ประวัติ Nvidia: จากสตาร์ตอัปกราฟิกสู่โครงสร้างพื้นฐาน AI

เหตุใดประวัติของ Nvidia จึงสำคัญ

การเติบโตของ Nvidia อธิบายได้ว่า ชิปกราฟิกเฉพาะทางกลายมาเป็นรากฐานของการประมวลผล AI สมัยใหม่ได้อย่างไร บริษัทเริ่มจากกราฟิก 3D สำหรับผู้บริโภค รอดพ้นจากความผิดพลาดด้านสถาปัตยกรรมที่เกือบทำให้ล้มละลาย สร้างแพลตฟอร์มการประมวลผลที่เขียนโปรแกรมได้ก่อนจะมีตลาดใหญ่รองรับ และใช้เวลาหลายปีเปลี่ยนตัวเร่งแบบเดี่ยวให้เป็นระบบดาต้าเซ็นเตอร์ครบชุด

ผู้คนแต่ละกลุ่มยังคงรู้จักบริษัทคนละภาพ เกมเมอร์รู้จักการ์ด GeForce, ray tracing และการเรนเดอร์ที่มี AI ช่วย นักวิจัยรู้จักไลบรารี CUDA และตัวเร่งสำหรับงานวิทยาศาสตร์ ผู้ให้บริการคลาวด์ซื้อระบบหนาแน่นที่มี GPU, CPU, เครือข่าย สวิตช์ และซอฟต์แวร์จัดการ นักลงทุนเห็นบริษัทที่เปลี่ยนสัดส่วนรายได้จากเกมไปสู่โครงสร้างพื้นฐาน AI อย่างรวดเร็วผิดปกติ

ธุรกิจเหล่านี้เชื่อมกันด้วยแนวคิดเดียวที่เกิดขึ้นซ้ำ ๆ คือ CPU ไม่ควรทำการคำนวณทุกประเภท Nvidia ระบุงานที่มีงานแบบขนานจำนวนมาก ออกแบบหน่วยประมวลผลเฉพาะทาง และสร้างซอฟต์แวร์ล้อมรอบเพื่อให้ใช้งานได้จริง กราฟิกมอบตลาดมวลชนแห่งแรก งานวิทยาศาสตร์มอบผู้ใช้กลุ่มแรกที่ต้องการประสิทธิภาพสูง ส่วน deep learning คือภาระงานที่ทำให้ accelerated computing กลายเป็นเรื่องสำคัญของดาต้าเซ็นเตอร์

ผลลัพธ์นี้ไม่ได้ถูกกำหนดไว้ล่วงหน้า NV1 ใช้องค์ประกอบกราฟิกผิดแบบสำหรับมาตรฐานที่ชนะ CUDA ต้องใช้เงินลงทุนด้านซอฟต์แวร์หลายปีก่อนสร้างรายได้อย่างมีนัยสำคัญ Nvidia เข้าสู่ตลาดเซิร์ฟเวอร์ที่มีผู้ขาย CPU ซึ่งตั้งหลักอยู่แล้ว ซื้อบริษัทเครือข่ายด้วยเงิน 6.9 พันล้านดอลลาร์ และทุ่มกับระบบระดับแร็กที่ระบายความร้อนด้วยของเหลว ซึ่งสร้างยากกว่าการ์ดเสริมมาก

การตัดสินใจสามเรื่องอธิบายผลลัพธ์ส่วนใหญ่ได้

• Nvidia มองซอฟต์แวร์ ไลบรารี และการสนับสนุนนักพัฒนาเป็นผลิตภัณฑ์ ไม่ใช่อุปกรณ์เสริมของซิลิคอน
• ใช้ปริมาณยอดขายจากเกมเพื่อสนับสนุนสถาปัตยกรรมที่ต่อมารองรับงานวิจัยและดาต้าเซ็นเตอร์ได้
• ขยายไปรอบ GPU ทุกครั้งที่คอขวดอื่น เช่นการย้ายข้อมูลหรือเครือข่าย จำกัดประสิทธิภาพที่ใช้ประโยชน์ได้จริง

รูปแบบนี้สำคัญต่อวิศวกรและผู้สร้างธุรกิจ เพราะสเปกชิปดิบเล่าเรื่องได้เพียงส่วนหนึ่ง หน่วยประมวลผลจะเป็นแพลตฟอร์มที่ยืนยาวเมื่อผู้พัฒนาเขียนโปรแกรมให้มันได้ ระบบขยายขนาดได้ ลูกค้าดูแลเดินระบบได้ และซอฟต์แวร์เดิมรันบนรุ่นใหม่ได้โดยมีการสะดุดน้อย

การก่อตั้ง Nvidia และการรอดจากการหันผิดครั้งแรก

Nvidia ก่อตั้งเมื่อวันที่ 5 เมษายน 1993 โดย Jensen Huang, Chris Malachowsky และ Curtis Priem เพื่อนำกราฟิก 3D ประสิทธิภาพสูงมาสู่พีซีสำหรับผู้บริโภค Huang เคยทำงานออกแบบไมโครโปรเซสเซอร์ที่ AMD และงานรวมชิปที่ LSI Logic ส่วน Malachowsky และ Priem มีประสบการณ์ด้านกราฟิกและระบบจาก Sun Microsystems โดย Priem เคยทำงานที่ IBM ด้วย ทั้งสามใช้การพบกันที่ร้าน Denny's เพื่อวางแผนที่กลายมาเป็น Nvidia

โอกาสดูใหญ่แต่ยังไม่แน่นอน กราฟิก 3D ระดับมืออาชีพอยู่ในเวิร์กสเตชันราคาแพงที่ใช้กับงานออกแบบด้วยคอมพิวเตอร์ งานภาพจำลอง และการผลิตสื่อเป็นหลัก พีซีผู้บริโภคมีโปรเซสเซอร์เร็วขึ้น ไดรฟ์ CD-ROM จอแสดงผลที่ดีขึ้น และตลาดเกมที่กำลังโต แต่ฮาร์ดแวร์กราฟิกยังแตกกระจาย บริษัทเซมิคอนดักเตอร์หลายสิบแห่งไล่ตามช่องว่างเดียวกัน

ผลิตภัณฑ์แรกของ Nvidia คือ NV1 ออกสู่ตลาดในปี 1995 และขายในรูปการ์ด Diamond Edge 3D มันรวมกราฟิก 2D และ 3D เสียง และการรองรับคอนโทรลเลอร์ Sega ทางเลือกการออกแบบที่สำคัญที่สุดคือ quadratic texture mapping ซึ่งอิงพื้นผิวโค้ง แทนพอลิกอนรูปสามเหลี่ยมที่กลายเป็นมาตรฐานใน Microsoft Direct3D และอุตสาหกรรมส่วนใหญ่

NV1 รันซอฟต์แวร์ที่เขียนมาสำหรับสถาปัตยกรรมของมันได้ รวมถึง Virtua Fighter เวอร์ชันพีซีของ Sega แต่เมื่อนักพัฒนาเลือก API ที่ใช้สามเหลี่ยมมากขึ้น พวกเขาแทบไม่มีเหตุผลจะรองรับเป้าหมายขนาดเล็กที่เป็นกรรมสิทธิ์ ชิปที่ทะเยอทะยานทางเทคนิคจึงขาดซอฟต์แวร์ในจังหวะที่ความเข้ากันได้ของแพลตฟอร์มกลายเป็นตัวตัดสิน

งานร่วมกับ Sega ก่อให้เกิดโครงการกราฟิกอีกตัวที่เรียกกันทั่วไปว่า NV2 ในที่สุด Huang สรุปว่าการเดินหน้าสถาปัตยกรรมนี้ต่อจะเสียเวลาของทั้งสองบริษัท Sega ยุติโครงการคอนโซล แต่ให้การสนับสนุนทางการเงินที่ช่วยให้ Nvidia เปลี่ยนทิศทางทรัพยากรที่เหลืออยู่ เหตุการณ์นี้ทำให้สตาร์ตอัปแทบไม่มีพื้นที่สำหรับความล้มเหลวอีกครั้ง

ความพยายามทดแทนมุ่งที่มาตรฐาน กำหนดการ และคำนิยามผลิตภัณฑ์ที่แคบลง Nvidia ลดจำนวนพนักงาน ใช้การเรนเดอร์แบบสามเหลี่ยม และออกแบบ NV3 รอบ Direct3D ชิปนี้กลายเป็น RIVA 128 วางจำหน่ายในปี 1997 ส่งมอบได้มากกว่าหนึ่งล้านหน่วยในสี่เดือนแรก และทำให้ Nvidia มีทั้งรายได้และความน่าเชื่อถือกับผู้ผลิตพีซี

การกู้สถานการณ์ครั้งนั้นสร้างนิสัยการทำงานหลายอย่างที่อยู่ต่อมาหลังช่วงสตาร์ตอัป Nvidia จะละทิ้งดีไซน์ที่สวยงาม เมื่อการตลาดเลือกมาตรฐานการเขียนโปรแกรมอีกแบบแล้ว จะออกฮาร์ดแวร์และไดรเวอร์ตามจังหวะที่รวดเร็ว และทำงานโดยตรงกับนักพัฒนาซอฟต์แวร์ เพราะหน่วยประมวลผลกราฟิกที่ไม่มีเกมรองรับคือสินค้าคงคลัง ไม่ใช่แพลตฟอร์ม

บริษัททำให้โมเดล fabless เป็นทางการผ่านความสัมพันธ์ด้านการผลิตกับ TSMC ในปี 1998 แทนการเป็นเจ้าของโรงงานผลิตราคาแพง Nvidia ทุ่มค่าใช้จ่ายไปที่สถาปัตยกรรม ซอฟต์แวร์ และการออกแบบผลิตภัณฑ์ พร้อมพึ่งพาโรงงานภายนอก โครงสร้างนี้ช่วยให้เติบโตเร็ว แต่สร้างการพึ่งพาที่สำคัญขึ้นเมื่อกำลังการผลิตขั้นสูงกระจุกตัวในไต้หวัน

Nvidia เสนอขายหุ้นแก่ประชาชนครั้งแรกในเดือนมกราคม 1999 ที่ราคา 12 ดอลลาร์ต่อหุ้น IPO ไม่ได้ยุติแรงกดดันในการดำเนินงาน รุ่นกราฟิกเปลี่ยนเร็ว คุณภาพไดรเวอร์มีผลต่อทุกรีวิวผลิตภัณฑ์ และคู่แข่งอย่าง 3dfx, ATI, Matrox และ S3 ยังสามารถแย่งลูกค้าได้ด้วยการเปิดตัวที่แข็งแกร่งเพียงครั้งเดียว

RIVA, GeForce และการแข่งขันกราฟิกพีซี

RIVA และ GeForce สร้างชื่อให้ Nvidia ด้วยการรวมซิลิคอนที่แข่งขันได้เข้ากับการสนับสนุนไดรเวอร์สม่ำเสมอและความเข้ากันได้กว้าง RIVA 128 พิสูจน์ว่าบริษัทฟื้นตัวจาก NV1 ได้ ขณะที่ RIVA TNT และ TNT2 ปรับปรุงความลึกสี คุณภาพภาพ multitexturing และประสิทธิภาพใน API ที่นักพัฒนากำลังเลือกใช้

ตลาดพีซีปลายทศวรรษ 1990 ให้รางวัลกับส่วนผสมนี้ การ์ดที่เร็วอาจยังน่าผิดหวังหากไดรเวอร์ล่ม แสดงผลเกมผิด หรือช้ากว่า DirectX รุ่นใหม่ Nvidia มองไดรเวอร์เป็นความรับผิดชอบทางวิศวกรรมที่ต้องทำต่อเนื่อง และออกอัปเดตบ่อยเพื่อรองรับเกมใหม่และแก้ปัญหา แนวปฏิบัตินี้ช่วยให้บริษัทจัดการสแตกซอฟต์แวร์สำหรับการประมวลผลที่ใหญ่กว่ามากในเวลาต่อมา

ในปี 1999 Nvidia เปิดตัว GeForce 256 และทำตลาดว่าเป็น graphics processing unit หรือ GPU ตัวแรก ความสำคัญทางประวัติศาสตร์อยู่ที่การเปลี่ยนสถาปัตยกรรม ไม่ได้อยู่ที่ใครเป็นเจ้าของคำนี้ GeForce 256 รวมฮาร์ดแวร์ transform และ lighting ย้ายการคำนวณเรขาคณิตที่ CPU เคยทำไปยังหน่วยประมวลผลกราฟิก

การย้ายงานนี้เปิดพื้นที่ให้นักพัฒนาทำลอจิกเกม ฟิสิกส์ และฉากที่สมจริงขึ้น อีกทั้งขยายนิยามของการเร่งกราฟิก หน่วยประมวลผลไม่ใช่อุปกรณ์ตายตัวที่เพียงวางพิกเซลพร้อมพื้นผิวลงบนจอ แต่ละรุ่นรับส่วนต่าง ๆ ของไปป์ไลน์การเรนเดอร์มากขึ้น และเปิดการควบคุมให้ซอฟต์แวร์มากขึ้น

Nvidia เสริมตำแหน่งผ่านผู้ผลิตพีซีรายใหญ่และนักพัฒนาเกม การชนะการออกแบบกับ OEM ทำให้ชิปของบริษัทเข้าไปอยู่ในระบบตลาดหลัก ขณะที่ความสัมพันธ์กับนักพัฒนาช่วยให้สตูดิโอปรับเกมสำหรับฮาร์ดแวร์ GeForce บริษัทได้สัญญากราฟิกสำหรับ Xbox รุ่นดั้งเดิมของ Microsoft ด้วย จึงมีประสบการณ์ในการส่งมอบแพลตฟอร์มครบชุดที่มีข้อกำหนดด้านประสิทธิภาพ ต้นทุน และเวลาส่งมอบเข้มงวด

การแข่งขันยังรุนแรง Nvidia ตกลงซื้อสินทรัพย์หลักจาก 3dfx ในปี 2000 บริษัทที่การ์ด Voodoo นิยามเกม 3D ระดับผู้หลงใหลในยุคแรก ATI ยังเป็นคู่แข่งอิสระ ก่อนจะเป็นส่วนหนึ่งของ AMD ในภายหลัง Nvidia อาจนำในรุ่นหนึ่งและสะดุดในรุ่นต่อไปได้ ดังที่ตระกูล GeForce FX ได้รับเสียงตอบรับไม่ดีในบางช่วงของยุค DirectX 9

คำตอบคือการแก้สถาปัตยกรรมให้เร็วขึ้น GeForce 6 คืนความสามารถในการแข่งขัน ขณะที่รุ่นถัดมานำ unified shaders ความสามารถในการเขียนโปรแกรมที่ดีขึ้น และ floating-point throughput ที่เพิ่มขึ้น Nvidia แยกแบรนด์สำหรับผู้ซื้อแต่ละกลุ่ม ได้แก่ GeForce สำหรับผู้บริโภค Quadro สำหรับงานภาพระดับมืออาชีพ และต่อมาคือ Tesla สำหรับตัวเร่งการประมวลผล

กราฟิกยังคงส่งต่อแนวคิดทางเทคนิคสู่ AI programmable shaders สอน Nvidia ว่านักพัฒนาใช้การประมวลผลแบบขนานอย่างไร ความต้องการ texture และ frame buffer ผลักดันแบนด์วิดท์หน่วยความจำ เกมแบบหลาย GPU สะสมประสบการณ์เรื่องอินเตอร์คอนเน็กต์และการกระจายภาระงาน ความจำเป็นต้องรองรับเกมเก่าควบคู่กับฮาร์ดแวร์ใหม่ยังบังคับให้เกิดความเข้ากันได้ทางซอฟต์แวร์ ซึ่งสตาร์ตอัปฮาร์ดแวร์ล้วนมักประเมินต่ำไป

Nvidia ปรับโมเดลการเรนเดอร์อีกครั้งในปี 2018 ด้วยสถาปัตยกรรม Turing และ GeForce RTX RT Cores เฉพาะทางเร่งการคำนวณจุดตัดของรังสี ส่วน Tensor Cores รองรับวิธีโครงข่ายประสาท เช่น Deep Learning Super Sampling การเรนเดอร์จึงผสม rasterization แบบเดิม ray tracing และการสร้างภาพกลับด้วยโมเดลเรียนรู้มากขึ้น แทนการพึ่งเทคนิคเดียว

ตระกูล GeForce RTX 50 ที่ใช้ Blackwell ซึ่งเปิดตัวในปี 2025 สานต่อการบรรจบกันนี้ด้วย RT Cores รุ่นที่สี่ Tensor Cores รุ่นที่ห้า neural shaders และ DLSS 4 เกมจึงเป็นมากกว่าแหล่งเงินทุนดั้งเดิมของ Nvidia แต่ยังเป็นช่องทางนำกราฟิกที่มี AI ช่วยและการ inference โมเดลบนเครื่องไปใช้งานในวงกว้าง แม้ดาต้าเซ็นเตอร์จะกลายเป็นธุรกิจใหญ่กว่าแล้ว

Programmable shaders เปิดทางสู่การประมวลผลทั่วไป

Programmable shaders เปลี่ยนทิศทางเชิงกลยุทธ์ของ Nvidia เพราะแสดงให้เห็นว่าหน่วยประมวลผลกราฟิกรันโปรแกรมที่มีประโยชน์นอกไปป์ไลน์การเรนเดอร์แบบตายตัวได้ GPU ยุคแรกมีขั้นตอนเฉพาะสำหรับเรขาคณิต แสง การใช้ texture และการส่งพิกเซลออก มันเร็วเพราะฮาร์ดแวร์เฉพาะทาง แต่ผู้พัฒนาปรับได้เพียงชุดการตั้งค่าจำกัด

GeForce 3 ที่ออกในปี 2001 รองรับ programmable vertex shaders โปรแกรม pixel และ fragment มีความสามารถมากขึ้นในรุ่นต่อมา นักพัฒนาเกมใช้มันทำแสงเฉพาะ ผิวน้ำ ผิวหนัง เงา และเอฟเฟ็กต์หลังประมวลผล ขณะที่นักวิจัยเริ่มมองหน่วยประมวลผลเดียวกันเป็นเครื่องจักรขนานราคาย่อมเยา

การทดลองวิจัยเหล่านั้นยุ่งยาก นักวิทยาศาสตร์ที่ต้องการทำงานเมทริกซ์มักต้องแทนข้อมูลเป็น texture และแทนการคำนวณเป็นการวาดภาพ ผลลัพธ์อาจถูกเขียนลง frame buffer แล้วอ่านกลับผ่าน API กราฟิก ฮาร์ดแวร์ให้ throughput น่าประทับใจ แต่วิธีเขียนโปรแกรมต้องใช้ความรู้ด้านกราฟิกที่ไม่เกี่ยวกับปัญหาวิทยาศาสตร์

ถึงอย่างนั้น การทดลองเผยให้เห็นโครงสร้างเศรษฐศาสตร์ที่น่าสนใจ เกมสร้างปริมาณมากพอจะสนับสนุนชิปขนาดใหญ่ที่มีหน่วยคำนวณจำนวนมากและหน่วยความจำแบนด์วิดท์สูง นักวิจัยซื้อฮาร์ดแวร์นี้ได้ในราคาเพียงส่วนหนึ่งของหน่วยประมวลผลวิทยาศาสตร์เฉพาะทาง การลงทุนทรานซิสเตอร์ก้อนเดียวจึงตอบโจทย์ได้ทั้งความบันเทิงและการคำนวณเชิงเทคนิค หาก Nvidia มีชั้นการเขียนโปรแกรมที่เหมาะสม

Nvidia ขยับสู่สถาปัตยกรรม unified shader ซึ่งกลุ่มหน่วยประมวลผลที่เขียนโปรแกรมได้จัดการ shader หลายขั้นตอนได้ แทนการแยกฮาร์ดแวร์ให้แต่ละขั้น ตระกูล GeForce 8 และสถาปัตยกรรม G80 ทำให้โมเดลนี้สำคัญเชิงพาณิชย์ กลุ่มทรัพยากรเดียวช่วยเพิ่มการใช้ประโยชน์สำหรับกราฟิก และทำให้การประมวลผลทั่วไปมีเป้าหมายการทำงานที่สม่ำเสมอกว่า

GPU computing ยังมีข้อจำกัดที่กำหนดผลิตภัณฑ์ในเวลาต่อมา ฮาร์ดแวร์แบบขนานทำได้ดีเมื่อภาระงานมีการทำงานคล้ายกันจำนวนมาก และมีงานอิสระเพียงพอจะเติมช่องประมวลผลหลายพันช่อง โค้ดลำดับขั้นที่มีการแตกแขนงมากอาจทำงานบน CPU ดีกว่า การถ่ายข้อมูลอาจลบประโยชน์จากการเร่งได้ หากแอปย้ายข้อมูลจำนวนน้อยไปมาระหว่างหน่วยความจำของโปรเซสเซอร์ซ้ำ ๆ การคำนวณเร็วจะมีประโยชน์ก็ต่อเมื่อความจุหน่วยความจำ แบนด์วิดท์ และการสื่อสารป้อนข้อมูลให้หน่วยคำนวณได้ทัน

ข้อจำกัดเหล่านี้อธิบายการขยายตัวของ Nvidia ในภายหลัง CUDA แก้เรื่องการเขียนโปรแกรม high-bandwidth memory แก้การป้อนข้อมูลในเครื่อง NVLink แก้การย้ายข้อมูลระหว่างโปรเซสเซอร์ และเครือข่าย Mellanox แก้การสื่อสารข้ามเซิร์ฟเวอร์ ประวัติของบริษัทขยายออกจากชิป เพราะทุกคอขวดที่แก้ได้จะเผยคอขวดถัดไป

CUDA เปลี่ยนฮาร์ดแวร์ GPU ให้เป็นแพลตฟอร์มการประมวลผล

CUDA ทำให้นักพัฒนาเข้าถึงโมเดลตรงสำหรับการประมวลผลแบบขนาน และสร้างภาระผูกพันด้านซอฟต์แวร์ที่คู่แข่งตอบโต้ไม่ได้ด้วยชิปที่เร็วกว่าเพียงตัวเดียว Nvidia ประกาศสถาปัตยกรรมในปี 2006 และออกเครื่องมือพัฒนาชุดแรกในปี 2007 ให้นักพัฒนาเขียน kernel แบบภาษา C ได้โดยไม่ต้องแปลงปัญหาเป็นงานกราฟิก

โมเดลการเขียนโปรแกรมเปิดให้ใช้ threads, blocks, grids, shared memory และ device memory นักพัฒนายังต้องเข้าใจงานขนานและการย้ายข้อมูล แต่ไม่ต้องแกล้งทำว่าอาร์เรย์ตัวเลขคือรูปภาพอีกต่อไป ความแตกต่างนี้เปิดฮาร์ดแวร์ให้นักวิทยาศาสตร์ วิศวกร และนักพัฒนาเชิงปริมาณที่ไม่ได้สนใจการเรนเดอร์

จากนั้น Nvidia ลงทุนในส่วนที่มองเห็นไม่ชัดของการยอมรับแพลตฟอร์ม ได้แก่ compiler, debugger, profiler, เอกสาร ตัวอย่าง หลักสูตรมหาวิทยาลัย และความเข้ากันได้ข้าม GPU หลายรุ่น ไลบรารีสร้างความแตกต่างมากที่สุดให้ผู้ใช้ที่ไม่ต้องการเขียน kernel เอง cuBLAS มีพีชคณิตเชิงเส้นที่ปรับแต่งแล้ว cuFFT จัดการ fast Fourier transforms และไลบรารีหลังจากนั้นรองรับ sparse operations ตัวเลขสุ่ม ภาพ data analytics และโดเมนอื่น ๆ

การนำไปใช้ในระยะแรกมาจากภาระงานที่มีโครงสร้างแบบขนานชัดเจน

• Molecular dynamics และ computational chemistry
• การประมวลผลคลื่นไหวสะเทือนและภาพทางการแพทย์
• การกำหนดราคาสัญญาสิทธิและการจำลอง Monte Carlo
• พีชคณิตเชิงเส้นและตัวแก้ปัญหาทางวิทยาศาสตร์
• การประมวลผลสัญญาณและ computational fluid dynamics

คำกล่าวอ้างด้านประสิทธิภาพต้องดูอย่างระมัดระวัง GPU อาจลดเวลาของ kernel หนึ่งจากหลายชั่วโมงเหลือไม่กี่นาที ขณะที่ทั้งแอปยังติดขัดที่การประมวลผลอินพุต งานลำดับขั้น หรือการสื่อสาร ประโยชน์ที่ยืนยาวเกิดขึ้นเมื่อทีมปรับโครงสร้างภาระงานทั้งหมดรอบตัวเร่ง แทนการมองมันเป็นตัวแทนแบบเสียบแทนได้ของทุกคำสั่ง CPU

Nvidia สนับสนุนงานนี้ผ่านทุนวิจัย โครงการมหาวิทยาลัย งานนักพัฒนา และ GPU Technology Conference นักศึกษาเรียนรู้สภาพแวดล้อมการเขียนโปรแกรมเดียว นักวิจัยเผยแพร่โค้ดที่ใช้มัน และนายจ้างในเวลาต่อมาจ้างคนที่รู้เครื่องมืออยู่แล้ว ไลบรารีสะสมการปรับแต่งและการทดสอบเชิงตัวเลขหลายปี

สิ่งนี้สร้างต้นทุนการย้าย แต่การผูกมัดอย่างเดียวไม่ได้อธิบายการใช้อย่างต่อเนื่อง นักพัฒนาจะอยู่ต่อเมื่อค่าใช้จ่ายในการย้ายสูงกว่าประโยชน์ และแพลตฟอร์มเดิมยังพัฒนาต่อ Nvidia ใช้ backward compatibility การรองรับเฟรมเวิร์กกว้าง ไลบรารีที่ปรับแต่งแล้ว และคุณสมบัติฮาร์ดแวร์ใหม่ เพื่อรักษาสมการนี้ตลอดหลายรอบผลิตภัณฑ์

CUDA เปลี่ยน Nvidia จากภายในด้วย บริษัทชิปอาจประกาศว่าผลิตภัณฑ์เสร็จเมื่อเริ่มผลิต แต่แพลตฟอร์มการประมวลผลต้องมีงาน compiler ต่อเนื่อง การอัปเดตความปลอดภัย การดูแลไลบรารี เอกสาร และการรองรับเฟรมเวิร์กการเขียนโปรแกรมใหม่ รายได้จากบอร์ดรับรู้ครั้งเดียว ขณะที่ภาระซอฟต์แวร์ดำเนินต่อไปตลอดอายุการใช้งานของบอร์ด

ภาระผูกพันระยะยาวนี้ดูแพงก่อนที่ตลาด GPU computing จะเติบโต แต่เมื่อความต้องการ AI เร่งตัว มันกลายเป็นเกราะที่แข็งแรงที่สุดของ Nvidia เพราะผู้ขายตัวเร่งรายใหม่ต้องแข่งกับโค้ดที่ใช้งานได้จริงและประสบการณ์นักพัฒนาหลายปี ไม่ใช่แค่ผล benchmark

Tesla และการเข้าสู่ดาต้าเซ็นเตอร์

สายผลิตภัณฑ์ Tesla เปิดเส้นทางเฉพาะให้ Nvidia เข้าสู่เซิร์ฟเวอร์และซูเปอร์คอมพิวเตอร์ โดยแยกผลิตภัณฑ์คำนวณออกจากการ์ดกราฟิกที่สร้างมาเพื่อขับจอ Tesla เปิดตัวในปี 2007 โดยเน้นสมรรถนะเชิงตัวเลข ความจุหน่วยความจำ คุณสมบัติความน่าเชื่อถือ และการทำงานในระบบหนาแน่น

ผู้ซื้อดาต้าเซ็นเตอร์ประเมินข้อจำกัดต่างจากเกมเมอร์ พวกเขาสนใจ throughput ที่ต่อเนื่อง การจัดการข้อผิดพลาด การออกแบบความร้อน ระยะเวลาสนับสนุนซอฟต์แวร์ การบำรุงรักษา การสื่อสารในคลัสเตอร์ และประสิทธิภาพต่อหน่วยพลังงาน การคำนวณ double-precision สำคัญต่อการจำลองวิทยาศาสตร์จำนวนมาก แม้แทบไม่ช่วยเกม หน่วยความจำแก้ไขข้อผิดพลาดอาจจำเป็นเมื่อการคำนวณรันหลายวันบนอุปกรณ์หลายพันตัว

ห้องปฏิบัติการระดับชาติและมหาวิทยาลัยกลายเป็นลูกค้าอ้างอิงยุคแรก ซูเปอร์คอมพิวเตอร์ Titan ที่ Oak Ridge National Laboratory รวม CPU กับตัวเร่ง Nvidia K20X และเริ่มให้บริการนักวิจัยในปี 2012 ระบบอย่าง Titan แสดงว่า GPU acceleration ทำงานในวิทยาศาสตร์เชิงผลิตจริงที่ระดับซูเปอร์คอมพิวเตอร์ได้ ไม่ได้เป็นเพียงการสาธิตบนเวิร์กสเตชัน

การแสดงผลระดับมืออาชีพเป็นสะพานอีกทาง ผลิตภัณฑ์ Quadro วางฮาร์ดแวร์ Nvidia ไว้ในองค์กรวิศวกรรม การออกแบบ ภาพยนตร์ และวิทยาศาสตร์อยู่แล้ว ความสัมพันธ์เหล่านี้ช่วยให้บริษัทเข้าใจแอปที่ผ่านการรับรอง รอบการสนับสนุนที่ยาว และการจัดซื้อระดับสถาบัน ก่อนที่ AI จะทำให้คลัสเตอร์ตัวเร่งกลายเป็นค่าใช้จ่ายระดับคณะกรรมการ

การเข้าถึงผ่านคลาวด์ขยายตลาด Amazon Web Services เปิดตัว GPU instances ตามด้วย Microsoft Azure, Google Cloud และผู้ให้บริการรายอื่น นักวิจัยและสตาร์ตอัปเช่าตัวเร่งเป็นรายชั่วโมงได้ แทนการซื้อเซิร์ฟเวอร์ หาที่ตั้ง และดูแลไดรเวอร์เอง สิ่งนี้ลดต้นทุนการทดลอง และทำให้โครงการที่สำเร็จขอความจุเพิ่มได้โดยไม่ต้องสร้างโครงสร้างพื้นฐานในพื้นที่ใหม่

แผนงานฮาร์ดแวร์เคลื่อนผ่านสถาปัตยกรรมและตระกูลผลิตภัณฑ์หลายรุ่น Kepler ปรับประสิทธิภาพพลังงานและความสามารถด้านการคำนวณ Pascal จับคู่ P100 กับ high-bandwidth memory และ NVLink V100 ของ Volta นำ Tensor Cores มาสำหรับงานเมทริกซ์หนาแน่น A100 ของ Ampere ขยายการรองรับ mixed precision และคุณสมบัติการแบ่งพาร์ทิชัน H100 ของ Hopper มุ่งการฝึกและ inference ของ transformer ด้วย Transformer Engine และอินเตอร์คอนเน็กต์ที่เร็วขึ้น

แต่ละรุ่นเพิ่ม throughput ทางทฤษฎี แต่ประสิทธิภาพคลัสเตอร์ที่ใช้ได้ขึ้นอยู่กับทั้งระบบ ผู้ดูแลต้องมี host processor, storage, network adapter, switch, ระบบจ่ายไฟ ระบบระบายความร้อน firmware, scheduler, container และ monitoring ที่เข้ากัน ตัวเร่งเดี่ยวอาจนำ benchmark แต่คลัสเตอร์ที่สมดุลไม่ดีทำให้โปรเซสเซอร์ราคาแพงรอข้อมูล

ความจริงนี้ดึง Nvidia สู่ system engineering บริษัทเปิดตัว reference design และทำงานใกล้ชิดกับผู้ผลิตเซิร์ฟเวอร์ ก่อนเริ่มส่งมอบอุปกรณ์แบบบูรณาการ ลูกค้าดาต้าเซ็นเตอร์กำลังซื้อผลลัพธ์ด้านเวลาสู่คำตอบ และ Nvidia ควบคุมส่วนประกอบที่ตัดสินว่าการคำนวณตามโฆษณาจะทำได้ต่อเนื่องมากขึ้น

AlexNet ทำให้ deep learning เป็นทิศทางเชิงพาณิชย์

AlexNet แสดงว่าโครงข่ายประสาทที่ฝึกด้วย GPU สามารถทำได้ดีกว่าวิธี computer vision ที่เป็นมาตรฐานในสเกลที่มีความหมาย ในการแข่งขัน ImageNet ปี 2012 Alex Krizhevsky, Ilya Sutskever และ Geoffrey Hinton ฝึกเครือข่ายราวห้าถึงหกวันด้วย GeForce GTX 580 สองตัวที่มีหน่วยความจำตัวละ 3 GB อัตราความผิดพลาดต่ำกว่าระบบคู่แข่งมาก ทำให้ผู้คนหันมาสนใจทั้ง convolutional networks เชิงลึกและฮาร์ดแวร์ที่ใช้ฝึก

โครงข่ายประสาทเหมาะกับ GPU เพราะการฝึกทำ matrix multiplication, convolution, activation function และ reduction ซ้ำ ๆ บนอาร์เรย์ขนาดใหญ่ งานเหล่านี้มีความขนานเพียงพอจะใช้หน่วยประมวลผลจำนวนมาก GPU ยังมีแบนด์วิดท์หน่วยความจำช่วยป้อนการคำนวณ แม้ขนาดโมเดลและการสื่อสารจะสร้างขีดจำกัดใหม่ในไม่ช้า

การก้าวกระโดดนี้เป็นการสาธิต ไม่ใช่สแตกเชิงพาณิชย์ที่สมบูรณ์ นักวิจัยยังต้องการ primitive ที่เชื่อถือได้ การเชื่อมต่อกับเฟรมเวิร์ก การสื่อสารหลาย GPU และวิธีใช้เลขความแม่นยำต่ำ Nvidia ตอบด้วยการเปลี่ยนแปลงด้านซอฟต์แวร์และสถาปัตยกรรมที่มุ่งสู่โครงข่ายประสาท

ไลบรารี cuDNN ที่ออกครั้งแรกในปี 2014 มีการทำงาน deep learning ที่ปรับแต่งแล้ว ผู้ดูแลเฟรมเวิร์กเชื่อมไลบรารีครั้งเดียว ผู้ใช้จำนวนมากจึงได้ GPU acceleration โดยไม่ต้องเขียน kernel เอง Caffe, Theano, Torch, TensorFlow และ PyTorch แต่ละรายช่วยยกระดับ abstraction ให้ห่างจากคำสั่งอุปกรณ์รายตัวมากขึ้น

ความแม่นยำที่ลดลงเปลี่ยนเศรษฐศาสตร์ของการฝึก งานโครงข่ายประสาทจำนวนมากไม่ต้องใช้เลข floating point 64 บิต ฮาร์ดแวร์ที่ประมวลผลรูปแบบ 32 บิต 16 บิต 8 บิต และเล็กกว่านั้น เพิ่ม throughput และลดการใช้หน่วยความจำได้ หากซอฟต์แวร์จัดการความแม่นยำเชิงตัวเลขอย่างถูกต้อง Tensor Cores ของ Volta ที่เปิดตัวในปี 2017 เร่งงานเมทริกซ์ที่เหมาะกับรูปแบบนี้ สถาปัตยกรรมหลังจากนั้นเพิ่มรูปแบบตัวเลขและการควบคุมสำหรับ transformers และ inference

Nvidia รวมองค์ประกอบเหล่านี้ใน DGX-1 เมื่อปี 2016 ระบบขนาด 3U รวมตัวเร่ง Tesla P100 แปดตัว การเชื่อมต่อ NVLink storage เครือข่าย และสภาพแวดล้อมซอฟต์แวร์ที่เตรียมไว้ ห้องแล็บซื้อเครื่องที่รวมเสร็จแล้วได้ แทนการประกอบชิ้นส่วนที่เข้ากันและแก้การตั้งค่าซอฟต์แวร์เอง

โมเดลเปลี่ยนจากการขายโปรเซสเซอร์เป็นการขายคอมพิวเตอร์ AI HGX จัดหา baseboard และ reference platform ให้ผู้ผลิตระบบ DGX ขยายสู่ระบบใหญ่และการออกแบบ SuperPOD ผู้ให้บริการคลาวด์เสนออินสแตนซ์จากตัวเร่งรุ่นเดียวกัน ขณะที่องค์กรติดตั้งซอฟต์แวร์ที่เกี่ยวข้องบนเซิร์ฟเวอร์ของตนเองได้

โมเดล transformer เพิ่มคุณค่าของการขยายขนาด การฝึก language model ที่ใหญ่ขึ้นต้องใช้การคำนวณมากขึ้น หน่วยความจำตัวเร่งมากขึ้น และการสื่อสารแบบกลุ่มที่เร็วขึ้น การให้บริการโมเดลเหล่านี้มีตัวชี้วัดเศรษฐศาสตร์อีกอย่าง คือค่าใช้จ่ายและความหน่วงในการสร้างโทเค็นให้ผู้ใช้ Nvidia รับมือทั้งสองช่วงได้ เพราะสแตกซอฟต์แวร์มีไลบรารีฝึก เครื่องมือสื่อสาร การปรับ inference และองค์ประกอบให้บริการโมเดล

Generative AI จึงขยายงานที่เริ่มก่อน AlexNet หลายปี ผลลัพธ์ปี 2012 ระบุแอปพลิเคชันเติบโตสูงสำหรับโปรเซสเซอร์ขนาน ขณะที่การลงทุน CUDA ก่อนหน้านั้นทำให้ Nvidia เป็นแพลตฟอร์มที่ใช้ได้จริงเมื่อแอปพลิเคชันมาถึง

ระบบนิเวศซอฟต์แวร์กลายเป็นคูเมืองการแข่งขัน

ระบบนิเวศซอฟต์แวร์ของ Nvidia ลดงานที่ต้องทำเพื่อเปลี่ยนฮาร์ดแวร์ตัวเร่งให้เป็นแอปพลิเคชันที่ใช้งานได้ คุณค่าของมันมาจากหลายชั้นที่แก้ปัญหาคนละแบบ ไม่ใช่อินเทอร์เฟซกรรมสิทธิ์เพียงตัวเดียว

CUDA เป็นรากฐานและ runtime สำหรับการเขียนโปรแกรม ไลบรารี CUDA-X มีฟังก์ชันที่ปรับแต่งแล้วสำหรับคณิตศาสตร์ การประมวลผลข้อมูล การสื่อสาร ภาพ และ machine learning NCCL ประสานการทำงานแบบกลุ่มระหว่าง GPU ซึ่งจำเป็นเมื่อโมเดลกระจายบนอุปกรณ์จำนวนมาก TensorRT ปรับโมเดลที่ฝึกแล้วให้เหมาะกับ inference ขณะที่ Triton Inference Server จัดการการให้บริการโมเดลข้ามเฟรมเวิร์กและการตั้งค่าฮาร์ดแวร์ที่รองรับ

ชั้นสูงขึ้นรองรับเวิร์กโฟลว์ครบชุด RAPIDS เร่งการเตรียมข้อมูลและ analytics NeMo มีเครื่องมือสำหรับพัฒนาและปรับ generative models NIM รวมโมเดลที่เลือกและส่วนประกอบ inference เป็น microservices ที่นำไปใช้งานได้ Nvidia AI Enterprise เสนอซอฟต์แวร์ที่มีการสนับสนุน สำหรับองค์กรที่ต้องการกระบวนการออกเวอร์ชันและบำรุงรักษาที่ชัดเจน

ข้อได้เปรียบเชิงปฏิบัติสะสมเป็นชั้น ๆ เฟรมเวิร์กใช้ kernel ที่ปรับแต่งแล้วได้โดยไม่บังคับให้ผู้ใช้ทุกคนเป็นผู้เชี่ยวชาญ GPU ไลบรารีใช้คำสั่งจากสถาปัตยกรรมใหม่ได้ ขณะที่อินเทอร์เฟซแอปยังคุ้นเคย องค์กรตรวจสอบชุดไดรเวอร์ container ซอฟต์แวร์ orchestration และเซิร์ฟเวอร์ที่รองรับได้ แทนการทดสอบทุกส่วนประกอบด้วยตนเอง

ความเข้ากันได้ไม่เกิดขึ้นเอง precision ใหม่อาจกระทบความแม่นยำของโมเดล การเปลี่ยน compiler อาจเปิดเผยสมมติฐานในโค้ดเก่า เวอร์ชันของไดรเวอร์ firmware container และเฟรมเวิร์กต้องประสานกัน Nvidia ใช้เงินมากกับงานรวมระบบนี้ เพราะการทำงานที่คาดเดาได้ปกป้องคุณค่าของฮาร์ดแวร์

ระบบนิเวศขยายผ่านพันธมิตร ผู้ผลิตเซิร์ฟเวอร์สร้างระบบรอบการออกแบบ HGX และ MGX ผู้ให้บริการคลาวด์เดินระบบ GPU instances และ managed services ผู้ขายซอฟต์แวร์รับรองแอปพลิเคชัน ที่ปรึกษาและ system integrator ติดตั้งคลัสเตอร์ มหาวิทยาลัยฝึกนักพัฒนา และสตาร์ตอัปได้รับการสนับสนุนด้านเทคนิคผ่านโครงการ Nvidia

แพลตฟอร์มแนวตั้งใช้ส่วนประกอบพื้นฐานชุดเดิมซ้ำ พร้อมเพิ่มเครื่องมือเฉพาะโดเมน

• DRIVE รวมการประมวลผลยานยนต์ การจำลอง ซอฟต์แวร์รับรู้ และเครื่องมือพัฒนา
• Isaac รองรับการพัฒนาหุ่นยนต์ ข้อมูลสังเคราะห์ การรับรู้ และการควบคุม
• Clara รวมเวิร์กโฟลว์สุขภาพและวิทยาศาสตร์ชีวภาพ เช่นภาพทางการแพทย์และจีโนมิกส์
• Omniverse เชื่อมการจำลองและเวิร์กโฟลว์ 3D แบบร่วมมือรอบ OpenUSD
• Jetson รวมฮาร์ดแวร์ตัวเร่งและซอฟต์แวร์สำหรับหุ่นยนต์ กล้อง และระบบเอดจ์อื่น ๆ

ข้อเสนอเหล่านี้ไม่ได้รับประกันการยอมรับในทุกอุตสาหกรรม โครงการยานยนต์มีรอบการตรวจสอบยาว การนำไปใช้ด้านสุขภาพเผชิญข้อจำกัดทางคลินิกและกฎระเบียบ การจำลองอุตสาหกรรมต้องมีโมเดลแม่นยำและเชื่อมกับข้อมูลปฏิบัติการเดิม Nvidia จัดหาฐานการประมวลผลร่วม แต่ลูกค้าและพันธมิตรยังต้องทำงานเฉพาะโดเมนอย่างมาก

คูเมืองนี้อาจอ่อนลงได้ เฟรมเวิร์กเปิดช่วยแยกแอปออกจากโค้ดเฉพาะผู้ขายมากขึ้น โครงการ compiler เล็งไปยังตัวเร่งหลายประเภทได้ สภาพแวดล้อม ROCm ของ AMD เติบโต และบริษัทคลาวด์ควบคุมบริการซอฟต์แวร์รอบชิปสั่งทำของตนเอง ผู้ซื้อรายใหญ่อาจยอมรับต้นทุนการย้ายเพื่อเพิ่มความหลากหลายของอุปทานหรือลดค่าใช้จ่ายดำเนินงาน

ดังนั้นการป้องกันของ Nvidia คือการมีประโยชน์ต่อเนื่อง ไม่ใช่การทำให้เข้ากันไม่ได้เพื่อตัวมันเอง บริษัทต้องทำให้ไลบรารีเร็ว รองรับเฟรมเวิร์กที่นิยม ทำให้ฮาร์ดแวร์ใหม่สร้างผลงานได้เร็ว และมอบคุณค่าด้านการเดินระบบมากพอที่ผู้ซื้อจะเลือกแพลตฟอร์มบูรณาการ แม้มีราคาและความเสี่ยงจากการกระจุกตัว

เดิมพันเชิงกลยุทธ์ขยาย Nvidia ไปไกลกว่า GPU

Nvidia ขยายเกินหน่วยประมวลผลกราฟิกทุกครั้งที่เทคโนโลยีข้างเคียงจำกัดประสิทธิภาพระบบ หรือเปิดตลาดการประมวลผลใหม่ เดิมพันบางอย่างกลายเป็นธุรกิจหลัก ขณะที่บางอย่างใช้เวลาหลายปีโดยไม่ให้ผลตามคาด

Tegra เป็นความพยายามช่วงแรกในการนำโปรเซสเซอร์ Nvidia ไปอยู่ในโทรศัพท์ แท็บเล็ต รถยนต์ และอุปกรณ์ฝังตัว ตลาดโทรศัพท์มือถือให้ความสำคัญกับผู้ขาย system-on-chip แบบบูรณาการที่มีสถานะด้านโมเด็มแข็งแรง ซึ่ง Nvidia ไม่มีข้อได้เปรียบยืนยาว Tegra พบบทบาทที่เหมาะกว่าในระบบยานยนต์ ตระกูล Shield บอร์ดพัฒนาแบบฝังตัว และคอนโซล Switch ของ Nintendo

บทเรียนคือประสิทธิภาพโปรเซสเซอร์อย่างเดียวเอาชนะเศรษฐศาสตร์ของแพลตฟอร์มไม่ได้ พลังงาน การรวมวิทยุ ความเข้ากันได้ของแอป ข้อตกลงด้านอุปทาน และแผนงานลูกค้าอาจสำคัญกว่าความสามารถกราฟิก Nvidia ลดความทะเยอทะยานด้านมือถือ แล้วใช้เทคโนโลยีกับตลาดที่การประมวลผลขนานและกราฟิกมีน้ำหนักมากกว่า

บริษัทยังสร้างหรือซื้อเทคโนโลยีรอบอินเตอร์คอนเน็กต์ NVLink ที่ประกาศในปี 2014 และใช้กับระบบ Pascal ให้การสื่อสารโดยตรงระหว่าง GPU ที่เร็วกว่า และรองรับการเชื่อม CPU-GPU ที่ใกล้ชิดในดีไซน์บางแบบ NVSwitch ทำให้ตัวเร่งจำนวนมากสื่อสารผ่าน switching fabric แบนด์วิดท์สูงภายในเซิร์ฟเวอร์หรือแร็กได้

การซื้อ Mellanox มูลค่า 6.9 พันล้านดอลลาร์ของ Nvidia ซึ่งประกาศในปี 2019 และเสร็จสิ้นในปี 2020 ขยายการควบคุมนี้ออกไปทั่วเครือข่ายดาต้าเซ็นเตอร์ Mellanox นำ InfiniBand, Ethernet ความเร็วสูง, network adapter, switch และประสบการณ์ลึกด้าน remote direct memory access มาให้ สินทรัพย์เหล่านี้มีค่ามากขึ้นเมื่อคลัสเตอร์ AI โตจากตัวเร่งไม่กี่ตัวเป็นหลายพันตัว

การฝึกแบบกระจายอาจหยุดชะงักเมื่อโปรเซสเซอร์รอ gradients, parameters หรือ activations เครือข่ายหน่วงต่ำและ collective operations ที่มีประสิทธิภาพช่วยเพิ่มสัดส่วนเวลาที่ GPU ใช้คำนวณ Mellanox จึงแก้เศรษฐศาสตร์ของตัวเร่งทุกตัวในคลัสเตอร์ ไม่ใช่คุณสมบัติอุปกรณ์ต่อพ่วง

BlueField data processing units ย้ายงานเครือข่าย storage ความปลอดภัย และโครงสร้างพื้นฐานออกจาก host CPU Spectrum-X นำผลิตภัณฑ์ Ethernet และซอฟต์แวร์มาใช้กับทราฟฟิกคลัสเตอร์ AI ขณะที่ระบบ Quantum เดินสาย InfiniBand ต่อ Nvidia จึงออกแบบ compute fabric ได้ตั้งแต่ลิงก์ตัวเร่งภายในแร็ก จนถึงการเชื่อมต่อเครือข่ายข้ามหลายแร็ก

ความพยายามซื้อ Arm เป็นอีกเส้นทาง Nvidia ประกาศข้อเสนอ 4 หมื่นล้านดอลลาร์ในปี 2020 โดยตั้งใจรวมงาน accelerated computing กับชุดคำสั่ง CPU และทรัพย์สินทางปัญญาที่ Arm ให้สิทธิ์ใช้อย่างแพร่หลาย ลูกค้าและหน่วยงานกำกับกังวลว่าการเป็นเจ้าของโดยผู้ขายชิปอาจกระทบสถานะผู้ให้สิทธิ์ใช้งานที่เป็นกลางของ Arm Nvidia ยุติธุรกรรมในปี 2022 หลังเผชิญการคัดค้านด้านกฎระเบียบ

ดีลที่ล้มเหลวไม่ได้ยุติแผน CPU ของ Nvidia Grace ซึ่งเป็น CPU ดาต้าเซ็นเตอร์บน Arm ที่ Nvidia ออกแบบ เข้าไปอยู่ในระบบที่จับคู่กับ GPU Hopper และ Blackwell การสร้าง CPU ทำให้บริษัทปรับหน่วยความจำ coherence การใช้พลังงาน และการสื่อสารระหว่างชิปสำหรับภาระงานที่พึ่งตัวเร่งมากได้ โดยไม่ต้องเป็นเจ้าของระบบนิเวศ Arm

Nvidia ยังซื้อบริษัทด้านซอฟต์แวร์ storage การจัดการคลัสเตอร์ และการพัฒนา AI ธุรกรรมที่สำคัญเชิงกลยุทธ์ที่สุดมีเป้าหมายร่วมกัน คือ ลดแรงเสียดทานหรือเวลาว่างรอบการประมวลผลราคาแพง เกณฑ์นี้แยกการขยายแพลตฟอร์มที่สอดคล้องกันออกจากการกระจายธุรกิจเพื่อตัวมันเอง

Blackwell และ Rubin ทำให้แร็กกลายเป็นผลิตภัณฑ์

Blackwell และ Rubin บ่งบอกการย้ายของ Nvidia จากการขายตัวเร่งในเซิร์ฟเวอร์ ไปสู่การออกแบบแร็กดาต้าเซ็นเตอร์เป็นหน่วยการประมวลผลเดียว การเปลี่ยนนี้สะท้อนขนาดโมเดลและภาระงาน inference ที่เกินขีดจำกัดหน่วยความจำ การสื่อสาร และพลังงานของชิปเดี่ยว

Nvidia ประกาศแพลตฟอร์ม Blackwell ในปี 2024 GPU Blackwell รวมไดขนาดใหญ่สองตัวด้วยการเชื่อมต่อระหว่างชิปแบนด์วิดท์สูง ให้ทำงานเป็นอุปกรณ์เชิงตรรกะเดียว GB200 Grace Blackwell Superchip จับคู่ GPU Blackwell สองตัวกับ CPU Grace ผ่าน NVLink-C2C

GB200 NVL72 ขยายดีไซน์เป็นแร็กระบายความร้อนด้วยของเหลวที่มี GPU Blackwell 72 ตัวและ CPU Grace 36 ตัว เชื่อมผ่าน NVLink รุ่นที่ห้า BlueField data processing units และเครือข่าย InfiniBand หรือ Spectrum-X Ethernet ภายนอก เชื่อมแร็กกับ storage และระบบอื่น ขอบเขตผลิตภัณฑ์จึงรวมความเย็น สายเคเบิล switching firmware และ orchestration พร้อมโปรเซสเซอร์

Blackwell Ultra รวมถึงระบบ GB300 เพิ่มหน่วยความจำ และมุ่งภาระงาน reasoning กับ inference ที่เก็บบริบทยาวหรือย้ายสถานะโมเดลปริมาณมาก ผลประกอบการปีงบประมาณ 2026 ของ Nvidia แสดงผลกระทบเชิงพาณิชย์ การเติบโตมาจากทั้งการประมวลผล Blackwell และผลิตภัณฑ์ NVLink, Ethernet และ InfiniBand ที่จำเป็นต่อการเดินระบบในสเกลใหญ่

แพลตฟอร์ม Rubin เข้าสู่การผลิตในปี 2026 โดยระบบของพันธมิตรมีกำหนดนำไปติดตั้งในครึ่งหลังของปี แพลตฟอร์มนี้รวม CPU Vera, GPU Rubin, สวิตช์ NVLink 6, network adapter ConnectX-9, data processor BlueField-4 และสวิตช์ Spectrum-6 Ethernet Nvidia ออกแบบชิ้นส่วนเหล่านี้ร่วมกันสำหรับ mixture-of-experts models ขนาดใหญ่ inference ที่มีบริบทยาว และ AI agents ที่ทำ reasoning และเรียกใช้เครื่องมือซ้ำ ๆ

จังหวะแพลตฟอร์มรายปีนี้เปลี่ยนโจทย์ของผู้ซื้อ ผู้ให้บริการคลาวด์ไม่ได้เปรียบเทียบ peak throughput ของ GPU แยกชิ้นอีกต่อไป แต่ต้องเปรียบเทียบโทเค็นต่อหน่วยพลังงาน ความหน่วงของแอป ความจุหน่วยความจำที่ใช้ได้จริง การใช้ประโยชน์เครือข่าย ความพร้อมของซอฟต์แวร์ ความต้องการการระบายความร้อน เวลาติดตั้ง และรายได้ที่แร็กหนึ่งสร้างได้

การบูรณาการระดับแร็กสร้างทั้งข้อได้เปรียบและภาระ Nvidia ปรับเส้นทางการสื่อสารทั้งหมดและขายเนื้อหาในแต่ละการติดตั้งได้มากขึ้น ลูกค้าได้ดีไซน์ที่ผ่านการตรวจสอบและมีทางเลือกการรวมระบบน้อยลง แต่บริษัทต้องประสานห่วงโซ่อุปทานที่ใหญ่กว่า จัดการความล้มเหลวระดับระบบ รองรับ liquid cooling และส่งมอบซอฟต์แวร์ที่พร้อมพอให้ผู้ซื้อใช้สถาปัตยกรรมใหม่ได้เร็ว

แนวทางนี้เปลี่ยน gross margin ด้วย การขายระบบครบชุดมีชิ้นส่วนกายภาพมาร์จินต่ำกว่าเพิ่มขึ้น เมื่อเทียบกับการขายตัวเร่งเดี่ยว แม้กำไรรวมต่อการติดตั้งจะสูง ข้อบกพร่องการผลิต การเปลี่ยนดีไซน์นาทีสุดท้าย หรือการขาดแคลนหน่วยความจำและกำลังแพ็กเกจ อาจกระทบ bill of materials ที่ใหญ่กว่ามาก

พลังงานกลายเป็นข้อจำกัดที่แข็ง ดาต้าเซ็นเตอร์อาจได้ชิปเร็วกว่าจะได้กำลังจากสาธารณูปโภค สถานีไฟฟ้าย่อย เครื่องกำเนิด อุปกรณ์ระบายความร้อน หรือใบอนุญาตก่อสร้าง ผลลัพธ์ในอนาคตของ Nvidia จึงขึ้นกับงานที่มีประโยชน์ต่อวัตต์และต่อแร็ก ไม่ใช่จำนวนปฏิบัติการเลขคณิตที่พิมพ์ในสเปกเท่านั้น

การแข่งขันทดสอบทุกชั้นของแพลตฟอร์ม

Nvidia เผชิญการแข่งขันจากตัวเร่งแบบขายทั่วไป ชิปที่คลาวด์ออกแบบเอง สแตกซอฟต์แวร์ทางเลือก และลูกค้าที่ต้องการอำนาจต่อรอง ภัยคุกคามแตกต่างกันตามภาระงาน จึงไม่มี benchmark เดียวตัดสินการแข่งขันได้

AMD เป็นคู่แข่งโดยตรงที่ใกล้ที่สุดทั้งกราฟิกเกมและ GPU ดาต้าเซ็นเตอร์ ตัวเร่ง Instinct และซอฟต์แวร์ ROCm มุ่งงานฝึก inference และ high-performance computing รุ่น MI300 ได้รับการนำไปใช้จริงอย่างมีนัยสำคัญ ตามด้วยผลิตภัณฑ์ MI350 และตระกูล MI400 พร้อมดีไซน์แร็ก Helios ในปี 2026 AMD แข่งด้วยความจุหน่วยความจำ มาตรฐานเปิด การรวมโปรเซสเซอร์ และความต้องการผู้ขายรายที่สองของลูกค้า

Intel ยังมีฐาน CPU เซิร์ฟเวอร์ขนาดใหญ่ และพยายามทำ discrete GPU กับตัวเร่ง Gaudi กลยุทธ์ตัวเร่งของบริษัทเปลี่ยนหลายครั้ง ซึ่งแสดงให้เห็นว่าการรักษาจังหวะซิลิคอน การยอมรับซอฟต์แวร์ และความพร้อมของระบบไปพร้อมกันเป็นเรื่องยาก ทางเลือกที่น่าเชื่อถือต้องมีการรองรับเฟรมเวิร์กและการทำงานระดับคลัสเตอร์ ไม่ใช่ชิปที่น่าประทับใจเมื่ออยู่ลำพัง

ผู้ให้บริการคลาวด์โจมตีอีกส่วนของตำแหน่ง Nvidia tensor processing units ของ Google ขับเคลื่อนบริการภายในและมีให้ใช้ผ่าน Google Cloud โดย Ironwood มุ่งการฝึก reasoning และ inference ขนาดใหญ่ AWS มี Trainium สำหรับพัฒนาโมเดล และ Inferentia สำหรับให้บริการ รวมถึงระบบ Trainium3 บริษัทเทคโนโลยีรายใหญ่อื่นออกแบบตัวเร่งหรือซิลิคอนเครือข่ายสำหรับภาระงานของตนเอง

ชิปสั่งทำชนะได้เมื่อผู้ซื้อควบคุมโมเดล compiler ดาต้าเซ็นเตอร์ และการใช้งาน ผู้ซื้อสามารถตัดคุณสมบัติที่ไม่จำเป็นและปรับให้เหมาะกับซอฟต์แวร์ที่คาดเดาได้ Merchant GPU ยังได้เปรียบเมื่อลูกค้าต้องการความเข้ากันได้ของเฟรมเวิร์กที่กว้าง โมเดลหลายชนิด การนำไปใช้เร็ว และการเข้าถึงข้ามหลายคลาวด์

บริษัทเฉพาะทางพัฒนาโปรเซสเซอร์ระดับเวเฟอร์ สถาปัตยกรรม dataflow ชิป inference อินเตอร์คอนเน็กต์เชิงแสง และแนวทางอื่น Cerebras, Groq และสตาร์ตอัปจำนวนมากมุ่งแก้ปัญหาประสิทธิภาพหรือความหน่วงเฉพาะด้าน ความท้าทายของพวกเขาคือเปลี่ยนข้อได้เปรียบทางเทคนิคให้เป็นระบบที่พร้อมใช้ ซอฟต์แวร์เชื่อถือได้ และกำลังผลิตเพียงพอสำหรับลูกค้ารายใหญ่

การแข่งขันยังมาจาก abstraction PyTorch, JAX, portable compilers, บริการแบบ container และ inference engines ลดปริมาณงานเฉพาะผู้ขายที่นักพัฒนาแอปมองเห็นได้ หากทีมย้ายโมเดลได้โดยเปลี่ยนแปลงน้อย ฝ่ายจัดซื้อก็มีอำนาจต่อรองมากขึ้น แม้ kernel เบื้องหลังยังได้รับการปรับให้เหมาะกับแต่ละอุปกรณ์สูง

ผู้ซื้อควรเปรียบเทียบระบบด้วยภาระงานของตนเอง ไม่ใช่ peak arithmetic การประเมินที่มีประโยชน์ควรมีความแม่นยำโมเดลที่ precision ที่เลือก batch size พฤติกรรม prefill และ decode ขีดจำกัดหน่วยความจำ การขยายอินเตอร์คอนเน็กต์ พลังงาน ความพร้อม การสนับสนุน และแรงงานวิศวกรรม ตัวเร่งที่ถูกกว่าอาจแพง หากว่างงานหรือต้องใช้เวลาย้ายงานหลายเดือน แพลตฟอร์มพรีเมียมอาจไม่คุ้มเช่นกัน หากอุปกรณ์ที่ง่ายกว่าทำเป้าความหน่วงและ throughput ได้

ตำแหน่งของ Nvidia แข็งแรงที่สุดเมื่อลูกค้าให้ค่ากับสภาพแวดล้อมที่รองรับกว้างเดียวกัน ตั้งแต่การพัฒนาในเครื่อง การฝึกบนคลาวด์ คลัสเตอร์ใหญ่ จนถึง inference ในผลิตจริง ความเปราะบางเพิ่มขึ้นเมื่อผู้ซื้อมีสเกลและการควบคุมซอฟต์แวร์มากพอจะปรับทางเลือกที่แคบกว่าได้

การควบคุมการส่งออกและการกระจุกตัวของอุปทานกลายเป็นความเสี่ยงการดำเนินงาน

นโยบายภาครัฐและการผลิตที่กระจุกตัวส่งผลต่อการออกแบบผลิตภัณฑ์ สินค้าคงคลัง การเข้าถึงลูกค้า และมาร์จินของ Nvidia มากขึ้น ตัวเร่งขั้นสูงถูกมองเป็นเทคโนโลยีเชิงยุทธศาสตร์ เพราะสนับสนุน AI เชิงพาณิชย์ การวิจัยวิทยาศาสตร์ การวิเคราะห์ข่าวกรอง และการใช้งานทางทหารได้

ข้อจำกัดการส่งออกของสหรัฐฯ ที่เริ่มในปี 2022 กระทบผลิตภัณฑ์ A100 และ H100 ที่ขายให้จีนและปลายทางจำกัดอื่น ๆ กฎขยายในปี 2023 ให้ครอบคลุมผลิตภัณฑ์และตัวชี้วัดประสิทธิภาพมากขึ้น Nvidia พัฒนารุ่นที่สอดคล้องกฎ รวมถึง H20 แต่นโยบายยังเปลี่ยนต่อเนื่อง

ในเดือนเมษายน 2025 สหรัฐฯ กำหนดให้การส่ง H20 ไปจีนและตลาดที่เกี่ยวข้องบางแห่งต้องมีใบอนุญาต Nvidia บันทึกค่าใช้จ่าย 4.5 พันล้านดอลลาร์สำหรับสินค้าคงคลังส่วนเกินและภาระซื้อในปีงบประมาณ 2026 ใบอนุญาตแบบจำกัดในเวลาต่อมาทำให้ส่ง H20 ได้บางส่วน ขณะที่นโยบายปี 2026 อนุญาตการพิจารณาใบสมัคร H200 เป็นรายกรณีภายใต้เงื่อนไขที่ระบุ Nvidia ยังรายงานว่าไม่สามารถแข่งขันอย่างมีประสิทธิภาพในตลาด data center compute ของจีน ณ สิ้นปีงบประมาณ 2026

เหตุการณ์นี้แสดงความเสี่ยงเฉพาะของเซมิคอนดักเตอร์ บริษัทต้องผูกพันกับเวเฟอร์ หน่วยความจำ การแพ็กเกจ และระบบล่วงหน้าหลายเดือนก่อนส่งมอบสุดท้าย กฎที่ออกหลังการผูกพันเหล่านั้นอาจเปลี่ยนผลิตภัณฑ์ที่ออกแบบให้ภูมิภาคหนึ่งเป็นสินค้าคงคลังที่เปลี่ยนปลายทางได้ยาก การออกแบบใหม่ที่สอดคล้องกฎอาจอ่อนเชิงพาณิชย์ หากคู่แข่งท้องถิ่นมีข้อจำกัดน้อยกว่า หรือมีกฎใหม่มาก่อนการผลิตจะขยายสเกล

คำถามด้านการแข่งขันทางการค้าเกิดจากตำแหน่งตลาดและกลยุทธ์ full-stack ของ Nvidia หน่วยงานกำกับอาจตรวจสอบการซื้อกิจการ แนวปฏิบัติด้านอุปทาน การขายพ่วง ความสัมพันธ์กับคลาวด์ และการเข้าถึงซอฟต์แวร์หรือฮาร์ดแวร์ ธุรกรรม Arm ที่ถูกยกเลิกแสดงว่าการควบคุมโครงสร้างพื้นฐานที่เป็นกลางได้รับการตรวจสอบต่างจากการขยายผลิตภัณฑ์ทั่วไป

การกระจุกตัวด้านการผลิตเป็นความเสี่ยงอีกประเภท Nvidia ยังคง fabless และพึ่ง TSMC อย่างมากสำหรับเวเฟอร์ขั้นสูง ยังต้องใช้ high-bandwidth memory, advanced packaging, substrate, ชิ้นส่วนเครือข่าย ระบบพลังงาน และผู้รับจ้างผลิตที่ประกอบแร็กซับซ้อนได้ กำลังการผลิตของชิ้นส่วนหนึ่งชดเชยการขาดแคลนอีกชิ้นไม่ได้

ไต้หวันเป็นศูนย์กลางของการผลิตเซมิคอนดักเตอร์แนวหน้าและการประกอบระบบ ขณะที่เกาหลีใต้สำคัญต่ออุปทานหน่วยความจำ แผ่นดินไหว การหยุดชะงักของสาธารณูปโภค ปัญหาการขนส่ง ข้อจำกัดการค้า หรือความขัดแย้ง อาจรบกวนผลผลิต การกระจายพื้นที่ต้องใช้เวลาหลายปี เพราะโรงงานขั้นสูง กระบวนการที่ผ่านการรับรอง และเครือข่ายผู้ขาย ทำซ้ำไม่ได้ด้วยการย้ายคำสั่งซื้อไปยังโรงงานทั่วไป

ดาต้าเซ็นเตอร์ AI ยังมีข้อจำกัดท้องถิ่น การติดตั้งขนาดใหญ่ต้องใช้การผลิตและส่งผ่านไฟฟ้า น้ำหล่อเย็นหรือระบบระบายความร้อนทางเลือก ที่ดิน ใบอนุญาต และผู้ปฏิบัติงานมีทักษะ กฎระดับประเทศและภูมิภาคเรื่องพลังงาน ที่ตั้งข้อมูล ความเป็นส่วนตัว และการลงทุนจากต่างชาติ อาจกำหนดที่ตั้งระบบ แม้อุปทานตัวเร่งจะพร้อม

Nvidia จึงต้องจัดการวิศวกรรม นโยบาย และโครงสร้างพื้นฐานทางกายภาพไปพร้อมกัน ขนาดของบริษัทช่วยอำนาจซื้อและการประสานผู้ขาย แต่คุณค่าที่กระจุกตัวในผลิตภัณฑ์แต่ละรุ่นทำให้ความผิดพลาดและแรงกระแทกภายนอกมีต้นทุนสูงขึ้น

ภาวะผู้นำของ Jensen Huang หล่อหลอมโมเดลการดำเนินงานของ Nvidia

การดำรงตำแหน่งยาวนานของ Jensen Huang ทำให้ Nvidia มีความต่อเนื่องที่พบได้ยาก ผ่านกราฟิก การประมวลผลมือถือ การเร่งงานวิทยาศาสตร์ และ AI เขาเป็น CEO ตั้งแต่ก่อตั้งบริษัท ทำให้การลงทุนด้านเทคนิคเดินหน้าต่อได้ในช่วงที่ตลาดทุนให้มูลค่าไม่สูง

Huang ผสานการสื่อสารผลิตภัณฑ์กับการมีส่วนร่วมด้านเทคนิคอย่างละเอียด การนำเสนอสาธารณะเปลี่ยนสถาปัตยกรรมให้เป็นเรื่องภาระงานและเศรษฐศาสตร์ของระบบ ขณะที่การทบทวนภายในขึ้นชื่อเรื่องคำติชมตรงไปตรงมาและการแบ่งปันข้อมูลกว้าง แจ็กเก็ตหนังกลายเป็นภาพลักษณ์ที่จดจำได้ แต่คุณลักษณะที่สำคัญกว่าคือการยืนกรานให้เข้าใจว่าฮาร์ดแวร์ ซอฟต์แวร์ เครือข่าย และตลาดส่งผลต่อกันอย่างไร

Nvidia มีโครงสร้างค่อนข้างแบนเมื่อเทียบกับขนาดของบริษัท ข้อมูลเดินทางถึงผู้นำระดับสูงได้ผ่านข้อความสถานะสั้น ๆ และกลุ่มทบทวนขนาดใหญ่ แทนการประชุมผู้จัดการส่วนตัวที่ต่อกันยาว วิธีนี้เปิดเผยปัญหาได้เร็ว และเปิดให้ผู้เชี่ยวชาญท้าทายสมมติฐานข้ามขอบเขตองค์กร

โมเดลนี้สร้างแรงกดดันด้วย การวิจารณ์โดยตรง ความคาดหวังสูง รอบผลิตภัณฑ์ถี่ และการมองเห็นงานที่ยังไม่เสร็จ ล้วนหนักสำหรับพนักงาน วิธีที่ช่วยให้บริษัทวิศวกรรมขนาดเล็กเคลื่อนเร็วต้องอาศัยวินัยมากขึ้น เมื่อจำนวนบุคลากร ภาระด้านกฎระเบียบ และพันธะต่อลูกค้าเพิ่มขึ้น

หลักการทางวัฒนธรรมหลายข้อปรากฏซ้ำในการตัดสินใจสำคัญของ Nvidia

• ความซื่อตรงทางปัญญาสำคัญเมื่อสถาปัตยกรรมหรือสมมติฐานตลาดผิดพลาด
• แผนผลิตภัณฑ์รวมวงจรเซมิคอนดักเตอร์ที่ยาวกับการพัฒนาซอฟต์แวร์ที่รวดเร็ว
• นักพัฒนาคือผู้ใช้หลักที่ต้องได้รับการยอมรับ ไม่ใช่กลุ่มรอง
• เดิมพันทางเทคนิคดำเนินหลายปีได้ หากเหตุผลพื้นฐานยังถูกต้อง
• ประสิทธิภาพทั้งระบบสำคัญกว่าการปรับส่วนประกอบเดียวโดยลำพัง

CUDA เป็นตัวอย่างชัดเจนของการลงทุนอย่างอดทน ส่วนการเปลี่ยนจาก NV1 แสดงทักษะตรงข้าม คือเลิกเส้นทางเมื่อหลักฐานหักล้างมัน ความมุ่งมั่นและความยืดหยุ่นอยู่ร่วมกันได้เมื่อผู้นำแยกแผนที่ยากออกจากสมมติฐานที่ผิด

การควบคุมโดยผู้ก่อตั้งช่วยความสม่ำเสมอ แต่ก็รวมศูนย์การตัดสินใจ อนาคต Nvidia ขึ้นกับการวางแผนสืบทอด ผู้นำที่ท้าทาย Huang ได้ และกระบวนการที่ทำงานได้โดยไม่ต้องมีเขาในทุกการตัดสินใจสำคัญ การขยายขนาดนำความรับผิดชอบที่ความเร่งด่วนแบบสตาร์ตอัปแก้ไม่ได้เอง เช่น compliance ความปลอดภัย การจัดการแรงงาน และการส่งมอบที่เชื่อถือได้ให้รัฐบาลและองค์กรทั่วโลก

วัฒนธรรมของบริษัทยังกว้างเกินวิศวกรรมกราฟิก นักวิจัย ทีม compiler ผู้เชี่ยวชาญเครือข่าย สถาปนิกระบบ ผู้ปฏิบัติการคลาวด์ กลุ่มยานยนต์ และทีมซอฟต์แวร์อุตสาหกรรม ต้องประสานบนแพลตฟอร์มเดียว ความท้าทายด้านองค์กรของ Nvidia คือรักษาการถกเถียงทางเทคนิคที่รวดเร็วไว้ ขณะเดินระบบโครงสร้างพื้นฐานที่ความล้มเหลวอาจกระทบลูกค้าไกลเกินตลาดเกมพีซี

การเปลี่ยนแปลงทางการเงินตามหลังการเปลี่ยนแปลงผลิตภัณฑ์

ผลประกอบการของ Nvidia เปลี่ยนไปเมื่อระบบดาต้าเซ็นเตอร์กลายเป็นแหล่งรายได้หลัก เปลี่ยนผู้ขายกราฟิกที่ขึ้นลงเป็นวัฏจักรให้เป็นหนึ่งในธุรกิจโครงสร้างพื้นฐานการประมวลผลที่ใหญ่ที่สุดของโลก การเปลี่ยนนี้ค่อยเป็นค่อยไปหลายปี ก่อนเร่งตัวตามความต้องการ generative AI

หลัง IPO ปี 1999 รายได้ Nvidia พึ่งพากราฟิกพีซี รอบเกม ความต้องการเวิร์กสเตชัน และความสัมพันธ์กับผู้ผลิตบอร์ดและ OEM อย่างมาก เกมยังทำกำไร แต่การปรับสินค้าคงคลังอาจรุนแรง กราฟิกแต่ละรุ่นใหม่ต้องใช้เงินวิจัยมากก่อนรู้ว่าความต้องการจะเกิดจริงหรือไม่

ภาวะถดถอยหลายครั้งเปิดเผยความผันผวนนี้ วิกฤตการเงินปี 2008 ลดการใช้จ่ายด้านเทคโนโลยี การขุดคริปโทเคอร์เรนซีผลักความต้องการการ์ดกราฟิกสูงผิดปกติ แล้วทำให้เกิดการปรับสินค้าคงคลังในปี 2018 ความต้องการและการหยุดชะงักของอุปทานยุคโรคระบาด ตามมาด้วยการปรับธุรกิจเกมอีกครั้งในปี 2022 Nvidia ยังบันทึกค่าใช้จ่ายที่เกี่ยวกับผลิตภัณฑ์เมื่อสมมติฐานทางวิศวกรรมหรือตลาดผิดพลาด

ยอดขายดาต้าเซ็นเตอร์เปลี่ยนทั้งขนาดและการกระจุกตัวของลูกค้า รายได้ปีงบประมาณ 2024 อยู่ที่ 60.9 พันล้านดอลลาร์ โดย Data Center มี 47.5 พันล้านดอลลาร์ รายได้ปีงบประมาณ 2025 เพิ่มเป็น 130.5 พันล้านดอลลาร์ โดย Data Center ทำได้ 115.2 พันล้านดอลลาร์ รายได้ปีงบประมาณ 2026 อยู่ที่ 215.9 พันล้านดอลลาร์ โดย Data Center มี 193.7 พันล้านดอลลาร์

ตัวเลขปีงบประมาณ 2026 แสดงว่าสัดส่วนเปลี่ยนไปมากเพียงใด Data Center คิดเป็นเกือบ 90 เปอร์เซ็นต์ของรายได้ทั้งปี ขณะที่เกมยังใหญ่แต่เล็กกว่ามาก ในไตรมาสสิ้นสุดวันที่ 26 เมษายน 2026 รายได้รวมอยู่ที่ 81.6 พันล้านดอลลาร์ และรายได้ Data Center อยู่ที่ 75.2 พันล้านดอลลาร์ เมื่อระบบ Blackwell 300 และผลิตภัณฑ์เครือข่ายเริ่มขยายการผลิต

ความสามารถทำกำไรสะท้อนทั้งตัวเร่งมูลค่าสูงที่ขาดแคลน และต้นทุนการส่งมอบระบบครบชุด Nvidia รายงาน GAAP gross margin 71.1 เปอร์เซ็นต์ในปีงบประมาณ 2026 ลดจาก 75.0 เปอร์เซ็นต์ในปีงบประมาณ 2025 การลดลงสะท้อนการเปลี่ยนจากผลิตภัณฑ์ Hopper HGX ไปสู่โซลูชัน Blackwell data center แบบครบชุด และค่าใช้จ่ายสินค้าคงคลัง H20 รายได้สูงจึงไม่ได้ทำให้ความเสี่ยงจากส่วนผสมผลิตภัณฑ์หรือนโยบายหายไป

ฐานลูกค้าสร้างความตึงเครียดอีกด้าน ผู้ให้บริการคลาวด์ ห้องปฏิบัติการ AI ผู้ผลิตเซิร์ฟเวอร์ และลูกค้าตรงรายใหญ่อื่น ๆ อาจคิดเป็นยอดซื้อจำนวนมาก แผนใช้จ่ายลงทุนของพวกเขาเปลี่ยนเร็วได้ และบางรายพัฒนาชิปภายในขณะที่ซื้อระบบ Nvidia ความต้องการรวมอาจยังแข็งแรง ขณะที่ผลิตภัณฑ์หรือลูกค้ารายหนึ่งสร้างความผันผวนได้

ราคาหุ้น Nvidia สะท้อนความคาดหวังที่เปลี่ยนไป มูลค่าตลาดของบริษัทผ่าน 1 ล้านล้านดอลลาร์ในปี 2023 เมื่อนักลงทุนประเมินขนาดความต้องการโครงสร้างพื้นฐาน AI และผ่านหมุดหมายหลายล้านล้านดอลลาร์ในปี 2024 การแตกหุ้น 10 ต่อ 1 มีผลในเดือนมิถุนายน 2024 ต่อจากการแตกหุ้น 4 ต่อ 1 ในปี 2021 และการแตกหุ้นก่อนหน้านั้นหลายครั้ง การแตกหุ้นเปลี่ยนจำนวนหุ้นและราคาต่อหุ้น ไม่ได้เปลี่ยนมูลค่าธุรกิจ

การวิเคราะห์การเงินที่ดีต้องแยกความต้องการออกจากเศรษฐศาสตร์ที่ยืนยาว ผู้ซื้ออาจสร้างความจุ AI ต่อไป แต่เปลี่ยนไปใช้ชิป inference ที่ต้นทุนต่ำกว่า Nvidia อาจเพิ่มรายได้ ขณะที่ gross margin ลดลง เพราะระบบมีเนื้อหาจากบุคคลที่สามมากขึ้น การเปลี่ยนสถาปัตยกรรมรวดเร็วอาจทำให้เกิดค่าใช้จ่ายสินค้าคงคลัง ข้อจำกัดไฟฟ้าและการก่อสร้างอาจเลื่อนการติดตั้ง แม้ลูกค้าต้องการการประมวลผลเพิ่ม

กรณีระยะยาวตั้งอยู่บน accelerated computing ที่แทนงานทั่วไปมากขึ้น AI inference ที่กลายเป็นภาระงานการผลิตต่อเนื่อง และ Nvidia ที่รักษาสัดส่วนสูงของคุณค่าด้านระบบและซอฟต์แวร์ กรณีตรงข้ามตั้งอยู่บนการกระจุกตัวลูกค้า ซิลิคอนสั่งทำ ตัวเร่งทางเลือก การควบคุมการส่งออก ข้อจำกัดอุปทาน และการใช้จ่ายที่อาจนำหน้าการใช้งาน AI ที่ทำกำไรได้ ทั้งสองกรณีควรประเมินจากกระแสเงินสดและเศรษฐศาสตร์การติดตั้ง ไม่ใช่ป้ายเรียบง่ายอย่างบริษัทชิปหรือแพลตฟอร์มซอฟต์แวร์

สิ่งที่อดีตของ Nvidia บอกถึงระยะถัดไป

ระยะต่อไปของ Nvidia ขึ้นกับการทำให้ระบบ AI ที่ใหญ่ขึ้นเดินงานได้คุ้มค่า ไม่ใช่เพียงทำให้โปรเซสเซอร์แต่ละตัวเร็วขึ้น การฝึกยังต้องการทรัพยากรมาก แต่ production inference โมเดล reasoning และ software agents อาจใช้การประมวลผลต่อเนื่อง ตัวชี้วัดสำคัญของลูกค้ากำลังเปลี่ยนไปสู่ความหน่วง โทเค็นต่อวัตต์ โทเค็นต่อดอลลาร์ uptime และรายได้ต่อหน่วยพลังงานที่ติดตั้ง

Rubin แสดงวิธีที่ Nvidia วางแผนตอบความต้องการนี้ คือออกแพลตฟอร์มทุกปี รวมโปรเซสเซอร์กับเครือข่ายให้แน่นขึ้น ใช้ระบบหน่วยความจำใหญ่ขึ้น และปรับซอฟต์แวร์ให้เข้ากับโครงสร้างโมเดลที่เปลี่ยนไป จังหวะที่เร็วขึ้นช่วยให้ลูกค้าอยู่บนแพลตฟอร์มได้ แต่ก็อาจลดอายุทางเศรษฐกิจของอุปกรณ์ราคาแพง และเพิ่มภาระต่อผู้ขายและทีมวิศวกรรม

Physical AI คือเดิมพันใหญ่อีกเรื่อง DRIVE, Isaac, Jetson, Omniverse และเครื่องมือจำลอง เชื่อมการฝึกโมเดลเข้ากับเครื่องจักรที่รับรู้และลงมือทำในโลกจริง หุ่นยนต์และยานยนต์ต้องใช้ inference ในเครื่องที่หน่วงต่ำ ขณะที่ระบบคลาวด์ทำการฝึก วิเคราะห์ฝูงอุปกรณ์ และจำลองได้ ความก้าวหน้าขึ้นกับความปลอดภัย ความน่าเชื่อถือ ข้อมูลเซนเซอร์ และเศรษฐศาสตร์การนำไปใช้จริง พอ ๆ กับประสิทธิภาพตัวเร่ง

Digital twins ขยายแนวทางเดียวกันไปยังโรงงาน คลังสินค้า ระบบพลังงาน และสภาพแวดล้อมวิศวกรรมอื่น การจำลองลดต้นทุนการทดสอบผังหรือพฤติกรรมหุ่นยนต์ก่อนเปลี่ยนของจริง คุณค่าของมันขึ้นกับโมเดลที่แม่นยำและข้อมูลปฏิบัติการที่ดูแลต่อเนื่อง ดังนั้นการรวมซอฟต์แวร์จึงยังยากพอ ๆ กับการเรนเดอร์

สำหรับผู้สร้างแอป ประวัตินี้อธิบายว่าทำไมโครงสร้างพื้นฐาน AI จึงดูห่างไกล แม้มันจะกำหนดงานประจำวัน ผู้ก่อตั้งที่ไม่ใช่สายเทคนิคอธิบายเว็บ เซิร์ฟเวอร์ หรือแอปมือถือใน Koder.ai ได้ ขณะที่ language models และ mixture of agents ทำงานเบื้องหลังอินเทอร์เฟซแชต ประสบการณ์นี้ซ่อนตัวเร่ง เครือข่าย โฮสติ้ง และซอฟต์แวร์โมเดลที่อยู่ด้านล่าง โอกาสเชิงพาณิชย์ของ Nvidia เติบโตเมื่อผลิตภัณฑ์มากขึ้นใช้ AI โดยผู้ใช้ไม่ต้องจัดการ GPU kernels หรือคลัสเตอร์

ผู้สร้างเรียนรู้บทเรียนเชิงปฏิบัติหลายข้อจากประวัติบริษัท เลือกแอปพลิเคชันเร่งด่วนที่หาเงินมาสนับสนุนแพลตฟอร์มที่กว้างกว่า ลงทุนในประสบการณ์นักพัฒนาก่อนคู่แข่งจะเห็นความสำคัญ รักษาความเข้ากันได้เมื่อผู้ใช้ทุ่มโค้ดและการฝึกให้ผลิตภัณฑ์ ขยายไปยังส่วนประกอบข้างเคียงเฉพาะเมื่อมันแก้คอขวดที่วัดได้ และละทิ้งสมมติฐานทางเทคนิคเมื่อมาตรฐานหรือหลักฐานพิสูจน์ว่าผิด

ผู้กำหนดนโยบายเผชิญทางเลือกอีกชุดหนึ่ง อุปทานตัวเร่ง advanced packaging หน่วยความจำ พลังงาน การเข้าถึงคลาวด์ และทักษะซอฟต์แวร์ ล้วนส่งผลต่อความสามารถด้านการประมวลผลของประเทศ การควบคุมการส่งออกอาจจำกัดคู่แข่ง แต่ก็สร้างความสูญเสียสินค้าคงคลัง ลดการเข้าถึงนักพัฒนาต่างประเทศของผู้ขาย และส่งเสริมทางเลือกในประเทศในตลาดที่ถูกจำกัด นโยบายการแข่งขันต้องแยกการรวมระบบที่ช่วยเพิ่มประสิทธิภาพออกจากแนวปฏิบัติที่ขัดขวางลูกค้าไม่ให้เลือกสิ่งทดแทนที่ใช้ได้จริง

ท้ายที่สุด ประวัติ Nvidia คือชุดของการทุ่มเทที่ส่งเสริมกัน กราฟิกสนับสนุนฮาร์ดแวร์แบบขนาน programmable shaders เผยโอกาสการประมวลผลทั่วไป CUDA สะสมซอฟต์แวร์และนักพัฒนา AlexNet มอบภาระงาน AI ที่นิยามยุค DGX, Mellanox, Grace, Blackwell และ Rubin ขยายขอบเขตผลิตภัณฑ์ จนแร็กกลายเป็นคอมพิวเตอร์

ลำดับนี้สร้างความเป็นผู้นำของ Nvidia แต่ไม่ได้ทำให้ผู้นำถาวร บริษัทต้องแก้ข้อจำกัดการปฏิบัติการถัดไปต่อไป ขณะที่คู่แข่งโจมตีด้านราคา ความเปิดกว้าง ความหลากหลายของอุปทาน และประสิทธิภาพเฉพาะทาง ความสำเร็จที่ผ่านมาเกิดจากการรู้ทันเมื่อโมเดลการประมวลผลเปลี่ยน อนาคตขึ้นกับการทำเช่นนั้นอีกครั้ง ก่อนโมเดลปัจจุบันจะกลายเป็นสมมติฐานที่บริษัทไม่ยอมตั้งคำถาม