英伟达从游戏显卡转向AI算力,核心路径可以概括为三次关键跃迁——CUDA生态奠基让GPU从画图工具变成通用计算平台,深度学习浪潮让GPU成为AI训练主力硬件,再到数据中心业务取代游戏成为最大收入引擎,才完成从“显卡厂”到“算力基础设施商”的身份切换。
一、第一次转型:CUDA把GPU从图形专用变成通用计算
背景:早期GPU只为渲染图形设计,编程模型封闭,科学家想用GPU做通用计算门槛极高。
关键动作:英伟达推出CUDA编程平台,让开发者用类C语言调用GPU的并行算力,把“图形处理器”扩展为“并行计算加速器”。
意义:这一步没有立刻带来游戏显卡之外的收入,却为后来AI训练框架默认跑在CUDA上埋下伏笔,形成了长期生态壁垒。
二、第二次转型:深度学习浪潮把GPU推成AI训练主力
契机:2012年前后深度学习在图像识别任务上取得突破,研究者发现GPU并行架构训练神经网络的速度远超CPU。
产品响应:英伟达针对性强化GPU的浮点算力与显存带宽,并推出面向数据中心的高性能计算卡,逐步脱离纯游戏场景。
生态延伸:cuDNN等深度学习库的配套,让主流AI框架优先适配英伟达硬件,开发者迁移成本被进一步抬高。
三、第三次转型:数据中心业务取代游戏成为收入主引擎
结构变化:云厂商和大模型实验室大规模采购GPU集群,数据中心业务营收占比持续攀升,游戏显卡不再是增长核心。
市场印证:2023至2025年英伟达在AI芯片整体收入中的份额一度达到83%。
当下格局:据摩根大通分析师报告,在OpenAI、Anthropic等前沿实验室已敲定的未来算力采购中,英伟达GPU占比为39%,博通定制芯片占24%、谷歌TPU占16%、AMD GPU占15%。这说明转型已把英伟达推到算力基础设施的中心,但客户自研与多元采购正在重塑竞争结构。
本文由AI生成











