诚然，这样的结果，也许让NVIDIA觉得意外，但并不会觉得陌生，因为在2007年，NVIDIA推动CUDA架构（Compute Unified Device Architecture，计算统一设备架构）时，也是个疯狂激进与走在「未来」的产品。
GPU的强项在于图形绘制，若想要用GPU做非图形，如科学运算或一般类型运算，复杂麻烦又没效率，而NVIDIA的CUDA让GPU做图形以外的运算变得简单容易。
所谓CUDA 是 NVIDIA 创造的一个并行计算平台和编程模型。它利用图形处理器 (GPU) 能力，实现计算性能的显著提高。借助目前已售出的数百万支持 CUDA 的 GPU，软件开发人员、科学家和研 究人员正在各种各样的应用程序中使用 GPU 加速计算。
在GPU加速的应用程序中，工作负载的顺序部分在CPU上运行，针对单线程性能进行了优化，而应用程序的计算密集型部分则并行运行在数千个GPU内核上。使用CUDA时，开发人员使用C，C ++，Fortran，Python和MATLAB等流行语言进行程序设计，并以几个基本关键字的形式通过扩展表达并行性。CUDA工具包包括GPU加速库，编译器，开发工具和CUDA运行时。
CUDA的核心设计理念就是计算机中的线程。与传统CPU中的4、8和16个线程不同，GPU中的线程可以多达几万个。
「CUDA可以运作在NVIDIA GeForce 8系列之后的GPU上，GPGPU也算是一种平价的高效能运算方式，它把桌上型电脑变成一台个人的超级电脑（personal supercomputer in a desktop）。」《GPU高效能运算环境—CUDA与GPU Cluster介绍》一文中强调。
这是个伟大的创新，但在当时NVIDIA的主要客户还没有高速运算需求的电脑游戏或美术设计业者，但NVIDIA挺而走险，坚持要做到大规模普及，因此在GeForce 8系列后「每一款」GPU都支援CUDA。
「即便是今天回想起来，这仍然是一个风险极高、形同疯狂的决定。这意味着面对这些尚没有高性能运算需求的传统客户，NVIDIA都必须在硬件产品的设计中增加相关的CUDA逻辑电路，这使得芯片面积增大、散热增加、成本上升、故障几率增加；同时，对于每一款产品，相关的软体驱动都必须保障对CUDA的完美支援。」中国AI公司格灵深瞳执行长赵勇撰文指出。
2007年NVIDIA正式把CUDA引进产品中，当时AI还处于第二次寒冰期。由深度学习教父辛顿（Geoffrey Hinton）执笔的深度学习技术重要文献《Deep Belief Networks》在2006年才刚发表，距离2012年至2013年AI应用大爆发时期还有六年至七年时间。
CUDA与GPU硬件本身紧密的结合，推升现在的GPU加速浪潮，让AI走出实验室走入企业。CUDA是深度学习发展的加速剂，让深度学习的计算速度倍增。
CUDA让NVIDIA的GPU生态圈迅速成型，而CUDA也帮NVIDIA筑起一道坚固护城河。「如果没有NVIDIA的CUDA，科学界证实深度学习巨大潜力的时间不知道还要推迟多久。」赵勇强调。NVIDIA也因此收获甜美的果实，股价在2016年年初的20元至30元开始涨至2018年中的270元至280元。
英伟达花了好几年才让CUDA牵住了客户，不过CUDA也帮英伟达在高性能运算市场索回了相应的回报。2012年，CUDA和GPU与深度学习的神经网络结合在一起，震惊了学术界。 当时，加拿大多伦多大学的Geoffrey Hinton带着两个学生，用GPU训练深度神经网络拿下了ImageNet图像识别大赛的冠军，然后开启了深度学习的黄金时代。
*文章内容系作者个人观点，不代表半导体行业观察对观点赞同或支持。
