AI 这轮浪潮的算力底座，绕不开英伟达这家公司，而公司的公开决策线又与其联合创始人黄仁勋的名字绑在一起。本文只按公开记录梳理几处关键节点：1993 年创办公司、2006 年开放 CUDA、此后数据中心业务在公开财报中地位上升。至于这些决策在商业上如何评价，公开报道向来分歧不小，本文不做结论，只把可查的节点摆出来。
1993–1999：创办公司与 GPU 的命名
公开资料显示，黄仁勋与克里斯·马拉科夫斯基、柯蒂斯·普里姆在 1993 年共同创办英伟达，主营图形处理芯片。1999 年，公司发布 GeForce 256，并在公开宣传中把它称为世界上第一款 GPU——图形处理器这个名词自此与消费级显卡市场绑定。这一阶段的英伟达做的是游戏与图形市场，与人工智能还没有直接交集，但 GPU 的架构特点已经摆在那里：数千个小核心并行工作，天然适合同时处理大量相似的运算。
2006 年：开放 CUDA 的决定
2006 年，英伟达公开推出 CUDA 平台，把原本服务于图形渲染的显卡开放给通用计算——开发者可以用类 C 语言直接写程序，让 GPU 算科学计算的问题。这个决定的公开背景值得记一笔：当时主流观点认为显卡只需要做好图形市场，把通用计算当主业的公司并不多。CUDA 上线后，英伟达持续投入工具链与文档建设，公开记录显示此后多年公司在开发者生态上的投入是持续性的。这套平台后来成为深度学习训练软件生态的底座之一，今天主流框架的 GPU 支持层都能追到这条线上。
2012 年：深度学习与显卡的会合
两条线的会合点在 2012 年。辛顿团队的 AlexNet 参加 ImageNet 竞赛并大幅领先，训练用的正是两块消费级游戏显卡，这篇论文的公开影响见AlexNet 拿冠军一篇，竞赛本身的脉络见ImageNet 竞赛一篇。此后的公开记录里，深度学习训练逐步向 GPU 迁移，「算力、数据、算法」三要素中的算力一角有了明确的供给方。模型规模随后持续放大，参数与算力之间的公开讨论见参数量一篇，算力需求随规模增长的曲线见Scaling Law一篇。
英伟达公开节点速查
- 1993：黄仁勋与两人共同创办英伟达
- 1999：发布 GeForce 256，公开宣传中称为第一款 GPU
- 2006：推出 CUDA，向通用计算开放显卡
- 2012：AlexNet 用两块消费级显卡训练，深度学习与 GPU 会合
- 此后：数据中心业务在公开财报中的占比逐年上升
数据中心转型：公开财报里的变化
沿着公开财报看，英伟达的业务构成此后发生了明显变化：早年财报的主角是面向游戏市场的显卡，数据中心业务从深度学习普及开始持续上升，后来成为公开财报中占比居前的业务线。这条线的产品从单卡训练延伸到大规模集群，服务的是模型训练与推理两类需求。公开报道还记录了另一个节点：公司把产品节奏定为按年更新架构，公开材料里给出的理由是 AI 需求的增长速度要求更快的迭代。这些变化都有公开财报与发布会记录可查，具体数字以公司公开披露为准。
从 CUDA 到今天的大模型算力
把节点连起来，这条时间线的逻辑是完整的：GPU 的并行架构是硬件基础，CUDA 是让开发者用得起来的软件通道，深度学习是恰好需要这种并行能力的负载，数据中心是需求爆发后的组织形式。今天你让 DeepSeek 写一段代码、让豆包回答一个问题、让 Kimi 读一份长文档，这些请求背后处理的正是这条线铺出来的算力。至于当年把显卡开放给通用计算、把公司重心转向数据中心这两个决定算不算「押对」，公开报道里有各种角度的分析，判断留给读者，本文只负责把时间线交代清楚——这也是读商业与技术史的常用办法：先看公开节点，再谈评价。
| 环节 | 公开节点 | 在这条链里的位置 |
|---|---|---|
| 硬件 | 1999 年 GeForce 256，数千个小核心并行工作 | 并行架构，整条线的物理基础 |
| 软件 | 2006 年 CUDA 把显卡开放给通用计算 | 开发者用得起来的通道，深度学习框架的 GPU 支持层追到这里 |
| 负载 | 2012 年 AlexNet 用两块消费级显卡训练 | 恰好需要这种并行能力的计算任务 |
| 组织形式 | 数据中心业务在公开财报中占比逐年上升 | 需求爆发后的承载方式，覆盖训练与推理两类需求 |
关于黄仁勋的常见疑问
- CUDA 到底是什么？：英伟达推出的并行计算平台与编程模型，开发者用它让 GPU 执行图形之外的计算任务，深度学习的训练框架普遍构建在它之上。
- 英伟达是黄仁勋一个人创办的吗？：公开资料记载他与克里斯·马拉科夫斯基、柯蒂斯·普里姆三人共同创办，黄仁勋此后长期担任公司 CEO。
- 数据中心业务为什么重要？：AI 模型的训练与推理需要大规模并行算力，这类需求集中体现在数据中心场景，公开财报显示这条业务线的占比持续上升。
