芯耀
2825
前言：
这个报告是我的实习生王华斌的最新作品。他在我指导下正在持续收集AI模型、算力芯片领域的数据，计划撰写一系列的行业报告（包含但不限于GPU芯片领域、英伟达公司）。如果您对这方面的信息感兴趣，欢迎关注我的公众号，以免错过后续的系列文章当然，也欢迎您给予我们反馈，帮助我的实习生更快成长
另外，最近因为公众号推送政策改变，您关注的公众号的最新文章不会再自动推送给您了。所以如果您不想错过本公众号的文章信息，请务必将本公众号设置为星标，以免以面错过后续的重要文章。谢谢
正文：
实习生作者：王华斌 上海纽约大学在读
序言：
三十年前NVIDIA初创时，CPU作为计算机诞生以来的唯一计算形态，其统治地位无可撼动——整个软件生态都构建在CPU的指令集架构之上。尽管市场对计算需求的爆发催生了各类专用芯片，但摩尔定律的持续演进使CPU性能与晶体管资源同步增长，最终将许多专用功能如声卡、视频编解码、加密模块逐步吸收为CPU的指令集扩展，导致这些独立硬件逐渐消亡。然而，GPU却成为例外：三维图形渲染需求的无限潜力，促使黄仁勋与游戏产业形成技术共生，通过超越摩尔定律迭代速度的“黄氏定律”持续突破性能极限。最终，GPU凭借其大规模并行计算架构，在AI时代找到了新的使命——深度学习训练与推理的算力需求完美契合了GPU的流处理器设计，使其不再仅仅是CPU的附属，而是成长为独立的核心计算单元。随着CUDA生态的成熟和AI算力需求的爆发，GPU彻底摆脱了传统协处理器的定位，成为与CPU并驾齐驱的异构计算核心。本文通过分析英伟达各阶段的产品、财务状况和竞争对手，探讨公司改变计算机架构，从图形显卡厂商蜕变为计算巨头，市值二十五年增长五千倍的原因。（部分文字使用Deepseek修饰）
概览：
英伟达自2000年上市以来，在游戏显卡领域一直是垄断地位。随着PC的渗透率提升和电子游戏的发展，营收保持稳健增长。2023-2024年凭借AI机遇实现创纪录增速，重现初创期高增长态势。净利率方面，公司早期以游戏显卡为主业，净利率维持在15%-20%区间；通过持续拓展GPU应用场景，逐步提升盈利能力。随着数据中心业务爆发式增长，2023-2024年净利率突破50%大关，标志着其二十年战略布局进入丰收期。
各阶段分析：
第一阶段 1993-2001：创业，濒临破产到崛起
行业背景：1990年代初，个人电脑图形处理需求激增，Windows 3.1的发布推动了图形界面普及。3D图形技术初露头角，游戏和CAD应用成为驱动需求的关键。但是当时主要依赖CPU处理图形任务，性能有限。例如IBM的CGA显卡仅支持16色、640×200分辨率。专用图形加速芯片开始兴起，但市场分散，技术标准不统一。
创始人背景：英伟达的创始人之一柯蒂斯·普里姆此前在佛蒙特微系统公司（Vermont Microsystems）为IBM设计PGC显卡，后来在太阳微系统公司（Sun Microsystems）领导“秘密图形”团队，设计了GX图形加速器，支持256色、640×480分辨率，是行业早期图形架构专家。他擅长芯片架构设计，奠定了英伟达早期产品的技术基础。另一位创始人克里斯·马拉科夫斯基与普里姆合作密切，负责解决制造和工艺问题。因普里姆和马拉科夫斯基的图形项目被管理层搁置，而离开太阳微系统公司。黄仁勋早期在AMD设计微处理器，后转投LSI Logic参与系统级芯片开发。他技术背景深厚，但更侧重商业与战略，是团队中的“商业大脑”。1993年在丹尼餐厅的多次讨论后，三人决定创立英伟达，目标是为PC市场设计高性能图形芯片。
1. 财务状况：
1995-1996年是英伟达最危险的时期。NV1与行业标准如微软的Direct3D不兼容，导致游戏开发商不愿适配。仅有的支持来自世嘉移植的少数游戏，销量远低于预期。英伟达现金流几近枯竭，世嘉的500万美元投资和100万美元违约金帮助英伟达熬过1996年的危机。
1997年是英伟达的生死逆转年。公司推出RIVA 128，出货超100万颗，市场份额达20%，戴尔、Gateway、NEC等PC厂商采用RIVA 128显卡。公司首次实现季度盈利，1997年Q4利润140万美元。
1998-2001年英伟达奠定了行业统治地位。公司先后发布RIVA TNT、GeForce 256和GeForce 2/3。2000年英伟达获得微软Xbox初代合同预付款2亿美元，总订单价值超10亿美元。GeForce系列在游戏和专业市场的形成垄断地位，市占率超80%。2001年营收10亿美元，成为最快达到10亿年收的半导体公司，仅用9个季度。
2. 产品介绍：
NV1: 采用四边形渲染（Quadrilateral Rendering）而非行业主流的三角形渲染，试图颠覆传统图形管线。它还整合了音效卡和游戏手柄功能，成为一款“多功能芯片”。与行业标准如微软的Direct3D不兼容。
RIVA 128（NV3）：首款支持主流3D标准的显卡芯片，采用128位内存总线，性能远超竞争对手。
RIVA TNT（NV4）：首款支持双纹理单元的显卡，可同时处理两个像素，性能翻倍。
GeForce 256（NV10）：全球首款命名为GPU的显卡，集成硬件光影转换（T&L），解放CPU负担。性能碾压ATI Rage 128和3dfx Voodoo3，成为行业标杆。
GeForce 3：首款支持可编程着色器（CUDA前身），为科学计算和高级图形铺路。
GeForce 256的 DDR显存、4管线架构、硬件T&L三大创新，直接拉开与竞品的性能差距，奠定NVIDIA在GPU领域的技术领先地位。而3dfx因固守Glide API和单管线架构逐渐没落，ATI则直到Radeon 9700时代才实现反超。反映了1999年显卡市场的技术分水岭。
3. 竞争格局：
3dfx Interactive（1994–2002）是PC 3D图形加速技术的开创者，其Voodoo系列显卡在1990年代后期统治游戏市场，但最终因战略失误被英伟达和ATI击败。2000年12月申请破产，2002年资产被英伟达以7000万美元收购。至今仍被玩家怀念，二手Voodoo显卡成为收藏品。
Voodoo Graphics（1996）：首款支持硬件加速Z缓冲、纹理映射和透视校正的消费级3D显卡，1997年市占率超85%，售价约300美元（高价但供不应求）。
Voodoo 2（1998）：全球首款支持SLI（Scan-Line Interleave）技术，可并联两块显卡提升性能，显存带宽达2.2GB/s，支持1024×768分辨率。但价格昂贵，依赖Glide生态，且忽视DirectX趋势。
第二阶段 2002-2014：从游戏到通用计算
行业背景：2002年左右，学术界和科研人员开始探索将GPU用于非图形计算比如流体模拟、蛋白质折叠等），即“基于GPU的通用计算”（GPGPU）。GPU最初设计仅针对图形渲染，缺乏对通用计算的直接支持，开发者需将科学问题“翻译”为图形函数，通过图形编程语言比如OpenGL、英伟达的Cg间接利用GPU的计算能力，门槛极高。当时英伟达已凭借GeForce系列在图形市场领先，若能将GPU的计算能力开放给更广泛的开发者，可能开辟全新市场。
1. 财务状况：
2002-2007：稳步增长，主导图形市场。英伟达主要依赖游戏显卡（GeForce系列）和工作站显卡（Quadro系列）的销售，市场份额领先竞争对手ATI。
2008-2009年：CUDA投入与金融危机冲击。2006年推出G80架构和CUDA平台，研发投入激增，4年耗资4.75亿美元，占研发预算1/3。因全产品线兼容CUDA导致芯片成本上升，且2008年全球金融危机，英伟达2009年净利率从19%降至-1%。同时，2009年收入同比下滑16%。英伟达裁员5%以削减成本。
2010-2014年：复苏与新兴市场探索。2009年后，经济回暖带动GPU需求回升，游戏市场如《使命召唤》等大作推动GeForce销售。2010年收入恢复至35.43亿美元，较2009年增长7%。但由于移动通信业务持续大幅亏损，净利率恢复缓慢。
各业务占比：英伟达不满足于在游戏显卡领域的统治地位，积极的开拓HPC、科学计算市场。并且开发移动通信芯片Tegra进军移动设备市场，后以失败告终。
图形处理器（Graphics Processor）：GeForce系列游戏显卡，是英伟达的基本盘，为公司贡献了稳定的营收和现金流。图形处理器营收占比保持在65%以上，2012年专业解决方案业务并入后，占比达75%以上。
媒体和通信处理器（Media & Communications Processor）：主板芯片组和视频编解码芯片。主板芯片组（nForce系列）为AMD/Intel CPU提供内存控制和通信接口支持，占营收比一度达25%以上，2008年后nForce因英特尔/AMD自研芯片组而衰落。
图睿处理器（Tegra Processor）：Tegra是英伟达2007年推出的面向移动和嵌入式市场的系统级芯片SoC系列，整合了ARM架构CPU核心、自研GPU核心及专用加速模块。Tegra目标智能手机市场，但因芯片发热等问题，受高通/联发科压制，连年亏损。英伟达2015年退出手机芯片竞争。Tegra为后来英伟达进军自动驾驶和边缘AI奠定基础。
专业解决方案业务（Professional Solutions）：高性能工作站显卡Quadro系列和针对HPC、科学计算的Tesla系列。首款Quadro系列于1999年推出，基于GeForce 256改版，增加专业驱动支持，2010年首次支持CUDA并行计算，广泛应用于工程设计、影视制作、科学模拟等专业场景。Tesla系列是专为高性能计算（HPC）、人工智能（AI）和科学计算设计的加速计算产品线。当时AI市场尚未爆发，Tesla系列的占比较小。2012年后，Quadro系列和Tesla系列并入图形处理器业务。
各业务毛利率情况：除2008-2010年，图形处理器业务毛利率稳定在20%左右。专业解决方案业务针对科研和企业级用户，毛利率相对较高，在40%左右。而图睿处理器几乎一直处于严重亏损状态，2010-2014年拖累了公司整体利润率的回升。
2. 架构演变：
Curie架构：统一着色架构的萌芽。首次引入统一着色器设计雏形，支持顶点着色器和像素着色器的动态分配，提升图形管线效率。但仍为固定功能管线，未开放通用计算能力。
Tesla架构：引入CUDA核心，从图形显卡向通用计算卡的转折点。彻底废弃传统分离式管线，采用128个统一流处理器（CUDA核心），可动态分配计算资源处理顶点、像素或通用计算任务。引入共享内存和线程块调度，允许开发者通过CUDA直接调用GPU计算能力。
Fermi架构：CUDA的成熟化。引入ECC纠错内存，用于科学计算、双精度浮点FP64支持，满足科研需求。并行内核执行，允许GPU同时处理计算和图形任务。
Kepler架构：高性能计算的起点。采用28nm工艺，相同功耗下性能比Fermi提升约35%。Fermi含32个CUDA核心，而Kepler一共有2880个CUDA核心。
Maxwell架构：节能计算引领者。Maxwell架构同样采用28nm制程，在功耗效率和计算密度上取得了重大突破。与Kepler架构相比，一个流处理器（SM）拥有的CUDA核心数从64个提升到128个。GM200具有3072个CUDA核心和336GB/s带宽，计算密度是Kepler的两倍。在保证强大计算能力的同时，降低了能耗，为更多对功耗有严格要求的应用场景提供了可能。
3. 收并购
3dfx被英伟达收购后，英伟达确立了在游戏显卡领导地位。后续英伟达不断研发新技术，收购图像渲染领域相关公司，为后来在Turing架构中集成光线追踪技术，推出Omniverse物理模拟平台奠定基础。
英伟达希望收购相关公司进军移动通信领域，但最终因 Tegra 芯片发热问题与高通、联发科竞争失败。嵌入式芯片技术的积累为英伟达推出自动驾驶芯片留下技术遗产。
第三阶段 2015-至今：比特币捞金、ALL in AI
行业背景： 2012年AlexNet凭借GTX 580GPU夺冠ImageNet后，业界意识到GPU是AI训练的黄金硬件。面对游戏市场增长放缓、CPU厂商的竞争压力，以及云计算巨头对AI算力的爆发式需求，英伟达凭借成熟的CUDA生态和前瞻性架构迭代，将Tesla GPU打造成AI基础设施。这一转型避开了显卡市场的天花板，最终从游戏芯片厂商蜕变为万亿级AI计算霸主，数据中心收入占比达90%，市值增长超百倍。
1. 财务状况：
2016-2018：比特币挖矿狂飙，AI萌芽。Pascal架构适合以太坊挖矿，2017年比特币/以太坊价格暴涨，矿工抢购GTX 1060/1070等显卡，致显卡价格溢价50%-200%，英伟达2018年Q1财报显示，挖矿相关收入贡献10%。同时，2016年AlphaGo击败李世石，引发全球AI投资热潮，云计算厂商AWS等大规模采购Tesla P100，数据中心收入从2016年4.3亿美元增至2018年29亿美元，年复合增长率超100%。
2019：加密货币崩盘，AI投资短期调整。2018年比特币价格从2万美元暴跌至3000美元，矿工抛售二手显卡，导致市场库存积压。比特大陆推出Antminer S9等ASIC矿机，抢占英伟达显卡市场。同时，2018-2019年全球AI融资热度暂缓，云计算厂商消化此前采购的Tesla V100库存，新增订单减少。
2020-2022年：疫情加速数字化，Ampere架构引爆AI与游戏市场。2020年疫情推动游戏和数据中心需求。Ampere架构于2020年推出：GeForce RTX 30系列支持DLSS 2.0和光追，形成玩家升级潮；A100成为成为ChatGPT等大模型训练的算力基础。
2023年至今：生成式AI革命引爆算力需求。2023年ChatGPT 3.0现象级爆发，OpenAI、微软等企业疯狂采购A100/H100 GPU训练大模型。云计算三巨头AWS/Azure/谷歌云将50%+资本开支投向AI算力。2024年英伟达营收达1305亿美金，是2022年营收的近5倍，数据中心业务占比达90%。
英伟达近十年一直保持高强度研发，不断加码AI领域，研发费用率保持在20%以上。2024年研发费用达到129亿美金。2023年后营收爆发，研发费用率逐渐下降至10%。
2. 架构演变：
Pascal架构：能效比与加密货币市场。首次采用台积电（TSMC）16纳米制程工艺，相比前代Maxwell的28nm工艺，晶体管密度和能效显著提升，功耗降低约50%。这一架构引入FP16半精度计算，适用于深度学习。首次集成 NVIDIA NVLink 高速双向互联技术，极大地增强了多 GPU 协作能力。同时，它首次引入HBM2高带宽内存，相比 Maxwell 架构，显存带宽性能提升了 3倍，有效缓解了数据传输瓶颈。Pascal架构的显卡GTX 10系列在2017-2018年的加密货币挖矿热潮中被大量使用，成为当时矿工的主流选择之一。
Volta架构：首次引入Tensor Core，AI计算的里程碑。其采用台积电12nm FFN工艺(FinFET Non-Plus)，首次引入Tensor Core（张量核心），专为加速矩阵运算设计。每个Tensor Core 支持FP16/FP32/BF16/ INT8精度的矩阵乘法累加(MMA)运算，单颗GV100的Tensor Core可提供125 TFLOPS的FP16算力，较Pascal架构的CUDA核心提升6倍。
Turing架构：引入光线追踪核心（RT Core）和深度学习超级采样（DLSS）。Turing架构采用台积电12nm FFN工艺，新增了Ray Tracing核心（RT Core），专用于计算光线与场景的交互（如阴影、反射、全局光照），相比传统光栅化性能提升6-10倍。DLSS技术通过Tensor Core加速AI计算，将低分辨率图像（如1080p）智能放大到高分辨率（如4K）。英伟达在Turing架构推出后，将新一代消费级显卡的命名从“GTX”改为“RTX”，这一变化标志着显卡技术从传统光栅化渲染向实时光线追踪和AI驱动的重大转型。
Ampere架构：全面性能跃升。采用台积电7nm工艺，集成524亿晶体管，是Volta架构的2.6倍。每个SM包含128个FP32 CUDA核心是Turing的两倍。RT Core升级，光线追踪性能比Turing提升2倍，支持动态模糊光线追踪。Tensor Core增强，支持TF32计算，AI训练性能比Turing提升2.5倍。A100成为成为ChatGPT等大模型训练的算力基础。
Hopper架构：引入Transformer引擎和Grace-Hopper异构集成。H100采用台积电4N制程，拥有800亿个晶体管，集成了SXM5和HBM3，通过NVLink 4.0技术连接，带宽高达3.3TB/S。它采用全新的Transformer引擎，支持FP8计算，为大规模数据处理和Al训练提供了强大的支持。Grace CPU与Hopper GPU通过NVLink-C2C实现超高速互联，实现内存一致性（CPU可直接访问GPU显存）。Hopper是英伟达首个专为万亿参数AI设计的架构，其FP8精度和Grace-Hopper异构集成重新定义了超算形态。
Ada Lovelace架构：游戏和图形显卡的新突破。Ada Lovelace架构是NVIDIA公司推出的第三代RTX架构，应用于GeForce RTX 40系列品卡。该架构在光线追踪性能上有了极大提升，同时支持DLSS 3技术，通过Al生成额外帧，进一步提升游戏帧率。
Blackwell架构：第二代Transformer引擎和Chiplet。B200采用台积电4NP工艺，集成2080亿晶体管，两颗B100 Die通过10 TB/s片间互形成统一GPU。GB200将两颗B200 Die 和Grace CPU 通过NVLink-C2C实现内存一致性。新增第二代Transformer引擎，动态切换精度，适配稀疏计算，训练万亿参数模型效率提升30倍。Blackwell被黄仁勋称为“计算机史上最成功的产品”。
3. 收并购
英伟达通过收并购实现了从硬件层（Mellanox）→调度层（Run:ai）→应用层（医疗/自动驾驶）→云平台（Lepton AI）的全栈布局，目标是将数据中心从算力提供者升级为AI基础设施的标准制定者。英伟达以GPU为底座，通过收购填补关键短板，最终掌控AI开发全生命周期。
总结
英伟达的发展历程深刻体现了技术前瞻与长期主义的完美结合。从早期放弃主流图形标准、冒险押注可编程GPU架构，到2006年投入巨资开发短期内看不到商业回报的CUDA平台，再到2010年代果断放弃移动芯片业务、全力转向AI计算，英伟达始终坚持"做难而正确的事"。这些战略决策在初期往往面临巨大风险和市场质疑，但通过持续的技术迭代（每代架构突破）、生态构建（CUDA开发者社区）和战略定力（专注GPU通用化），最终将短期技术优势转化为长期行业标准，成就了其在AI时代的统治地位。这种敢于押注技术拐点、甘愿承受转型阵痛的长期主义，正是英伟达从图形芯片厂商蜕变为计算巨头的核心密码。
参考资料：
Kim, T. (2024). 英伟达之道. 中信出版社.
Mackler. (n.d.). 英伟达与计算机形态的历史轮回. https://zhuanlan.zhihu.com/p/704764104
存储随笔. (n.d.). 漫谈英伟达GPU架构进化史：从Celsius到Blackwell. https://mp.weixin.qq.com/s/S0u9pUwwRYWwkbwCV-g4oQ
Recent database updates. TechPowerUp. (2025b, June 30). https://www.techpowerup.com/gpu-specs/
