一家美国“老牌”科技公司，2016股价一口气飙升了360%，它就是NVIDIA（英伟达）。无论你是股民，又或者是科技从业者，你几乎没有办法躲开这股“NVIDIA热”。可如果2016也仅仅是个开始呢？
作者｜李赓
编辑｜甲小姐
网址｜www.xtecher.com
微信公众号ID｜Xtecher
5个多小时前，NVIDIA通过其官方渠道公布了自己2017财年第四季度“成绩单”：
2017财年第四季度营收21.73亿美元（如无例外，本文财报数字均为美国证监会Non-GAAP标准），较突破性的2017财年第三季度上涨8%，较去年同季度大涨55%。
净利润方面成绩更为惊人，2017财年第四季度净利润高达7.04亿美元，较第三季度上涨24%，较去年同期上涨137%。这也是NVIDIA上市以来所取得的最好成绩。
随着第四季度财报发布，NVIDIA终于给“疯狂”的2016年画上了句号：财年营收69.1亿美元，较上一年上涨38%。同时因为运营费用基本没有上涨，净利润飙升至18.51亿美元，较去年上涨99%。
从芯片品牌看，GPU（包括商用）继续扮演着“顶梁柱”角色，全财年营收从去年的41.87亿美元上升至58.22亿美元；“死而复生”的Tegra系列处理器同样出彩，全年营收从5.59亿美元上升至8.24亿美元。
业务线划分下的数据最值得关注：游戏业务从去年的28.18亿美元上涨到40.60亿美元，涨幅44%；数据中心业务从去年的3.39亿美元上涨至8.30亿美元，涨幅最大达到145%；自动驾驶领域涨幅同样喜人，从去年的3.20亿美元上涨至4.87亿美元，涨幅达到52%。
纵观整份财报，数据中心、自动驾驶业务所带来的强劲增长最为亮眼。虽然两者的增加值合计仅为游戏业务增长的一半，整体向好趋势显露无疑。
由于财报发布于美国东部时间下午5点，并未对股价造成直接影响。由于NVIDIA近期的猛烈增长，截至收盘NVIDIA股价没有如预期中上涨，反倒在纽约股指小幅上涨0.59%的情况下下跌1.88%。这个下跌大概率由部分担心财报影响股价的卖出操作造成。
至此，我们终于可以对NVIDIA在2016刷出的这一波“大行情”进行一番总结。
究竟是什么造就了这波“行情”？很多人实际上都能给出几个关键词：游戏、人工智能、无人驾驶。可惜，其中99.99%的人无法继续说出个所以然来。
假如我告诉你，2017年开始，NVIDIA还要再涨三倍，只因它将比肩Intel、微软最辉煌时期，成为下一个凭借公司之力改变人类发展轨迹的新“科技王朝”呢？睁大眼，别走开。
自古NV出*弹核**，谁知今年特别多
一个月前，已经入夜的拉斯维加斯丝毫不平静，几乎所有媒体记者、行业内外人士都挤到了威尼斯人酒店5楼的报告厅，只因有一位CEO即将首次在这里发表CES主题演讲。
他就是黄仁勋，一个头顶银发、古铜色皮肤、还特别偏爱皮夹克的另类硅谷CEO。他还有着一个非常亲切的昵称——“*弹核**教主”，只因他一手创立、运营着NVIDIA这一世界最先进GPU制造商。
然而，“*弹核**教主”绝对不是主导因素——谁也没想到，这次主题演讲中涉及的内容几乎全为新产品新技术：无人驾驶汽车BB8；全新自动驾驶车载计算平台“XAVIER”；与采埃孚、博世、奥迪等汽车业关键公司合作；发布云游戏技术Geforce Now；甚至打算用全新的SHIELD电视盒子霸占智能家居中心。
于是，CES的开场活生生地将一场主题演讲变成了“NVIDIA 2017新春新品发布会”。
新产品新技术数量如此之多、覆盖面如此之广、最终产品完成度之高，完全可以比肩Google、Amazon等一众硅谷科技公司老大们的发布会。同时，也描绘出了一个“进击的NVIDIA”的形态。可惜，这还不是NVIDIA价值被看好的关键所在。
为了厘清一切，我们有必要从NVIDIA制造的这些GPU说起。
前序：当GPU还只是显卡核心
首先我们先来科普一下GPU，它们频繁出现在我们如今最依赖的各种电子设备中，从PC到笔记本、从平板到手机。最早随电脑诞生的它和CPU形如兄弟，后者负责处理、协调各种信息，前者则将各种输出信息重新处理，并且最终输出到显示器之上。
不过，CPU和GPU的差别同样明显——前者由专为顺序串行处理而优化的几个核心组成，后者则拥有一个由数以千计的更小、更高效的核心（专为同时处理多重任务而设计）组成的大规模并行计算架构。NVIDIA也曾专门请《留言终结者》节目组做了一个有趣的演示。
但在相当长的一段时间里，GPU并未展露头角，而是继续以“显卡核心部件”存在着。这一定程度也与当时人类对计算机应用开发不深有关系。
在这个阶段，GPU最大的用途只能是游戏，“游戏升级-显卡升级-游戏升级”的无尽循环看起来能够一直延续下去，直到时间来到2006年。
聚变：跳出显卡的GPU
不同于当下NVIDIA一面倒的显卡市场布局，2006年刚完成对ATI收购的AMD，已经对NVIDIA形成了巨大的威胁。Radeon HD2000系列更是引入了全新的TeraScale、UVD视频解码引擎、以及最新的通用计算架构OpenGL。
但当时NVIDIA的首席科学家David Kirk却在NVIDIA中推行一种新生事物——CUDA，一种由NVIDIA自己打造的并行计算平台API接口。作为计算机调用显卡硬件资源的主要桥梁，API接口几乎一直都是通行标准，比如微软DirectX、以及完全开放的OpenGL。
DirectX基本只管游戏，剑指通用计算的OpenGL只是一个松散技术联盟标准，最终造成后者在显卡硬件资源调用上的过度复杂。而新生的CUDA就不一样了，C、C++、Java等最通用的编程语言被引入，并且NVIDIA毅然决然地对整个系列显卡的硬件底层进行了改变。
也是从那个时期开始，流处理器（shader）从NVIDIA所有显卡中消失，取而代之的是CUDA unit。
全面更新核心架构这一做法也并非一帆风顺，G80主打的Geforce 8000系列显卡也成为了NVIDIA显卡历史上最黑暗的一段。过热、花屏、电老虎一系列问题层出不穷，间接为对手AMD Radeon HD3000系列的辉煌打下了基础。
即便形势严峻，NVIDIA并未停止这场意义重大的改革，而是将在与G80核心架构同样的情况下进行了两代升级（G92、GT200），最终进入了NVIDIA目前的“科学家”系列GPU架构时代（Fermi、Kepler、Maxwell、Pascal）。
对于普通消费者来说，这一改变并不显著。“NVIDIA PhysX”这种能够在用户游戏过程中提供真实物理特性模拟的技术可以算一个。但在计算机学者界，CUDA的诞生实际上打开了一扇大门，尤其是在大家发现GPU在视频处理、数据运算中的强大优势（独立显卡往往可以轻松击败数个服务器组成的集群）之后，GPU的价值开始被人重视起来。
这其中NVIDIA自己的努力自然不能忽视，在原有制造硬件的基础上同时开展软件变革，这无疑需要巨大的勇气。但事实证明，这一思路无比正确，因为只有软硬件都抓在自己手上，才能将GPU的性能完全发挥出来。
国内知名人工智能创业公司格林深瞳的创始人赵勇曾分享过自己的一段宝贵看法：“如果没有NVIDIA的CUDA平台，科学界证实深度学习巨大潜力的时间不知道还要推迟多久。更难能可贵的是，GPGPU技术使得在PC级别的计算机上进行高密度的高性能运算成本大幅降低，以至于一个普通科研人员的台式电脑都有可能部署上万个并行处理内核，这使得深度学习技术迅速地在科技界发展和普及起来。可以这么说，如果没有GPGPU，坚持研究了二十多年神经网络算法的Yann LeCun和Hinton教授们，恐怕还得在学术界被继续埋不少年。”
至此，GPU不再等同于显卡，而是摇身一变为各种计算机产品中与CPU平起平坐甚至略有超越的处理器。
毫无疑问，NVIDIA在过去几年所取得的成绩也正是来源于10年前的这次变革，以及变革之后长达5、6年在资源、资本上的不断投入。换句话说，黄仁勋掌下的NVIDIA，从未动摇过对于GPU前景的期望。
飞跃：一骑绝尘的人工智能
很快，时间来到2009年，NVIDIA第一次召开了GTC（GPU Technology Conference），人们几乎是在一瞬间发现GPU在计算机视觉、自然语言处理、语音识别、生物、医疗、天文地理、脑神经科学，甚至是社会科学方面有如此显著的性能。
到了2011年，Google Brain就已经拿出了一套模型，它直接可以对不同图片中的10万种物体进行检测。那篇学术论文也因此成为了当年CVPR最佳，用赵勇的话来说：“2011年成为了人工智能技术发展的分水岭，整个领域彻底进入日新月异的阶段。”
随着CPU和互联网技术的发展，冯·诺依曼结构这一CPU基础原理的掣肘越发明显，人们发现电脑似乎与他们的初始目标——“电子大脑”距离越来越远。要知道人类大脑中的神经细胞可是有着1500亿个突触，究竟人类什么时候才能够弄清楚整个大脑的工作原理？没人能知道。
最终机会来到了GPU面前，能够同时进行多维度的处理、运算，能够适应大量数据的运算，让人们拥有了更好“模仿大脑”的能力。用大量处理器分组负责“思考”不同问题，然后再根据一定规律进行结果的加权合并，神经网络算法最终让人类开始实现复杂思考过程的“输出”。虽然人类的“指导”过程不可跳过，但总算是跑起来了。
对于所有想要在人工智能中寻找机会的公司和人来说，有着CUDA和高效高性能硬件的NVIDIA GPU必然是上上之选。而且，越多人用NVIDIA GPU开发人工智能，就越多专业人才被汇聚到开发者社区中来，就像“雪球”一样不断向前。NVIDIA也就此将自己的命运与人工智能紧紧地绑在了一起。
下一个目标：云
去年年中，NVIDIA发布了自己最新的产品——DGX-1，一款单机箱人工智能超级计算机，内部装备8颗最新的Tesla P100 GPU芯片。售价130000美元，浮点运算性能高达170 Teraflops，相当于250台传统服务器。
这不就是一个超级加强版的显卡么？为什么要特意抽出来说？
首台DGX-1的去向实际上说明了一切，去年8月，黄仁勋专门将它交付给了伊隆·马斯克及其位于旧金山的人工智能非营利性组织OpenAI。实际上伊隆·马斯克旗下的电动汽车企业Tesla去年开始已经在新生产的轿车中全面嵌入NVIDIA DRIVE系列车载计算平台。通过数个摄像头、雷达探头与计算平台组合，Tesla成为了世界上首批“实现”L3层级自动驾驶技术并且推送给用户的汽车公司。
与10年前的CUDA类似，NVIDIA在决心进军自动驾驶领域之后并不是丢下一堆硬件就走了，而是建立了一套名为DriveWorks的大平台：自动驾驶算法开发、数据上传云端反馈算法升级、云高清地图、云人工智能助手一个不漏。其中，最后面三个实际上都跟云端相关。
背后同样是一个大趋势：随着人工智能技术的进一步普及，想要通过零散的硬件来满足性能需求肯定会过时，而一批DGX-1这样超强力的计算模块放在云端就成为最好的解决方案。可以预见，明年，NVIDIA的数据中心业务模块还将保持高速增长，同时也将成为NVIDIA改变世界的最主要力量。
新时代：*弹核**王朝
回想2004年前后的硅谷，以英特尔为代表的一批硅谷硬件企业在经过十几年的助跑后，终于为我们掀开了“摩尔时代”的面纱。计算能力日益提升，计算芯片不断缩小，最终也引发了我们现在的智能手机浪潮，再加上网络不断提速的影响，普通人的生活完全被其改变。
但在过去的 2-3 年里，恰恰这两项技术都遇到了一个“隐形瓶颈”：芯片架构日趋成熟、半导体生产工艺愈发难以提升；无线网络的提速也不再像 3G、4G 那样迅猛，5G 提出了好多年，但实际的测试部署可能在明年才会开始。
这种由最根本技术基础造成的“止步不前”并不容易解决，好在“门关了窗会开”。利用现有硬件，对大量数据分析、加工、归纳即可产生全新价值。从这个角度来看，人工智能技术反倒是个巨大机遇。
正如黄仁勋前不久在自己文章《智能工业革命》中提到：“继蒸汽机（发明）、大规模生产以及自动化之后，AI技术将引发第四次工业革命，智能机器人将再一次提升生产效率，并将大规模的消费者定制服务变成现实。AI技术将深刻影响每一个人。我们已经迎来了AI的世界。”
这也将成为NVIDIA的“*弹核**王朝”。