Nvidia 发布 Blackwell：其下一代 GPU

重点转移：从图形到 AI 计算

• 很多人认为，Blackwell 只是 GPU 继续从图形设备转变为主要 AI 加速器的又一步。
• 围绕“GPU”现在是否已是名不副实展开争论；有人建议使用新的缩写（例如 tensor 或 generative units），也有人认为名称一旦形成就很难改变，而且底层架构本质上仍然像 GPU。
• 一些玩笑和旁白指出，图形看起来已退居次要地位，但它仍然是卖点，也是如果 AI 热潮降温时的后备市场。

Nvidia 与 GPU 的历史和策略

• 长篇讨论围绕 Nvidia 是否一直打算把 GPU 作为通用计算加速器，还是后来才从纯游戏转向。
• 有人认为“以计算为先”的最初愿景是事后修饰；早期产品是固定功能图形芯片，与 3dfx、Matrox 等竞争。
• 也有人指出可编程着色器、早期 GPGPU 工作、Cg，以及 CUDA（2000 年代中期）都说明 Nvidia 长期沿着并行计算路线发展。
• 物理加速方面的过往尝试（PhysX、FleX）也被引用为这一计算故事的一部分。

软件生态与竞争护城河

• 普遍共识是，Nvidia 的优势不仅在硬件，也在软件：CUDA、驱动、库、工具，以及网络互连（NVSwitch、InfiniBand）。
• 多条评论将 Nvidia “开箱即用”的技术栈与 AMD 的 ROCm 生态作对比，后者被描述为不成熟、容易出错、硬件支持不一致，并且难以在真实工作负载中部署。
• Nvidia AI Enterprise 被视为进一步加深绑定、并让其更像 AWS 式护城河的“操作系统/平台”式举措。
• 有人指出，替代硬件（AMD、Intel、TPU）确实存在，但迁移并不简单，而且竞争对手的软件栈仍然落后。

计算需求、扩展性与看空观点

• 许多人认为随着模型进步，对计算的需求几乎是无限的，常常提到 AGI/ASI 和更大的 LLM。
• 也有人提出看空逻辑：AI 可能不配得上当前估值，更好的算法可能大幅降低算力需求，或者更专用的加速器会挤压通用 GPU。
• 担忧还包括过度依赖 Nvidia/TSMC、如果竞争对手追上可能出现供给过剩，以及 AI 的真实变现能力可能仍然有限。

效率、功耗与系统设计

• 新一代产品被描述为单次操作效率更高，但绝对功耗也在上升，从而限制了部署环境。
• 互连带宽和“海滨地带”面积（链路 vs 核心）被强调为关键的设计与系统级瓶颈，而 Nvidia 在这方面投入巨大。

消费级与未来使用场景

• 玩家对高端“GPU”被优化用于 AI 而非游戏感到不满，并质疑 Blackwell 对消费级产品线意味着什么。
• 关于未来在本地广泛部署 AI 节点（家庭/楼宇级）的猜测遭到怀疑；许多人预计仍会继续集中在数据中心。