在早前的臺灣computex上，英偉達創始人黃仁勛接受了媒體采訪。在被問到：“Meta、谷歌和微軟等云服務提供商正在制造自己的 AI 芯片。這會對 NVIDIA 產生什么影響？NVIDIA 會進入定制 ASIC 業務嗎？”這個問題時。

黃仁勛回應道：是的，我們會這么做。但 NVIDIA 非常不同——NVIDIA 不是一家加速器公司，而是一家加速計算公司。NVIDIA 的加速計算非常通用，因此利用率更高，實用性更高，實際成本更低。人們認為你的智能手機很貴，但想想它取代的所有東西——一臺設備的實際成本要取代那么多臺設備，NVIDIA 加速計算也是如此。

NVIDIA 架構用途廣泛，無處不在 - 公共、私人、國家等。這是因為我們的覆蓋范圍非常廣，所以我們是任何開發人員的首要目標。如果你為 CUDA 編程，它可以在任何地方運行，如果你為加速器編程，它只能在那里運行，這是有道理的。當云客戶使用 NVIDIA 時，我們會將 CUDA 客戶帶到云端，我們對此感到高興。

在問到對 UALink的看法時，黃仁勛表示，世界已經意識到了 NVLink 的重要性。NVLink 現已發展到第五代，并且 NVLink 的連接速度令人難以置信。NVLink 內部包含許多軟件和復雜的東西，而不僅僅是 SERDES。它連接到我們的 GPU - 它們以 NVLink 開始和結束，因此軟件只能看到一個 GPU。

“經過 7 年，人們現在才意識到 NVLink 的重要性。今天他們有一個提案，但要過幾年他們才會有一個功能齊全的 NVLink 競爭對手。有些人更喜歡購買現成的產品 - 如果它存在并且足夠好，那為什么不呢？但我的感覺是‘我們得拭目以待’”。黃仁勛強調。


什么是CUDA？

CUDA（Compute Unified Device Architecture），統一計算設備架構，英偉達推出的基于其GPU的通用高性能計算平臺和編程模型。借助CUDA，開發者可以充分利用英偉達GPU的強大計算能力加速各種計算任務。

軟件生態的基石：CUDA構成了英偉達軟件生態的基礎，諸多前沿技術均基于CUDA構建。例如，TensorRT、Triton和Deepstream等，這些技術解決方案都是基于CUDA平臺開發的，展示了CUDA在推動軟件創新方面的強大能力。

軟硬件的橋梁：英偉達的硬件性能卓越，但要發揮其最大潛力，離不開與之相匹配的軟件支持。CUDA正是這樣一個橋梁，它提供了強大的接口，使得開發者能夠充分利用GPU硬件進行高性能計算加速。就像駕駛一輛高性能汽車，CUDA就像是一位熟練的駕駛員，能夠確保硬件性能得到充分發揮。

深度學習框架的加速器：CUDA不僅在構建英偉達自身的軟件生態中扮演關鍵角色，在推動第三方軟件生態發展方面也功不可沒。特別是在深度學習領域，CUDA為眾多深度學習框架提供了強大的加速支持。例如，在Pytorch、TensorFlow等流行框架中，CUDA加速功能成為標配。

開發者只需簡單設置，即可利用GPU進行高效的訓練和推理任務，從而大幅提升計算性能。

華為也有自己的護城河

達芬奇架構，作為華為自研的AI計算架構，其起源與華為對AI未來應用的深遠洞察密切相關。早在幾年前，華為就預測到2025年，全球智能終端的數量將達到400億臺，智能助理的普及率將達到90%，企業數據的使用率將達到86%。基于這樣的預測，華為在2018年全聯接大會上提出全棧全場景AI戰略，并設計了達芬奇計算架構，以在不同體積和功耗條件下提供強勁的AI算力。

達芬奇架構的發展可以追溯到2018年，華為推出的AI芯片Ascend 310（昇騰310）首次亮相，標志著達芬奇架構的正式應用。緊接著，華為在2019年6月發布了全新8系列手機SoC芯片麒麟810，首次采用達芬奇架構NPU，實現了業界領先的端側AI算力。麒麟810在AI Benchmark榜單中表現卓越，證明了達芬奇架構的實力。

達芬奇架構是專為AI計算特征而設計的全新計算架構，具備高算力、高能效、靈活可裁剪的特性。其核心優勢在于采用3D Cube針對矩陣運算做加速，每個AI Core可以在一個時鐘周期內實現4096個MAC操作，相比傳統的CPU和GPU實現數量級的提升。此外，達芬奇架構還集成了向量、標量、硬件加速器等多種計算單元，并支持多種精度計算，支撐訓練和推理兩種場景的數據精度要求。

達芬奇架構的應用領域廣泛，覆蓋了從端側到云端的全場景AI應用。在端側，麒麟810芯片的AI算力已經在智能手機中得到應用，為消費者提供了豐富的AI應用體驗。在邊緣側和云端，Ascend系列AI處理器可以滿足從幾十毫瓦到幾百瓦的訓練場景，提供最優的AI算力。達芬奇架構的靈活性和高效性，使其在智慧城市、自動駕駛、工業制造等多個領域中發揮著重要作用。

誠然，達芬奇架構在華為的AI市場布局中占據了核心的位置。它不僅是華為AI芯片的技術基礎，也是華為實現全棧全場景AI戰略的重要支撐。通過達芬奇架構，華為能夠提供從硬件到軟件的全棧AI解決方案，加速AI技術的產業化和應用落地。此外，達芬奇架構的統一性也為開發者帶來了便利，降低了開發和遷移成本，促進了AI應用的創新和發展。


華為GPU快成了，但離構建自己的CUDA還很遙遠

目前看，華為GPU發展態勢較好。

根據公開信息，2023年華為算力GPU的出貨量大約為十萬片。隨著產能的增加，預計到2024年，這個數字將翻幾番，達到幾十萬片的規模。盡管產能有所提升，市場上的訂單需求依然非常旺盛，僅在2024年1月份的下單量就已經達到了數十萬片。目前，下單需求已經達到上百萬片，遠超華為當前的供應能力。

在國內購買情況方面，華為算力GPU受到了市場的熱烈追捧。華為算力GPU的客戶主要分為三個梯隊：第一類是三大運營商和政務類客戶，第二類是互聯網客戶，第三類是其他公司。由于算力GPU的緊缺，客戶為了盡快拿到產品，都在努力成為第一梯隊的客戶，甚至采取與地方政府合作等措施以確保優先供應。

價格方面，華為算力GPU自2023年8月上市以來，價格已經經歷了至少兩次提價。最初上市的價格約為7萬元人民幣，而目前市場價格已經上漲至約12萬元人民幣。

總體來看，華為GPU的發展態勢良好，市場需求強勁，盡管供應緊張，但這也反映出華為GPU在性能和國產化方面的優勢，使其成為市場中的熱門選擇。隨著技術的不斷進步和產能的進一步提升，預計華為GPU將在未來市場中占據更重要的位置。

在一次專訪中，黃仁勛表示：“華為是個好公司”。此外，英偉達在財報中將華為列為主要競爭對手，這反映了華為在GPU及相關技術領域的競爭力正在增強。

盡管華為GPU發展態勢良好，但CUDA作為GPU領域占主導地位的框架，其生態系統的成熟度和廣泛接受度遠遠超過了其他框架，包括AMD開發的框架。華為的AI計算框架在生態建設方面確實還有很長的路要走，需要持續的技術創新和市場推廣才能逐步構建起與CUDA相匹敵的生態系統。

然而，英偉達不想給華為成長起來的時間了。

近期，英偉達對其CUDA平臺的兼容性政策進行了調整，限制了CUDA軟件在非英偉達硬件平臺上的運行行為，這一決策始于2021年，并在隨后的時間里逐步加強。具體來說，英偉達通過更新其最終用戶許可協議（EULA），明確禁止了使用轉換層或模擬層在非英偉達GPU上運行CUDA代碼的行為。

這一政策變動主要影響了那些試圖通過轉譯技術實現CUDA兼容性的第三方項目，例如ZLUDA等。ZLUDA是一個允許在非英偉達硬件上運行CUDA程序的轉譯庫，它提供了一種相對簡單的方式，使得開發者能夠在性能略有損失的情況下，運行CUDA程序。

英偉達此舉，被廣泛認為是保護其市場份額和維護其技術控制權的戰略舉措。通過限制在其他芯片上使用CUDA軟件的方式，英偉達確保其GPU仍然是開發人員和依賴其并行計算平臺的企業的首選。

然而，這一決策在業界引起了不小的震動，并引發了廣泛的討論。不少人指責英偉達借助封鎖政策壟斷市場，壓制競爭對手的發展機會。

面對英偉達的限制政策，一些國內GPU企業如摩爾線程選擇了遵守EULA規定，并表態采用重新編譯代碼的方式與EULA保持一致，以避免違反英偉達的限制條款。

此外，業界其他力量，包括AMD、英特爾等廠商，并未因英偉達的限制而止步，他們正在積極推動開放、可移植的生態系統建設，以試圖打破英偉達的市場壟斷。

面對英偉達的出牌，華為在發展自己的GPU技術時，需要更多地依賴自主研發的軟件工具和開發環境，而不是依賴于CUDA這樣的成熟平臺。這意味著華為需要投入更多的資源來構建自己的軟件生態系統，包括開發與CUDA性能相匹敵的編程工具、庫和API。

可以預見，在未來較長一段時間內，由于CUDA的廣泛使用和對高性能計算、AI等領域的深遠影響，英偉達的這一政策可能會限制華為GPU的市場接受度，特別是在那些已經深度依賴于CUDA的領域。

這加強了華為構建自身AI計算架構和AI生態的緊迫性，就像當初安卓斷供成就了鴻蒙一樣，CUDA的收緊會否成為華為達芬奇架構的神助攻呢？現在還不好評判，讓子彈飛一會吧。