Iš garažo į duomenų centrus: kur viskas prasidėjo
1993 metais trys inžinieriai – Jensenas Huangas, Curtisas Priemas ir Chrisas Malachowsky – susitiko Denny’s restorane San Chosė ir nusprendė įkurti kompaniją. Niekas tuo metu negalvojo, kad šis susitikimas prie kavos ir blynų taps vienu svarbiausių momentų technologijų istorijoje. Nvidia buvo įkurta su gana aiškia, bet tuo metu dar gana nišine idėja – kurti grafikos procesorius žaidimams.
Huangas gimė Taiване, vaikystėje kurį laiką gyveno Tailande, o vėliau persikėlė į JAV. Jis studijavo elektros inžineriją Oregono valstijoje, vėliau įgijo magistro laipsnį Stanforde. Prieš Nvidia dirbo AMD ir LSI Logic – tai reiškia, kad jis tikrai žinojo, kaip atrodo puslaidininkių industrija iš vidaus. Tas žinojimas vėliau tapo vienu iš svarbiausių Nvidia sėkmės ingredientų.
Pirmieji metai nebuvo lengvi. Kompanija beveik bankrutavo 1995-aisiais, kai jų pirmasis produktas NV1 pasirodė esąs technologiškai neteisingas statymas – jie rėmėsi kvadratinių poligonų renderinimo technologija, o rinka pasirinko trikampius. Tai buvo skausminga pamoka, bet Huangas iš jos išmoko kažką svarbaus: technologijų pasaulyje reikia ne tik būti greičiausiam, bet ir pasirinkti teisingą kryptį.
CUDA – sprendimas, kuris pakeitė viską
Jei reikėtų išskirti vieną momentą, kuris labiausiai lėmė Nvidia dominavimą šiandien, tai būtų 2006-ieji ir CUDA (Compute Unified Device Architecture) platformos pristatymas. Tuo metu tai atrodė kaip techninis eksperimentas – galimybė naudoti GPU ne tik grafikai, bet ir bendriesiems skaičiavimams. Mokslininkams, inžinieriams, akademikams.
Idėja buvo paprasta, bet revoliucinė: GPU turi tūkstančius mažų branduolių, kurie gali dirbti lygiagrečiai. CPU turi kelis galingus branduolius, bet jie dirba nuosekliai. Kai reikia atlikti milijardus paprastų matematinių operacijų vienu metu – o būtent tai ir reikia dirbtinio intelekto modeliams – GPU yra nepalyginamai efektyvesnis.
Nvidia ne tik sukūrė CUDA, bet ir investavo milijardus į jos ekosistemą. Jie rašė bibliotekas, kūrė įrankius, mokė programuotojus, bendradarbiavo su universitetais. Tai truko daugiau nei dešimtmetį, kol pasaulis suprato, kodėl tai svarbu. Bet kai 2012 metais AlexNet neuroninis tinklas pademonstruoja neįtikėtinus rezultatus atpažįstant vaizdus – ir tai padarė būtent ant Nvidia GPU – viskas pasikeitė.
Šiandien CUDA yra vienas didžiausių Nvidia gynybinių griovių. Jei norite treniruoti didelį dirbtinio intelekto modelį, jums reikia ne tik GPU – jums reikia viso CUDA ekosistemos, kurią kūrėjai, tyrėjai ir kompanijos naudoja jau beveik dvidešimt metų. Perjungti į kitą platformą – tarkime, AMD ROCm – teoriškai įmanoma, bet praktiškai tai reiškia perrašyti daugybę kodo ir atsisakyti metų optimizavimo darbo.
Jensenas Huangas kaip lyderis: ne toks kaip visi
Huangas yra keistas CEO. Jis nevaikšto kostiumais – jo prekinis ženklas yra odinė striukė, kurią jis dėvi beveik visur. Jis kalba apie technologijas su tokiu entuziazmu, kad kartais atrodo labiau kaip mokslininkas nei verslininkas. Nvidia pristatymuose jis gali valandą paaiškinti GPU architektūros subtilybes, kol kiti CEO tuo metu rodytų skaidres su augimo grafiku.
Bet tai nėra vien įvaizdis. Žmonės, dirbę su juo, pasakoja, kad jis iš tikrųjų supranta technologijas giliai – ne tik paviršutiniškai, kaip daugelis vadovų. Jis gali įeiti į inžinierių susitikimą ir pradėti kalbėti apie konkrečias architektūrines problemas. Tai sukuria specifinę kultūrą kompanijoje – kur techniniai sprendimai yra svarbiausi, o ne tik finansiniai rodikliai.
Kita vertus, jis nėra švelnus. Huangas yra žinomas dėl aukštų reikalavimų ir tiesioginės komunikacijos. Jis pats yra sakęs, kad neturi tiesioginių ataskaitų grandinės – apie 60 žmonių tiesiogiai jam atsiskaito, kas yra neįprasta tokio dydžio kompanijai. Jo argumentas: tai pašalina biurokratiją ir leidžia jam žinoti, kas iš tikrųjų vyksta.
Vienas iš jo mėgstamiausių posakių – „suffering is a prerequisite for success” (kančia yra sėkmės prielaida). Tai skamba kietai, bet kontekste tai reiškia, kad sunkūs iššūkiai ir nesėkmės yra būtinos augimo dalys. Jis pats tai patyrė – Nvidia buvo prie bankroto ribos ne vieną kartą, ir kiekvieną kartą kompanija išgyveno dėl to, kad buvo pasiruošusi keistis.
Dirbtinis intelektas: kaip Nvidia tapo aukso kasyklų kastuvo pardavėja
Yra toks posakis apie Kalifornijos aukso karštligę: praturtėjo ne tie, kurie kasė auksą, o tie, kurie pardavinėjo kastuvus. Nvidia šiandien yra tiksliai ta kastuvo pardavėja dirbtinio intelekto eroje.
Kai OpenAI išleido ChatGPT ir pasaulis suprato, kad dideli kalbos modeliai iš tikrųjų veikia, prasidėjo beprotiškas GPU pirkimo bumas. Meta, Google, Microsoft, Amazon, startuoliai – visi norėjo Nvidia H100 lustų. Laukimo eilės siekė mėnesius. Kai kurios kompanijos mokėjo tris ar keturis kartus daugiau nei oficiali kaina antrinėje rinkoje, tik kad gautų lustus greičiau.
H100 lustas kainuoja apie 30-40 tūkstančių dolerių. Duomenų centrai perka juos tūkstančiais. Skaičiuokite patys. Nvidia 2024 finansiniais metais uždirbo daugiau nei 60 milijardų dolerių pajamų – tai yra daugiau nei dvigubai daugiau nei prieš metus. Duomenų centrų segmentas, kuris dar prieš kelerius metus buvo antras po žaidimų, dabar sudaro daugiau nei 80% visų pajamų.
Bet čia svarbu suprasti, kodėl Nvidia dominuoja, o ne tik kad dominuoja. Jų pranašumas nėra tik lustų našumas – nors H100 ir naujasis B200 yra tikrai greičiausi rinkoje. Pranašumas yra visas paketas: CUDA ekosistema, NVLink jungtys tarp lustų, InfiniBand tinklai duomenų centrams, programinė įranga kaip cuDNN ir TensorRT. Nvidia parduoda ne tik lustus – ji parduoda visą infrastruktūrą, ant kurios statomos dirbtinio intelekto sistemos.
Konkurentai bando vytis – ir kodėl tai sunkiau nei atrodo
Žinoma, tokia dominuojanti padėtis pritraukia konkurentus. AMD su savo MI300X lustais daro rimtą pažangą – jų lustai kai kuriose užduotyse yra palyginami su Nvidia H100, o kaina yra mažesnė. Intel su savo Gaudi lustais taip pat bando įsitvirtinti. Google turi savo TPU (Tensor Processing Units), Meta kuria savo MTIA lustus.
Bet problema yra ta, kad Nvidia ne stovi vietoje. Kol konkurentai vejasi H100, Nvidia jau pristatė H200, o po to Blackwell architektūrą su B100 ir B200 lustais, kurie žada dar kelis kartus didesnį našumą. Tai yra vadinamasis „treadmill” efektas – galite bėgti kiek norite, bet kilimas juda greičiau.
Programinė pusė yra dar sunkesnė problema konkurentams. AMD ROCm platforma techniškai egzistuoja ir teoriškai leidžia paleisti PyTorch ar TensorFlow ant AMD GPU. Bet praktiškai kūrėjai nuolat susiduria su suderinamumo problemomis, trūkstamomis bibliotekomis ar prastesniu našumu. Tai ne AMD kaltė – jie tiesiog turi dvidešimties metų ekosistemos deficitą, kurio negalima užpildyti per kelerius metus.
Realus pavojus Nvidia gali ateiti iš kitos pusės – iš pačių klientų. Kai kompanija perka GPU už milijardus dolerių per metus, ji pradeda galvoti apie savo lustus. Apple jau seniai perėjo prie savo silicio. Google naudoja TPU. Amazon turi Trainium ir Inferentia. Microsoft investuoja į Maia lustus. Jei šie vidiniai lustai taps pakankamai gerais, Nvidia praras dalį savo didžiausių klientų.
Geopolitika ir lustų karas: kai technologijos tampa politika
Nvidia negali kalbėti apie savo ateitį neatsižvelgdama į geopolitiką. JAV vyriausybė įvedė eksporto apribojimus Nvidia lustams į Kiniją – pirmiausia H100, vėliau ir mažiau galingiems lustams. Logika paprasta: galingi AI lustai gali būti naudojami karinėms technologijoms, ir JAV nenori, kad Kinija turėtų prieigą prie geriausių komponentų.
Kinija buvo reikšminga Nvidia rinka – iki apribojimų ji sudarė apie 20-25% duomenų centrų pajamų. Nvidia bandė kurti specialias versijas lustų, kurie atitiktų eksporto taisykles (kaip A800 ir H800), bet JAV vyriausybė uždarė ir šias spragas.
Tai yra realus iššūkis. Bet kol kas Nvidia sugebėjo kompensuoti Kinijos praradimą per augimą kitose rinkose – JAV, Europoje, Japonijoje, Singapūre. Dirbtinio intelekto investicijų bumas yra toks didelis, kad net praradus vieną didelę rinką, bendra kryptis išlieka augimo.
Tačiau ilgalaikis klausimas išlieka: ar Kinija sukurs savo lustų pramonę, kuri galėtų konkuruoti su Nvidia? Huawei su savo Ascend lustais daro pažangą, nors ir atsilieka technologiškai. Jei Kinija investuos pakankamai ir pakankamai ilgai, ji gali sukurti alternatyvią ekosistemą – bent jau savo vidaus rinkai.
Nvidia akcijų fenomenas ir kas gali eiti ne taip
2023-2024 metais Nvidia akcijų kaina išaugo taip, kad kompanija trumpam tapo vertingiausia kompanija pasaulyje, aplenkdama Microsoft ir Apple. Rinkos kapitalizacija viršijo 3 trilijonus dolerių. Tai reiškia, kad vienas Jensenas Huangas, kuris turi apie 3-4% kompanijos, tapo vienu turtingiausių žmonių pasaulyje.
Bet akcijų rinkos vertinimai visada kelia klausimą: ar tai pagrįsta, ar tai burbulas? Nvidia P/E santykis (kainos ir pelno santykis) buvo išaugęs iki 70-80 – tai yra labai aukštas lygis net ir sparčiai augančiai kompanijai. Investuotojai iš esmės moka už lūkesčius, kad AI investicijų bumas tęsis dar daugelį metų.
Rizikos yra realios. Pirma, AI investicijų ciklas gali sulėtėti – jei didelės kompanijos nuspręs, kad jos jau turi pakankamai GPU pajėgumų, nauji užsakymai sumažės. Antra, konkurentai gali pasivyti greičiau nei tikimasi. Trečia, gali paaiškėti, kad kai kurios AI aplikacijos nereikalauja tiek daug skaičiavimo galios, kiek manyta – pavyzdžiui, efektyvesnės modelių architektūros kaip Mixture of Experts gali sumažinti GPU poreikį.
Yra ir struktūrinis klausimas: ar duomenų centrų operatoriai iš tikrųjų uždirba pakankamai iš AI paslaugų, kad pateisintų tokias investicijas į GPU? Kol kas daugelis kompanijų investuoja į AI infrastruktūrą daugiau dėl strateginių priežasčių ir baimės atsilikti, nei dėl aiškaus pelno modelio. Jei šis „investuok dabar, pelnas bus vėliau” mąstymas pasikeis, Nvidia tai pajus.
Kas toliau: robotika, automobilis ir kiti frontai
Huangas neketina sustoti ties AI duomenų centrais. Nvidia aktyviai plečiasi į kelias kitas sritis, ir tai yra svarbu suprasti, jei norite matyti pilną paveikslą.
Robotika yra viena iš svarbiausių krypčių. Nvidia Isaac platforma ir Jetson lustai skirti autonominiams robotams – nuo sandėlių automatizavimo iki humanoidinių robotų. Huangas yra sakęs, kad robotika gali tapti tokia pat didelė rinka kaip AI duomenų centrai. Kompanijos kaip Boston Dynamics, Figure, Agility Robotics – visos jos naudoja Nvidia technologijas.
Autonominiai automobiliai yra kita arena. Nvidia DRIVE platforma naudojama daugelyje automobilių gamintojų – Mercedes-Benz, Volvo, BYD ir daugelis kitų. Tai nėra tik lustai – tai visa programinė įranga, simuliacijos įrankiai, žemėlapių sistemos. Šis segmentas kol kas yra mažas Nvidia pajamų kontekste, bet potencialiai gali tapti labai dideliu.
Omniverse platforma yra galbūt pati ambicingiausia – tai virtualių pasaulių kūrimo ir simuliacijos platforma, kuri leidžia kompanijoms kurti skaitmelinius dvynius savo gamyklų, miestų, produktų. BMW naudoja Omniverse gamyklų planavimui. Tai dar vienas būdas, kaip Nvidia bando tapti ne tik lustų pardavėja, bet ir platformos kompanija.
Praktiškai žiūrint, jei esate kūrėjas ar inžinierius, kuris dirba su AI, robotika ar 3D simuliacijomis – verta investuoti laiko mokantis Nvidia ekosistemos. CUDA programavimas, TensorRT optimizavimas, Triton inference serveris – tai įgūdžiai, kurie artimiausiais metais bus labai paklausūs. Nvidia siūlo nemokamus kursus per savo DLI (Deep Learning Institute) platformą, ir tai yra vienas geriausių investicijų į savo karjerą, jei dirbate tech srityje.
Trys dešimtmečiai, odinė striukė ir vienas didelis statymas
Nvidia istorija yra ne tik apie lustus ar dirbtinį intelektą. Ji yra apie tai, kaip viena kompanija padarė teisingą technologinį statymą dešimtmečiu anksčiau nei rinka suprato, kodėl tas statymas svarbus – ir turėjo kantrybės bei išteklių palaukti, kol pasaulis pasivys.
CUDA buvo investicija, kuri neturėjo aiškaus verslo modelio 2006-aisiais. Tai buvo technologinis tikėjimas – kad lygiagretus skaičiavimas taps svarbus, kad mokslininkai ir inžinieriai ras būdų jį panaudoti. Huangas ir jo komanda tą tikėjimą palaikė net tada, kai finansiniai rezultatai nebuvo akivaizdūs.
Tai yra pamoka, kuri galioja toli už Nvidia ribų. Technologijų pasaulyje dažnai laimima ne tas, kas turi geriausią produktą šiandien, bet tas, kas stato teisingą ekosistemą rytojui. Microsoft laimėjo ne dėl to, kad Windows buvo techniškai geriausias – bet dėl to, kad sukūrė platformą, ant kurios kūrėjai norėjo statyti. Apple laimėjo ne tik dėl iPhone dizaino – bet dėl App Store ekosistemos. Nvidia laimėjo ne tik dėl GPU našumo – bet dėl CUDA.
Ar Nvidia dominuos dar dešimt metų? Nežinome. Technologijų istorija pilna kompanijų, kurios atrodė nenugalimos ir vėliau prarado savo pozicijas – IBM, Nokia, Intel. Bet kol kas Nvidia turi tris dalykus, kurie yra labai sunkiai kopijuojami: geriausius lustus, giliausią programinę ekosistemą ir CEO, kuris supranta technologijas taip giliai, kad gali matyti kitas dešimt metų priekyje. Ir odinė striukė, žinoma, niekur nedingsta.
