常规毛利率在30%到50%之间,而英伟达的Non-GAAP毛利率长期稳定在73%到75%的区间。一个卖芯片的公司,拿到了一个卖软件的公司才配拥有的毛利率。
CUDA到底意味着什么?
GPU为什么会成为这一轮人工智能浪潮的点火器?英伟达又怎样从一家游戏显卡公司,一步步被推上全球市值之巅?要理解这些问题,时间得拨回二十一世纪初。
那时,全球大量游戏玩家通宵排队抢购新显卡,目的很单纯:让《雷神之锤》里的爆炸更逼真,让烟雾和光影更细腻。但在主流视野之外,另一群人也在悄悄买同一批显卡。他们不是玩家,而是来自医学、物理、生物等领域的科研人员。
在北卡罗来纳大学做医学影像研究的马克·哈里斯发现了一件有意思的事:用CT扫描数据做流体力学模拟时,大量矩阵运算和网格计算,与GPU在游戏里处理水波、烟雾等特效的数学结构非常接近。于是,他和同事做了一个大胆尝试——把流体模拟算法改写成图形着色器语言。程序跑起来后,结果让他们吃惊:速度比当时顶级CPU快了十到二十倍。
哈里斯由此提出一个新概念:GPGPU,也就是基于GPU的通用计算。
学术界很快意识到,GPU不只是玩游戏的工具,它还能模拟流体运动、粒子碰撞、大气云层热力学过程。但问题也很明显:在那个年代,用GPU做科学计算极其痛苦。GPU本来是为图像渲染设计的,科研人员首先要解决一个近乎荒诞的问题——怎样把自己的科学问题“伪装”成一场游戏。数据要包装成纹理,算法要包装成着色器,科学计算过程要包装成图像渲染。一个物理学家在解决物理问题之前,得先学图形学、渲染管线、纹理采样等一大堆繁琐知识。每次计算都像在玩奇技淫巧。
2002年,哈里斯创建了GPGPU.org,让科学家们发布开源代码、交流“破解”GPU的技巧。同年,斯坦福大学的伊恩·巴克发表论文,提出Brook GPU编程系统,希望让科研人员用接近C语言的方式给GPU编程。伊恩·巴克后来成为CUDA创始人之一,也为GPU通用计算和AI算力生态打下基础。
这群“不务正业”的科学家,正在撬开一扇通往未来的门。英伟达也注意到了这批意料之外的客户。
2004年,学界开始大量采购英伟达GeForce显卡,用于金融建模、气象模拟、高能物理和医学成像。黄仁勋从中看到了新的市场机会。

英伟达成立于1993年,1999年在纳斯达克上市,当时市值约5.6亿美元。此后几年,它在资本市场的表现像坐过山车:2000年一度涨到50亿美元;互联网泡沫破裂后跌到20亿美元;2001年GeForce系列热卖,又反弹到100亿美元以上;2002年因与微软的合同纠纷,单日暴跌40%,全年跌近90%,最低跌破10亿美元;2003年靠GeForce FX系列重新回到增长轨道。
这种剧烈波动让黄仁勋很不安。游戏市场有周期性,英特尔、AMD等对手在定价上步步紧逼,微软、惠普等大客户又掌握强势话语权。他判断,如果英伟达只做游戏配件公司,迟早会被巨头吞噬。必须找到差异化优势,修起更高的竞争壁垒。
在首席科学家大卫·柯克的影响下,黄仁勋认为并行计算会带来颠覆性变化。于是,英伟达开始系统布局,直接招募那些尝试“破解”GPU的学者。2004年前后,伊恩·巴克、马克·哈里斯等人先后加入,他们和数十名工程师被集结到一个秘密项目中。这个项目叫计算统一设备架构,简称CUDA。
CUDA的理念很清晰:让GPU直接参与通用计算。换句话说,游戏显卡不再只负责图像渲染,而是可以做更多事情。科学家和工程师不必再痛苦地把问题伪装成图形流程,可以直接调用算力。黄仁勋相信,这会把英伟达的技术触角伸向科研、工业、金融以及更多未知领域。
CUDA真正的灵魂人物是约翰·尼克尔斯。他在大规模并行计算领域积累深厚,对提升算力近乎偏执。早在2003年,他就写信给黄仁勋,论证英特尔所依赖的登纳德缩放定律即将走到尽头,CPU单核性能提升正在逼近物理边界。要继续提高计算速度,必须走向并行化,而GPU式的大规模并行架构会成为突破瓶颈的关键。
黄仁勋聘请尼克尔斯负责CUDA的硬件架构和指令集设计。然而入职两周后,尼克尔斯被确诊癌症。即便如此,他在治疗期间仍坚持每周工作72小时,对家人和同事隐瞒痛苦。在他看来,CUDA不是附属功能,而是一种新的计算方式。他明白自己时间不多,希望抢在生命结束前把CUDA做出来。
2006年,CUDA正式发布。研究者终于可以用熟悉的C语言风格直接为GPU编写程序,不必再和显卡玩“伪装游戏”。这进一步推动了GPGPU此后几年的应用。台湾物理学家丘定伟长期用GPU加速格点量子色动力学计算,他曾感谢黄仁勋:借助CUDA和价格低廉的游戏显卡,他在狭小办公室里就能模拟宇宙大爆炸后物质结构的演化,不必再申请昂贵超算资源,从而得以从事自己毕生的事业。
但这场革命的黎明,伴随着刺骨严寒。CUDA的推出几乎拖垮英伟达。为了适配CUDA,英伟达要在硬件中增加逻辑电路,芯片面积变大、成本上升、散热压力增加、故障率升高。2007年,CUDA下载量只有约1.3万次,在数亿GeForce用户中微不足道。2008年,“凸点门”事件爆发:因芯片焊接问题,大量笔记本GPU出现花屏、黑屏,投诉如潮。愤怒的玩家在论坛咒骂,戴尔等大客户取消订单转投对手。叠加金融危机,英伟达股价一度暴跌近90%,并出现上市以来首次年度亏损。
华尔街分析师看着财报,对CUDA发出无情嘲讽,反复质问黄仁勋:为什么要做CUDA?他们认为CUDA的市场价值为零,甚至是负数。斯塔伯德价值基金创始人杰夫·史密斯甚至怀疑黄仁勋正把公司带向毁灭,并威胁发起代理权争夺战、清洗董事会、罢免黄仁勋。资本市场对英伟达的评价是:平淡无奇、毫无进展。
与此同时,CUDA推广也步履维艰。并行计算编程难度高,当时工具链不完善,开发者增长缓慢。CUDA项目还在内部引发争议,庞大代码库带来沉重维护负担。内忧外患之际,2011年,CUDA的灵魂人物尼克尔斯因癌症去世。他坚信CUDA终将产生深远影响,把自己仅剩的生命一寸一寸烙进这个项目,却没能亲眼看到自己点燃的火焰如何烧穿一个时代。
然而,同样相信CUDA潜力的,还有英伟达前后两位首席科学家、图形学权威大卫·柯克,并行计算理论奠基人比尔·达利,以及长期做芯片设计的黄仁勋。他们清楚,单核CPU性能提升正在撞上功耗墙。计算产业若想继续突破,就必须把希望寄托于并行化。这是长期趋势,不以人的意志为转移。商业判断可以摇摆,但物理学是铁律。
黄仁勋持续承受大股东审视,脾气变得异常暴躁,经常对员工发火。据好友霍斯特曼回忆,在大股东富达基金交叉审查期间,黄仁勋一次为儿女准备家庭聚会,做菜时不小心搞砸了。他站在厨房里突然情绪失控,对着炉子暴跳如雷。但即便如此,他还是想尽办法保住了CUDA。
转机出现在2012年。在加拿大多伦多大学,长期被主流学界排挤的杰弗里·辛顿带着两个学生,持续探索一种一度“死去”的技术——神经网络。神经网络受生物学启发,试图模拟大脑运作方式。但由于算力不足、数据规模有限,过去半个世纪始终难以实现设想,长期被学术界视为“垃圾”。
人脑中有近千亿个神经元,每个神经元与数千个其他神经元相连,大脑通过化学方式改变连接来完成思考、判断与创造。人工神经网络则通过矩阵乘法模仿这一过程,而矩阵乘法正是GPU最擅长的运算。辛顿等人惊讶地发现,神经网络这种数据吞吐量极大、精度要求相对不高的算法,简直与GPU天造地设。原本用CPU需要数月才能完成的训练,用GPU只需几天甚至几小时。CUDA技术也早已在辛顿实验室中得到应用。
2009年,在神经信息处理系统会议上,辛顿公开敦促研究人员放下手头工作,立即去采购英伟达GPU。随后他给英伟达发邮件:我刚告诉会议上的一千名机器学习专家,他们都该去买英伟达显卡,你们能送我一张免费的吗?那时辛顿还在神经网络寒冬中苦苦支撑,难以申请充足经费。过去几十年,他长期被学术界冷落、质疑,资金匮乏,身体状况也越来越差,但他从未放弃自己的技术路线。
历史在这里开了个玩笑:英伟达拒绝了他的请求,CUDA小组甚至没有回复邮件。当时神经网络并不在英伟达预期应用范围内。辛顿只好建议学生去百思买购买零售游戏显卡,用来训练AI模型。
GPU和CUDA带来的廉价算力持续提升,神经网络算法不断改进,互联网又带来数据爆炸。辛顿预感到,神经网络的技术瓶颈正在一个接一个被突破,可能迎来证明自己的时刻。他开始兴奋,也变得躁动不安。
2012年,65岁的辛顿和学生亚历克斯·克里泽夫斯基、伊利亚·苏茨克维买了两块单价500美元的GeForce GTX 580游戏显卡,训练了一个名为AlexNet的深度卷积神经网络。两张GTX 580只用了不到两周,就完成一百多万张图片的训练。他们参加当年由李飞飞等人主办的ImageNet图像识别竞赛,结果引发震动:AlexNet碾压所有传统方法,把错误率从往年居高不下的26%直接降到15.3%。
更重要的是,两块游戏显卡跑出的结果,竟然打败了一年前谷歌由一万六千个CPU组成的集群。这一事件在技术界掀起海啸。科技公司不得不重新评估神经网络的价值,也不得不重新审视GPU。深度学习革命由此点燃。各大公司纷纷下注神经网络,将其用于人脸识别、语音识别、机器翻译、自动驾驶,努力挖走大学研究员,并开始疯狂买入GPU。
2014年,谷歌启动“麦克卡车项目”,一次购买4万块英伟达GPU,投入资金超过1.3亿美元,成为当时英伟达最大单笔订单。百度、亚马逊、微软、甲骨文等巨头纷纷效仿,构建超大规模数据中心,运行数万甚至数十万块GPU,再租给企业客户。
对英伟达来说,人工智能引爆的需求完全是无心插柳。在此之前,他们并不特别关注这一领域。但黄仁勋发现,如果神经网络席卷整个行业,英伟达有望通过CUDA吃下全部算力市场,这是千载难逢的机会。在一次高管会议上,他宣布全面押注人工智能,针对神经网络持续完善CUDA,推出cuDNN、cuBLAS、TensorRT以及面向不同应用场景的AI框架,目标只有一个:榨干GPU,全力优化AI训练和推理速度。
英伟达股价与业绩走出低谷,进入长期上升通道。此后几年多次大涨,市值突破千亿美元。再往后,比特币价格上行,矿工借助CUDA用GPU挖矿,又拉高显卡需求和英伟达股价。2020年7月,英伟达市值超越曾经的芯片王者英特尔,并把老对手AMD远远甩开。
但这只是序章,更大的风暴还在酝酿。真正把需求推到爆炸点的,是ChatGPT。
2022年底,OpenAI发布ChatGPT,彻底引爆新一轮AI革命。全球陷入对生成式AI的疯狂追逐,整个行业围绕一个共识展开:scaling law,即模型性能与参数规模、数据规模、计算量之间存在稳定的幂律关系。这一定律驱使全行业训练越来越大的模型,也制造出一种难以填满的算力饥渴。英伟达A100、H100 GPU成为这场战争中近乎唯一的“军火”,订单排队长达数月甚至一两年,市场价格远高于官方定价。
半导体行业分析师狄伦·帕特评论说,购买GPU就像购买毒品:你必须动用私下人脉,接受黑市报价,忍受漫长排期,通过各种非传统渠道才能拿到现货。
在爆炸性需求推动下,英伟达股价开始人类金融史上最疯狂的表演之一。2023年5月25日,随着季报发布,英伟达单日市值暴涨1840亿美元,一夜之间涨出一个英特尔。2024年2月22日,年报发布后单日市值暴涨2770亿美元,6.5小时交易时间涨出一家可口可乐。短短两三年间,英伟达市值突破1万亿、2万亿、3万亿、4万亿美元。2025年10月,一度突破5万亿美元,超越苹果和微软,登顶全球上市公司市值巅峰。
2015年到2025年,英伟达股价增长超过300倍,创造了无数造富神话。早期投资者和长期员工获得难以置信的回报。曾经被华尔街嘲讽为零价值的CUDA,在这场由ChatGPT引爆的AI革命中,成为英伟达最坚固的护城河。
英伟达首席芯片工程师普拉布曾表示,AMD和新兴公司也可能造出媲美英伟达的芯片,却难以把计算速度推到同样高度,因为他们无法复制CUDA近二十年沉淀下来的软件加速生态。经过长期积累,CUDA早已演变成一个庞大到令人绝望的生态系统。底层是CUDA编程平台和通用加速库,往上则是面向行业的完整平台,数百个开发组件与加速库像毛细血管一样,深度渗透到机器学习、自动驾驶、生命科学、物理仿真、金融气候建模与量子计算等领域。
今天,一个刚入行的AI研究员,学习的PyTorch框架基于CUDA,读的第一份源码里遍布CUDA函数调用,习惯的调试工具和性能分析器也是CUDA生态的一部分。迁移成本早已沉入工具链、人才结构、代码库、实验习惯与社区共识里。
回望历史,今天看到的五万亿美元市值疯狂表演,其实凝聚着一群人的远见、勇气、偏执与长达二三十年的落寞。其中有早期科学家对GPGPU黑客式的探索,有尼克尔斯在生命终点前对并行计算范式的疯狂押注,有黄仁勋在股价腰斩、华尔街唾弃时仍然守住的那根引信,有辛顿在神经网络寒冬里忍受四十年嘲笑后的背水一战,也有李飞飞等人赌上一切打造ImageNet、却一度无人问津仍持续下注的坚持。
算力的王座上,写满了对物理极限的挑战,也写满了对人类好奇心的奖赏。然而,王权没有永恒。当算法继续演进,当scaling law逐渐失效,当能效触碰天花板,当Transformer之后的下一代架构出现,算力的王权是否还会握在CUDA手中?答案并不写在英伟达的财报里,也不在纳斯达克的指数波动中,而是在下一个正在寂寞中探索、无人问津的实验室角落里。
![]()
