1993 ਦੇ ਗ੍ਰਾਫਿਕਸ ਸਟਾਰਟਅਪ ਤੋਂ ਗਲੋਬਲ AI ਪਾਵਰਹਾਊਸ ਤਕ Nvidia ਦੀ ਯਾਤਰਾ ਖੋਜੋ — ਮੁੱਖ ਉਤਪਾਦ, ਬ੍ਰੇਕਥਰੂ, ਲੀਡਰ ਅਤੇ ਰਣਨੀਤਿਕ ਦਾਅਆਂ ਦੀ ਟ੍ਰੇਸਿੰਗ।

Nvidia ਅਜਿਹੀ ਨਾਂਮ ਬਣ ਚੁੱਕੀ ਹੈ ਜੋ ਹਰ ਕਿਸੇ ਲਈ ਵੱਖ-ਵੱਖ ਮਤਲਬ ਰੱਖਦੀ ਹੈ। PC ਗੇਮਰਾਂ ਲਈ ਇਹ GeForce ਗ੍ਰਾਫਿਕਸ ਕਾਰਡ ਅਤੇ ਨਰਮ ਫਰੇਮ ਰੇਟਾਂ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਹੈ। AI ਖੋਜਕਾਰ CUDA‑ਸਕ੍ਰਿਪਟਅਲ GPUs ਨੂੰ ਉਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਦਿਨਾਂ ਵਿੱਚ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਜਾਣਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪਹਿਲਾਂ ਮਹੀਨਿਆਂ ਲੱਗਦੇ ਸਨ। ਨਿਵੇਸ਼ਕ ਇਸਨੂੰ ਇਤਿਹਾਸ ਦੀ ਸਭ ਤੋਂ ਕੀਮਤੀ ਸੈਮੀਕੰਡਕਟਰ ਕੰਪਨੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਤੌਰ 'ਤੇ ਵੇਖਦੇ ਹਨ—ਇਕ ਐਸਾ ਸਟਾਕ ਜੋ ਪੂਰੇ AI ਬੂਮ ਦਾ ਪ੍ਰਤੀਕ ਬਣ ਗਿਆ।
ਪਰ ਇਹ ਸਭ ਕੁਝ ਜ਼ਰੂਰੀ ਨਹੀਂ ਸੀ। ਜਦੋਂ Nvidia 1993 ਵਿੱਚ ਕਾਇਮ ਹੋਈ, ਤਾਂ ਇਹ ਇੱਕ ਨਿੱਕੀ ਸਟਾਰਟਅਪ ਸੀ ਜਿਸਨੇ ਇਕ ਨਿਸ਼ਾਨੀਆ ਵਿਚਾਰ 'ਤੇ ਦਾਅ ਲਾਇਆ: ਕਿ ਗ੍ਰਾਫਿਕਸ ਚਿਪਜ਼ ਨਿੱਜੀ ਕੰਪਿਊਟਿੰਗ ਨੂੰ ਬਦਲ ਦੇਣਗੇ। ਤੀਹ ਸਾਲਾਂ ਵਿੱਚ, ਇਹ ਇੱਕ ਸਧਾਰਨ ਗ੍ਰਾਫਿਕਸ ਕਾਰਡ ਨਿਰਮਾਤਾ ਤੋਂ ਆਧੁਨਿਕ AI ਲਈ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਦਾ ਕੇਂਦਰੀ ਸਪਲਾਇਰ ਬਣ ਗਿਆ—ਜੋ ਸੁਝਾਅ ਤੋਂ ਲੈਕੇ ਰਿਕਮੇਂਡੇਸ਼ਨ ਸਿਸਟਮਾਂ, ਸੈਲਫ‑ਡ੍ਰਾਇਵਿੰਗ ਪ੍ਰੋਟੋਟਾਈਪਾਂ ਅਤੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਤੱਕ ਚਲਦਾ ਹੈ।
Nvidia ਦੀ ਇਤਿਹਾਸ ਨੂੰ ਸਮਝਣਾ ਆਧੁਨਿਕ AI ਹਾਰਡਵੇਅਰ ਅਤੇ ਉਸਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣ ਰਹੇ ਬਿਜ਼ਨਸ ਮਾਡਲਾਂ ਨੂੰ ਸਮਝਣ ਦਾ ਇੱਕ ਸਾਫ਼ ਰਸਤਾ ਹੈ। ਕੰਪਨੀ ਕਈ ਤਾਕਤਾਂ ਦੇ ਸੰਧਿ ਬਿੰਦੂ 'ਤੇ ਬੈਠੀ ਹੈ:
ਇਸ ਰਾਹ ਵਿੱਚ, Nvidia ਨੇ ਬਾਰ-ਬਾਰ ਉੱਚ‑ਖਤਰੇ ਵਾਲੇ ਦਾਅ ਲਾਏ: ਪ੍ਰੋਗ੍ਰਾਮੇਬਲ GPUs 'ਤੇ ਪਹਿਲਾਂ ਦਿਹਾਂਤ ਕੀਤਾ, ਡੀਪ ਲਰਨਿੰਗ ਲਈ ਪੂਰਾ ਸਾਫਟਵੇਅਰ ਸਟੈਕ ਬਣਾਇਆ, ਅਤੇ Mellanox ਵਰਗੀਆਂ ਖਰੀਦਦਾਰੀਆਂ 'ਤੇ ਅਰਬਾਂ ਖਰਚ ਕੀਤੇ ਤਾਂ ਜੋ ਡਾਟਾ ਸੈਂਟਰ 'ਦਾ ਵੱਡਾ ਹਿੱਸਾ ਕੰਟਰੋਲ ਕੀਤਾ ਜਾ ਸਕੇ।
ਇਹ ਲੇਖ Nvidia ਦੀ 1993 ਤੋਂ ਅੱਜ ਤੱਕ ਦੀ ਯਾਤਰਾ ਨੂੰ ਟਰੈਸ ਕਰਦਾ ਹੈ, ਧਿਆਨ ਕੇਂਦਰਿਤ:
ਇਹ ਲੇਖ ਟੈਕ, ਬਿਜ਼ਨਸ ਅਤੇ ਨਿਵੇਸ਼ ਵਿੱਚ ਰੁਚੀ ਰੱਖਣ ਵਾਲੇ ਪਾਠਕਾਂ ਲਈ ਹੈ ਜੋ ਚਾਹੁੰਦੇ ਹਨ ਕਿ Nvidia ਇਕ AI ਟਾਈਟਨ ਕਿਵੇਂ ਬਣੀ—ਅਤੇ ਕੀ ਸੰਭਵ ਹੈ ਅਗਲੇ ਭਾਗ ਵਿੱਚ।
1993 ਵਿੱਚ, ਤਿੰਨ ਇੰਜੀਨੀਅਰਾਂ ਨੇ ਸਿਲਿਕਾਨ ਵੈਲੀ ਦੀ ਇੱਕ Denny’s ਬੂਥ ਕੋਲ Nvidia ਦੀ ਸਥਾਪਨਾ ਕੀਤੀ। Jensen Huang, ਇਕ Taiwanese‑American ਇੰਜੀਨੀਅਰ ਅਤੇ LSI Logic ਵਿੱਚ ਪਹਿਲਾਂ ਚਿਪ ਡਿਜ਼ਾਈਨਰ, ਨੇ ਵੱਡੇ ਅਭੀਲਾਸ ਅਤੇ ਗ੍ਰਾਹਕਾਂ ਤੇ ਨਿਵੇਸ਼ਕਾਂ ਨਾਲ ਕਹਾਣੀਆਂ ਕਹਿਣ ਦੀ ਕਲਾ ਲਈ ਨਾਮਾਇਆ। Chris Malachowsky Sun Microsystems ਤੋਂ ਆਇਆ ਸੀ ਅਤੇ ਉੱਚ‑ਪਰਫਾਰਮੈਂਸ ਵਰਕਸਟੇਸ਼ਨਾਂ ਵਿੱਚ ਮਹਿਰਤ ਰੱਖਦਾ ਸੀ। Curtis Priem, ਪਹਿਲਾਂ IBM ਅਤੇ Sun ਵਿੱਚ, ਸਿਸਟਮ ਆਰਕੀਟੈਕਟ ਸੀ ਜੋ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਦੇ ਮੇਲ 'ਤੇ ਵਿਆਪਕ ਧਿਆਨ ਰੱਖਦਾ ਸੀ।
ਉਸ ਸਮੇਂ ਵੈਲੀ ਵਰਕਸਟੇਸ਼ਨਾਂ, ਮਿਨੀкамਪਿਊਟਰਾਂ ਅਤੇ ਉਭਰ ਰਹੇ PC ਨਿਰਮਾਤਿਆਂ ਦੇ ਗੇੜ ਵਿੱਚ ਸੀ। 3D ਗ੍ਰਾਫਿਕਸ ਤਾਕਤਵਰ ਪਰ ਮਹਿੰਗੇ ਸਨ, ਅਕਸਰ Silicon Graphics (SGI) ਅਤੇ ਹੋਰ ਵਰਕਸਟੇਸ਼ਨ ਵੇਂਡਰਾਂ ਨਾਲ ਜੁੜੇ ਹੋਏ।
Huang ਅਤੇ ਉਸਦੇ ਸਹਿ-ਸੰਸਥਾਪਕਾਂ ਨੇ ਇੱਕ ਮੌਕਾ ਵੇਖਿਆ: ਐਸੀ ਦ੍ਰਿਸ਼ਟੀਗਤੀ ਸ਼ਕਤੀ ਨੂੰ ਸਸਤੀ ਕੰਸੀਯੂਮਰ PCs ਵਿੱਚ ਲੈ ਜਾਇਆ ਜਾਵੇ। ਜੇ ਲੱਖਾਂ ਲੋਕਾਂ ਨੂੰ ਗੇਮਾਂ ਅਤੇ ਮਲਟੀਮੀਡੀਆ ਲਈ ਉੱਚ-ਗੁਣਵੱਤਾ 3D ਮਿਲੇ, ਤਾਂ ਬਜ਼ਾਰ ਵਿਸ਼ਾਲ ਹੋ ਸਕਦਾ ਸੀ।
Nvidia ਦਾ ਸਥਾਪਨਾ ਵਿਚਾਰ ਜਨਰਲ ਸੈਮੀਕੰਡਕਟਰਾਂ 'ਤੇ ਨਹੀਂ, ਸਗੋਂ ਆਮ ਬਜ਼ਾਰ ਲਈ ਤੀਵਰਗਤੀਗ੍ਰਾਫਿਕਸ 'ਤੇ ਧਿਆਨ ਸੀ। CPU ਬਦਲੇ, ਇੱਕ ਖਾਸ ਗ੍ਰਾਫਿਕਸ ਪ੍ਰੋਸੈਸਰ 3D ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਗਣਿਤ ਨੂੰ ਸੰਭਾਲੇਗਾ।
ਟੀਮ ਦਾ ਵਿਸ਼ਵਾਸ ਸੀ ਕਿ ਇਸ ਲਈ ਲੋੜ ਹੋਵੇਗੀ:
Huang ਨੇ Sequoia ਵਰਗੀਆਂ ਵੈਂਚਰ ਫਿਰਮਾਂ ਤੋਂ ਪ੍ਰਾਰੰਭਿਕ ਰਾਜ਼ੀਸ਼ਨ ਉਠਾਈ, ਪਰ ਪੈਸਾ ਕਦੀ ਵੀ ਪ੍ਰਚੁਰ ਨਹੀਂ ਰਿਹਾ। ਪਹਿਲਾ ਚਿਪ NV1 ਉਮੀਦਾਂ ਵਾਲਾ ਪਰ DirectX ਮਿਆਰ ਨਾਲ ਅਣਹੋਣੀ ਸੀ ਅਤੇ ਵਪਾਰਕ ਤੌਰ 'ਤੇ ਹੋਣ ਵਾਲੇ ਗ੍ਰਾਹਕੀ ਘਾਟੇ ਨੇ ਕੰਪਨੀ ਨੂੰ ਲਗਭਗ ਖਤਮ ਕਰ ਦਿੱਤਾ।
Nvidia RIVA 128 (NV3) 'ਤੇ ਜਲਦੀ Pivot ਕੀਤਾ, ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਉਦਯੋਗੀ ਮਿਆਰਾਂ (Direct3D) ਦੇ ਆਲੇ-ਦੁਆਲੇ ਫਿਕਸ ਕੀਤਾ ਅਤੇ ਗੇਮ ਡੈਵਲਪਰਾਂ ਅਤੇ Microsoft ਨਾਲ ਬਹੁਤ ਨੇੜੇ ਕੰਮ ਕਰਨਾ ਸਿਖਿਆ। ਸਬਕ ਇਹ ਸੀ: ਸਿਰਫ਼ ਤਕਨੀਕ ਕਾਫੀ ਨਹੀਂ; ਇਕੋਸਿਸਟਮ ਨਾਲ ਸੰਰੇਖਣ ਬਚਾਵ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ।
ਸ਼ੁਰੂ ਤੋਂ Nvidia ਇੱਕ ਐਸਾ ਸੱਭਿਆਚਾਰ ਪਾਲਿਆ ਜਿੱਥੇ ਇੰਜੀਨੀਅਰਾਂ ਦੀ ਵੱਡੀ ਸ਼ਕਤੀ ਸੀ ਅਤੇ ਸਮੇਂ-ਤੇ-ਮਾਰਕੀਟ ਨੂੰ ਜੀਵਨਧਾਰਾ ਸਮਝਿਆ ਗਿਆ। ਟੀਮਾਂ ਤੇਜ਼ੀ ਨਾਲ ਚਲਦੀਆਂ, ਡਿਜ਼ਾਈਨਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਇਟਰੈਟ ਕੀਤਾ ਜਾਂਦਾ ਅਤੇ ਕੁਝ ਬੇਟ ਫੇਲ ਜਾਣ ਲਈ ਵੀ ਤਿਆਰ ਰਹਿੰਦੇ।
ਕੈਸ਼ ਸੀਮਿਤਤਾ ਨੇ ਕਟੌਤੀ ਭਰਪੂਰ ਕੀਤਾ: ਦਫਤਰ ਦੇ ਫਰਨੀਚਰ ਨੂੰ ਦੁਬਾਰਾ ਵਰਤਾਉਣਾ, ਲੰਬੇ ਘੰਟੇ, ਅਤੇ ਵੱਡੀਆਂ ਪ੍ਰਬੰਧਕੀ ਟੀਮਾਂ ਦੇ ਬਜਾਏ ਕੁਝ ਬਹੁਤ ਯੋਗ ਇੰਜੀਨੀਅਰਾਂ ਦੀ ਭਰਤੀ। ਉਹੀ ਮੁੱਢਲਾ ਸੱਭਿਆਚਾਰ—ਤਕਨੀਕੀ ਗੰਭੀਰਤਾ, ਤਤਕਾਲਤਾ ਅਤੇ ਧੀਰਜ—ਬਾਅਦ ਵਿੱਚ Nvidia ਨੂੰ PC ਗ੍ਰਾਫਿਕਸ ਤੋਂ ਬਾਹਰ ਵੱਡੇ ਮੌਕੇ ਠੋਕਣ ਵਿੱਚ ਸਹਾਇਕ ਰਿਹਾ।
1990s ਦੇ ਦੌਰਾਨ PC ਗ੍ਰਾਫਿਕਸ ਬੁਨਿਆਦੀ ਅਤੇ ਖੰਡਤ ਸੀ। ਬਹੁਤ ਸਾਰੀਆਂ ਗੇਮਾਂ ਤਕ CPU 'ਤੇ ਨਿਰਭਰ ਸਨ। ਦੂਜੇ ਪਾਸੇ 2D ਐਕਸੈਲੇਰੇਟਰ ਅਤੇ ਪਹਿਲੇ 3D ਐਡ‑ਇਨ ਕਾਰਡ (ਜਿਵੇਂ 3dfx ਦਾ Voodoo) ਉਪਲਬਧ ਸਨ, ਪਰ 3D ਹਾਰਡਵੇਅਰ ਨੂੰ ਪ੍ਰੋਗ੍ਰਾਮ ਕਰਨ ਦਾ ਇੱਕ ਮਿਆਰ ਨਹੀਂ ਸੀ। Direct3D ਅਤੇ OpenGL ਵਰਗੀਆਂ APIs ਹਾਲੇ ਵਿਕਾਸ ਪੈਰ 'ਤੇ ਸਨ ਅਤੇ ਡੈਵਲਪਰਾਂ ਨੂੰ ਅਕਸਰ ਖਾਸ ਕਾਰਡਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਕਰਨਾ ਪੈਂਦਾ ਸੀ।
ਇਹੀ ਵਾਲਾ ਮਾਹੌਲ Nvidia ਨੇ ਦਾਖਲ ਹੋਣ ਲਈ ਚੁਣਿਆ ਸੀ: ਤੇਜ਼-ਬਦਲਦਾ, ਅਣਸੁਥਿਰ ਅਤੇ ਉਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਲਈ ਬਹੁਤ ਮੌਕੇ ਜਿਹੜੀਆਂ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਸਾਫ਼ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਮਾਡਲ ਨਾਲ ਜੋੜ ਸਕਦੀਆਂ।
Nvidia ਦਾ ਪਹਿਲਾ ਵੱਡਾ ਉਤਪਾਦ NV1 1995 ਵਿੱਚ ਲਾਂਚ ਹੋਇਆ। ਇਸਨੇ ਸਭ ਕੁਝ ਇਕੱਠੇ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ: 2D, 3D, ਆਡੀਓ ਅਤੇ ਸੈਗਾ ਸੈਟਰਨ ਗੇਮਪੈਡ ਸਹਾਇਤਾ ਇਕ ਹੀ ਕਾਰਡ ਵਿੱਚ। ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ ਇਹ quadratic surfaces 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਸੀ ਜਿਸ ਨਾਲ ਉਦਯੋਗ DirectX ਅਤੇ triangle polygons ਵੱਲ ਜਾ ਰਹੀ ਸੀ।
DirectX ਨਾਲ ਅਣਮਿਲਾਪ ਅਤੇ ਸੀਮਿਤ ਸੌਫਟਵੇਅਰ ਸਹਾਇਤਾ ਨੇ NV1 ਨੂੰ ਵਪਾਰਕ ਅਸਫਲਤਾ ਬਣਾਇਆ। ਪਰ ਇਸ ਨਾਲ Nvidia ਨੂੰ ਦੋ ਜਰੂਰੀ ਸਿਖਿਆ ਮਿਲੀਆਂ: ਪ੍ਰਮੁੱਖ API (DirectX) ਦਾ ਪਾਲਣ ਕਰੋ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ 3D ਪ੍ਰਦਰਸ਼ਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੋ।
Nvidia ਨੇ 1997 ਵਿੱਚ RIVA 128 ਨਾਲ ਦੁਬਾਰਾ ਖੜ੍ਹਾ ਹੋ ਕੇ triangles ਅਤੇ Direct3D ਨੂੰ ਗਲੇ ਲਾਇਆ, ਮਜ਼ਬੂਤ 3D ਪ੍ਰਦਰਸ਼ਨ ਦਿੱਤਾ ਅਤੇ 2D-ਅਤੇ-3D ਨੂੰ ਇਕ ਜੋੜਿਆ ਕਾਰਡ 'ਤੇ ਸਮੇਤਿਆ। ਸਮੀਖਿਆਕਾਰਾਂ ਨੇ ਧਿਆਨ ਦਿੱਤਾ ਅਤੇ OEMs ਨੇ Nvidia ਨੂੰ ਇੱਕ ਗੰਭੀਰ ਸਾਥੀ ਵਜੋਂ ਦੇਖਣਾ ਸ਼ੁਰੂ ਕੀਤਾ।
RIVA TNT ਅਤੇ TNT2 ਨੇ ਫਾਰਮੂਲਾ ਨੂੰ ਸੁਧਾਰਿਆ: ਬਿਹਤਰ ਇਮੇਜ ਗੁਣਵੱਤਾ, ਉੱਚ ਰੇਜ਼ੋਲਿਊਸ਼ਨ ਅਤੇ ਸੁਧਰੇ ਡ੍ਰਾਈਵਰ। ਜਦੋਂ ਕਿ 3dfx ਮਨ-ਸ਼ੇਅਰ ਵਿੱਚ ਅੱਗੇ ਸੀ, Nvidia ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧ ਰਿਹਾ ਸੀ ਕਿਉਂਕਿ ਇਹ Tez driver updates ਭੇਜਦਾ ਅਤੇ ਗੇਮ ਡੈਵਲਪਰਾਂ ਨਾਲ ਘਰਾਇਆ।
1999 ਵਿੱਚ, Nvidia ਨੇ GeForce 256 ਪੇਸ਼ ਕੀਤਾ ਅਤੇ ਇਸਨੂੰ “ਦੁਨੀਆ ਦਾ ਪਹਿਲਾ GPU” ਬ੍ਰਾਂਡ ਕੀਤਾ—Graphics Processing Unit। ਇਹ ਸਿਰਫ਼ ਮਾਰਕੀਟਿੰਗ ਨਹੀਂ ਸੀ। GeForce 256 ਨੇ hardware transform and lighting (T&L) ਨੂੰ ਇਕੱਠੇ ਕੀਤਾ, ਜਿਸ ਨਾਲ CPU ਤੋਂ geometry calculations ਨੂੰ offload ਕੀਤਾ ਗਿਆ।
ਇਸ ਬਦਲਾਅ ਨਾਲ CPUs ਨੂੰ ਗੇਮ ਲਾਜਿਕ ਅਤੇ ਫ਼ਿਜ਼ਿਕਸ ਲਈ ਖੁੱਲ੍ਹਾ ਹੋ ਗਿਆ ਜਦਕਿ GPU ਵੱਧ ਕਠਨ 3D ਸीनਾਂ ਨੂੰ ਸੰਭਾਲਦਾ। ਗੇਮ ਹੋਰ polygons ਖਿੱਚ ਸਕਣ ਲੱਗੇ, ਰੋਸ਼ਨੀ ਹਕੀਕਤਾਂ ਵਧੀਆਂ ਅਤੇ ਉੱਚ ਰੇਜ਼ੋਲਿਊਸ਼ਨਾਂ 'ਤੇ ਸੰਚਾਲਨ ਸੁਚੱਜਾ ਹੋ ਗਿਆ।
ਉਸੇ ਸਮੇਂ, PC ਗੇਮਿੰਗ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੋ ਰਹੀ ਸੀ—Quake III Arena ਅਤੇ Unreal Tournament ਵਰਗੇ ਖੇਡਾਂ ਅਤੇ Windows ਅਤੇ DirectX ਦੇ ਤੇਜ਼ ਅਪਨਾਉਣ ਨਾਲ। Nvidia ਨੇ ਇਸ ਵਾਧੇ ਨਾਲ ਖੂਬ ਮਿਲਾਪ ਕੀਤਾ।
ਕੰਪਨੀ ਨੇ Dell ਅਤੇ Compaq ਵਰਗੇ ਪ੍ਰਮੁੱਖ OEMs ਨਾਲ ਡਿਜ਼ਾਈਨ ਵੀਨ ਜਿੱਤੇ, ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਦੇ ਹੋਏ ਕਿ ਮਿਲੀਅਨਾਂ ਮੈਨਸਟ੍ਰੀਮ PCs Nvidia ਗ੍ਰਾਫਿਕਸ ਨਾਲ ਡਿੱਫਾਲਟ ਰੂਪ 'ਤੇ ਆ ਰਹੇ ਹਨ। ਗੇਮ ਸਟੂਡੀਓਜ਼ ਨਾਲ ਮਿਲ ਕੇ ਮਾਰਕੀਟਿੰਗ ਅਤੇ “The Way It’s Meant to Be Played” ਬ੍ਰਾਂਡਿੰਗ ਨੇ Nvidia ਦੀ ਛਵੀ ਨੂੰ ਗੰਭੀਰ PC ਗੇਮਰਾਂ ਦਾ ਪਹਿਲਾ ਚੋਣ ਬਣਾਇਆ।
ਸ਼ੁਰੂ ਦੀ ਸਦੀਆਂ ਤੋਂ Nvidia ਨੇ ਇੱਕ ਸੰਘਰਸ਼ੀ ਸਟਾਰਟਅਪ ਤੋਂ PC ਗ੍ਰਾਫਿਕਸ ਵਿੱਚ ਰਾਜ ਕਰਨਾ ਸਿੱਖਿਆ, ਅਤੇ ਇਹ ਜੀਤ GPU ਗਣਨਾ ਅਤੇ ਆਖ਼ਿਰਕਾਰ AI ਲਈ ਮੰਚ ਬਣਨ ਲਈ ਮੂਲ ਰਾਹ ਤਈਅਰ ਕਰਦੀ ਹੈ।
ਜਦੋਂ Nvidia ਦੀ ਸ਼ੁਰੂਆਤ ਹੋਈ, GPUs ਜ਼ਿਆਦਾਤਰ fixed‑function ਯੰਤਰ ਸਨ: ਹਾਰਡ‑ਵਾਇਰਡ ਪਾਈਪਲਾਈਨ ਜੋ vertices ਅਤੇ textures ਲਈ ਬਣੇ ਹੋਏ ਸਨ ਅਤੇ pixels ਉਤਪਾਦਨ ਕਰਦੇ ਸਨ। ਉਹ ਬਹੁਤ ਤੇਜ਼ ਸਨ, ਪਰ ਲਗਭਗ ਬਿਲਕੁਲ ਅਲਚਾਰਦਾਰ।
2000s ਦੇ ਆਲੇ-ਦੁਆਲੇ, programmable shaders (Vertex ਅਤੇ Pixel/Fragment Shaders) ਨੇ ਰੁਖ ਬਦਲ ਦਿੱਤਾ। GeForce 3 ਅਤੇ ਬਾਦ ਦੀਆਂ ਫ਼ੈਮਿਲੀਆਂ ਨੇ ਛੋਟੇ ਪ੍ਰੋਗ੍ਰਾਮੇਬਲ ਯੂਨਿਟ ਮੁਹੱਈਆ ਕਰਨੇ ਸ਼ੁਰੂ ਕੀਤੇ, ਜਿਨ੍ਹਾਂ ਨਾਲ ਡੈਵਲਪਰ ਆਪਣੇ ਕਸਟਮ ефੈਕਟ ਲਿਖ ਸਕਦੇ ਸਨ ਬਜਾਏ ਧਾੜੀਦਾਰ ਪਾਈਪਲਾਈਨ 'ਤੇ ਨਿਰਭਰ ਰਹਿਣ ਦੇ।
ਇਹ shaders ਹਾਲੇ ਵੀ ਗ੍ਰਾਫਿਕਸ ਲਈ ਸਨ, ਪਰ ਇਹ ਇਕ ਮਹੱਤਵਪੂਰਣ ਵਿਚਾਰ Nvidia ਵਿੱਚ ਪੈਦਾ ਕਰਦੇ: ਜੇ GPU ਮੁੱਖ ਤੌਰ 'ਤੇ ਦਿੱਖ ਲਈ ਪ੍ਰੋਗ੍ਰਾਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਤਾਂ ਕੀ ਇਹ ਵਿਅਾਪਕ ਗਣਨਾ ਲਈ ਵੀ ਵਰਤਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ?
GPGPU ਇੱਕ ਵਿਰੋਧੀ ਦਾਅ ਸੀ। ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਕਈ ਲੋਕ ਸਵਾਲ ਕਰਦੇ ਸਨ ਕਿ ਕੀ ਇਹ ਵਾਜਿਬ ਹੈ ਕਿ scarce transistor budget, engineering ਸਮਾਂ ਅਤੇ ਸਾਫਟਵੇਅਰ ਕੋਸ਼ਿਸ਼ਾਂ ਨੂੰ ਗੇਮਿੰਗ ਤੋਂ ਬਾਹਰ ਵਾਲੇ ਵਰਕਲੋਡਾਂ ਲਈ ਖਰਚ ਕੀਤਾ ਜਾਵੇ। ਬਾਹਰੀ ਤੌਰ 'ਤੇ, ਸ਼ੱਕ ਕਰਨ ਵਾਲੇ GPUs ਨੂੰ ਗ੍ਰਾਫਿਕਸ ਲਈ ਖਿਡੌਣਿਆਂ ਵਜੋਂ ਦੇਖਦੇ ਸਨ, ਅਤੇ ਪਹਿਲਾਂ ਦੀਆਂ GPGPU ਤਜਰਬਿਆਂ—fragment shaders ਵਿੱਚ ਲੀਨੀਅਰ ਬੀਜਗਣਿਤ ਨੂੰ ਜੁਗਾੜ ਨਾਲ ਚਲਾਉਣ—ਬਹੁਤ ਹੀ ਔਖੇ ਸਨ।
Nvidia ਦਾ ਜਵਾਬ ਸੀ CUDA, 2006 ਵਿੱਚ ਘੋਸ਼ਿਤ: ਇੱਕ C/C++-ਜੈੱਸਾ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਮਾਡਲ, ਰਨਟਾਈਮ, ਅਤੇ ਟੂਲਚੇਨ ਜੋ GPU ਨੂੰ ਇਕ massively parallel coprocessor ਵਜੋਂ ਮਹਿਸੂਸ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ। Triangle ਅਤੇ ਪਿਕਸਲ-ਧਾਰਨਾ ਦੇ ਬਦਲੇ, CUDA threads, blocks, grids ਅਤੇ ਖਾਸ ਮੈਮੋਰੀ ਹਾਇਰਾਰਕੀ ਨੂੰ ਸਰਲ ਰੂਪ ਵਿੱਚ ਬਾਹਰ ਲਿਆਉਂਦਾ।
ਇਹ ਇੱਕ ਵੱਡਾ ਰਣਨੀਤਕ ਖਤਰਾ ਸੀ: Nvidia ਨੂੰ ਕੰਪਾਇਲਰ, ਡੀਬੱਗਰ, ਲਾਇਬਰੇਰੀਆਂ, ਦਸਤਾਵੇਜ਼ ਅਤੇ ਤਰਬੀਅਤ ਪ੍ਰੋਗਰਾਮ ਬਨਾਉਣੇ ਪਏ—ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਪਲੇਟਫਾਰਮ ਕੰਪਨੀ ਦੀਆਂ ਨਿਵੇਸ਼ਾਂ ਹਨ ਨਾ ਕਿ ਸਿਰਫ਼ ਚਿਪ ਵੇਂਡਰ ਦੀਆਂ।
ਪਹਿਲੀਆਂ ਜਿੱਤਾਂ ਆਈਆਂ ਉੱਚ‑ਪ੍ਰਦਰਸ਼ਨ ਕੰਪਿਊਟਿੰਗ (HPC) ਤੋਂ:
ਖੋਜਕਾਰ ਹੁਣ ਅਕਸਰ ਇੱਕ GPU 'ਤੇ ਹਫ਼ਤਿਆਂ ਲੱਗਣ ਵਾਲੀਆਂ ਸਿਮੂਲੇਸ਼ਨਾਂ ਨੂੰ ਘਟਾ ਕੇ ਦਿਨਾਂ ਜਾਂ ਘੰਟਿਆਂ ਵਿਚ ਚਲਾ ਸਕਦੇ ਸਨ, ਕਈ ਵਾਰੀ ਇਕ ਵਧੀਆ ਵਰਕਸਟੇਸ਼ਨ 'ਤੇ ਨਾ ਕਿ ਪੂਰੇ CPU ਕਲੱਸਟਰ 'ਤੇ।
CUDA ਨੇ ਸਿਰਫ਼ ਕੋਡ ਨੂੰ ਤੇਜ਼ ਨਹੀਂ ਕੀਤਾ; ਇਸਨੇ Nvidia ਹਾਰਡਵੇਅਰ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇੱਕ ਡੈਵਲਪਰ ਇਕੋਸਿਸਟਮ ਬਣਾਇਆ। ਕੰਪਨੀ ਨੇ SDKs, ਗਣਿਤ ਲਾਇਬ੍ਰੇਰੀਆਂ (cuBLAS, cuFFT), ਯੂਨੀਵਰਸਿਟੀ ਕਾਰਜਕ੍ਰਮਾਂ, ਅਤੇ ਆਪਣੀ GTC ਕੰਫਰੰਸ ਵਿੱਚ ਨਿਵੇਸ਼ ਕੀਤਾ ਤਾਂ ਕਿ ਪੈਰੈਲੇਲ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਸਿਖਾਈ ਜਾ ਸਕੇ।
ਹਰ CUDA ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਲਾਇਬ੍ਰੇਰੀ ਨੇ Nvidia ਦੀ ਰੱਖਿਆ ਨੂੰ ਮਜ਼ਬੂਤ ਕੀਤਾ: ਡੈਵਲਪਰ Nvidia GPUs ਲਈ ਓਪਟੀਮਾਈਜ਼ ਕਰਦੇ, ਟੂਲਚੇਨ CUDA ਦੇ ਆਲੇ-ਦੁਆਲੇ ਵਿਕਸਿਤ ਹੋਏ, ਅਤੇ ਨਵੇਂ ਪ੍ਰੋਜੈਕਟ ਪਹਿਲ ਤੋਂ ਹੀ Nvidia ਨੂੰ ਡਿਫੌਲਟ ਐਕਸੇਲੇਰੇਟਰ ਮੰਨ ਕੇ ਸ਼ੁਰੂ ਹੋਏ। ਡੀਪ ਲਰਨਿੰਗ ਡਾਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਭਰਣ ਤੋਂ ਕਈ ਸਾਲ ਪਹਿਲਾਂ ਹੀ ਇਹ ਇਕੋਸਿਸਟਮ ਪ੍ਰੋਗ੍ਰਾਮੇਬਿਲਿਟੀ ਨੂੰ Nvidia ਦੇ ਸਭ ਤੋਂ ਮੁਢਲੇ ਰਣਨੈਤਿਕ ਫਾਇਦਿਆਂ ਵਿੱਚੋਂ ਇਕ ਬਣਾ ਚੁੱਕਾ ਸੀ।
2000 ਦੇ ਮੱਧ ਤੱਕ Nvidia ਦਾ ਗੇਮਿੰਗ ਵਿਉਪਾਰ ਚੜ੍ਹਦਾ ਹੋਇਆ ਸੀ, ਪਰ Jensen Huang ਅਤੇ ਉਸਦੀ ਟੀਮ ਨੇ ਸਿਰਫ਼ ਉਪਭੋਗਤਾ GPUs 'ਤੇ ਨਿਰਭਰ ਰਹਿਣ ਦੀ ਸੀਮਾ ਨੂੰ ਵੇਖਿਆ। ਉਹਨਾਂ ਨੇ ਸਮਝਿਆ ਕਿ ਉਹੀ ਪੈਰੈਲੇਲ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾ ਜੋ ਗੇਮਾਂ ਨੂੰ ਤੇਜ਼ ਬਨਾਉਂਦੀ ਸੀ, ਵਿਗਿਆਨਕ ਸਿਮੂਲੇਸ਼ਨਾਂ, ਫਾਇਨੈਂਸ ਅਤੇ ਅੰਤ ਵਿੱਚ AI 'ਤੇ ਵੀ ਤੇਜ਼ੀ ਲਿਆ ਸਕਦੀ ਸੀ।
Nvidia ਨੇ GPUs ਨੂੰ ਵਰਕਸਟੇਸ਼ਨ ਅਤੇ ਸਰਵਰ ਲਈ general‑purpose ਐਕਸੇਲੇਰੇਟਰ ਵਜੋਂ ਪੋਜ਼ਿਸ਼ਨ ਕੀਤਾ। Quadro ਲਾਈਨ ਡਿਜ਼ਾਈਨਰਾਂ ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਲਈ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਕਦਮ ਸੀ, ਪਰ ਵੱਡਾ ਦਾਅ ਡਾਟਾ ਸੈਂਟਰ ਦੇ ਦਿਲ ਵਿੱਚ ਜਾਣ ਦਾ ਸੀ।
2007 ਵਿੱਚ Nvidia ਨੇ Tesla ਉਤਪਾਦ ਲਾਈਨ ਪੇਸ਼ ਕੀਤੀ—ਉਹਨਾਂ ਪਹਿਲੀਆਂ GPUs ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ HPC ਅਤੇ ਸਰਵਰ ਵਰਕਲੋਡਾਂ ਲਈ ਬਣੀਆਂ ਸਨ, ਡਿਸਪਲੇਅ ਲਈ ਨਹੀਂ।
Tesla ਕਾਰਡ.double‑precision ਪ੍ਰਦਰਸ਼ਨ, error‑correcting memory ਅਤੇ ਘਣ ਰੈਕਾਂ ਵਿੱਚ ਪਾਵਰ ਦੱਖਲ 'ਤੇ ਜ਼ਿਆਦਾ ਧਿਆਨ ਦਿੰਦੀਆਂ—ਜੋ ਡਾਟਾ ਸੈਂਟਰ ਅਤੇ ਸੂਪਰਕੰਪਿਊਟਿੰਗ ਸਾਈਟਾਂ ਲਈ ਜ਼ਰੂਰੀ ਹਨ।
HPC ਅਤੇ ਰਾਸ਼ਟਰੀ ਲੈਬਜ਼ ਪ੍ਰਾਰੰਭਿਕ ਅਪਨਾਉਣ ਵਾਲੇ ਬਣੇ। Oak Ridge ਦੇ "Titan" ਸੂਪਰਕੰਪਿਊਟਰ ਵਰਗੇ ਸਿਸਟਮ ਨੇ ਦਿਖਾਇਆ ਕਿ CUDA‑ਪ੍ਰੋਗ੍ਰਾਮੇਬਲ GPUs ਦੇ ਕਲੱਸਟਰ ਭੌਤਿਕੀ, ਮੌਸਮ ਮਾਡਲਿੰਗ ਅਤੇ ਮੌਲੀਕ ਯਾਤਰਾ ਵਿੱਚ ਵੱਡੀ ਤੇਜ਼ੀ ਲਿਆ ਸਕਦੇ ਹਨ। HPC ਵਿੱਚ ਇਹ ਭਰੋਸਾ ਬਾਅਦ ਵਿੱਚ ਉਦਯੋਗ ਅਤੇ ਕਲਾਉਡ ਗਾਹਕਾਂ ਨੂੰ ਮਨਾਉਣ ਵਿੱਚ ਮਦਦਗਾਰ ਸਾਬਿਤ ਹੋਇਆ।
Nvidia ਨੇ ਯੂਨੀਵਰਸਿਟੀਆਂ ਅਤੇ ਖੋਜ ਸੰਸਥਾਵਾਂ ਨਾਲ ਰਿਸ਼ਤੇ ਬਣਾਉਣ ਵਿੱਚ ਭਾਰੀ ਨਿਵੇਸ਼ ਕੀਤਾ, ਲੈਬਜ਼ ਨੂੰ ਹਾਰਡਵੇਅਰ ਅਤੇ CUDA ਟੂਲ ਦਿੱਤੇ। ਕਈ ਉਹ ਖੋਜਕਾਰ ਜਿਨ੍ਹਾਂ ਨੇ ਅਕਾਦਮੀਅਤ ਵਿੱਚ GPU ਕੰਪਿਊਟਿੰਗ ਨਾਲ ਪ੍ਰਯੋਗ ਕੀਤਾ, ਬਾਅਦ ਵਿੱਚ ਕੰਪਨੀਆਂ ਅਤੇ ਸਟਾਰਟਅਪਾਂ ਦੇ ਅੰਦਰ ਇਸ ਦੀ ਅਪਨਾਉਣ ਦਾ ਕਾਰਨ ਬਣੇ।
ਇਸੇ ਸਮੇਂ, ранਾਲ ਕਲਾਉਡ ਪ੍ਰੋਵਾਈਡਰ Nvidia‑ਚਾਲਤ ਇੰਸਟੈਂਸ ਪੇਸ਼ ਕਰਨ ਲੱਗੇ, ਜਿਸ ਨਾਲ GPUs ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਉਪਲਬਧ ਹੋ ਗਏ—ਇਹ ਡੀਪ ਲਰਨਿੰਗ ਲਈ ਅਤਿਅਵਸ਼ਕ ਸੀ। Amazon Web Services, ਫਿਰ Microsoft Azure ਅਤੇ Google Cloud ਨੇ Tesla‑ਕਲਾਸ GPUs ਅਨੁਕੂਲ ਕੀਤੇ, ਜਿਸ ਨੇ ਡੀਪ ਲਰਨਿੰਗ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸਕੇਲ ਕਰਨ ਯੋਗ ਬਣਾਇਆ।
ਜਿਵੇਂ-ਜਿਵੇਂ ਡਾਟਾ ਸੈਂਟਰ ਅਤੇ ਪ੍ਰੋਫੈਸ਼ਨਲ ਬਾਜ਼ਾਰ ਵਧੇ, Nvidia ਦਾ ਰੇਵਨਿਊ ਮੂਲ ਵੀ ਵਿਵਿਧ ਹੋਇਆ। ਗੇਮਿੰਗ ਇੱਕ ਸਥੰਭ ਰਹੀ, ਪਰ HPC, ਐਨਟਰਪ੍ਰਾਈਜ਼ AI ਅਤੇ ਕਲਾਉਡ ਨੂਂ ਦੂਜਾ ਵਧਣ ਵਾਲਾ ਇੰਜਣ ਬਣਾਇਆ, ਜੋ Nvidia ਦੀ ਬਾਦ ਵਿੱਚ AI ਪ੍ਰਦਾਨਗੀ ਲਈ ਆਰਥਿਕ ਬੁਨਿਆਦ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਤਬਦੀਲੀ ਦਾ ਮੁੱਖ ਮੋੜ 2012 ਵਿੱਚ ਆਇਆ, ਜਦੋਂ AlexNet ਨੇ ImageNet ਬੈਂਚਮਾਰਕ 'ਤੇ ਧਮਾਕੇਦਾਰ ਨਤੀਜੇ ਦਿੱਤੇ। ਅਹਿਮ ਗੱਲ ਇਹ ਸੀ ਕਿ ਇਹ ਇੱਕ ਜੋੜੀ Nvidia GPUs 'ਤੇ ਚੱਲ ਰਹੀ ਸੀ। ਜੋ ਪਹਿਲਾਂ ਇਕ ਨਿਸ਼ਾਨੀਆ ਵਿਚਾਰ ਸੀ—ਗ੍ਰਾਫਿਕਸ ਚਿਪਾਂ ਨਾਲ ਵੱਡੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਟ੍ਰੇਨ ਕਰਨ—ਉਹ ਅਚਾਨਕ AI ਦਾ ਭਵਿੱਖ ਦਿਖਣ ਲੱਗਾ।
ਡੀਪ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਬਹੁਤ ਸਾਰੀਆਂ ਇਕੋ ਜਿਹੀਆਂ ਓਪਰੇਸ਼ਨਾਂ 'ਤੇ ਨਿਰਭਰ ਹੁੰਦੇ ਹਨ: matrix multiplies ਅਤੇ convolutions ਜੋ ਕਰੋੜਾਂ ਭਾਰਤੀਆਂ ਅਤੇ activation 'ਤੇ ਲਾਗੂ ਹੁੰਦੀਆਂ ਹਨ। GPUs ਹਜ਼ਾਰਾਂ ਸਾਦਾ, ਪੈਰੈਲੇਲ ਥਰੇਡ ਚਲਾਉਣ ਲਈ ਬਣੇ ਹਨ—ਉਹੀ ਪੈਰੈਲੇਲਿਜ਼ਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਲਈ ਲਗਭਗ ਬਿਲਕੁਲ ਫਿੱਟ ਸੀ।
ਪਿਕਸਲ ਰੇਂਡਰ ਕਰਨ ਦੀ ਥਾਂGPU ਨਿਊਰੋਨ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਸੀ। ਜੋ ਕੰਮ CPUs 'ਤੇ ਹੌਲੀ ਚੱਲਦੇ ਸਨ, ਉਹ ਹੁਣ GPU 'ਤੇ ਕਈ ਗੁਣਾ ਤੇਜ਼ ਚੱਲਦੇ। ਟ੍ਰੇਨਿੰਗ ਜੋਕਿ ਪਹਿਲਾਂ ਹਫ਼ਤਿਆਂ ਲੱਗਦੀ ਸੀ, ਉਹ ਦਿਨਾਂ ਜਾਂ ਘੰਟਿਆਂ ਵਿੱਚ ਆ ਗਈ, ਜਿਸ ਨਾਲ ਖੋਜਕਾਰ ਤੇਜ਼ੀ ਨਾਲ ਇਤਰੈਟ ਕਰ ਸਕੇ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਵੱਧ ਸਕੇਲ 'ਤੇ ਚਲਾ ਸਕੇ।
Nvidia ਨੇ ਇਸ ਖੋਜੀ ਰੁਝਾਨ ਨੂੰ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਬਦਲਣ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਕਦਮ ਚੁੱਕੇ। CUDA ਪਹਿਲਾਂ ਹੀ developers ਨੂੰ GPU ਪ੍ਰੋਗ੍ਰਾਮ ਕਰਨ ਦਾ ਤਰੀਕਾ ਦਿੰਦਾ ਸੀ, ਪਰ ਡੀਪ ਲਰਨਿੰਗ ਨੂੰ ਉੱਚ-ਸਤਰ ਦੇ ਟੂਲ ਚਾਹੀਦੇ ਸਨ।
Nvidia ਨੇ cuDNN ਬਣਾਇਆ, ਜੋ neural network primitives—convolutions, pooling, activation functions—ਲਈ GPU‑ਉਤਪਾਦਕ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। Caffe, Theano, Torch ਅਤੇ ਬਾਦ ਵਿੱਚ TensorFlow ਅਤੇ PyTorch ਨੇ cuDNN ਨੂੰ ਇੰਟੀਗਰੇਟ ਕੀਤਾ, ਤਾਂ ਜੋ ਖੋਜਕਾਰ kernel ਹੱਥੋਂ-ਹੱਥ ਟਿਊਨ ਕਰਨ ਬਗੈਰ GPU ਤੇ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਚਲਾ ਸਕਣ।
ਇਸੇ ਨਾਲ, Nvidia ਨੇ ਆਪਣਾ ਹਾਰਡਵੇਅਰ ਟਿਊਨ ਕੀਤਾ: mixed‑precision ਸਹਿਯੋਗ, high-bandwidth memory ਅਤੇ Volta ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ Tensor Cores ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਡੀਪ ਲਰਨਿੰਗ ਲਈ matrix ਗਣਿਤ ਲਈ ਬਣਾਏ ਗਏ।
Nvidia ਨੇ ਕੁਝ ਪ੍ਰਮੁੱਖ AI ਲੈਬਜ਼ ਅਤੇ ਖੋਜਕਾਰਾਂ ਨਾਲ ਗਹਿਰੇ ਰਿਸ਼ਤੇ ਬਣਾਏ—University of Toronto, Stanford, Google, Facebook ਅਤੇ ਆਰੰਭਿਕ ਸਟਾਰਟਅਪ ਜਿਵੇਂ DeepMind। ਕੰਪਨੀ ਨੇ ਸ਼ੁਰੂਆਤੀ ਹਾਰਡਵੇਅਰ, ਇੰਜੀਨੀਅਰਿੰਗ ਸਹਾਇਤਾ ਅਤੇ ਕਸਟਮ ਡ੍ਰਾਈਵਰ ਦਿੱਤੇ, ਅਤੇ ਬਦਲੇ ਵਿੱਚ ਉਸਨੇ ਪਤਾ ਲਗਾਇਆ ਕਿ AI ਵਰਕਲੋਡਾਂ ਨੂੰ ਅਗਲੇ ਕਦਮ ਵਿੱਚ ਕੀ ਲੋੜ ਹੈ।
AI ਸੁਪਰਕੰਪਿਊਟਿੰਗ ਨੂੰ ਜਿਆਦਾ ਸੌਖਾ ਬਣਾਉਣ ਲਈ, Nvidia ਨੇ DGX ਸਿਸਟਮ ਪੇਸ਼ ਕੀਤੇ—pre‑integrated AI ਸਰਵਰ ਜੋ ਉੱਚ-ਪਦਰਤੀ GPUs, ਤੇਜ਼ ਇੰਟਰਕਨੈਕਟਸ ਅਤੇ ਟਿਊਨ ਕੀਤਾ ਸਾਫਟਵੇਅਰ ਪੈਕ ਨਾਲ ਭਰੇ ਹੋਏ ਹਨ। DGX-1 ਅਤੇ ਉਸ ਦੇ ਉਤਰਾਧਿਕਾਰੀ ਕਈ ਲੈਬਜ਼ ਅਤੇ ਐਨਟਰਪ੍ਰਾਈਜ਼ ਲਈ ਡਿਫਾਲਟ ਐਪਲਾਇੰਸ ਬਣ ਗਏ।
Tesla K80, P100, V100 ਅਤੇ ਆਖ਼ਿਰਕਾਰ A100 ਅਤੇ H100 ਵਰਗੇ GPUs ਨਾਲ, Nvidia ਨੇ ਖੁਦ ਨੂੰ "ਗੇਮਿੰਗ ਕੰਪਨੀ ਜੋ ਕੁਝ ਕਮਪਿਊਟ ਵੀ ਕਰਦੀ ਹੈ" ਤੋਂ ਬਦਲ ਕੇ cutting-edge ਡੀਪ ਲਰਨਿੰਗ ਐਂਜਿਨ ਦਾ ਡਿਫਾਲਟ ਸਪਲਾਇਰ ਬਣਾਇਆ। AlexNet-ਮੋਮੈਂਟ ਨੇ ਨਵਾਂ ਯੁੱਗ ਖੋਲ੍ਹਿਆ, ਅਤੇ Nvidia ਨੇ ਆਪਣੇ ਆਪ ਨੂੰ ਸਿੱਧਾ ਇਸਕੇਂਦਰ 'ਤੇ ਰੱਖ ਲਿਆ।
Nvidia ਸਿਰਫ਼ ਤੇਜ਼ ਚਿਪ ਵੇਚ ਕੇ AI ਨਹੀਂ ਜਿੱਤੀ। ਇਸਨੇ ਇਕ end‑to‑end ਪਲੇਟਫਾਰਮ ਬਣਾਇਆ ਜਿਸ ਨਾਲ Nvidia ਹਾਰਡਵੇਅਰ 'ਤੇ AI ਬਣਾਉਣਾ, ਡਿਪਲੌਏ ਅਤੇ ਸਕੇਲ ਕਰਨਾ ਬਾਕੀ ਥਾਂਮਾਂ ਨਾਲੋਂ ਕਾਫੀ ਆਸਾਨ ਹੋ ਗਿਆ।
ਬੁਨਿਆਦ CUDA ਹੈ, Nvidia ਦਾ ਪੈਰੈਲੇਲ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਮਾਡਲ ਜੋ 2006 ਵਿੱਚ ਆਇਆ ਸੀ। CUDA ਡੈਵਲਪਰਾਂ ਨੂੰ GPU ਨੂੰ ਇੱਕ general‑purpose ਐਕਸੇਲੇਰੇਟਰ ਵਜੋਂ ਵਰਤਣ ਦੀ ਆਸਾਨੀ ਦਿੰਦਾ, ਸੱਝੇ C/C++ ਅਤੇ Python ਟੂਲਚੇਨਾਂ ਨਾਲ।
CUDA 'ਤੇ, Nvidia ਖਾਸ ਲਾਇਬ੍ਰੇਰੀਆਂ ਅਤੇ SDKs ਸਥਾਪਿਤ ਕਰਦਾ:
ਇਹ ਸਟੈਕ ਇਕ ਖੋਜਕਾਰ ਜਾਂ ਇੰਜੀਨੀਅਰ ਨੂੰ ਬਹੁਤ ਵਾਰ ਨੀਵੀਂ ਪੱਧਰ ਦੀ GPU ਕੋਡ ਲਿਖਣ ਤੋਂ ਬਚਾਉਂਦਾ; ਉਹ Nvidia ਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਕਾਲ ਕਰਦਾ ਜੋ ਹਰ ਨਵੀਂ GPU ਜਨਰੇਸ਼ਨ ਲਈ ਓਪਟੀਮਾਈਜ਼ ਕੀਤੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।
ਕਈ ਸਾਲਾਂ ਦੀ CUDA ਨਿਵੇਸ਼, ਟੂਲਿੰਗ, ਦਸਤਾਵੇਜ਼ ਅਤੇ ਤਰਬੀਅਤ ਨੇ ਇੱਕ ਮਜ਼ਬੂਤ ਮੋਟ ਬਣਾਇਆ। ਲੱਖਾਂ ਲਾਇਨਾਂ ਪ੍ਰੋਡਕਸ਼ਨ ਕੋਡ, ਅਕਾਦਮਿਕ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਓਪਨ-ਸੋਰਸ ਫਰੇਮਵਰਕ Nvidia GPUs ਲਈ ਓਪਟੀਮਾਈਜ਼ ਕੀਤੇ ਹੋਏ ਹਨ।
ਹੋਰ ਆਰਕੀਟੈਕਚਰ 'ਤੇ ਜਾਣ ਦਾ ਅਰਥ ਆਮ ਤੌਰ 'ਤੇ ਕੇਰਨਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣਾ, ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਵੈਲਿਡੇਟ ਕਰਨਾ ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਮੁੜ ਟ੍ਰੇਨ ਕਰਨਾ ਹੈ। ਇਹ ਸਵਿੱਚਿੰਗ ਲਾਗਤ ਵਿਕਾਸਕਾਰਾਂ, ਸਟਾਰਟਅਪ ਅਤੇ ਵੱਡੇ ਐਨਟਰਪ੍ਰਾਈਜ਼ਾਂ ਨੂੰ Nvidia ਨਾਲ ਜੋੜ ਕੇ ਰੱਖਦੀ ਹੈ।
Nvidia hyperscale ਕਲਾਉਡਾਂ ਨਾਲ ਘਣੇ ਰਿਸ਼ਤੇ ਰੱਖਦੀ ਹੈ, HGX ਅਤੇ DGX ਰੈਫਰੰਸ ਪਲੇਟਫਾਰਮ, ਡ੍ਰਾਈਵਰ ਅਤੇ ਟਿਊਨਡ ਸਾਫਟਵੇਅਰ ਸਟੈਕ ਮੁਹੱਈਆ ਕਰਕੇ ਤਾਂ ਜੋ ਗਾਹਕ GPUs ਨੂੰ ਘੱਟ friction ਨਾਲ ਰੈਂਟ 'ਤੇ ਲੈ ਸਕਣ।
Nvidia AI Enterprise ਸੂਟ, NGC ਸੌਫਟਵੇਅਰ ਕੈਟਾਲੌਗ ਅਤੇ pretrained ਮਾਡਲ ਐਨਟਰਪ੍ਰਾਈਜ਼ਾਂ ਨੂੰ ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਦਾ ਸਮਰਥਿਤ ਰਸਤਾ ਦਿੰਦੇ ਹਨ, ਚਾਹੇ ਉਹ on‑premises ਹੋਣ ਜਾਂ ਕਲਾਉਡ 'ਤੇ।
Nvidia ਆਪਣੀ ਪਲੇਟਫਾਰਮ ਨੂੰ ਪੂਰੇ ਵਰਟੀਕਲ ਹੱਲਾਂ ਵਿੱਚ ਫੈਲਾ ਯਾ ਹੈ:
ਇਹ ਵਰਟੀਕਲ ਪਲੇਟਫਾਰਮ GPUs, SDKs, ਰੈਫਰੰਸ ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਭਾਗੀਦਾਰ ਇੰਟੀਗ੍ਰੇਸ਼ਨਾਂ ਨੂੰ ਇਕੱਠੇ ਬੰਨ੍ਹਦੇ ਹਨ, ਗਾਹਕਾਂ ਨੂੰ ਪ੍ਰਤਿਬੱਧ ਪ੍ਰਕਿਰਿਆ-ਨਿਕਾਸ ਹੱਲ ਦੇ ਕੇ।
ISVs, ਕਲਾਉਡ ਭਾਈਚਾਰਿਆਂ, ਖੋਜ ਲੈਬਜ਼ ਅਤੇ ਸਿਸਟਮ ਇੰਟੀਗ੍ਰੇਟਰਾਂ ਨੂੰ ਆਪਣੇ ਸਾਫਟਵੇਅਰ ਸਟੈਕ ਚਾਰ ਚੜ੍ਹਾ ਕੇ Nvidia ਨੇ GPUs ਨੂੰ AI ਲਈ ਡਿਫਾਲਟ ਹਾਰਡਵੇਅਰ ਬਣਾ ਦਿੱਤਾ।
ਹਰ ਨਵਾਂ ਫਰੇਮਵਰਕ ਜੋ CUDA ਲਈ ਓਪਟੀਮਾਈਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਹਰ ਨਵਾਂ ਸਟਾਰਟਅਪ ਜੋ Nvidia 'ਤੇ ਸ਼ਿਪ ਕਰਦਾ ਹੈ, ਅਤੇ ਹਰ ਕਲਾਉਡ AI ਸੇਵਾ ਜੋ ਇਸਦੀ GPUs ਲਈ ਟਿਊਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ: Nvidia 'ਤੇ ਵੱਧ ਸਾਫਟਵੇਅਰ ਹੋਣਾ ਵੱਧ ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਜੋ ਵਾਧੂ ਨਿਵੇਸ਼ ਲਈ ਜਾਇਜ਼ ਠਹਿਰਦਾ ਹੈ ਅਤੇ ਮੁਕਾਬਲੇ ਨਾਲ ਫਾਸਲਾ ਵਧਾਉਂਦਾ ਹੈ।
Nvidia ਦੀ AI ਪ੍ਰਵਾਨਗੀ GPU ਤੋਂ ਪਰੇ ਜਾ ਕੇ ਕੀਤੇ ਰਣਨੀਤਕ ਦਾਅਵਾਂ ਦੇ ਬਗ਼ੈਰ ਨਹੀਂ ਸੀ।
2019 ਦੀ Mellanox ਖਰੀਦ Nvidia ਲਈ ਇੱਕ ਮੋੜ ਸੀ। Mellanox InfiniBand ਅਤੇ high‑end Ethernet ਨੈੱਟਵਰਕਿੰਗ, ਅਤੇ ਘੱਟ-ਲੇਟੈਂਸੀ, ਉੱਚ-ਥਰੂਪੁੱਟ ਇੰਟਰਕਨੈਕਟ ਵਿੱਚ ਮਹਿਰਤ ਲਿਆਉਂਦੀ ਸੀ।
ਵੱਡੇ AI ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਹਜ਼ਾਰਾਂ GPUs ਨੂੰ ਇੱਕ ਤਰਤੀਬ ਵਾਲੇ ਕੰਪਿਊਟਰ ਵਜੋਂ ਜੋੜਨਾ ਲਾਜ਼ਮੀ ਹੈ। ਤੇਜ਼ ਨੈੱਟਵਰਕ ਬਿਨਾ, ਉਹ GPUs ਡੇਟਾ ਜਾਂ ਗ੍ਰੈਡੀਅੰਟ ਦੀ ਉਡੀਕ ਕਰਕੇ idle ਰਹਿ ਸਕਦੇ ਹਨ। InfiniBand, RDMA, NVLink ਅਤੇ NVSwitch ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਕਮਿਊਨੀਕੇਸ਼ਨ ਓਵਰਹੈੱਡ ਘਟਾਉਂਦੀਆਂ ਹਨ ਅਤੇ ਵੱਡੇ ਕਲੱਸਟਰਾਂ ਨੂੰ ਕੁਸ਼ਲ ਤਰੀਕੇ ਨਾਲ ਸਕੇਲ ਕਰਦੀਆਂ ਹਨ। ਇਸ ਲਈ Mellanox ਨੇ Nvidia ਨੂੰ ਉਸ ਫੈਬਰਿਕ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਕੰਟਰੋਲ ਦੇ ਦਿੱਤਾ।
2020 ਵਿੱਚ Nvidia ਨੇ Arm ਖਰੀਦਣ ਦੀ ਯੋਜਨਾ ਦੀ ਘੋਸ਼ਣਾ ਕੀਤੀ—ਉਦੇਸ਼ ਇਹ ਸੀ ਕਿ ਉਸ ਦੀ AI ਐਕਸੇਲੇਰੇਸ਼ਨ ਮਹਿਰਤ ਨੂੰ ਇੱਕ ਵਿਸ਼ਵ ਵਪਾਰਿਤ CPU ਆਰਕੀਟੈਕਚਰ ਨਾਲ ਜੋੜਿਆ ਜਾਵੇ।
US, UK, EU ਅਤੇ ਚੀਨ ਦੇ ਨਿਯਮਕਾਂ ਨੇ ਵੱਡੀ ਐਂਟੀਟਸਟ੍ਰਸਟ ਚਿੰਤਾ ਜਤਾਈ: Arm ਤੇ ਕਈ Nvidia ਦੇ ਮੁਕਾਬਲੀਆਂ ਨਿਰਭਰ ਹਨ, ਅਤੇ ਇਕਾਕਾਰਤਾ ਉਸ ਨਿਊਟਰੈਲ IP ਸਪਲਾਇਰ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਸੀ। ਲੰਮੇ ਜाँच-ਪੜਤਾਲ ਅਤੇ ਉਦਯੋਗੀ ਪ੍ਰਤੀਖਿਆ ਤੋਂ ਬਾਅਦ Nvidia ਨੇ 2022 ਵਿੱਚ ਇਹ ਡੀਲ ਛੱਡ ਦਿੱਤੀ।
ਫਿਰ ਵੀ, Arm ਦੇ ਬਿਨਾਂ Nvidia ਨੇ ਆਪਣਾ Grace CPU ਵਿਕਸਤ ਕੀਤਾ, ਜਿਸ ਤੋਂ ਪਤਾ ਲਗਦਾ ਹੈ ਕਿ ਉਹ ਪੁਰੇ ਡਾਟਾ ਸੈਂਟਰ ਨੋਡ ਨੂੰ ਆਕਾਰ ਦੇਣ 'ਤੇ ਜ਼ੋਰ ਦੇ ਰਹੇ ਹਨ—ਸਿਰਫ਼ ਐਕਸੇਲੇਰੇਟਰ ਨਹੀਂ।
Omniverse Nvidia ਨੂੰ ਸਿਮੂਲੇਸ਼ਨ, ਡਿਜੀਟਲ ਟਵਿਨਸ ਅਤੇ 3D ਸਹਿਯੋਗ ਵਿੱਚ ਫੈਲਾਉਂਦਾ ਹੈ। ਇਹ OpenUSD ਦੇ ਆਲੇ-ਦੁਆਲੇ ਟੂਲ ਅਤੇ ਡੇਟਾ ਜੋੜਦਾ ਹੈ, ਕਾਰਖਾਨਿਆਂ, ਸ਼ਹਿਰਾਂ ਅਤੇ ਰੋਬੋਟਾਂ ਦੀ ਸਿਮੂਲੇਸ਼ਨ ਕਰਨ ਲਈ। Omniverse ਇੱਕ ਭਾਰੀ GPU ਵਰਕਲੋਡ ਹੋਣ ਦੇ ਨਾਲ-ਨਾਲ ਇੱਕ ਸਾਫਟਵੇਅਰ ਪਲੇਟਫਾਰਮ ਵੀ ਹੈ ਜੋ ਡੈਵਲਪਰਾਂ ਨੂੰ ਬੰਨ੍ਹਦਾ ਹੈ।
ਆਟੋਮੋਟਿਵ ਵਿੱਚ Nvidia DRIVE centralized in‑car computing, autonomous driving ਅਤੇ advanced driver assistance ਲਈ ਟਰਗੇਟ ਹੈ। ਹਾਰਡਵੇਅਰ, SDKs ਅਤੇ ਵੈਧਤਾ ਟੂਲ ਮੁਹੱਈਆ ਕਰਕੇ Nvidia ਆਟੋਮੋਟਿਵ ਨਿਰਮਾਤਿਆਂ ਅਤੇ tier‑1 ਸਪਲਾਇਰਾਂ ਨਾਲ ਗੰਭੀਰ ਤੌਰ 'ਤੇ ਜੁੜਦਾ ਹੈ।
ਐੱਡਜ 'ਤੇ, Jetson ਮੌਡੀਊਲ ਅਤੇ ਸੰਬੰਧਤ ਸਾਫਟਵੇਅਰ ਰੋਬੋਟਿਕਸ, ਸਮਾਰਟ ਕੈਮਰਾ ਅਤੇ ਉਦਯੋਗੀ AI ਨੂੰ ਪਾਵਰ ਦਿੰਦੀਆਂ ਹਨ। ਇਹ ਉਤਪਾਦ Nvidia ਦੇ AI ਪਲੇਟਫਾਰਮ ਨੂੰ ਰਿਟੇਲ, ਲੋਜਿਸਟਿਕਸ, ਹੈਲਥਕੇਅਰ ਅਤੇ ਸਿਟੀ ਵਰਗੇ ਖੇਤਰਾਂ ਤੱਕ ਫੈਲਾਉਂਦੇ ਹਨ—ਜਿਹੜੇ ਸਮਰੂਪ ਨਹੀਂ ਕੇਵਲ ਕਲਾਉਡ 'ਤੇ ਰਹਿ ਸਕਦੇ।
Mellanox ਅਤੇ ਨੈੱਟਵਰਕਿੰਗ, Arm ਵਰਗੀਆਂ ਅਸਫਲ ਪਰ ਸਿਖਣਯੋਗ ਕੋਸ਼ਿਸ਼ਾਂ, ਅਤੇ Omniverse, ਆਟੋਮੋਟਿਵ ਅਤੇ edge AI ਵਿੱਚ ਵਿਸਥਾਰ ਰਾਹੀਂ, Nvidia ਨੇ ਰੂੜੀਵਾਦੀ ਤੌਰ 'ਤੇ ਸਿਰਫ਼ ਇੱਕ "GPU ਵੇਂਡਰ" ਹੋਣ ਤੋਂ ਅੱਗੇ ਵਧਿਆ।
ਹੁਣ ਇਹ ਵੇਚਦੀ ਹੈ:
ਇਹ ਦਾਅ Nvidia ਨੂੰ ਬਦਲਣਾ ਔਖਾ ਬਣਾਉਂਦੇ ਹਨ: ਮੁਕਾਬਲੇ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਚਿਪ ਨੂੰ ਮੇਲ ਬੈਠਾਉਣਾ ਪਵੇਗਾ, ਪਰ ਇੱਕ ਨੱਕਦੇ ਤੌਰ 'ਤੇ compute, ਨੈੱਟਵਰਕਿੰਗ, ਸਾਫਟਵੇਅਰ ਅਤੇ ਡੋਮੇਨ-ਖਾਸ ਹੱਲਾਂ ਦਾ ਸਖ਼ਤ ਇਕਤਰ ਬਣਾਉਣਾ ਪਵੇਗਾ।
Nvidia ਦੀ ਉਭਰਾਈ ਨੇ ਮਜ਼ਬੂਤ ਮੁਕਾਬਲੇ, ਸਖ਼ਤ ਨਿਯਮਕ ਨਿਗਰਾਨੀ ਅਤੇ ਨਵੀਆਂ ਭੂ-ਰਾਜਨੀਤਿਕ ਖ਼ਤਰਨਾਂ ਨੂੰ ਜਨਮ ਦਿੱਤਾ ਹੈ ਜੋ ਹਰ ਇੱਕ ਰਣਨੀਤਕ ਫੈਸਲੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ।
AMD Nvidia ਦਾ ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਸਮਾਨਵਰਤੀ ਹੈ GPUs ਵਿੱਚ, ਕਈ ਵਾਰੀ ਗੇਮਿੰਗ ਅਤੇ ਡਾਟਾ ਸੈਂਟਰ ਐਕਸੇਲੇਰੇਟਰਾਂ 'ਤੇ ਸੀਧਾ ਮੁਕਾਬਲਾ ਕਰਦਾ। AMD ਦੀ MI ਸੀਰੀਜ਼ AI ਚਿਪਾਂ ਉਹੇ ਭਾਰਤੀ ਗਾਹਕਾਂ ਨੂੰ ਟਾਰਗੇਟ ਕਰਦੀਆਂ ਹਨ ਜੋ Nvidia ਦੇ H100 ਅਤੇ ਉਤਰੀਆਂ ਚਿੱਪਾਂ ਨੂੰ ਲੈਂਦੇ ਹਨ।
Intel ਕਈ ਕੋਣਾਂ ਤੋਂ ਹਮਲਾ ਕਰ ਰਿਹਾ ਹੈ: x86 CPUs ਜੋ ਅਜੇ ਵੀ ਸਰਵਰਾਂ 'ਤੇ ਰਾਜ ਕਰਦੇ ਹਨ, ਆਪਣੀਆਂ discrete GPUs, ਅਤੇ ਖੁਦਦਾ AI ਐਕਸੇਲੇਰੇਟਰ। ਨਾਲ ਹੀ hyperscalers ਜਿਵੇਂ Google (TPU), Amazon (Trainium/Inferentia) ਅਤੇ ਇਕ ਲਹਿਰ ਸਟਾਰਟਅਪ (Graphcore, Cerebras ਆਦਿ) ਆਪਣੇ AI ਚਿਪਾਂ ਡਿਜ਼ਾਈਨ ਕਰ ਰਹੇ ਹਨ।
Nvidia ਦੀ ਮੁੱਖ ਰਖਿਆ ਪ੍ਰਦਰਸ਼ਨ ਨੈਤ੍ਰਿਤਵ ਅਤੇ ਸਾਫਟਵੇਅਰ ਹੈ। CUDA, cuDNN, TensorRT ਅਤੇ SDKs ਦਾ ਡੂੰਘਾ ਸਟੈਕ ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਐਨਟਰਪ੍ਰਾਈਜ਼ਾਂ ਨੂੰ ਬੰਨ੍ਹਦਾ ਹੈ। ਸਿਰਫ਼ ਹਾਰਡਵੇਅਰ ਕਾਫੀ ਨਹੀਂ; ਮਾਡਲਾਂ ਅਤੇ ਟੂਲਿੰਗ ਨੂੰ Nvidia ਦੇ ਇਕੋਸਿਸਟਮ ਤੋਂ ਦੂਜੇ 'ਤੇ ਢੁਕਵਾਉਣ ਦੀ ਲਾਗਤ ਵਾਜਿਬ ਹੈ।
ਸਰਕਾਰਾਂ ਹੁਣ ਅਧੁਨਿਕ GPUs ਨੂੰ ਰਣਨੀਤਿਕ ਸਮੱਗਰੀ mante। U.S. export controls ਨੇ ਉੱਚ-ਅੰਤ AI ਚਿਪਾਂ ਨੂੰ ਚੀਨ ਅਤੇ ਹੋਰ ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰਾਂ ਵਿੱਚ ਭੇਜਣ ਉੱਤੇ ਸੀਮਾਵਾਂ ਲਾਈਆਂ ਹਨ, ਜਿਸ ਨੇ Nvidia ਨੂੰ "export‑compliant" ਘਟਿਤ-ਪ੍ਰਦਰਸ਼ਨ ਵਰਜਨਾਂ ਬਣਾਉਣ 'ਤੇ ਮਜਬੂਰ ਕੀਤਾ। ਇਹ ਨਿਯੰਤਰਣ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਲਈ ਹਨ, ਪਰ ਇਕ ਵੱਡੇ ਵਿਕਾਸ ਖੇਤਰ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਸੀਮਿਤ ਕਰਦੇ ਹਨ।
ਰੈਗੂਲੇਟਰ Nvidia ਦੀ ਮਾਰਕੀਟ ਤਾਕਤ 'ਤੇ ਵੀ ਨਜ਼ਰ ਰੱਖਦੇ ਹਨ। Arm ਖਰੀਦ ਰੋਕਣ ਨੇ ਇਹ ਵਿਖਾਇਆ ਕਿ Nvidia ਨੂੰ ਬੁਨਿਆਦੀ ਚਿਪ IP 'ਤੇ ਕੰਟਰੋਲ ਦੇਣ 'ਤੇ ਚਿੰਤਾ ਹੈ। ਜਿਵੇਂ Nvidia ਦੇ AI ਐਕਸੇਲੇਰੇਟਰਾਂ 'ਤੇ ਹਿੱਸਾ ਵਧਦਾ ਜਾ ਰਿਹਾ ਹੈ, ਰੈਗੂਲੇਟਰ US, EU ਅਤੇ ਹੋਰ ਥਾਂਵਾਂ ਤੇ exclusivity, bundling ਅਤੇ ਪਹੁੰਚ ਵਿੱਚ ਭੇਦਭਾਵ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਤਿਆਰ ਹਨ।
Nvidia ਇੱਕ fabless ਕੰਪਨੀ ਹੈ, ਅਤੇ TSMC 'ਤੇ ਅੱਗੇ ਦੀ ਪ੍ਰਗਟ ਨਿਰਮਾਣ 'ਤੇ ਬਹੁਤ ਨਿਰਭਰ ਹੈ। ਤਾਈਵਾਨ ਵਿੱਚ ਕੋਈ ਵੀ ਰੁਕਾਵਟ—ਕੁਦਰਤੀ ਆਫ਼ਤ, ਰਾਜਨੀਤਿਕ ਤਣਾਅ ਜਾਂ ਸੰਘਰਸ਼—Nvidia ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਰਾਹਤ ਨਹੀਂ ਦੇਵੇਗੀ ਕਿ ਉਹ ਉੱਚ-ਪਦਰ GPUs ਸਪਲਾਈ ਕਰ ਸਕੇ।
CoWoS, HBM ਇੰਟეგ੍ਰੇਸ਼ਨ ਵਰਗੀਆਂ ਆਧੁਨਿਕ ਪੈਕਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦੀ ਗਲੋਬਲ ਘਾਟ ਪਹਿਲਾਂ ਹੀ ਸਪਲਾਈ ਬੋਤਲਨੈਕ ਬਣਾਉਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ Nvidia ਕੋਲ ਮੰਗ ਵਧਣ 'ਤੇ ਲਚਕੀਲਾਪਨ ਘੱਟ ਹੁੰਦਾ ਹੈ। ਕੰਪਨੀ ਨੂੰ ਸਮਰੱਥਾ ਲਈ ਮਿਆਦਾਂ ਨੇਗੋਸ਼ੀਏਟ ਕਰਨੀਆਂ, U.S.–China ਤਕਨਾਲੋਜੀ ਤਣਾਅ ਨੂੰ ਨੈਵੇਂਗੇਟ ਕਰਨੀਆਂ ਅਤੇ ਨਿਰਯਾਤ ਨਿਯਮਾਂ ਤੋਂ ਬਚਾਅ ਕਰਨਾ ਪੈਦਾ ਹੈ।
ਇਨ੍ਹਾਂ ਦਬਾਵਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨਾ ਹੁਣ ਤਕਨੀਕੀ ਨੇਤ੍ਰਿਤਵ ਨਾਲੋ ਵੱਧ ਭੂ-ਰਾਜਨੀਤਿਕ ਅਤੇ ਨੀਤੀਕਾਰੀ ਕੰਮ ਬਣ ਚੁੱਕਾ ਹੈ।
Jensen Huang ਇੱਕ founder‑CEO ਹੈ ਜੋ ਅਜੇ ਵੀ ਹੱਥ-ਵੱਧ ਇੰਜੀਨੀਅਰ ਵਾਂਗ ਵਰਤਦਾ ਹੈ। ਉਹ ਉਤਪਾਦ ਰਣਨੀਤੀ ਵਿੱਚ ਗਹਿਰਾਈ ਨਾਲ ਸ਼ਾਮਿਲ ਰਹਿੰਦਾ ਹੈ, ਟੈਕਨੀਕੀ ਸਮੀਖਿਆਵਾਂ ਅਤੇ ਵ੍ਹਾਈਟਬੋਰਡ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਸਮਾਂ ਵਿਤਾਉਂਦਾ—ਕੇਵਲ ਅਰਨਿੰਗਜ਼ ਕਾਲਾਂ 'ਤੇ ਨਹੀਂ।
ਉਸਦੀ ਜਨਤਕ ਸ਼ਖਸੀਅਤ ਸ਼ੋਮੈਨਸ਼ਿਪ ਅਤੇ ਸਪੱਸ਼ਟਤਾ ਨੂੰ ਮਿਲਾ ਕੇ ਬਣੀ ਹੈ। ਲੈਦਰ ਜੈਕੇਟ ਪ੍ਰਜ਼ੈਂਟੇਸ਼ਨਾਂ ਜਾਣਬੂਝ ਕੇ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ: ਉਹ ਬੁਨਿਆਦੀ ਮੈਟਾਫੋਰਾਂ ਨਾਲ ਜਟਿਲ ਆਰਕੀਟੈਕਚਰਾਂ ਨੂੰ ਸਧਾਰਨ ਰੂਪ ਵਿੱਚ ਵੇਖਾਉਂਦਾ ਹੈ, Nvidia ਨੂੰ ਇੱਕ ਕੰਪਨੀ ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਫਿਜ਼ਿਕਸ ਅਤੇ ਕਾਰੋਬਾਰ ਦੋਹਾਂ ਨੂੰ ਸਮਝਦੀ ਹੈ। ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਉਹ ਸਿੱਧੇ ਫੀਡਬੈਕ, ਉੱਚ ਉਮੀਦਾਂ ਅਤੇ ਟੈਕਨੋਲੋਜੀ ਜਾਂ ਮਾਰਕੀਟ ਬਦਲਣ 'ਤੇ ਅਸਹਜ ਫੈਸਲੇ ਕਰਨ ਦੀ ਤਿਆਰੀ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।
Nvidia ਦਾ ਸੱਭਿਆਚਾਰ ਕੁਝ ਮੁੱਖ ਥੀਮਾਂ 'ਤੇ ਅਧਾਰਿਤ ਹੈ:
ਇਹ ਮਿਲਾਪ ਇਕ ਐਸਾ ਸੱਭਿਆਚਾਰ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਲੰਬੇ ਫੀਡਬੈਕ ਲੂਪ (ਚਿਪ ਡਿਜ਼ਾਈਨ) ਤੇਜ਼ ਲੂਪ (ਸਾਫਟਵੇਅਰ ਅਤੇ ਖੋਜ) ਨਾਲ ਮਿਲ ਕੇ ਕੰਮ ਕਰਦੇ ਹਨ, ਅਤੇ ਹਾਰਡਵੇਅਰ, ਸਾਫਟਵੇਅਰ ਅਤੇ ਰਿਸਰਚ ਟੀਮਾਂ ਨੂੰ ਨੇੜੇ-ਨੇੜੇ ਮਿਲ ਕੇ ਕੰਮ ਕਰਨ ਦੀ ਉਮੀਦ ਰਹਿੰਦੀ ਹੈ।
Nvidia ਕਈ ਸਾਲਾਂ ਵਾਲੇ ਪਲੇਟਫਾਰਮਾਂ—ਨਵੀਂ GPU ਆਰਕੀਟੈਕਚਰਾਂ, ਨੈੱਟਵਰਕਿੰਗ, CUDA, AI ਫਰੇਮਵਰਕ— ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਦੀ ਹੈ, ਪਰ ਇੱਕੋ-ਸਮੇਂ ਵਿੱਚ ਤਿਮਾਹੀ ਉਮੀਦਾਂ ਨੂੰ ਵੀ ਸੰਭਾਲਦੀ ਹੈ।
ਸੰਗਠਨਾਤਮਕ ਤੌਰ 'ਤੇ ਇਸਦਾ ਮਤਲਬ:
Huang ਆਮ ਤੌਰ 'ਤੇ earnings ਚਰਚਾਵਾਂ ਨੂੰ ਲੰਬੀ ਅਵਧੀ ਦੇ ਸੈਕੁਲਰ ਟ੍ਰੈਂਡਾਂ (AI, accelerated computing) ਦੇ ਆਲੇ-ਦੁਆਲੇ ਰਖਦਾ ਹੈ ਤਾਂ ਕਿ ਨਿਵੇਸ਼ਕ ਕੰਪਨੀ ਦੀ ਟਾਈਮਹੋਰਾਈਜ਼ਨ ਨਾਲ aligned ਰਹਿਣ—ਭਾਵੇਂ ਕਿ ਨਜ਼ਦੀਕੀ ਮੰਗ ਉੱਥਲ-ਪੁਠਲ ਹੋਵੇ।
Nvidia ਡੈਵਲਪਰਾਂ ਨੂੰ ਮੁੱਖ ਗਾਹਕ ਮੰਨਦੀ ਹੈ। CUDA, cuDNN, TensorRT ਅਤੇ ਦਰਜਨਾਂ ਡੋਮੇਨ SDKs ਨੂੰ ਹਮੇਸ਼ਾ ਇਨ੍ਹਾਂ ਚੀਜ਼ਾਂ ਦਾ ਸਮਰਥਨ ਹੇਠ ਮਿਲਦਾ ਹੈ:
OEMs, ਕਲਾਉਡ ਪ੍ਰੋਵਾਈਡਰ ਅਤੇ ਸਿਸਟਮ ਇੰਟੀਗ੍ਰੇਟਰਾਂ ਦੇ ਭਾਗੀਦਾਰ ਇਕੋਸਿਸਟਮ ਨੂੰ ਰੈਫਰੰਸ ਡਿਜ਼ਾਈਨਾਂ, ਸੰਯੁਕਤ ਮਾਰਕੀਟਿੰਗ ਅਤੇ ਰੋਡਮੇਪ ਤੱਕ ਪਹਿਲ ਪਹੁੰਚ ਦੇ ਕੇ ਸੁਪਾਰਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਨੇੜੀ ਇਕੋਸਿਸਟਮ Nvidia ਦੇ ਪਲੇਟਫਾਰਮ ਨੂੰ ਸਟੀਕੀ ਅਤੇ ਬਦਲਣਾ ਮੁਸ਼ਕਿਲ ਬਣਾਂਦੀ ਹੈ।
Jev Nvidia ਇੱਕ ਗ੍ਰਾਫਿਕਸ ਕਾਰਡ ਵੇਂਡਰ ਤੋਂ ਇੱਕ ਗਲੋਬਲ AI ਪਲੇਟਫਾਰਮ ਕੰਪਨੀ ਬਣਿਆ, ਉਸਦਾ ਸੱਭਿਆਚਾਰ ਵੀ ਬਦਲਿਆ:
ਇਸ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਬਾਵਜੂਦ, Nvidia ਨੇ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ ਕਿ founder‑led, engineering‑first ਸੋਚ ਨੂੰ ਬਣਾਇਆ ਰੱਖੇ, ਜਿੱਥੇ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਦਾਅਵਾਂ ਨੂੰ ਹੌਂਸਲਾ ਦਿੱਤਾ ਜਾਂਦਾ ਅਤੇ ਟੀਮਾਂ ਤੇਜ਼ੀ ਨਾਲ ਅਗਾਂਹ ਵਧਦੀਆਂ ਹਨ।
Nvidia ਦੀ ਵਿੱਤੀ ਯਾਤਰਾ ਤਕਨੀਕੀ ਇਤਿਹਾਸ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਨਾਟਕੀਆ ਹੈ: ਇੱਕ ਨਿੱਕੀ PC ਗ੍ਰਾਫਿਕਸ ਸਪਲਾਇਰ ਤੋਂ ਇੱਕ multi‑trillion‑ਡਾਲਰ ਕੰਪਨੀ ਤੱਕ ਜੋ AI ਬੂਮ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਖੜੀ ਹੈ।
1999 IPO ਤੋਂ ਬਾਅਦ, Nvidia ਸਾਲਾਂ ਤੱਕ ਇਕੱਲੇ-ਅੰਕੜੇ ਬਿਲੀਅਨ ਡਾਲਰ ਦੀ ਕਦਰ 'ਤੇ ਰਹੀ, ਜੋ ਕਿ ਮੁੱਖ ਰੂਪ ਤੇ PC ਅਤੇ ਗੇਮਿੰਗ ਮਾਰਕੀਟਾਂ ਨਾਲ ਜੁੜੀ ਸੀ। 2000s ਵਿੱਚ, ਆਮਦਨ ਧੀਰੇ-ਧੀਰੇ ਸੁਧਰੀ ਅਤੇ ਕੁਝ ਬਿਲੀਅਨ ਤੱਕ ਗਈ, ਪਰ ਕੰਪਨੀ ਅਜੇ ਵੀ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਚਿਪ ਵੇਂਡਰ ਵਜੋਂ ਵੇਖੀ ਜਾਂਦੀ ਸੀ।
ਉਹ ਮੁੜ-ਮੋੜ ਮਿਡ‑2010s ਵਿੱਚ ਆਇਆ ਜਦੋਂ ਡਾਟਾ ਸੈਂਟਰ ਅਤੇ AI ਆਮਦਨ ਜੋੜਨ ਲੱਗੇ। 2017 ਆਲੇ-ਦੁਆਲੇ Nvidia ਦੀ ਮਾਰਕੀਟ ਕੈਪ $100 ਬਿਲੀਅਨ ਪਾਰ ਹੋ ਗਈ; 2021 ਤੱਕ ਇਹ ਸਭ ਤੋਂ ਕੀਮਤੀ ਸੈਮੀਕੰਡਕਟਰ ਕੰਪਨੀਆਂ ਵਿੱਚ ਗਿਣੀ ਗਈ। 2023 ਵਿੱਚ ਇਹ ਥੋੜੇ ਸਮੇਂ ਲਈ trillion‑ਡਾਲਰ ਕਲੱਬ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਈ, ਅਤੇ 2024 ਵਿੱਚ ਬਹੁਤ ਵਾਰੀ ਇਸ ਦੀ ਟਰੇਡਿੰਗ ਉਸ ਪੱਧਰ ਤੋਂ ਉੱਪਰ ਹੋਈ, ਜੋ ਨਿਵੇਸ਼ਕਾਂ ਦੀ ਇਹ ਧਾਰਨਾ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ Nvidia AI ਦੀ ਆਵਸ਼ਕ ਇੰਫ੍ਰਾਸਟਰੱਕਚਰ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
ਆਪਣੇ ਇਤਿਹਾਸ ਦੇ ਵੱਡੇ ਹਿੱਸੇ ਲਈ, ਗੇਮਿੰਗ GPUs ਮੁੱਖ ਕਾਰੋਬਾਰ ਸੀ। ਉਪਭੋਗਤਾ ਗ੍ਰਾਫਿਕਸ ਅਤੇ ਪ੍ਰੋਫੈਸ਼ਨਲ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਹੁਤ ਆਮਦਨ ਅਤੇ ਲਾਭ ਦਿੰਦੇ ਸਨ।
ਪਰ ਜਿਵੇਂ AI ਅਤੇ ਏਕਸੇਲਰੇਟਿਡ ਕੰਪਿਊਟਿੰਗ ਫੈਲ ਰਹੇ, ਇਹ ਮਿਕਸ ਉਲਟ ਗਿਆ:
AI ਹਾਰਡਵੇਅਰ ਦੇ ਆਰਥਿਕ ਗੁਣ ਅਨੁਸਾਰ Nvidia ਦੀਆਂ ਮਾਰਜਿਨਾਂ ਹਨ: high‑end ਐਕਸੇਲੇਰੇਟਰ ਪਲੇਟਫਾਰਮ ਅਤੇ ਨੈੱਟਵਰਕਿੰਗ ਪ੍ਰੀਮੀਅਮ ਕੀਮਤਾਂ ਅਤੇ ਉੱਚ ਗਰੋਸ ਮਾਰਜਿੰਸ ਲਿਆਉਂਦੇ ਹਨ। ਜਿਵੇਂ ਡਾਟਾ ਸੈਂਟਰ ਦਾ ਰेवਨਿਊ ਵਧਿਆ, ਕੁੱਲ ਮਾਰਜਿਨ ਵੀ ਫੈਲ ਗਏ ਅਤੇ Nvidia ਇੱਕ ਵੱਡੀ ਨਗਦ-ਪੈਦਾ ਕਰਨ ਵਾਲੀ ਕੰਪਨੀ ਬਣ ਗਈ।
AI ਮੰਗ ਨੇ ਸਿਰਫ ਇਕ ਹੋਰ ਉਤਪਾਦ ਲਾਈਨ ਨਹੀਂ ਜੋੜੀ; ਇਸਨੇ Nvidia ਨੂੰ ਨਿਵੇਸ਼ਕਾਂ ਕੰਢੇ ਦੀ ਨਜ਼ਰ ਵਿੱਚ ਦੁਬਾਰਾ ਮੂਲਾਂਕਣ ਕਰਵਾਇਆ। ਕੰਪਨੀ ਇੱਕ ਚਕਰੀਅਲ ਸੈਮੀਕੰਡਕਟਰ ਨਾਮ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਕੀਤੀ ਜਾਣ ਦੀ ਥਾਂ, ਇੱਕ ਮਖ਼ਲੂਤ ਇੰਨਫ੍ਰਾਸਟਰੱਕਚਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਪਲੇਟਫਾਰਮ ਵਜੋਂ ਮਾਡਲ ਕੀਤੀ ਜਾਣ ਲੱਗੀ।
AI ਐਕਸੇਲੇਰੇਟਰ ਅਤੇ ਪਲੇਟਫਾਰਮ ਸਾਥ, ਅਤੇ ਸਾਫਟਵੇਅਰ ਨੇ ਗਰੋਸ ਮਾਰਜਿਨ ਨੂੰ 70%+ ਦੀਆਂ ਸੀਮਾਵਾਂ ਵੱਲ ਧਕੇਲ ਦਿੱਤਾ। ਫਿਕਸਡ ਖਰਚ ਜਿਹੜੇ ਰੇਵਨਿਊ ਨਾਲੋਂ ਹੌਲੀ ਵੱਧਦੇ ਹਨ, ਇਸ ਲਈ AI ਵਾਧੇ ਉੱਤੇ ਇੰਕ੍ਰੀਮੈਂਟਲ ਮਾਰਜਿਨਾਂ ਬਹੁਤ ਉੱਚੀਆਂ ਰਹੀਆਂ ਨੇ, ਜਿਸ ਨਾਲ EPS ਤੇ ਤੇਜ਼ੀ ਆਈ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਕ ਮੁੱਲਾਂਕਣ ਵਧੇ।
ਨਤੀਜੇ ਵਜੋਂ, Nvidia ਦੀ ਮੁੱਲ ਨਿਰਧਾਰਣ ਵਿੱਚ ਕਈ ਵਾਰ ਵੱਡੇ-ਵੱਡੇ ਰੇ‑ਰੇਟਿੰਗ ਸਾਈਕਲ ਦੇਖੇ ਗਏ: ਇੱਕ ਸਮਾਂ ਜਦੋਂ ਇਹ ਤਕਨੀਕੀ ਚਿਪਮੇਕਰ ਮੁੱਲਾਂਕਣ ਉੱਤੇ ਰਿਹਾ, ਹੁਣ ਇਸ ਨੂੰ ਪ੍ਰੀਮਿਅਮ ਮਲਟੀਪਲਾਂ ਨਾਲ ਦੇਖਿਆ ਜਾਂਦਾ—ਕਈ ਵਾਰ ਉਨ੍ਹਾਂ ਟਾਪ ਕਲਾਉਡ ਅਤੇ ਸਾਫਟਵੇਅਰ ਪਲੇਟਫਾਰਮਾਂ ਦੇ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਵਾਲੇ।
Nvidia ਦੇ ਸ਼ੇਅਰ ਕੀਮਤ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਰੈਲੀਆਂ ਅਤੇ ਤੀਖੇ ਡ੍ਰੌਡਾਊਨ ਦੋਹਾਂ ਹਨ।
ਕੰਪਨੀ ਨੇ per‑share ਕੀਮਤਾਂ ਸੂਨੇਹੇ ਬਣਾਈਆਂ—2000s ਵਿੱਚ ਕਈ 2‑for‑1 ਸਪਲਿਟ, 2021 ਵਿੱਚ 4‑for‑1 ਅਤੇ 2024 ਵਿੱਚ 10‑for‑1। ਲੰਬੇ ਸਮੇਂ ਦੇ ਨਿਵੇਸ਼ਕਾਂ ਨੇ ਇਹਨਾਂ ਘਟਨਾਵਾਂ ਤੋਂ ਬਾਅਦ ਅਲੌਕ ਮਹਾਨ ਰਿਟਰਨ ਦੇਖੇ।
ਉਤਾਰ-ਚੜ੍ਹਾਵ ਵੀ ਨੋਟੇਬਲ ਹਨ। ਸ਼ੇਅਰ ਨੇ ਡੂੰਘੇ ਘੱਟ ਬੇਹਤਰਦੀਆਂ ਵੇਖੀਆਂ ਜਦ:
ਹਰ ਵਾਰ ਚਿੰਤਾ ਨੇ ਸ਼ੇਅਰਾਂ ਨੂੰ ਕਠੋਰ ਝਟਕਾ ਦਿੱਤਾ, ਪਰ ਬਾਅਦ ਵਿੱਚ AI ਬੂਮ ਨੇ Nvidia ਨੂੰ ਨਵੇਂ ਉੱਚਾਈਆਂ 'ਤੇ ਪੁਨਰ-ਸਟਾਰਟ ਕੀਤਾ ਕਿਉਂਕਿ ਮੰਨਤਾ ਵਾਪਸ ਆ ਗਈ।
ਸਫਲਤਾ ਦੇ ਬਾਵਜੂਦ, Nvidia ਨੂੰ free‑of‑risk ਵਜੋਂ ਨਹੀਂ ਦੇਖਿਆ ਜਾਂਦਾ। ਨਿਵੇਸ਼ਕ ਕਈ ਮੁੱਖ ਮੁੱਦਿਆਂ 'ਤੇ ਚਰਚਾ ਕਰਦੇ ਹਨ:
ਇਸ ਦੇ ਨਾਲ-ਨਾਲ, ਲੰਬੇ ਸਮੇਂ ਦਾ ਬੁੱਲ ਕੇਸ ਇਹ ਹੈ ਕਿ accelerated computing ਅਤੇ AI ਦਹਾਕਿਆਂ ਤੱਕ ਡਾਟਾ ਸੈਂਟਰਾਂ, ਐਨਟਰਪ੍ਰਾਈਜ਼ਾਂ ਅਤੇ ਐੱਡਜ ਡਿਵਾਈਸਾਂ 'ਚ ਮਿਆਰੀ ਹੋ ਜਾਣਗੇ। ਇਸ ਦ੍ਰਿਸ਼ਟੀ ਵਿੱਚ Nvidia ਦਾ GPUs, ਨੈੱਟਵਰਕਿੰਗ, ਸਾਫਟਵੇਅਰ ਅਤੇ ਇਕੋਸਿਸਟਮ ਲਾਕ‑ਇਨ ਦਾ ਸੰਯੋਗ ਸਾਲਾਂ ਲਈ ਉੱਚੇ ਵਾਧੇ ਅਤੇ ਮਜ਼ਬੂਤ ਮਾਰਜਿਨ ਨੂੰ ਜਾਇਜ਼ ठਹਿਰਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਨਿੱਕੀ ਚਿਪ ਨਿਰਮਾਤਾ ਤੋਂ ਇੱਕ ਸਥਾਈ ਬਜ਼ਾਰ ਜਾਇੰਟ ਬਣ ਸਕਦੀ ਹੈ।
Nvidia ਦਾ ਅਗਲਾ ਚੈਪਟਰ GPUs ਨੂੰ ਸਾਫਟਵੇਅਰ ਅਤੇ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਇਸ ਤਰ੍ਹਾਂ ਜੋੜਨਾ ਹੈ ਕਿ ਉਹ ਜੇਨਰੇਟਿਵ AI, ਆਟੋਨੋਮਸ ਮਸ਼ੀਨਾਂ ਅਤੇ ਸਿਮੂਲੇਟ ਕੀਤੇ ਹੋਏ ਸੰਸਾਰਾਂ ਦਾ ਨਿਰੀਖ ਆਧਾਰ ਬਣ ਜਾਣ।
ਜੈਨਰੇਟਿਵ AI ਤੁਰੰਤ ਧਿਆਨ ਦਾ ਕੇਂਦਰ ਹੈ। Nvidia ਚਾਹੁੰਦੀ ਹੈ ਕਿ ਹਰ ਮੁੱਖ ਮਾਡਲ—ਪਾਠ, ਇਮੇਜ, ਵੀਡੀਓ, ਕੋਡ—ਉਸਦੇ ਪਲੇਟਫਾਰਮ 'ਤੇ ਟ੍ਰੇਨ, ਫਾਈਨ‑ਟਿਊਨ ਅਤੇ ਸਰਵ ਕੀਤਾ ਜਾਵੇ। ਇਹਦਾ ਮਤਲਬ ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਡਾਟਾ ਸੈਂਟਰ GPUs, ਤੇਜ਼ ਨੈੱਟਵਰਕਿੰਗ ਅਤੇ ਐਸਾ ਸਾਫਟਵੇਅਰ ਸਟੈਕ ਹੈ ਜੋ ਐਨਟਰਪ੍ਰਾਈਜ਼ਾਂ ਲਈ ਕਸਟਮ copilots ਅਤੇ ਡੋਮੇਨ-ਖਾਸ ਮਾਡਲ ਬਣਾਉਣਾ ਆਸਾਨ ਕਰੇ।
ਕਲਾਉਡ ਤੋਂ ਬਾਹਰ, Nvidia ਆਟੋਨੋਮਸ ਸਿਸਟਮਾਂ—ਸਵ-ਡ੍ਰਾਈਵਿੰਗ ਕਾਰਾਂ, ਡਿਲਿਵਰੀ ਰੋਬੋਟ, ਫੈਕਟਰੀ ਬਰਾਂਡ ਅਤੇ ਡ੍ਰੋਨ—'ਤੇ ਦਾਅ ਲਾ ਰਿਹਾ ਹੈ। ਹੇਠਾਂ ਹਮਾਰਾ ਉਦੇਸ਼ ਹੈ ਕਿ ਇੱਕੋ CUDA, AI ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਸਟੈਕ ਨੂੰ automotive (Drive), robotics (Isaac) ਅਤੇ embedded (Jetson) ਵਿੱਚ ਦੁਬਾਰਾ ਵਰਤਿਆ ਜਾਵੇ।
ਡਿਜੀਟਲ ਟਵਿਨਸ ਇਹਨਾਂ ਨੂੰ ਜੋੜਦੇ ਹਨ। Omniverse ਅਤੇ ਸੰਬੰਧਤ ਟੂਲਾਂ ਨਾਲ, Nvidia ਦੀ ਉਮੀਦ ਹੈ ਕਿ ਕੰਪਨੀਆਂ ਕਾਰਖਾਨਿਆਂ, ਸ਼ਹਿਰਾਂ, 5G ਨੈੱਟਵਰਕਾਂ—ਇਤਿਆਦੀ—ਦੀ ਸਿਮੂਲੇਸ਼ਨ ਪਹਿਲਾਂ ਕਰਕੇ ਸਹੀ ਤੌਰ 'ਤੇ ਨਿਰਮਾਣ ਜਾਂ ਮੁੜ-ਰਚਨਾ ਕਰਨ। ਇਹ ਹਾਰਡਵੇਅਰ 'ਤੇ ਲੰਬੇ ਸਮੇਂ ਵਾਲੀ ਸਾਫਟਵੇਅਰ ਅਤੇ ਸਰਵਿਸ ਆਮਦਨ ਬਣਾਉਂਦਾ ਹੈ।
ਆਟੋਮੋਟਿਵ, ਉਦਯੋਗਿਕ ਆਟੋਮੇਸ਼ਨ ਅਤੇ edge ਕੰਪਿਊਟਿੰਗ ਵੱਡੀਆਂ ਦਾਅਵਾਂ ਹਨ। ਕਾਰਾਂ ਹੁਣ rolling data centers ਬਣ ਰਹੀਆਂ ਹਨ, ਫੈਕਟਰੀਆਂ AI‑ਚਾਲਤ ਹੋ ਰਹੀਆਂ ਹਨ ਅਤੇ ਹਸਪਤਾਲ ਅਤੇ ਰਿਟੇਲ ਸਥਾਨ ਸੈਂਸਰ-ਧਨੀ ਹੋ ਰਹੇ ਹਨ। ਹਰ ਇੱਕ ਨੂੰ low‑latency inference, safety‑critical ਸਾਫਟਵੇਅਰ ਅਤੇ ਮਜ਼ਬੂਤ ਡੈਵਲਪਰ ਇਕੋਸਿਸਟਮ ਦੀ ਲੋੜ ਹੈ—ਇਹ ਉਹ ਖੇਤਰ ਹਨ ਜਿੱਥੇ Nvidia ਭਾਰੀ ਨਿਵੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ।
ਪਰ ਖ਼ਤਰੇ ਵੀ ਅਸਲੀ ਹਨ:
ਫਾਊਂਡਰਾਂ ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਲਈ, Nvidia ਦੀ ਕਹਾਣੀ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਪੂਰਾ ਸਟੈਕ—ਹਾਰਡਵੇਅਰ, ਸਿਸਟਮ ਸਾਫਟਵੇਅਰ ਅਤੇ ਡੈਵਲਪਰ ਟੂਲ—ਕਿਵੇਂ ਇੱਕ ਮਜ਼ਬੂਤ ਰੋਟ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਅਗਲੀ ਕੰਪਿਊਟਿੰਗ ਬੋਤਲਨੇਕ 'ਤੇ ਪਹਿਲਾਂ ਹੀ ਦਾਅ ਲਾਉਣ ਦੀ ਸ਼ਕਤੀ।
ਨੀਤੀ-ਨਿਰਦੇਸ਼ਕਾਂ ਲਈ, ਇਹ ਇੱਕ ਕੇਸ ਅਧਿਐਨ ਹੈ ਕਿ ਕਿਵੇਂ ਨਿਰਣਾਇਕ ਕਮਿਊਟਿੰਗ ਪਲੇਟਫਾਰਮ ਸਟ੍ਰੈਟਜਿਕ ਇਨਫ੍ਰਾਸਟਰੱਕਚਰ ਬਣ ਜਾਂਦੇ ਹਨ। ਨਿਰਯਾਤ ਨਿਯੰਤਰਣ, ਮੁਕਾਬਲਾ ਨੀਤੀਆਂ ਅਤੇ ਖੁੱਲ੍ਹੇ ਵਿਕਲਪਾਂ ਲਈ ਫੰਡਿੰਗ ਦੇ ਚੋਣ ਇਸ ਗੱਲ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਗੇ ਕਿ Nvidia AI ਲਈ ਡੋਮਗੇਟ ਬਣੀ ਰਹੇਗੀ ਜਾਂ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਖਿਡਾਰੀ ਹੁੰਦੀ ਇੱਕ ਵਧੀਕ ਵਿਭਿੰਨ ਇਕੋਸਿਸਟਮ ਵਿੱਚ।
Nvidia ਇੱਕ ਬਹੁਤ ਹੀ ਖਾਸ ਦਾਅ 'ਤੇ ਬਨੀ ਸੀ: ਕਿ 3D ਗ੍ਰਾਫਿਕਸ ਮਹਿੰਗੇ ਵਰਕਸਟੇਸ਼ਨਾਂ ਤੋਂ ਬਾਹਰ ਆ ਕੇ ਘਰੇਲੂ ਬਜ਼ਾਰ ਵਾਲੇ PCs ਵਿੱਚ ਆਏਗਾ, ਅਤੇ ਇਸ ਬਦਲਾਅ ਲਈ ਇੱਕ ਸਮਰਪਿਤ ਗ੍ਰਾਫਿਕਸ ਪ੍ਰੋਸੈਸਰ ਅਤੇ ਤੱਤੀਸਾਥ ਸਾਫਟਵੇਅਰ ਦੀ ਲੋੜ ਹੋਵੇਗੀ.
ਆਮ ਚਿਪ ਕੰਪਨੀਆਂ ਦੇ ਮੁਕਾਬਲੇ, Nvidia ਨੇ:
ਇਹ ਨਿਸ਼ਾਨਾ—ਰੇਅਲ-ਟਾਈਮ ਗ੍ਰਾਫਿਕਸ—ਉਹ ਤਕਨੀਕੀ ਅਤੇ ਸੱਭਿਆਚਾਰਕ ਬੁਨਿਆਦ ਪੈਦਾ ਕਰ ਗਿਆ ਜੋ ਬਾਅਦ ਵਿੱਚ GPU ਗਣਨਾ ਅਤੇ AI ਐਕਸੇਲਰੇਸ਼ਨ ਵਿੱਚ ਬਦਲ ਗਿਆ।
CUDA ਨੇ Nvidia ਦੇ GPUs ਨੂੰ ਇੱਕ fixed‑function ਗ੍ਰਾਫਿਕਸ ਹਾਰਡਵੇਅਰ ਤੋਂ ਇੱਕ general‑purpose ਪੈਰੈਲੇਲ ਕਮਪਿਊਟਿੰਗ ਪਲੇਟਫ਼ਾਰਮ ਬਣਾਇਆ।
ਮੁੱਖ ਤਰੀਕੇ ਜਿਸ ਨਾਲ ਇਸ ਨੇ AI ਵਿੱਚ Nvidia ਦੀ ਭੂਮਿਕਾ ਮਜ਼ਬੂਤ ਕੀਤੀ:
Mellanox ਨੇ ਉਹ ਨੈੱਟਵਰਕਿੰਗ ਫੈਬਰਿਕ Nvidia ਨੂੰ ਦਿੱਤੀ ਜੋ ਹਜ਼ਾਰਾਂ GPUs ਨੂੰ ਇੱਕ పెద్ద AI ਸੂਪਰਕੰਪਿਊਟਰ ਦੀ ਤਰ੍ਹਾਂ ਜੋੜਨ ਲਈ ਲੋੜੀਂਦੀ ਹੁੰਦੀ ਹੈ।
ਵੱਡੇ ਮਾਡਲਾਂ ਲਈ, ਪ੍ਰਦਰਸ਼ਨ ਸਿਰਫ ਤੇਜ਼ ਚਿਪਾਂ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਹੁੰਦਾ—ਉਹ ਇਸ 'ਤੇ ਵੀ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਅਤੇ ਗ੍ਰੈਡੀਅੰਟ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਸਾਂਝੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। Mellanox ਨੇ ਦਿੱਤਾ:
ਇਸ ਨਾਲ Nvidia ਇੰਟੀਗ੍ਰੇਟਡ ਪਲੇਟਫਾਰਮ (DGX, HGX, ਪੂਰੇ ਡਾਟਾ ਸੈਂਟਰ ਡਿਜ਼ਾਈਨ) ਵੇਚ ਸਕਦਾ ਹੈ ਜਿੱਥੇ GPUs, ਨੈੱਟਵਰਕ ਅਤੇ ਸਾਫਟਵੇਅਰ ਇਕੱਠੇ ਟਿਊਨ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਬਸ ਇਕਲੌਤਾ ਕਾਰਡ ਵੇਚਣ ਨਾਲੋਂ ਵੱਧ ਮੱਲਿੰਗ ਕਰਨ ਵਾਲੀ ਪੇਸ਼ਕਸ਼।
ਅੱਜ Nvidia ਕਿਵੇਂ ਪੈਸਾ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਵਕਤ ਦੇ ਨਾਲ ਇਹਦਾ ਰੇਵਨਿਊ ਮਿਕਸ ਕਿਵੇਂ ਬਦਲਿਆ:
ਉੱਚ ਸਤਰ 'ਤੇ:
ਉੱਚ-ਅੰਤੀ AI ਪਲੇਟਫਾਰਮ ਅਤੇ ਨੈੱਟਵਰਕਿੰਗ ਪ੍ਰੀਮੀਅਮ ਕੀਮਤਾਂ ਅਤੇ ਉੱਚ ਮਾਰਜਿੰਸ ਲਿਆਉਂਦੇ ਹਨ, ਜਿਸ ਕਰਕੇ ਡਾਟਾ ਸੈਂਟਰ ਦਾ ਵਾਧਾ Nvidia ਦੇ ਲਾਭਕਾਰੀ ਪ੍ਰੋਫਾਈਲ ਨੂੰ ਬਦਲਦਾ ਹੈ।
Nvidia ਨੂੰ ਦਵਿੱਤੀਆਂ ਤਰ੍ਹਾਂ ਦੇ ਖ਼ਤਰੇ ਹਨ—ਪਰੰਪਰਗਤ ਮੁਕਾਬਲੇ ਅਤੇ ਕਸਟਮ ਐਕਸੇਲੇਰੇਟਰਾਂ ਤੋਂ:
ਉੱਚ-ਅੰਤ GPUs ਹੁਣ 'ਸਟ੍ਰੈਟਜਿਕ ਟੈਕਨੋਲੋਜੀ' ਸਮਝੀ ਜਾਂਦੀ ਹੈ।
Nvidia 'ਤੇ ਪ੍ਰਭਾਵ:
ਇਸ ਲਈ Nvidia ਦੀ ਰਣਨੀਤੀ ਹੁਣ ਸਿਰਫ਼ ਇੰਜੀਨੀਅਰਿੰਗ ਤੇ ਨਹੀਂ, ਬਲਕਿ ਨੀਤੀ, ਵਪਾਰ-ਨੀਅਮ ਅਤੇ ਖੇਤਰਿਕ ਉਦਯੋਗਿਕ ਯੋਜਨਾਵਾਂ ਨੂੰ ਵੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਬਣਾਈ ਜਾਂਦੀ ਹੈ।
ਸਧਾਰਨ ਸ਼ਬਦਾਂ ਵਿੱਚ Nvidia ਦਾ AI ਸਾਫਟਵੇਅਰ ਸਟੈਕ ਇੱਕ ਪਰਤਾਂ ਵਾਲਾ ਸੈੱਟ ਹੈ ਜੋ ਜਿਆਦਾਤਰ ਡਿਵੈਲਪਰਾਂ ਲਈ GPU ਦੀ ਜਟਿਲਤਾ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ:
ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਅਤੇ ਰੋਬੋਟਿਕਸ Nvidia ਦੇ ਮੁੱਖ AI ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਪਲੇਟਫਾਰਮ ਦੇ ਫੈਲਾਅ ਹਨ:
रणਨੀਤੀਕ ਤੌਰ 'ਤੇ ਇਹ:
ਇਹ ਬਾਜ਼ਾਰ ਅੱਜ ਦੇ ਕਲਾਉਡ AI ਨਾਲੋਂ ਛੋਟੇ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਲੰਬੇ ਸਮੇਂ ਲਈ ਉੱਚ-ਮਾਰਜਿਨ ਰੈਵਨਿਊ ਅਤੇ Nvidia ਦੇ ਇਕੋਸਿਸਟਮ ਨੂੰ ਗਹਿਰਾਈ ਦਿੰਦے ਹਨ।
Nvidia ਦੀ ਯਾਤਰਾ ਤੋਂ ਸੰਨਾਟਾ ਕਰਨ ਯੋਗ ਸਬਕ:
ਜੇ AI ਹਾਰਡਵੇਅਰ वास्तੇ ਅਦਵਿੱਤੀਆ ਆਰਕੀਟੈਕਚਰ GPUs ਤੋਂ ਅੱਗੇ ਵਧਦੇ ਹਨ, ਤਾਂ Nvidia ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਆਪਣੇ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਅਨੁਕੂਲਿਤ ਹੋਣਾ ਪਵੇਗਾ।
ਸੰਭਾਵੀ ਬਦਲਾਵ:
Nvidia ਦੇ ਸੰਭਾਵੀ ਜਵਾਬ:
ਜਦੋਂ ਡੀਪ ਲਰਨਿੰਗ ਚਾਲੂ ਹੋਈ, ਤਾਂ CUDA ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੇ ਟੂਲ, ਦਸਤਾਵੇਜ਼ ਅਤੇ ਆਦਤਾਂ ਪਹਿਲਾਂ ਹੀ ਪਰਿਪੱਕਵ ਹੋ ਚੁੱਕੀਆਂ ਸਨ, ਜਿਸ ਨੇ Nvidia ਨੂੰ ਵੱਡਾ ਫਾਇਦਾ ਦਿੱਤਾ।
Nvidia ਦੀਆਂ ਮੁੱਖ ਰੱਖਿਆ ਰਣਨਤੀਆਂ ਹਨ ਪ੍ਰਦਰਸ਼ਨ ਨੇਤ੍ਰਿਤਵ, CUDA/ਸਾਫਟਵੇਅਰ ਲਾਕ‑ਇਨ ਅਤੇ ਇੰਟੀਗ੍ਰੇਟਡ ਸਿਸਟਮ। ਪਰ ਜੇ ਬਦਲਦੇ ਵਿਕਲਪ "ਕਾਫੀ ਵਧੀਆ" ਅਤੇ ਪ੍ਰੋਗ੍ਰਾਮ ਕਰਨ ਲਈ ਆਸਾਨ ਹੋ ਜਾਣ, ਤਾਂ ਉਸ ਦਾ ਹਿੱਸਾ ਅਤੇ ਕੀਮਤ ਦਬਾਅ ਅਧੀਨ ਹੋ ਸਕਦੇ ਹਨ।
ਅਧਿਕাংশ ਟੀਮਾਂ ਇਹਨਾਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ PyTorch ਜਾਂ TensorFlow ਵਰਗੇ ਫਰੇਮਵਰਕ ਰਾਹੀਂ ਕਾਲ ਕਰਦੀਆਂ ਹਨ, ਇਸ ਲਈ ਉਹ ਕਦੇ-ਕਦੇ ਨੀਵੀਆਂ ਪੱਧਰੀ GPU ਕੋਡ ਨਹੀਂ ਲਿਖਦੀਆਂ।
ਬਿਲਡਰਾਂ ਲਈ ਟਾਕਿੱਦ ਇਹ ਹੈ ਕਿ ਗਹਿਰੇ ਤਕਨੀਕੀ ਅੰਦਰੂਨੀ ਦਰਸ ਨੂਂ ਇਕੋਸਿਸਟਮ ਸੋਚ ਨਾਲ ਜੋੜੋ—ਸਿਰਫ਼ ਰਾaws ਪ੍ਰਦਰਸ਼ਨ 'ਤੇ ਨਹੀਂ।
ਇਤਿਹਾਸ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ Nvidia ਪਿਵਟ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦਾ ਹੈ, ਪਰ ਇਹ ਪਰਖ ਲਈ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਹੋਵੇਗੀ।