Nvidia CEO：我们把全部家当都押在了 AI 上，而没人知道
Nvidia 声称自己“把全部家当都押在了 AI 上”，这引发了关于其主导地位究竟有多少来自战略远见、又有多少来自幸运时机的争论。评论者指出，Nvidia 对 CUDA 和 GPGPU 软件长达数十年的投入，使其在深度学习、加密货币挖矿以及如今的大语言模型兴起时占据了绝佳位置，而竞争对手则要么投入不足，要么决策失误。另一些人则认为，尽管 Nvidia 搭建了关键生态，但它不可能具体预见今天的 AI 热潮，只是在机会到来时成为准备得最充分的参与者。
运气 vs. 策略
- 主要分歧：有人说 Nvidia 在加密货币、疫情期间的需求，后来又是 AI 上“撞了大运”；也有人认为，长期的战略下注让这种运气真正派上了用场。
- 较常见的折中看法是：成功既需要准备（CUDA、GPU、生态系统），也需要合适的时机；把它简单归结为“纯靠运气”或“纯靠天才”都被视为天真。
CUDA 和软件生态系统
- 许多评论强调 CUDA（于 2007 年推出）是核心战略举措：早在比特币或现代深度学习热潮之前，就把 GPU 变成了可编程的通用计算（GPGPU）平台。
- Nvidia 多年来持续投入 CUDA、cuDNN、工具和大会，构建了软件护城河以及“个人超级计算”的愿景。
- 这些投入早于加密货币和现代 LLM；AI 和加密货币被描述为这个既有向量计算平台后来出现的“杀手级应用”。
竞争：AMD、Intel 以及其他厂商
- AMD 经常被拿来作为反例：硬件潜力相近，但在软件上投入不足（OpenCL、CUDA 竞争方案），还受到财务约束，并且做出了一些战略失误。
- Intel 的 Phi 和其他尝试则被描述为缺乏生态和愿景；制造与领导力问题也被提及。
- Google TPUs 和其他专用加速器在理论上被认为更高效，但受限于可获取性、灵活性需求以及研究方向的演进。
加密货币、游戏与 AI 时间线
- 讨论驳斥了“AI 是在加密货币之后才开始”的说法。基于 GPU 的深度学习（例如 ImageNet/AlexNet 时代）在多年以前就已经把研究重心转向 Nvidia，早于 Ethereum 的高峰期。
- 有人认为 Nvidia 在那一时期已经意识到 AI 的潜力，并大幅转向深度学习，但并没有预见今天这种精确的 LLM 爆发。
DLSS、游戏特性与驱动程序
- 关于 DLSS 和帧生成的激烈分歧：有人把插值帧称为“假帧”且容易产生伪影；也有人表示效果很好，尤其是在不启用帧生成时。
- 关于 AMD 驱动质量仍存在持续争论：有人说这些问题早已成为过去；也有人报告与 Nvidia 相比，AMD 仍然存在稳定性问题。
研发、长期下注与未来风险
- 一些评论强调 Nvidia 的文化倾向于长周期、高风险的平台下注，而不是短期财务优化。
- 也有人推测未来的神经网络硬件可能会摆脱 FMA/张量核心式计算，这会给当前架构带来风险，不过细节仍不清楚。