英伟达提出 CUDA 架构开辟新的战场，既是自身发展的战略规划决定的，也有很大一部分原因是外部市场环境压力所迫。当时英特尔（Intel）公司已经把在计算机中央处理器（CPU）中集成的 GPU 单元的性能提升到能完全满足低端用户需求的程度，而超微半导体公司（Advanced Micro Devices，AMD）在竞争激烈的高端游戏显卡市场推出了游戏性能更强大并且功耗和散热更优的产品与英伟达直接竞争。一时间，行业龙头英伟达被围追堵截，颇有些四面楚歌的感觉。从 2007 年初起，短短一年多时间，英伟达的股价就从最高 37 美元跌落到最低不足 6 美元。
而 CUDA 架构的及时出现，不仅拯救了在游戏领域陷入竞争泥潭的英伟达，还正好击中了人工智能尤其是深度神经网络的痛点。可以说，整个深度神经网络技术在过去几年的崛起，除了得益于辛顿提出的深度学习理论、ImageNet 大规模视觉识别挑战赛之外，CUDA 架构提供的并行运算能力也功不可没。谷歌大脑训练神经网络在 YouTube 上识别猫，原本需要同时使用超过2000 片 CPU，后来只使用了 12 片 GPU 就完成了相同的任务。辛顿拿去参加ImageNet 挑战赛的 AlexNet，也是采用了两片 GeForce 显卡代替 CPU 来完成训练，后续参赛的残差网络（ResNet）等作品，全部都基于 CUDA 平台运行。如果没有英伟达的 CUDA，科学界验证深度学习巨大潜力的时间不知道还要推迟多久。CUDA 技术使得在普通个人计算机上进行高并行度、高性能运算的成本大幅降低，以至于一个普通科研人员的台式计算机都有可能部署上万个并行处理内核。这促使深度学习技术在科技界迅速地发展和普及开来。如果没有GPGPU 和 CUDA，也许坚持研究了 30 多年神经网络算法的辛顿，还得继续在学术界被埋没好些年。不仅仅人工智能、机器学习的崛起造就了英伟达，英伟达和它的 CUDA 架构也同样加速了人工智能和机器学习的发展进程，这也算是一个人类与人工智能共生双赢的代表案例。
第 9 章 与机器共生
391