Lịch sử Nvidia: Từ startup đồ họa đến hạ tầng AI

Vì sao lịch sử Nvidia quan trọng

Sự trỗi dậy của Nvidia cho thấy một chip đồ họa chuyên biệt đã trở thành nền tảng của điện toán AI hiện đại như thế nào. Công ty bắt đầu từ đồ họa 3D cho người dùng phổ thông, sống sót sau một sai lầm kiến trúc gần như chết người, xây nền tảng điện toán lập trình được trước khi có thị trường lớn, rồi dành nhiều năm biến các bộ tăng tốc riêng lẻ thành hệ thống trung tâm dữ liệu hoàn chỉnh.

Mỗi nhóm người vẫn biết đến công ty theo một cách khác. Game thủ biết card GeForce, dò tia và kết xuất có AI hỗ trợ. Nhà nghiên cứu biết thư viện CUDA và bộ tăng tốc cho điện toán khoa học. Nhà vận hành đám mây mua các hệ thống dày đặc gồm GPU, CPU, mạng, bộ chuyển mạch và phần mềm quản lý. Nhà đầu tư nhìn thấy một công ty chuyển cơ cấu doanh thu từ game sang hạ tầng AI với tốc độ bất thường.

Các mảng đó được nối với nhau bằng một ý tưởng lặp lại: CPU không nên xử lý mọi loại tính toán. Nvidia liên tục tìm ra khối lượng công việc có lượng xử lý song song lớn, thiết kế bộ xử lý chuyên dụng cho chúng, rồi bao quanh bằng phần mềm để chúng thực sự dễ dùng. Đồ họa tạo ra thị trường đại chúng đầu tiên. Điện toán khoa học tạo ra người dùng sớm có yêu cầu khắt khe. Học sâu tạo ra khối lượng công việc biến điện toán tăng tốc thành ưu tiên của trung tâm dữ liệu.

Kết quả này không hề được bảo đảm. NV1 dùng các phần tử đồ họa không phù hợp với tiêu chuẩn cuối cùng chiến thắng. CUDA cần nhiều năm đầu tư phần mềm trước khi mang lại doanh thu đáng kể. Nvidia bước vào máy chủ trước các nhà cung cấp CPU lâu đời, mua công ty mạng với giá 6,9 tỷ USD và cam kết làm các hệ thống cấp giá đỡ làm mát bằng chất lỏng, khó xây hơn rất nhiều so với card cắm thêm.

Ba quyết định giải thích phần lớn kết quả:

• Nvidia coi phần mềm, thư viện và hỗ trợ nhà phát triển là sản phẩm, chứ không phải phụ kiện cho silicon.
• Công ty dùng doanh số game để tài trợ cho các kiến trúc sau này phục vụ được nghiên cứu và trung tâm dữ liệu.
• Nvidia mở rộng quanh GPU mỗi khi một nút thắt khác, như chuyển dữ liệu hoặc mạng, giới hạn hiệu năng hữu ích.

Mẫu hình này quan trọng với kỹ sư và người xây doanh nghiệp vì thông số chip thô chỉ kể một phần câu chuyện. Bộ xử lý trở thành nền tảng bền vững khi nhà phát triển lập trình được, hệ thống mở rộng được, khách hàng vận hành được và thế hệ mới chạy phần mềm cũ mà ít gián đoạn.

Thành lập Nvidia và sống sót sau bước rẽ sai đầu tiên

Nvidia được Jensen Huang, Chris Malachowsky và Curtis Priem thành lập ngày 5 tháng 4 năm 1993 để đưa đồ họa 3D hiệu năng cao vào PC phổ thông. Huang từng làm thiết kế vi xử lý tại AMD và tích hợp chip tại LSI Logic. Malachowsky và Priem mang đến kinh nghiệm đồ họa, hệ thống từ Sun Microsystems, còn Priem từng làm tại IBM. Ba người dùng các buổi gặp ở nhà hàng Denny's để định hình kế hoạch trở thành Nvidia.

Cơ hội lớn nhưng thị trường chưa ổn định. Đồ họa 3D chuyên nghiệp chủ yếu nằm trong các máy trạm đắt tiền dùng cho thiết kế hỗ trợ máy tính, trực quan hóa và sản xuất truyền thông. PC phổ thông có bộ xử lý nhanh hơn, ổ CD-ROM, màn hình tốt hơn và thị trường game đang phát triển, nhưng phần cứng đồ họa còn phân mảnh. Hàng chục công ty bán dẫn cùng theo đuổi cơ hội này.

Sản phẩm đầu tiên của Nvidia, NV1, ra mắt năm 1995 và được bán trong card Diamond Edge 3D. Nó kết hợp đồ họa 2D, 3D, âm thanh và hỗ trợ tay cầm Sega. Lựa chọn thiết kế quyết định nhất là ánh xạ kết cấu bậc hai, dựa trên bề mặt cong thay vì đa giác tam giác, vốn sau đó trở thành tiêu chuẩn trong Microsoft Direct3D và phần lớn ngành.

NV1 chạy được phần mềm viết cho kiến trúc của nó, trong đó có bản PC của Virtua Fighter từ Sega. Nhưng khi API dựa trên tam giác giành đà, nhà phát triển không có nhiều lý do hỗ trợ một mục tiêu độc quyền nhỏ. Một chip đầy tham vọng kỹ thuật vì thế thiếu phần mềm ngay khi tính tương thích nền tảng trở thành yếu tố quyết định.

Công việc với Sega tạo ra thêm một dự án đồ họa thường gọi là NV2. Cuối cùng Huang kết luận tiếp tục kiến trúc này sẽ lãng phí thời gian của cả hai công ty. Sega dừng dự án máy chơi game nhưng hỗ trợ tài chính để Nvidia chuyển hướng nguồn lực còn lại. Startup này gần như không còn chỗ cho thêm một lần thất bại.

Nỗ lực thay thế tập trung vào tiêu chuẩn, tiến độ và định nghĩa sản phẩm hẹp hơn. Nvidia giảm nhân sự, áp dụng dựng hình tam giác và thiết kế NV3 quanh Direct3D. Chip đó trở thành RIVA 128, phát hành năm 1997. Nó bán hơn một triệu đơn vị trong bốn tháng đầu, mang lại doanh thu và uy tín với các hãng PC.

Cuộc giải cứu hình thành các thói quen vận hành còn tồn tại sau giai đoạn startup. Nvidia sẽ bỏ một thiết kế thanh lịch nếu thị trường đã chọn tiêu chuẩn lập trình khác. Công ty phát hành phần cứng và trình điều khiển nhanh. Họ cũng làm việc trực tiếp với nhà phát triển phần mềm, vì bộ xử lý đồ họa không có game tương thích chỉ là hàng tồn kho, không phải nền tảng.

Năm 1998, Nvidia chính thức hóa mô hình không sở hữu nhà máy bằng quan hệ sản xuất với TSMC. Thay vì sở hữu xưởng chế tạo đắt đỏ, Nvidia tập trung chi tiêu cho kiến trúc, phần mềm và thiết kế sản phẩm, còn việc sản xuất dựa vào xưởng đúc bên ngoài. Cấu trúc này hỗ trợ tăng trưởng nhanh, nhưng tạo ra sự phụ thuộc ngày càng quan trọng khi năng lực sản xuất tiên tiến tập trung ở Đài Loan.

Nvidia hoàn tất IPO tháng 1 năm 1999 với giá 12 USD mỗi cổ phiếu. IPO không chấm dứt áp lực vận hành. Các thế hệ đồ họa thay đổi nhanh, chất lượng trình điều khiển ảnh hưởng mọi bài đánh giá, còn 3dfx, ATI, Matrox và S3 vẫn có thể giành khách chỉ bằng một lần ra mắt mạnh.

RIVA, GeForce và cuộc đua đồ họa PC

RIVA và GeForce tạo chỗ đứng cho Nvidia nhờ silicon cạnh tranh, hỗ trợ trình điều khiển ổn định và tương thích rộng. RIVA 128 chứng minh công ty có thể phục hồi sau NV1, còn RIVA TNT và TNT2 cải thiện độ sâu màu, chất lượng ảnh, đa kết cấu và hiệu năng trên các API mà nhà phát triển đang dùng.

Thị trường PC cuối thập niên 1990 thưởng cho sự kết hợp đó. Một card nhanh vẫn gây thất vọng nếu trình điều khiển bị treo, dựng game sai hoặc chậm hơn bản DirectX mới. Nvidia coi trình điều khiển là trách nhiệm kỹ thuật liên tục, phát hành thường xuyên để hỗ trợ game mới và sửa lỗi. Cách làm này sau đó giúp công ty quản lý một hệ thống phần mềm điện toán lớn hơn nhiều.

Năm 1999, Nvidia giới thiệu GeForce 256 và tiếp thị nó là bộ xử lý đồ họa đầu tiên, hay GPU. Ý nghĩa lịch sử không nằm nhiều ở quyền sở hữu thuật ngữ, mà ở thay đổi kiến trúc mà nó mô tả. GeForce 256 tích hợp phần cứng biến đổi và chiếu sáng, chuyển các tính toán hình học vốn do CPU xử lý sang bộ xử lý đồ họa.

Việc chuyển tải đó cho nhà phát triển thêm chỗ cho logic game, vật lý và cảnh phong phú hơn. Nó cũng mở rộng định nghĩa về tăng tốc đồ họa. Bộ xử lý không còn là thiết bị cố định chỉ đặt pixel có kết cấu lên màn hình. Mỗi thế hệ hấp thụ thêm phần của đường ống dựng hình và cho phần mềm nhiều quyền kiểm soát hơn.

Nvidia củng cố vị thế qua các hãng PC lớn và nhà phát triển game. Những chiến thắng thiết kế OEM đưa chip vào hệ thống phổ thông, còn quan hệ nhà phát triển giúp studio tinh chỉnh bản phát hành cho GeForce. Công ty cũng thắng hợp đồng đồ họa cho Xbox đầu tiên của Microsoft, có kinh nghiệm cung cấp một nền tảng hoàn chỉnh với yêu cầu nghiêm ngặt về hiệu năng, chi phí và giao hàng.

Cạnh tranh vẫn gay gắt. Năm 2000 Nvidia đồng ý mua tài sản cốt lõi của 3dfx, công ty mà card Voodoo từng định hình game 3D cho người đam mê. ATI vẫn là đối thủ độc lập rồi trở thành một phần của AMD. Nvidia có thể dẫn đầu một thế hệ và vấp ngã ở thế hệ kế tiếp, như dòng GeForce FX bị đón nhận kém trong một phần thời kỳ DirectX 9.

Phản ứng là sửa kiến trúc nhanh hơn. GeForce 6 khôi phục sức cạnh tranh, các thế hệ sau thêm shader hợp nhất, khả năng lập trình tốt hơn và thông lượng dấu phẩy động tăng dần. Nvidia duy trì thương hiệu riêng cho từng nhóm mua: GeForce cho người tiêu dùng, Quadro cho trực quan hóa chuyên nghiệp và sau đó Tesla cho bộ tăng tốc tính toán.

Đồ họa tiếp tục cung cấp ý tưởng kỹ thuật cho AI. Shader lập trình được dạy Nvidia cách nhà phát triển dùng thực thi song song. Nhu cầu về kết cấu và bộ đệm khung hình thúc đẩy băng thông bộ nhớ. Game đa GPU đem lại kinh nghiệm về kết nối và phân phối công việc. Nhu cầu hỗ trợ game cũ khi ra phần cứng mới cũng áp đặt một dạng tương thích phần mềm mà các startup chỉ làm phần cứng thường đánh giá thấp.

Năm 2018, Nvidia đổi mới mô hình dựng hình với kiến trúc Turing và GeForce RTX. RT Cores chuyên dụng tăng tốc tính toán giao tia, còn Tensor Cores hỗ trợ phương pháp nơ-ron như Deep Learning Super Sampling. Dựng hình ngày càng kết hợp raster hóa truyền thống, dò tia và tái tạo đã học thay vì dựa vào một kỹ thuật.

Dòng GeForce RTX 50 dựa trên Blackwell, ra mắt năm 2025, tiếp tục sự hội tụ đó với RT Cores thế hệ bốn, Tensor Cores thế hệ năm, shader nơ-ron và DLSS 4. Vì vậy game không chỉ là nguồn tiền ban đầu của Nvidia. Nó vẫn là kênh triển khai lớn cho đồ họa có AI hỗ trợ và suy luận mô hình cục bộ, kể cả sau khi trung tâm dữ liệu trở thành mảng lớn hơn.

Shader lập trình được mở đường cho điện toán đa dụng

Shader lập trình được thay đổi hướng chiến lược của Nvidia vì cho thấy bộ xử lý đồ họa có thể chạy chương trình hữu ích ngoài đường ống dựng hình cố định. GPU đầu có các giai đoạn chuyên dụng cho hình học, chiếu sáng, áp kết cấu và xuất pixel. Chúng nhanh vì phần cứng chuyên biệt, nhưng nhà phát triển chỉ thay đổi được ít thiết lập.

GeForce 3, phát hành năm 2001, hỗ trợ vertex shader lập trình được. Chương trình pixel và fragment mạnh hơn qua các thế hệ sau. Nhà phát triển game dùng chúng cho ánh sáng tùy chỉnh, nước, da, bóng và hiệu ứng hậu kỳ, còn nhà nghiên cứu bắt đầu coi cùng bộ xử lý đó là máy song song giá rẻ.

Các thí nghiệm nghiên cứu này khá vụng về. Một nhà khoa học muốn thực hiện phép toán ma trận thường phải biểu diễn dữ liệu thành kết cấu và phép tính thành thao tác vẽ. Kết quả có thể ghi vào bộ đệm khung rồi đọc lại qua API đồ họa. Phần cứng cho thông lượng ấn tượng, nhưng cách lập trình đòi hỏi kiến thức đồ họa không liên quan đến bài toán khoa học.

Dù vậy, các thí nghiệm cho thấy cấu trúc kinh tế thuận lợi. Game tạo đủ sản lượng để tài trợ chip lớn có nhiều đơn vị số học và bộ nhớ băng thông cao. Nhà nghiên cứu có thể mua phần cứng này với một phần nhỏ chi phí của bộ xử lý khoa học tùy biến. Khoản đầu tư transistor vì thế phục vụ cả giải trí lẫn điện toán kỹ thuật nếu Nvidia cung cấp lớp lập trình phù hợp.

Nvidia chuyển sang kiến trúc shader hợp nhất, trong đó nhóm bộ xử lý lập trình được có thể xử lý nhiều giai đoạn shader thay vì gán phần cứng riêng cho từng giai đoạn. Dòng GeForce 8 và kiến trúc G80 làm mô hình này có ý nghĩa thương mại. Một nhóm dùng chung cải thiện mức sử dụng cho đồ họa và tạo mục tiêu thực thi đều đặn hơn cho điện toán đa dụng.

Điện toán GPU cũng có giới hạn, định hình sản phẩm sau này. Phần cứng song song xuất sắc khi công việc có nhiều thao tác tương tự và đủ tác vụ độc lập để lấp đầy hàng nghìn làn thực thi. Mã tuần tự với nhiều nhánh có thể chạy tốt hơn trên CPU. Việc chuyển dữ liệu có thể xóa lợi ích tăng tốc nếu ứng dụng liên tục di chuyển lượng thông tin nhỏ giữa bộ nhớ các bộ xử lý. Số học nhanh chỉ hữu ích khi dung lượng bộ nhớ, băng thông và liên lạc luôn cấp đủ dữ liệu.

Các ràng buộc này giải thích cho sự mở rộng sau đó của Nvidia. CUDA giải quyết khả năng lập trình. Bộ nhớ băng thông cao giải quyết nguồn dữ liệu cục bộ. NVLink giải quyết di chuyển giữa bộ xử lý. Mạng Mellanox giải quyết liên lạc giữa máy chủ. Lịch sử đi từ chip ra ngoài vì mỗi nút thắt được giải quyết lại làm lộ nút thắt kế tiếp.

CUDA biến phần cứng GPU thành nền tảng điện toán

CUDA đem đến cho lập trình viên mô hình trực tiếp cho điện toán song song và tạo cam kết phần mềm mà đối thủ không thể đáp lại chỉ bằng chip nhanh hơn. Nvidia công bố kiến trúc năm 2006 và phát hành công cụ phát triển đầu tiên năm 2007, cho phép nhà phát triển viết kernel giống C mà không cần chuyển bài toán thành thao tác đồ họa.

Mô hình lập trình hiển lộ thread, block, grid, bộ nhớ chia sẻ và bộ nhớ thiết bị. Nhà phát triển vẫn phải hiểu công việc song song và chuyển dữ liệu, nhưng không còn phải giả vờ mảng số là ảnh. Khác biệt này mở phần cứng cho nhà khoa học, kỹ sư và người phát triển định lượng vốn không quan tâm đến dựng hình.

Nvidia sau đó tài trợ những phần ít thấy hơn của việc chấp nhận nền tảng: trình biên dịch, gỡ lỗi, phân tích hiệu năng, tài liệu, ví dụ, khóa học đại học và khả năng tương thích qua các GPU liên tiếp. Thư viện tạo khác biệt lớn nhất cho người không muốn tự viết kernel. cuBLAS cung cấp đại số tuyến tính được tối ưu, cuFFT xử lý biến đổi Fourier nhanh, còn thư viện sau này phục vụ thao tác thưa, số ngẫu nhiên, ảnh, phân tích dữ liệu và nhiều lĩnh vực khác.

Việc chấp nhận sớm đến từ các công việc có cấu trúc song song rõ rệt:

• Động lực học phân tử và hóa học tính toán
• Xử lý địa chấn và ảnh y tế
• Định giá quyền chọn và mô phỏng Monte Carlo
• Đại số tuyến tính và bộ giải khoa học
• Xử lý tín hiệu và động lực học chất lưu tính toán

Các tuyên bố hiệu năng cần thận trọng. GPU có thể giảm một kernel cụ thể từ hàng giờ xuống phút trong khi cả ứng dụng vẫn bị giới hạn bởi xử lý đầu vào, phần việc tuần tự hay liên lạc. Lợi ích bền vững đến khi nhóm tái cấu trúc toàn bộ công việc quanh bộ tăng tốc, thay vì coi nó là thay thế cắm vào cho mọi lệnh CPU.

Nvidia hỗ trợ công việc này bằng tài trợ nghiên cứu, chương trình đại học, sự kiện nhà phát triển và GPU Technology Conference. Sinh viên học một môi trường lập trình, nhà nghiên cứu công bố mã dùng nó, rồi doanh nghiệp thuê người đã biết công cụ. Thư viện tích lũy nhiều năm tối ưu và kiểm thử số học.

Điều này tạo chi phí chuyển đổi, nhưng chỉ sự gắn bó không giải thích được việc tiếp tục sử dụng. Nhà phát triển ở lại khi chi phí chuyển lớn hơn lợi ích và nền tảng hiện tại tiếp tục cải thiện. Nvidia dùng tương thích ngược, hỗ trợ framework rộng, thư viện được tối ưu và tính năng phần cứng mới để duy trì phép tính đó qua nhiều chu kỳ sản phẩm.

CUDA cũng thay đổi Nvidia từ bên trong. Công ty chip có thể xem sản phẩm hoàn thành khi sản xuất bắt đầu. Nền tảng điện toán cần công việc trình biên dịch liên tục, cập nhật bảo mật, bảo trì thư viện, tài liệu và hỗ trợ framework lập trình mới. Doanh thu từ bo mạch được ghi nhận một lần, còn nghĩa vụ phần mềm kéo dài suốt đời sử dụng của nó.

Cam kết dài hạn đó từng trông tốn kém trước khi thị trường điện toán GPU trưởng thành. Nó trở thành phòng thủ mạnh nhất của Nvidia khi nhu cầu AI tăng tốc, vì một nhà cung cấp bộ tăng tốc mới phải cạnh tranh với nhiều năm mã hoạt động và kinh nghiệm nhà phát triển, chứ không chỉ với điểm benchmark.

Tesla và bước vào trung tâm dữ liệu

Dòng Tesla mở đường chuyên biệt cho Nvidia vào máy chủ và siêu máy tính, tách sản phẩm tính toán khỏi card đồ họa dùng để xuất hình. Ra mắt năm 2007, bộ tăng tốc Tesla nhấn mạnh hiệu năng số, dung lượng bộ nhớ, tính năng tin cậy và hoạt động trong hệ thống dày đặc.

Người mua trung tâm dữ liệu đánh giá các ràng buộc khác game thủ. Họ quan tâm thông lượng bền vững, xử lý lỗi, thiết kế nhiệt, thời hạn hỗ trợ phần mềm, khả năng bảo trì, liên lạc cụm và hiệu năng trên mỗi đơn vị điện. Số học chính xác kép quan trọng với nhiều mô phỏng khoa học dù ít ích lợi cho game. Bộ nhớ sửa lỗi có thể thiết yếu khi phép tính chạy nhiều ngày trên hàng nghìn thiết bị.

Phòng thí nghiệm quốc gia và đại học trở thành khách hàng tham chiếu sớm. Siêu máy tính Titan tại Oak Ridge National Laboratory kết hợp CPU với bộ tăng tốc Nvidia K20X và phục vụ nhà nghiên cứu từ năm 2012. Những hệ thống như Titan chứng minh tăng tốc GPU có thể vận hành ở quy mô siêu máy tính trong khoa học sản xuất, không chỉ trong bản trình diễn máy trạm.

Trực quan hóa chuyên nghiệp tạo thêm cầu nối. Sản phẩm Quadro đã đưa phần cứng Nvidia vào tổ chức kỹ thuật, thiết kế, điện ảnh và khoa học. Các quan hệ này giúp công ty hiểu ứng dụng được chứng nhận, chu kỳ hỗ trợ dài và mua sắm tổ chức trước khi AI biến cụm bộ tăng tốc thành khoản chi cấp hội đồng quản trị.

Truy cập đám mây mở rộng thị trường. Amazon Web Services giới thiệu phiên bản GPU, sau đó là Microsoft Azure, Google Cloud và nhà cung cấp khác. Nhà nghiên cứu, startup có thể thuê bộ tăng tốc theo giờ thay vì mua máy chủ, tìm chỗ đặt và tự bảo trì trình điều khiển. Việc này giảm chi phí thử nghiệm và giúp dự án thành công xin thêm năng lực mà không phải xây lại hạ tầng cục bộ.

Lộ trình phần cứng đi qua nhiều kiến trúc. Kepler cải thiện hiệu quả năng lượng và năng lực tính toán. Pascal ghép P100 với bộ nhớ băng thông cao và NVLink. V100 của Volta giới thiệu Tensor Cores cho phép toán ma trận dày đặc. A100 của Ampere mở rộng hỗ trợ độ chính xác hỗn hợp và phân vùng. H100 của Hopper nhắm vào huấn luyện, suy luận transformer bằng Transformer Engine và kết nối nhanh hơn.

Mỗi thế hệ tăng thông lượng lý thuyết, nhưng hiệu năng cụm hữu ích phụ thuộc toàn bộ hệ thống. Nhà vận hành cần bộ xử lý chủ tương thích, lưu trữ, card mạng, chuyển mạch, cấp điện, làm mát, firmware, bộ lập lịch, container và giám sát. Một bộ tăng tốc có thể dẫn đầu benchmark trong khi cụm mất cân bằng để các bộ xử lý đắt tiền chờ dữ liệu.

Thực tế đó kéo Nvidia về kỹ thuật hệ thống. Công ty giới thiệu thiết kế tham chiếu, hợp tác sát với hãng máy chủ rồi bắt đầu xuất xưởng thiết bị tích hợp. Khách hàng trung tâm dữ liệu mua kết quả theo thời gian, và Nvidia ngày càng kiểm soát các thành phần quyết định liệu năng lực quảng cáo có được duy trì hay không.

AlexNet đưa học sâu thành hướng đi thương mại

AlexNet cho thấy mạng nơ-ron huấn luyện bằng GPU có thể vượt phương pháp thị giác máy tính truyền thống ở quy mô đáng kể. Trong cuộc thi ImageNet năm 2012, Alex Krizhevsky, Ilya Sutskever và Geoffrey Hinton huấn luyện mạng khoảng năm đến sáu ngày bằng hai GPU GeForce GTX 580, mỗi GPU có 3 GB bộ nhớ. Tỷ lệ lỗi thấp hơn nhiều các hệ thống cạnh tranh, thu hút chú ý vào mạng tích chập sâu và phần cứng dùng để huấn luyện.

Mạng nơ-ron phù hợp GPU vì huấn luyện lặp lại phép nhân ma trận, tích chập, hàm kích hoạt và phép rút gọn trên mảng lớn. Các thao tác này đủ song song để chiếm nhiều đơn vị thực thi. GPU cũng có băng thông bộ nhớ giúp cấp dữ liệu cho tính toán, dù kích thước mô hình và liên lạc sớm tạo ra giới hạn mới.

Đột phá này là minh chứng, chưa phải hệ thống thương mại hoàn chỉnh. Nhà nghiên cứu vẫn cần nguyên thủy tin cậy, tích hợp framework, liên lạc đa GPU và phương pháp số học độ chính xác thấp. Nvidia đáp lại bằng thay đổi phần mềm và kiến trúc hướng tới mạng nơ-ron.

Thư viện cuDNN, phát hành đầu tiên năm 2014, cung cấp cài đặt tối ưu cho thao tác học sâu. Người duy trì framework chỉ cần tích hợp thư viện một lần để nhiều người dùng nhận tăng tốc GPU mà không phải viết kernel tùy chỉnh. Caffe, Theano, Torch, TensorFlow và PyTorch lần lượt nâng mức trừu tượng lên xa hơn so với lệnh thiết bị riêng lẻ.

Độ chính xác giảm thay đổi kinh tế của huấn luyện. Nhiều thao tác mạng nơ-ron không cần số dấu phẩy động 64 bit. Phần cứng xử lý định dạng 32 bit, 16 bit, 8 bit và nhỏ hơn có thể tăng thông lượng, giảm dùng bộ nhớ khi phần mềm quản lý đúng độ chính xác số. Tensor Cores của Volta, ra mắt năm 2017, tăng tốc các phép toán ma trận phù hợp mẫu này. Kiến trúc sau thêm định dạng, điều khiển hướng đến transformer và suy luận.

Nvidia đóng gói các phần này trong DGX-1 năm 2016. Hệ thống 3U kết hợp tám bộ tăng tốc Tesla P100, kết nối NVLink, lưu trữ, mạng và môi trường phần mềm đã chuẩn bị. Phòng thí nghiệm có thể mua máy tích hợp thay vì tự lắp thành phần tương thích và tự giải quyết cấu hình phần mềm.

Mô hình phát triển từ bán bộ xử lý sang bán máy tính AI. HGX cung cấp bo mạch nền và nền tảng tham chiếu cho hãng hệ thống. DGX mở rộng thành hệ thống lớn hơn và thiết kế SuperPOD. Nhà cung cấp đám mây cung cấp phiên bản dựa trên cùng thế hệ bộ tăng tốc, còn doanh nghiệp có thể triển khai phần mềm liên quan trên máy chủ của mình.

Mô hình transformer làm tăng giá trị của quy mô. Huấn luyện mô hình ngôn ngữ lớn cần nhiều tính toán hơn, bộ nhớ bộ tăng tốc lớn hơn và liên lạc tập thể nhanh hơn. Phục vụ các mô hình này tạo thêm thước đo kinh tế: chi phí và độ trễ tạo token cho người dùng. Nvidia phục vụ cả hai giai đoạn vì hệ thống phần mềm có thư viện huấn luyện, công cụ liên lạc, tối ưu suy luận và thành phần phục vụ mô hình.

AI tạo sinh vì thế khuếch đại công việc đã bắt đầu nhiều năm trước AlexNet. Kết quả năm 2012 xác định ứng dụng tăng trưởng cao cho bộ xử lý song song, còn khoản đầu tư CUDA trước đó làm Nvidia thành nền tảng thực tế sẵn có khi ứng dụng này xuất hiện.

Hệ sinh thái phần mềm trở thành hào cạnh tranh

Hệ sinh thái phần mềm Nvidia giảm công sức cần thiết để biến phần cứng tăng tốc thành ứng dụng hoạt động. Giá trị đến từ nhiều lớp giải quyết vấn đề khác nhau, không phải một giao diện độc quyền duy nhất.

CUDA cung cấp nền tảng lập trình và runtime. Thư viện CUDA-X có hàm tối ưu cho toán học, xử lý dữ liệu, truyền thông, ảnh và học máy. NCCL điều phối thao tác tập thể giữa các GPU, cần thiết khi mô hình phân tán trên nhiều thiết bị. TensorRT tối ưu mô hình đã huấn luyện cho suy luận, còn Triton Inference Server quản lý phục vụ mô hình trên framework và cấu hình phần cứng được hỗ trợ.

Các lớp cao hơn xử lý toàn bộ quy trình. RAPIDS tăng tốc chuẩn bị và phân tích dữ liệu. NeMo cung cấp công cụ phát triển, điều chỉnh mô hình tạo sinh. NIM đóng gói các mô hình được chọn và thành phần suy luận thành vi dịch vụ có thể triển khai. Nvidia AI Enterprise cung cấp phần mềm được hỗ trợ cho tổ chức cần quy trình phát hành và bảo trì rõ ràng.

Lợi thế thực tế có tính tích lũy. Framework dùng kernel tối ưu mà không đòi mọi người dùng thành chuyên gia GPU. Thư viện có thể dùng lệnh của kiến trúc mới mà giao diện ứng dụng vẫn quen thuộc. Doanh nghiệp có thể xác thực tổ hợp trình điều khiển, container, phần mềm điều phối và máy chủ được hỗ trợ thay vì thử từng thành phần riêng.

Tương thích không bao giờ tự động. Độ chính xác mới có thể ảnh hưởng độ chính xác mô hình. Thay đổi trình biên dịch có thể làm lộ giả định trong mã cũ. Phiên bản trình điều khiển, firmware, container và framework phải đồng bộ. Nvidia đầu tư mạnh vào tích hợp vì hoạt động dự đoán được bảo vệ giá trị phần cứng.

Hệ sinh thái mở rộng qua đối tác. Hãng máy chủ xây hệ thống quanh thiết kế HGX và MGX. Nhà cung cấp đám mây vận hành phiên bản GPU, dịch vụ quản lý. Nhà cung cấp phần mềm chứng nhận ứng dụng. Tư vấn và nhà tích hợp hệ thống triển khai cụm. Đại học đào tạo nhà phát triển, startup nhận hỗ trợ kỹ thuật qua chương trình Nvidia.

Nền tảng theo ngành tái sử dụng thành phần cốt lõi rồi thêm công cụ lĩnh vực:

• DRIVE kết hợp điện toán ô tô, mô phỏng, phần mềm nhận thức và công cụ phát triển.
• Isaac phục vụ phát triển robot, dữ liệu tổng hợp, nhận thức và điều khiển.
• Clara tập hợp quy trình y tế, khoa học đời sống như ảnh và hệ gen.
• Omniverse kết nối mô phỏng và quy trình 3D cộng tác quanh OpenUSD.
• Jetson đóng gói phần cứng tăng tốc cùng phần mềm cho robot, camera và hệ thống biên khác.

Các sản phẩm này không đảm bảo được chấp nhận ở mọi ngành. Chương trình ô tô có chu kỳ xác thực dài. Triển khai y tế chịu ràng buộc lâm sàng, quản lý. Mô phỏng công nghiệp cần mô hình chính xác và tích hợp dữ liệu vận hành hiện có. Nvidia cung cấp nền tảng điện toán chung, nhưng khách hàng và đối tác vẫn phải làm nhiều việc chuyên ngành.

Hào cạnh tranh cũng có thể yếu đi. Framework mở ngày càng tách ứng dụng khỏi mã riêng nhà cung cấp. Dự án trình biên dịch có thể nhắm nhiều loại bộ tăng tốc. Môi trường ROCm của AMD đã trưởng thành, còn công ty đám mây kiểm soát dịch vụ phần mềm quanh chip tùy biến. Người mua lớn có thể chấp nhận chi phí chuyển đổi để đa dạng nguồn cung hoặc giảm chi phí vận hành.

Vì vậy, phòng thủ của Nvidia là tính hữu ích liên tục, không phải sự không tương thích vì chính nó. Công ty phải giữ thư viện nhanh, hỗ trợ framework phổ biến, giúp phần cứng mới sớm hiệu quả và tạo đủ giá trị vận hành để người mua thích nền tảng tích hợp bất chấp giá và rủi ro tập trung.

Các cược chiến lược đưa Nvidia vượt ra ngoài GPU

Nvidia mở rộng vượt khỏi bộ xử lý đồ họa mỗi khi công nghệ lân cận hạn chế hiệu năng hệ thống hoặc mở ra thị trường điện toán khác. Có cược trở thành mảng trung tâm, có cược tiêu tốn nhiều năm mà không đem lại kết quả kỳ vọng.

Tegra là nỗ lực sớm đưa bộ xử lý Nvidia vào điện thoại, máy tính bảng, xe và thiết bị nhúng. Thị trường điện thoại ưu tiên nhà cung cấp system-on-chip tích hợp có vị thế modem mạnh, nơi Nvidia không có ưu thế bền vững. Tegra tìm được vai trò phù hợp hơn trong hệ thống ô tô, dòng Shield, bo mạch phát triển nhúng và máy Switch của Nintendo.

Bài học là hiệu năng bộ xử lý một mình không vượt qua được kinh tế nền tảng. Điện năng, tích hợp vô tuyến, tương thích ứng dụng, thỏa thuận nguồn cung và lộ trình khách hàng có thể quan trọng hơn năng lực đồ họa. Nvidia thu hẹp tham vọng di động và áp dụng công nghệ vào thị trường nơi điện toán song song, đồ họa có trọng lượng hơn.

Công ty cũng xây hoặc mua công nghệ quanh kết nối. NVLink, công bố năm 2014 và giới thiệu với hệ thống Pascal, tạo liên lạc trực tiếp nhanh hơn giữa GPU, hỗ trợ kết nối CPU-GPU chặt hơn ở một số thiết kế. NVSwitch cho nhiều bộ tăng tốc liên lạc qua cấu trúc chuyển mạch băng thông cao trong máy chủ hoặc giá đỡ.

Thương vụ Mellanox 6,9 tỷ USD được Nvidia công bố năm 2019, hoàn tất năm 2020, mở rộng sự kiểm soát đó qua mạng trung tâm dữ liệu. Mellanox mang đến InfiniBand, Ethernet tốc độ cao, card mạng, chuyển mạch và kinh nghiệm sâu về truy cập bộ nhớ trực tiếp từ xa. Các tài sản này ngày càng giá trị khi cụm AI tăng từ vài bộ tăng tốc lên hàng nghìn.

Huấn luyện phân tán có thể đình trệ khi bộ xử lý chờ gradient, tham số hoặc kích hoạt. Mạng độ trễ thấp và thao tác tập thể hiệu quả cải thiện phần thời gian GPU thực sự tính toán. Vì vậy Mellanox cải thiện kinh tế của mọi bộ tăng tốc trong cụm, chứ không phải tính năng ngoại vi.

BlueField data processing units chuyển tác vụ mạng, lưu trữ, bảo mật và hạ tầng khỏi CPU chủ. Spectrum-X áp dụng sản phẩm Ethernet, phần mềm cho lưu lượng cụm AI, còn hệ Quantum tiếp tục dòng InfiniBand. Nvidia giờ có thể thiết kế kết cấu tính toán từ liên kết bộ tăng tốc trong một giá đỡ đến kết nối mạng qua nhiều giá.

Thương vụ mua Arm theo con đường khác. Nvidia công bố đề xuất 40 tỷ USD năm 2020, định kết hợp điện toán tăng tốc với bộ lệnh CPU và tài sản trí tuệ được cấp phép rộng của Arm. Khách hàng, cơ quan quản lý lo quyền sở hữu của một nhà cung cấp chip có thể làm tổn hại vị thế cấp phép trung lập của Arm. Nvidia chấm dứt giao dịch năm 2022 sau phản đối từ cơ quan quản lý.

Thất bại này không kết thúc kế hoạch CPU. Grace, CPU trung tâm dữ liệu dựa trên Arm do Nvidia thiết kế, đã vào các hệ thống ghép với GPU Hopper và Blackwell. Tự làm CPU cho phép công ty điều chỉnh bộ nhớ, tính nhất quán, điện năng và giao tiếp chip cho khối lượng công việc nhiều bộ tăng tốc mà không cần sở hữu hệ sinh thái Arm.

Nvidia cũng mua các công ty phần mềm, lưu trữ, quản lý cụm và phát triển AI. Những giao dịch quan trọng nhất cùng một mục tiêu: giảm ma sát hoặc thời gian nhàn rỗi quanh năng lực tính toán đắt tiền. Tiêu chí này phân biệt mở rộng nền tảng nhất quán với đa dạng hóa chỉ vì muốn đa dạng hóa.

Blackwell và Rubin biến giá đỡ thành sản phẩm

Blackwell và Rubin đánh dấu bước chuyển từ bán bộ tăng tốc trong máy chủ sang thiết kế cả giá trung tâm dữ liệu như một đơn vị điện toán. Sự chuyển dịch phản ánh kích thước mô hình và khối lượng suy luận vượt giới hạn bộ nhớ, liên lạc và điện của chip riêng lẻ.

Nvidia công bố nền tảng Blackwell năm 2024. GPU Blackwell kết hợp hai die lớn bằng kết nối chip-với-chip băng thông cao, cho phép chúng hoạt động như một thiết bị logic. GB200 Grace Blackwell Superchip ghép hai GPU Blackwell với CPU Grace bằng NVLink-C2C.

GB200 NVL72 mở rộng thiết kế thành giá làm mát chất lỏng chứa 72 GPU Blackwell và 36 CPU Grace kết nối bằng NVLink thế hệ năm. BlueField data processing units cùng mạng InfiniBand hoặc Spectrum-X Ethernet bên ngoài kết nối giá này với lưu trữ và hệ thống khác. Ranh giới sản phẩm giờ gồm làm mát, cáp, chuyển mạch, firmware và điều phối cùng bộ xử lý.

Blackwell Ultra, gồm hệ GB300, tăng bộ nhớ và nhắm vào công việc suy luận, lập luận giữ ngữ cảnh dài hoặc di chuyển lượng lớn trạng thái mô hình. Kết quả tài khóa 2026 của Nvidia cho thấy ảnh hưởng thương mại: tăng trưởng đến từ cả năng lực Blackwell lẫn sản phẩm NVLink, Ethernet và InfiniBand cần để vận hành nó ở quy mô lớn.

Nền tảng Rubin đi vào sản xuất năm 2026, với hệ thống đối tác dự kiến triển khai nửa cuối năm. Nền tảng kết hợp CPU Vera, GPU Rubin, bộ chuyển NVLink 6, card mạng ConnectX-9, bộ xử lý dữ liệu BlueField-4 và bộ chuyển Ethernet Spectrum-6. Nvidia thiết kế các phần này cùng nhau cho mô hình mixture-of-experts lớn, suy luận ngữ cảnh dài và tác nhân AI lặp lại các bước suy luận, dùng công cụ.

Nhịp nền tảng hằng năm thay đổi vấn đề của người mua. Nhà vận hành đám mây không còn so thông lượng đỉnh của GPU tách biệt. Họ phải so token trên mỗi đơn vị điện, độ trễ ứng dụng, dung lượng bộ nhớ hiệu dụng, mức dùng mạng, mức sẵn sàng phần mềm, yêu cầu làm mát, thời gian lắp đặt và doanh thu một giá có thể tạo ra.

Tích hợp cấp giá tạo lợi thế lẫn nghĩa vụ. Nvidia có thể điều chỉnh toàn bộ đường liên lạc và bán nhiều thành phần hơn mỗi lần lắp đặt. Khách hàng nhận thiết kế đã xác thực với ít lựa chọn tích hợp hơn. Nhưng công ty phải phối hợp chuỗi cung ứng lớn hơn, quản lý lỗi cấp hệ thống, hỗ trợ làm mát chất lỏng và giao phần mềm đủ trưởng thành để người mua nhanh chóng dùng kiến trúc mới.

Cách tiếp cận cũng thay đổi biên lợi nhuận gộp. Bán hệ thống hoàn chỉnh gồm nhiều thành phần vật lý biên thấp hơn so với bán bộ tăng tốc độc lập, dù tổng lợi nhuận mỗi lần lắp có thể cao. Lỗi sản xuất, thay đổi thiết kế sát giờ hoặc thiếu bộ nhớ, năng lực đóng gói có thể tác động đến bảng vật tư lớn hơn nhiều.

Điện đã trở thành giới hạn cứng. Trung tâm dữ liệu có thể có chip nhanh hơn khả năng có công suất điện lưới, trạm biến áp, máy phát, thiết bị làm mát hay giấy phép xây dựng. Vì thế, tăng trưởng tương lai của Nvidia phụ thuộc vào công việc hữu ích trên mỗi watt, mỗi giá, chứ không chỉ số phép số học ghi trên thông số.

Cạnh tranh thử thách mọi lớp của nền tảng

Nvidia đối mặt cạnh tranh từ bộ tăng tốc thương mại, chip do đám mây thiết kế, hệ thống phần mềm thay thế và khách hàng muốn tăng sức mặc cả. Mối đe dọa khác nhau theo công việc, nên không benchmark đơn lẻ nào quyết định cuộc đua.

AMD là đối thủ trực tiếp gần nhất ở cả đồ họa game lẫn GPU trung tâm dữ liệu. Bộ tăng tốc Instinct và phần mềm ROCm nhắm vào huấn luyện, suy luận và điện toán hiệu năng cao. Thế hệ MI300 có triển khai đáng kể, tiếp theo là MI350 và dòng MI400 với thiết kế giá Helios năm 2026. AMD cạnh tranh bằng dung lượng bộ nhớ, tiêu chuẩn mở, tích hợp bộ xử lý và mong muốn có nhà cung cấp thứ hai của khách hàng.

Intel vẫn có cơ sở CPU máy chủ lớn, đã theo đuổi GPU rời và bộ tăng tốc Gaudi. Chiến lược bộ tăng tốc của hãng thay đổi nhiều lần, cho thấy khó khăn khi đồng thời duy trì nhịp silicon, chấp nhận phần mềm và tính sẵn có của hệ thống. Một lựa chọn đáng tin cần hỗ trợ framework, vận hành cấp cụm, chứ không chỉ chip ấn tượng đơn lẻ.

Nhà cung cấp đám mây tấn công một phần khác trong vị thế Nvidia. Tensor processing units của Google chạy dịch vụ nội bộ và có qua Google Cloud, Ironwood phục vụ huấn luyện, lập luận, suy luận quy mô lớn. AWS có Trainium cho phát triển mô hình và Inferentia cho phục vụ, gồm hệ Trainium3. Các công ty công nghệ lớn khác thiết kế bộ tăng tốc hoặc silicon mạng cho công việc riêng.

Chip tùy biến có thể thắng khi người mua kiểm soát mô hình, trình biên dịch, trung tâm dữ liệu và mức sử dụng. Họ có thể bỏ tính năng không cần và tối ưu quanh phần mềm dự đoán được. GPU thương mại vẫn có ưu thế khi khách cần tương thích framework rộng, nhiều loại mô hình, triển khai nhanh và truy cập qua nhiều đám mây.

Các công ty chuyên biệt theo đuổi bộ xử lý cấp wafer, kiến trúc luồng dữ liệu, chip suy luận, kết nối quang và nhiều hướng khác. Cerebras, Groq cùng nhiều startup tập trung vào vấn đề hiệu năng hoặc độ trễ cụ thể. Thách thức là biến ưu thế kỹ thuật thành hệ thống sẵn có, phần mềm tin cậy và đủ công suất sản xuất cho khách hàng lớn.

Cạnh tranh cũng đến từ trừu tượng hóa. PyTorch, JAX, trình biên dịch di động, dịch vụ container hóa và động cơ suy luận có thể giảm lượng công việc riêng nhà cung cấp mà nhà phát triển ứng dụng nhìn thấy. Nếu nhóm có thể chuyển mô hình với ít thay đổi, bộ phận mua sắm có thêm đòn bẩy, dù kernel bên dưới vẫn tối ưu sâu cho từng thiết bị.

Người mua nên so hệ thống bằng công việc của chính mình thay vì dựa vào số học đỉnh. Đánh giá hữu ích gồm độ chính xác mô hình ở độ chính xác đã chọn, batch size, hành vi prefill và decode, giới hạn bộ nhớ, khả năng mở rộng kết nối, điện, tính sẵn có, hỗ trợ và công sức kỹ thuật. Bộ tăng tốc rẻ hơn có thể thành đắt nếu nhàn rỗi hoặc cần nhiều tháng chuyển đổi. Nền tảng cao cấp cũng có thể không kinh tế nếu thiết bị đơn giản đáp ứng mục tiêu độ trễ, thông lượng.

Vị thế Nvidia mạnh nhất khi khách hàng coi trọng một môi trường được hỗ trợ rộng từ phát triển cục bộ, huấn luyện đám mây, cụm lớn đến suy luận sản xuất. Điểm yếu tăng khi người mua đủ quy mô, kiểm soát phần mềm để tối ưu một lựa chọn hẹp hơn.

Kiểm soát xuất khẩu và tập trung nguồn cung thành rủi ro vận hành

Chính sách chính phủ và sản xuất tập trung nay ảnh hưởng đến thiết kế sản phẩm, tồn kho, khả năng tiếp cận khách hàng và biên lợi nhuận của Nvidia. Bộ tăng tốc tiên tiến được coi là công nghệ chiến lược vì hỗ trợ AI thương mại, nghiên cứu khoa học, phân tích tình báo và ứng dụng quân sự.

Hạn chế xuất khẩu của Mỹ năm 2022 ảnh hưởng sản phẩm A100, H100 bán sang Trung Quốc và điểm đến bị hạn chế khác. Quy định năm 2023 mở rộng để bao trùm nhiều sản phẩm và thước đo hiệu năng hơn. Nvidia phát triển biến thể tuân thủ, gồm H20, nhưng chính sách tiếp tục thay đổi.

Tháng 4 năm 2025, Mỹ yêu cầu giấy phép cho H20 xuất sang Trung Quốc và một số thị trường liên quan. Nvidia ghi nhận khoản phí 4,5 tỷ USD cho tồn kho dư và nghĩa vụ mua hàng trong tài khóa 2026. Giấy phép hạn chế sau đó cho phép một số lô H20, còn chính sách năm 2026 cho phép xem xét từng trường hợp với đơn H200 trong điều kiện xác định. Cuối tài khóa 2026, Nvidia vẫn báo cáo trên thực tế không thể cạnh tranh tại thị trường điện toán trung tâm dữ liệu Trung Quốc.

Sự việc cho thấy rủi ro đặc thù của bán dẫn. Công ty cam kết wafer, bộ nhớ, đóng gói và hệ thống nhiều tháng trước khi giao cuối. Quy định áp sau các cam kết có thể biến sản phẩm thiết kế cho một khu vực thành tồn kho khó chuyển hướng. Thiết kế lại để tuân thủ cũng có thể yếu về thương mại nếu đối thủ địa phương ít hạn chế hơn hoặc quy định khác đến trước khi sản xuất tăng quy mô.

Câu hỏi chống độc quyền xuất hiện từ vị thế thị trường, chiến lược toàn hệ thống của Nvidia. Cơ quan quản lý có thể xem xét mua lại, thực hành nguồn cung, bán kèm, quan hệ đám mây và quyền tiếp cận phần mềm, phần cứng. Vụ Arm bị hủy cho thấy kiểm soát hạ tầng trung lập nhận giám sát khác với mở rộng sản phẩm thông thường.

Tập trung sản xuất tạo ra rủi ro riêng. Nvidia vẫn không sở hữu nhà máy, phụ thuộc nặng vào TSMC cho wafer tiên tiến. Công ty cũng cần bộ nhớ băng thông cao, đóng gói tiên tiến, đế mạch, thành phần mạng, hệ thống điện và nhà sản xuất hợp đồng đủ khả năng lắp giá phức tạp. Công suất một thành phần không bù được thiếu hụt ở thành phần khác.

Đài Loan là trung tâm của sản xuất bán dẫn tiên tiến và lắp ráp hệ thống, còn Hàn Quốc quan trọng với nguồn bộ nhớ. Động đất, gián đoạn tiện ích, vấn đề vận chuyển, hạn chế thương mại hoặc xung đột có thể làm gián đoạn sản lượng. Đa dạng hóa địa lý mất nhiều năm vì cơ sở tiên tiến, quy trình đạt chuẩn và mạng nhà cung cấp không thể sao chép bằng cách chuyển đơn hàng sang nhà máy thông thường.

Trung tâm dữ liệu AI còn có ràng buộc tại chỗ. Triển khai lớn cần phát điện, truyền tải, nước làm mát hay hệ thống tản nhiệt thay thế, đất, giấy phép và người vận hành lành nghề. Quy định quốc gia, khu vực về năng lượng, vị trí dữ liệu, quyền riêng tư và đầu tư nước ngoài có thể quyết định nơi lắp hệ thống dù nguồn bộ tăng tốc sẵn có.

Vì vậy Nvidia phải quản lý kỹ thuật, chính sách và hạ tầng vật lý cùng lúc. Quy mô cải thiện sức mua, phối hợp nhà cung cấp, nhưng giá trị tập trung ở mỗi thế hệ sản phẩm làm sai lầm và cú sốc bên ngoài trở nên đắt đỏ hơn.

Lãnh đạo của Jensen Huang định hình mô hình vận hành Nvidia

Nhiệm kỳ dài của Jensen Huang đem đến cho Nvidia tính liên tục hiếm có qua đồ họa, điện toán di động, tăng tốc khoa học và AI. Ông giữ chức giám đốc điều hành từ khi thành lập, cho phép đầu tư kỹ thuật tiếp tục qua những giai đoạn thị trường công chúng đánh giá thấp chúng.

Huang kết hợp truyền thông sản phẩm với tham gia kỹ thuật chi tiết. Bài thuyết trình công khai chuyển kiến trúc thành kinh tế công việc và hệ thống, còn các buổi đánh giá nội bộ nổi tiếng với phản hồi thẳng và chia sẻ thông tin rộng. Áo khoác da trở thành dấu hiệu nhận diện, nhưng đặc điểm quan trọng hơn là sự kiên quyết hiểu cách phần cứng, phần mềm, mạng và thị trường tác động lẫn nhau.

Nvidia có cơ cấu tương đối phẳng so với quy mô. Thông tin có thể đến lãnh đạo cấp cao qua cập nhật ngắn, nhóm đánh giá lớn thay vì chuỗi dài cuộc họp quản lý riêng. Điều này có thể sớm làm lộ vấn đề và để chuyên gia thách thức giả định qua ranh giới tổ chức.

Mô hình cũng tạo áp lực. Phê bình trực tiếp, kỳ vọng cao, chu kỳ sản phẩm dày và sự hiển thị của công việc chưa hoàn tất đòi hỏi nhiều ở nhân viên. Thực hành giúp công ty kỹ thuật nhỏ di chuyển nhanh cần kỷ luật khi số nhân sự, nghĩa vụ quản lý và cam kết khách hàng tăng.

Một số nguyên tắc văn hóa lặp lại trong quyết định lớn của Nvidia:

• Trung thực trí tuệ quan trọng khi kiến trúc hoặc giả định thị trường thất bại.
• Kế hoạch sản phẩm kết hợp chu kỳ bán dẫn dài với lặp phần mềm nhanh.
• Nhà phát triển được coi là người dùng chính, cần được thuyết phục để chấp nhận.
• Cược kỹ thuật có thể kéo dài nhiều năm khi lập luận nền tảng vẫn đúng.
• Hiệu năng hệ thống quan trọng hơn tối ưu một thành phần riêng lẻ.

CUDA là ví dụ rõ nhất về đầu tư kiên nhẫn, còn chuyển hướng NV1 cho thấy kỹ năng đối lập: bỏ một con đường khi bằng chứng bác bỏ nó. Kiên trì và linh hoạt chỉ tương thích khi lãnh đạo phân biệt được kế hoạch khó với tiền đề sai.

Sự kiểm soát của nhà sáng lập có thể hỗ trợ nhất quán, nhưng cũng tập trung phán đoán. Tương lai Nvidia phụ thuộc vào kế hoạch kế nhiệm, những lãnh đạo có thể phản biện Huang và quy trình vận hành được khi ông không tham gia mọi quyết định quan trọng. Quy mô tạo ra trách nhiệm mà sự khẩn trương của startup không tự giải quyết được, gồm tuân thủ, an toàn, bảo mật, quản lý lao động và giao hàng tin cậy cho chính phủ, doanh nghiệp toàn cầu.

Văn hóa công ty cũng mở rộng vượt khỏi kỹ thuật đồ họa. Nhà nghiên cứu, nhóm trình biên dịch, chuyên gia mạng, kiến trúc sư hệ thống, nhà vận hành đám mây, nhóm ô tô và phần mềm ngành phải phối hợp trên cùng nền tảng. Thách thức tổ chức của Nvidia là giữ tranh luận kỹ thuật nhanh trong khi vận hành hạ tầng mà sự cố của nó ảnh hưởng khách hàng vượt xa thị trường game PC.

Chuyển đổi tài chính đi theo chuyển đổi sản phẩm

Kết quả tài chính Nvidia thay đổi khi hệ thống trung tâm dữ liệu trở thành nguồn doanh thu chủ đạo, biến nhà cung cấp đồ họa theo chu kỳ thành một trong những doanh nghiệp hạ tầng điện toán lớn nhất thế giới. Quá trình tiến triển từ tốn nhiều năm rồi tăng tốc theo nhu cầu AI tạo sinh.

Sau IPO năm 1999, doanh thu Nvidia phụ thuộc nhiều vào đồ họa PC, chu kỳ game, nhu cầu máy trạm và quan hệ với nhà sản xuất bo mạch, OEM. Game vẫn sinh lời nhưng điều chỉnh tồn kho có thể rất mạnh. Thế hệ đồ họa mới đòi đầu tư nghiên cứu lớn trước khi nhu cầu chắc chắn.

Một số đợt suy giảm cho thấy tính chu kỳ đó. Khủng hoảng tài chính 2008 làm giảm chi tiêu công nghệ. Đào tiền mã hóa tạo nhu cầu card đồ họa cao bất thường rồi góp phần điều chỉnh tồn kho năm 2018. Nhu cầu thời đại dịch và gián đoạn nguồn cung tiếp theo là một điều chỉnh game khác trong năm 2022. Nvidia cũng ghi nhận khoản phí liên quan sản phẩm khi giả định kỹ thuật hoặc thị trường thất bại.

Bán hàng trung tâm dữ liệu thay đổi cả quy mô và tập trung khách hàng. Doanh thu tài khóa 2024 đạt 60,9 tỷ USD, trong đó 47,5 tỷ USD từ Data Center. Doanh thu tài khóa 2025 lên 130,5 tỷ USD, Data Center đóng góp 115,2 tỷ USD. Tài khóa 2026 đạt 215,9 tỷ USD, trong đó Data Center là 193,7 tỷ USD.

Các số liệu tài khóa 2026 cho thấy cơ cấu đã đổi hoàn toàn. Data Center chiếm gần 90% doanh thu năm, trong khi game vẫn lớn nhưng nhỏ hơn nhiều. Quý kết thúc ngày 26 tháng 4 năm 2026 có tổng doanh thu 81,6 tỷ USD và Data Center 75,2 tỷ USD khi hệ Blackwell 300 cùng sản phẩm mạng tăng quy mô.

Khả năng sinh lời phản ánh cả bộ tăng tốc khan hiếm, giá trị cao lẫn chi phí cung cấp hệ thống hoàn chỉnh. Nvidia báo cáo biên lợi nhuận gộp GAAP 71,1% cho tài khóa 2026, giảm từ 75,0% năm 2025. Mức giảm phản ánh chuyển từ sản phẩm Hopper HGX sang giải pháp trung tâm dữ liệu Blackwell hoàn chỉnh và khoản phí tồn kho H20. Doanh thu cao không làm rủi ro cơ cấu sản phẩm hay chính sách biến mất.

Cơ sở khách hàng tạo thêm căng thẳng. Nhà cung cấp đám mây, phòng thí nghiệm AI, nhà sản xuất máy chủ và khách hàng trực tiếp lớn khác có thể chiếm phần mua đáng kể. Kế hoạch vốn của họ có thể thay đổi nhanh, một số đang tự phát triển chip trong khi vẫn mua hệ thống Nvidia. Nhu cầu tổng thể có thể mạnh nhưng một sản phẩm hay khách hàng riêng vẫn gây biến động.

Cổ phiếu Nvidia phản ánh kỳ vọng thay đổi. Giá trị thị trường vượt 1 nghìn tỷ USD năm 2023 khi nhà đầu tư định giá quy mô nhu cầu hạ tầng AI, rồi vượt thêm các mốc nghìn tỷ USD trong năm 2024. Chia tách cổ phiếu 10 đổi 1 có hiệu lực tháng 6 năm 2024, sau đợt 4 đổi 1 năm 2021 và nhiều đợt trước đó. Chia tách thay đổi số cổ phiếu, giá mỗi cổ phiếu, không thay giá trị doanh nghiệp.

Phân tích tài chính lành mạnh tách nhu cầu khỏi kinh tế bền vững. Người mua có thể tiếp tục xây năng lực AI nhưng chuyển sang chip suy luận rẻ hơn. Nvidia có thể tăng doanh thu trong khi biên gộp giảm vì hệ thống gồm nhiều nội dung bên thứ ba hơn. Chuyển kiến trúc nhanh có thể tạo phí tồn kho. Giới hạn điện, xây dựng có thể trì hoãn triển khai dù khách muốn thêm năng lực tính toán.

Luận điểm dài hạn dựa trên điện toán tăng tốc thay thế thêm công việc đa dụng, suy luận AI thành khối lượng sản xuất lặp lại, Nvidia giữ phần lớn giá trị hệ thống và phần mềm. Luận điểm đối lập dựa trên tập trung khách hàng, silicon tùy biến, bộ tăng tốc thay thế, kiểm soát xuất khẩu, giới hạn nguồn cung và chi tiêu có thể đi trước ứng dụng AI sinh lời. Cả hai nên được đánh giá qua dòng tiền và kinh tế triển khai, không phải nhãn đơn giản như công ty chip hay nền tảng phần mềm.

Quá khứ Nvidia nói gì về giai đoạn tiếp theo

Giai đoạn tiếp theo của Nvidia phụ thuộc vào việc làm các hệ thống AI lớn vận hành kinh tế hơn, chứ không chỉ làm từng bộ xử lý nhanh hơn. Huấn luyện vẫn đòi hỏi cao, nhưng suy luận sản xuất, mô hình lập luận và tác nhân phần mềm có thể tiêu thụ năng lực tính toán liên tục. Các thước đo khách hàng quan trọng đang chuyển sang độ trễ, token mỗi watt, token mỗi đô la, thời gian hoạt động và doanh thu trên mỗi đơn vị điện lắp đặt.

Rubin cho thấy Nvidia dự định đáp ứng nhu cầu đó bằng cách nào: phát hành nền tảng hằng năm, tích hợp chặt hơn bộ xử lý và mạng, hệ thống bộ nhớ lớn hơn, phần mềm điều chỉnh cho cấu trúc mô hình thay đổi. Nhịp nhanh hơn có thể giữ khách hàng trên nền tảng nhưng cũng rút ngắn vòng đời kinh tế của thiết bị đắt tiền, gây thêm áp lực lên nhà cung cấp và đội ngũ kỹ thuật.

AI vật lý là một cược lớn khác. DRIVE, Isaac, Jetson, Omniverse và công cụ mô phỏng kết nối huấn luyện mô hình với máy móc nhận biết, hành động trong thế giới thực. Robot và xe cần suy luận cục bộ độ trễ thấp, còn hệ thống đám mây có thể thực hiện huấn luyện, phân tích đội xe và mô phỏng. Tiến bộ phụ thuộc vào an toàn, độ tin cậy, dữ liệu cảm biến và kinh tế triển khai thực tế nhiều như hiệu năng bộ tăng tốc.

Song sinh số mở rộng cùng cách tiếp cận sang nhà máy, kho hàng, hệ thống điện và môi trường kỹ thuật khác. Mô phỏng có thể giảm chi phí thử bố cục hoặc hành vi robot trước khi thay đổi vật lý. Giá trị của nó phụ thuộc mô hình chính xác và dữ liệu vận hành được duy trì, nên tích hợp phần mềm vẫn khó như dựng hình.

Với người xây ứng dụng, lịch sử này giải thích vì sao hạ tầng AI có vẻ xa vời dù định hình công việc hằng ngày. Một nhà sáng lập không chuyên kỹ thuật có thể mô tả ứng dụng web, máy chủ hoặc di động trong Koder.ai, trong khi mô hình ngôn ngữ và hỗn hợp tác nhân thực hiện công việc phía sau giao diện trò chuyện. Trải nghiệm đó trừu tượng hóa bộ tăng tốc, mạng, lưu trữ và phần mềm mô hình bên dưới. Cơ hội thương mại Nvidia tăng khi thêm sản phẩm tiêu thụ AI mà người dùng không phải quản lý kernel GPU hoặc cụm.

Người xây sản phẩm có thể rút ra vài bài học thực tế. Chọn ứng dụng cấp bách có thể tài trợ nền tảng rộng hơn. Đầu tư trải nghiệm nhà phát triển trước khi đối thủ xem đó là ưu tiên. Giữ tương thích khi người dùng cam kết mã và đào tạo cho sản phẩm. Chỉ mở rộng sang thành phần kề bên khi chúng loại bỏ nút thắt được đo đạc. Bỏ tiền đề kỹ thuật khi tiêu chuẩn hoặc bằng chứng chứng minh nó sai.

Nhà hoạch định chính sách đối mặt lựa chọn khác. Nguồn bộ tăng tốc, đóng gói tiên tiến, bộ nhớ, năng lượng, truy cập đám mây và kỹ năng phần mềm nay ảnh hưởng năng lực điện toán quốc gia. Kiểm soát xuất khẩu có thể hạn chế đối thủ, nhưng cũng gây tổn thất tồn kho, giảm khả năng nhà cung cấp tiếp cận nhà phát triển nước ngoài và khuyến khích lựa chọn nội địa ở thị trường bị hạn chế. Chính sách cạnh tranh phải phân biệt tích hợp cải thiện hiệu năng hệ thống với hành vi ngăn khách hàng chọn lựa thay thế khả thi.

Lịch sử Nvidia cuối cùng là chuỗi cam kết cộng dồn. Đồ họa tài trợ phần cứng song song. Shader lập trình được cho thấy cơ hội điện toán đa dụng. CUDA tích lũy phần mềm và nhà phát triển. AlexNet đem đến khối lượng AI định nghĩa thời đại. DGX, Mellanox, Grace, Blackwell và Rubin mở rộng ranh giới sản phẩm cho đến khi giá đỡ thành máy tính.

Chuỗi đó tạo lợi thế Nvidia nhưng không khiến lợi thế vĩnh viễn. Công ty phải tiếp tục giải nút thắt vận hành kế tiếp khi đối thủ tấn công vào giá, tính mở, đa dạng nguồn cung và hiệu năng chuyên biệt. Thành công trước đây đến từ việc nhận ra khi mô hình điện toán đã đổi. Tương lai phụ thuộc vào việc làm được điều đó lần nữa, trước khi mô hình hiện tại thành giả định mà công ty không muốn đặt câu hỏi.