第566章 破局奇招（1/2）

要搞清楚cuda是什么，先要明白cpu和gpu的区別。

cpu架构有复杂的控制单元和巨大缓存。

这种设计是为了处理复杂逻辑运算。这要求cpu必须有很强的单核性能。

但cpu物理核心数量有限，就算最高端的伺服器cpu，面对海量简单计算时，也会因为线程数量限制而排队。

快看网的推荐算法，本质是海量矩阵乘法。

这些计算本身不复杂，不需要多强逻辑推理，但数量极其庞大。

让cpu去算矩阵，是高射炮打蚊子，效率极低，而且容易把伺服器撑爆。

gpu架构完全不同。

gpu没有复杂控制单元，內部塞满了成百上千个简单的流处理器。

这些流处理器只能做基础运算。

但因为数量庞大，它们可以同时並行处理海量数据。

这完美契合了ai算法和推荐系统需要的大规模並行计算。

可是，硬体再强，也需要软体驱动。

在cuda出现前，程式设计师想用显卡算力做非图形渲染的通用计算，简直是噩梦。

他们必须把非图形数据，强行偽装成图形像素数据，通过复杂图形api通道传给显卡。

等显卡算完，还要把输出像素数据反向解析回通用数据。

这种操作极其繁琐，写错一行代码，就会导致程序崩溃。

所以，空有强大並行算力，却没人能轻易用在非游戏领域。

直到黄仁勛做出大胆决定，推出cuda。

cuda全称是计算统一设备架构。

它本质是一个软体开发平台和编程模型。

英伟达在每张显卡底层嵌入了cuda硬体指令集，同时在软体层面推出一整套编译器、库文件和开发工具。

cuda最伟大也最可怕的地方在於，它允许程式设计师直接用最普及的c语言，调用显卡底层算力。

程式设计师不再需要学晦涩的图形api，也不需要偽装数据。

只要会写c语言，只要装了cuda开发包，就能轻鬆把一段並行计算代码跑在英伟达显卡上。

这极大降低了gpu通用计算门槛。

华尔街投资人不理解，为什么一家卖硬体的公司，要养几千软体工程师维护一个免费给开发者用的平台。

但黄仁勛顶住压力，强行推广cuda。

他甚至跑到各大学计算机系，免费发支持cuda的显卡，鼓励学生用cuda做科研计算。

这是一个极度长远的阳谋。

隨时间推移，越来越多程式设计师习惯用cuda。

各种基於cuda的科学计算库、深度学习框架开始在开源社区生长。

当2025年大模型时代爆发，全球科技公司都需要海量算力训练ai时，他们发现一个绝望的现实。

所有成熟ai算法，所有好用的深度学习框架，底层代码都是基於cuda写的。

而cuda，是英伟达的私有闭源技术。

它只支持英伟达自家显卡。

如果买一批amd显卡，会发现根本无法运行主流ai算法，因为amd硬体解析不了cuda指令。

想在amd显卡上跑通大模型，必须把整个软体生態从底层重写。

这个工作量，大到没有公司愿意承担。

这就是为什么，到了ai时代，所有人都只能捏著鼻子去抢购英伟达高价算力卡。

算力可以製造，但生態一旦形成，就是一道嘆息之墙。

夏冬放下手机，揉了揉眉心。

他现在处境很矛盾。