在早前的台湾computex上，英伟达创始人黄仁勋接受了媒体采访。在被问到：“Meta、谷歌和微软等云服务提供商正在制造自己的 AI 芯片。这会对 NVIDIA 产生什么影响？NVIDIA 会进入定制 ASIC 业务吗？”这个问题时。

黄仁勋回应道：是的，我们会这么做。但 NVIDIA 非常不同——NVIDIA 不是一家加速器公司，而是一家加速计算公司。NVIDIA 的加速计算非常通用，因此利用率更高，实用性更高，实际成本更低。人们认为你的智能手机很贵，但想想它取代的所有东西——一台设备的实际成本要取代那么多台设备，NVIDIA 加速计算也是如此。

NVIDIA 架构用途广泛，无处不在 - 公共、私人、国家等。这是因为我们的覆盖范围非常广，所以我们是任何开发人员的首要目标。如果你为 CUDA 编程，它可以在任何地方运行，如果你为加速器编程，它只能在那里运行，这是有道理的。当云客户使用 NVIDIA 时，我们会将 CUDA 客户带到云端，我们对此感到高兴。

在问到对 UALink的看法时，黄仁勋表示，世界已经意识到了 NVLink 的重要性。NVLink 现已发展到第五代，并且 NVLink 的连接速度令人难以置信。NVLink 内部包含许多软件和复杂的东西，而不仅仅是 SERDES。它连接到我们的 GPU - 它们以 NVLink 开始和结束，因此软件只能看到一个 GPU。

“经过 7 年，人们现在才意识到 NVLink 的重要性。今天他们有一个提案，但要过几年他们才会有一个功能齐全的 NVLink 竞争对手。有些人更喜欢购买现成的产品 - 如果它存在并且足够好，那为什么不呢？但我的感觉是‘我们得拭目以待’”。黄仁勋强调。


什么是CUDA？

CUDA（Compute Unified Device Architecture），统一计算设备架构，英伟达推出的基于其GPU的通用高性能计算平台和编程模型。借助CUDA，开发者可以充分利用英伟达GPU的强大计算能力加速各种计算任务。

软件生态的基石：CUDA构成了英伟达软件生态的基础，诸多前沿技术均基于CUDA构建。例如，TensorRT、Triton和Deepstream等，这些技术解决方案都是基于CUDA平台开发的，展示了CUDA在推动软件创新方面的强大能力。

软硬件的桥梁：英伟达的硬件性能卓越，但要发挥其最大潜力，离不开与之相匹配的软件支持。CUDA正是这样一个桥梁，它提供了强大的接口，使得开发者能够充分利用GPU硬件进行高性能计算加速。就像驾驶一辆高性能汽车，CUDA就像是一位熟练的驾驶员，能够确保硬件性能得到充分发挥。

深度学习框架的加速器：CUDA不仅在构建英伟达自身的软件生态中扮演关键角色，在推动第三方软件生态发展方面也功不可没。特别是在深度学习领域，CUDA为众多深度学习框架提供了强大的加速支持。例如，在Pytorch、TensorFlow等流行框架中，CUDA加速功能成为标配。

开发者只需简单设置，即可利用GPU进行高效的训练和推理任务，从而大幅提升计算性能。

华为也有自己的护城河

达芬奇架构，作为华为自研的AI计算架构，其起源与华为对AI未来应用的深远洞察密切相关。早在几年前，华为就预测到2025年，全球智能终端的数量将达到400亿台，智能助理的普及率将达到90%，企业数据的使用率将达到86%。基于这样的预测，华为在2018年全联接大会上提出全栈全场景AI战略，并设计了达芬奇计算架构，以在不同体积和功耗条件下提供强劲的AI算力。

达芬奇架构的发展可以追溯到2018年，华为推出的AI芯片Ascend 310（昇腾310）首次亮相，标志着达芬奇架构的正式应用。紧接着，华为在2019年6月发布了全新8系列手机SoC芯片麒麟810，首次采用达芬奇架构NPU，实现了业界领先的端侧AI算力。麒麟810在AI Benchmark榜单中表现卓越，证明了达芬奇架构的实力。

达芬奇架构是专为AI计算特征而设计的全新计算架构，具备高算力、高能效、灵活可裁剪的特性。其核心优势在于采用3D Cube针对矩阵运算做加速，每个AI Core可以在一个时钟周期内实现4096个MAC操作，相比传统的CPU和GPU实现数量级的提升。此外，达芬奇架构还集成了向量、标量、硬件加速器等多种计算单元，并支持多种精度计算，支撑训练和推理两种场景的数据精度要求。

达芬奇架构的应用领域广泛，覆盖了从端侧到云端的全场景AI应用。在端侧，麒麟810芯片的AI算力已经在智能手机中得到应用，为消费者提供了丰富的AI应用体验。在边缘侧和云端，Ascend系列AI处理器可以满足从几十毫瓦到几百瓦的训练场景，提供最优的AI算力。达芬奇架构的灵活性和高效性，使其在智慧城市、自动驾驶、工业制造等多个领域中发挥着重要作用。

诚然，达芬奇架构在华为的AI市场布局中占据了核心的位置。它不仅是华为AI芯片的技术基础，也是华为实现全栈全场景AI战略的重要支撑。通过达芬奇架构，华为能够提供从硬件到软件的全栈AI解决方案，加速AI技术的产业化和应用落地。此外，达芬奇架构的统一性也为开发者带来了便利，降低了开发和迁移成本，促进了AI应用的创新和发展。


华为GPU快成了，但离构建自己的CUDA还很遥远

目前看，华为GPU发展态势较好。

根据公开信息，2023年华为算力GPU的出货量大约为十万片。随着产能的增加，预计到2024年，这个数字将翻几番，达到几十万片的规模。尽管产能有所提升，市场上的订单需求依然非常旺盛，仅在2024年1月份的下单量就已经达到了数十万片。目前，下单需求已经达到上百万片，远超华为当前的供应能力。

在国内购买情况方面，华为算力GPU受到了市场的热烈追捧。华为算力GPU的客户主要分为三个梯队：第一类是三大运营商和政务类客户，第二类是互联网客户，第三类是其他公司。由于算力GPU的紧缺，客户为了尽快拿到产品，都在努力成为第一梯队的客户，甚至采取与地方政府合作等措施以确保优先供应。

价格方面，华为算力GPU自2023年8月上市以来，价格已经经历了至少两次提价。最初上市的价格约为7万元人民币，而目前市场价格已经上涨至约12万元人民币。

总体来看，华为GPU的发展态势良好，市场需求强劲，尽管供应紧张，但这也反映出华为GPU在性能和国产化方面的优势，使其成为市场中的热门选择。随着技术的不断进步和产能的进一步提升，预计华为GPU将在未来市场中占据更重要的位置。

在一次专访中，黄仁勋表示：“华为是个好公司”。此外，英伟达在财报中将华为列为主要竞争对手，这反映了华为在GPU及相关技术领域的竞争力正在增强。

尽管华为GPU发展态势良好，但CUDA作为GPU领域占主导地位的框架，其生态系统的成熟度和广泛接受度远远超过了其他框架，包括AMD开发的框架。华为的AI计算框架在生态建设方面确实还有很长的路要走，需要持续的技术创新和市场推广才能逐步构建起与CUDA相匹敌的生态系统。

然而，英伟达不想给华为成长起来的时间了。

近期，英伟达对其CUDA平台的兼容性政策进行了调整，限制了CUDA软件在非英伟达硬件平台上的运行行为，这一决策始于2021年，并在随后的时间里逐步加强。具体来说，英伟达通过更新其最终用户许可协议（EULA），明确禁止了使用转换层或模拟层在非英伟达GPU上运行CUDA代码的行为。

这一政策变动主要影响了那些试图通过转译技术实现CUDA兼容性的第三方项目，例如ZLUDA等。ZLUDA是一个允许在非英伟达硬件上运行CUDA程序的转译库，它提供了一种相对简单的方式，使得开发者能够在性能略有损失的情况下，运行CUDA程序。

英伟达此举，被广泛认为是保护其市场份额和维护其技术控制权的战略举措。通过限制在其他芯片上使用CUDA软件的方式，英伟达确保其GPU仍然是开发人员和依赖其并行计算平台的企业的首选。

然而，这一决策在业界引起了不小的震动，并引发了广泛的讨论。不少人指责英伟达借助封锁政策垄断市场，压制竞争对手的发展机会。

面对英伟达的限制政策，一些国内GPU企业如摩尔线程选择了遵守EULA规定，并表态采用重新编译代码的方式与EULA保持一致，以避免违反英伟达的限制条款。

此外，业界其他力量，包括AMD、英特尔等厂商，并未因英伟达的限制而止步，他们正在积极推动开放、可移植的生态系统建设，以试图打破英伟达的市场垄断。

面对英伟达的出牌，华为在发展自己的GPU技术时，需要更多地依赖自主研发的软件工具和开发环境，而不是依赖于CUDA这样的成熟平台。这意味着华为需要投入更多的资源来构建自己的软件生态系统，包括开发与CUDA性能相匹敌的编程工具、库和API。

可以预见，在未来较长一段时间内，由于CUDA的广泛使用和对高性能计算、AI等领域的深远影响，英伟达的这一政策可能会限制华为GPU的市场接受度，特别是在那些已经深度依赖于CUDA的领域。

这加强了华为构建自身AI计算架构和AI生态的紧迫性，就像当初安卓断供成就了鸿蒙一样，CUDA的收紧会否成为华为达芬奇架构的神助攻呢？现在还不好评判，让子弹飞一会吧。