一场持续三十多年的「长期主义 + 软硬件协同」 面向普通读者的中文历史梳理 ｜ 含时间线、关键决策、数据与来源 ｜ 资料截止：2026-09-17

英伟达发家史：从显卡到 AI 基础设施

先说结论：英伟达不是突然押中了 AI

英伟达的崛起可以概括为四次连续押注：先用 3D 图形芯片切入 PC 游戏市场；再把 GPU 做成可编程的并行计算器；随后用 CUDA、软件库和开发者生态把芯片变成平台；最后补齐网络、CPU、系统和云服务，把「显卡公司」升级为数据中心基础设施公司。AI 热潮是放大器，不是故事的起点。[1][3]

💡 一句话看懂：英伟达真正的护城河不是单独某一代 GPU，而是「GPU + CUDA 软件栈 + 开发者生态 + 网络与系统 + 云厂商渠道」的组合。

这份文档怎么读

  • 主线：1993 年创立 → 1995 年首款产品失利 → 1997 年 RIVA 128 翻身 → 1999 年 GeForce 定义 GPU → 2006 年 CUDA 铺路 → 2012 年 AlexNet 引爆 AI → 2020 年 Mellanox 补齐网络 → 2023—2025 年进入全栈 AI 基础设施。
  • 证据分层：SEC 年报与 NVIDIA 官方材料用于时间线、产品和财务事实；Computer History Museum、Sequoia 访谈和技术论文用于补充创始人叙述与技术背景。
  • 注意：公司年报包含企业自述和前瞻性表达；本文把公司自己的判断标成「公司称/年报称」，不把宣传口号当作独立审计结论。

一张图看懂三十多年转向

图 1｜从 3D 图形到 AI 基础设施的关键节点

图 1｜从 3D 图形到 AI 基础设施的关键节点（根据 [1][3][10] 及各章节来源整理）

一、1993—1995：在 PC 3D 图形的缝隙里创业

1993 年，Jensen Huang（黄仁勋）、Chris Malachowsky 和 Curtis Priem 创立 NVIDIA。三位创始人都具备芯片、系统或图形工程背景，他们判断 PC 不会只用来处理文档，3D 图形和互动娱乐会成为下一轮计算平台。[1][2]

这个判断今天看起来顺理成章，但当时并不容易。创业公司既没有英特尔那样的制造能力，也没有成熟的产品渠道，最现实的办法是做一家「无晶圆厂」芯片公司：自己设计芯片，把制造交给代工厂，再通过显卡板卡厂商和 OEM 厂商进入市场。

NVIDIA 的第一款重要产品是 1995 年推出的 NV1 多媒体处理器。它把 2D、3D、视频、音频和游戏接口集中到一块芯片上，但采用了与行业主流不同的曲面/二次曲面路线。随后 Microsoft 的 DirectX 生态更坚定地转向三角形图元，这让 NV1 的技术选择陷入被动。[1][4]

⚠️ 第一次教训：技术上「很酷」不等于生态上「可用」 NV1 的失败不是因为 NVIDIA 没有工程能力，而是因为它押错了接口和开发者生态。后来 NVIDIA 对 RIVA 128 的修正，本质上是回到行业标准、优先解决客户能不能用的问题。

二、1995—1997：濒临倒闭时，靠 RIVA 128 翻身

NV1 失利后，公司资源迅速收缩。关于这一段，Jensen Huang 在后来的访谈中反复讲过一个版本：NVIDIA 曾经距离现金耗尽非常近，Sega 的支持给了公司继续开发下一代产品的时间。[4] 这是创始人回忆，不应被当作审计过的「剩余现金天数」；但它准确揭示了当时的风险程度。

NVIDIA 随后放弃 NV1 的曲面路线，转向兼容 Direct3D 的三角形图形架构，做出了 RIVA 128。1998 年的 NVIDIA 历史新闻稿称，RIVA 128 在上市不到四个月内出货超过一百万颗，并获得大量 OEM 和板卡厂商采用。[8] 这次转向把公司从「有想法但没市场」的状态，拉回到主流 PC 图形市场。

阶段错误/选择结果
NV1坚持非主流的曲面图元路线与 DirectX 生态错位，产品失利
RIVA 128改用三角形图元，兼容主流 API快速获得 OEM 与板卡厂商采用
组织层面在危机中集中资源，不再分散战线把有限现金押在一颗关键芯片上

RIVA 128 的意义不只是一款销量不错的显卡：它让 NVIDIA 形成了一个后来不断重复的能力——快速吸收失败、重新选择标准、把产品做成可规模化的平台组件。

三、1999—2005：GeForce 把「显卡」变成 GPU 类别

1999 年，NVIDIA 推出 GeForce 256，并把它定义为「GPU」（Graphics Processing Unit）。NVIDIA 后来的年报把这一产品视为 GPU 时代的起点：GPU 不再只是显示像素的附件，而是负责一部分几何、光照和并行图形计算的专用处理器。[1][3]

同年 NVIDIA 上市。上市本身不是技术突破，但它给了公司更稳定的融资和研发能力，使 NVIDIA 能以较快节奏迭代芯片、驱动和开发工具。接下来的竞争不只是「谁的显卡跑分高」，还包括谁能让游戏开发者、操作系统和板卡厂商更快采用自己的架构。

  • 产品层：不断提高图形处理能力，把 GPU 变成 PC 游戏和专业图形的核心计算单元。
  • 生态层：围绕 DirectX、OpenGL、驱动和开发者工具做兼容与优化。
  • 商业层：通过芯片设计、板卡伙伴和 OEM 渠道扩大出货，而不是自己承担全部制造和渠道。

这一阶段的关键不是某一张显卡，而是 NVIDIA 逐渐掌握了「芯片架构—驱动—开发者—游戏厂商—OEM」这条链路。后来 CUDA 能够建立生态，和这段图形生态积累直接相关。

四、2006—2011：CUDA 是最重要、也最容易被忽略的转折

2006 年，NVIDIA 发布 CUDA，把 GPU 的大量并行计算能力开放给图形以外的应用。官方发布信息把 CUDA 描述为一种新的 GPU 计算架构，并配套提供面向 GPU 的 C 编译器和开发环境。[5]

这一步的难点在于：游戏显卡已经有市场，但「让科研人员、工程师和企业把 GPU 当通用计算器」在当时并没有现成的大众需求。NVIDIA 需要同时做硬件、驱动、编译器、数学库、示例代码、培训和开发者支持。也就是说，它主动把卖一块芯片的问题，升级成了建设一套编程平台的问题。

🎯 真正的长期下注：如果 NVIDIA 只把 GPU 当作游戏显卡，它的天花板会受限于 PC 游戏周期；CUDA 让 GPU 进入科学计算、金融、医疗、渲染和机器学习，也让后来的 AI 需求可以直接调用既有基础设施。

为什么 CUDA 比单纯的硬件领先更重要？

  • 迁移成本：开发者把代码、模型、库和部署流程建立在 CUDA 上后，不会轻易换平台。
  • 规模效应：开发者越多，NVIDIA 越有动力维护库和工具；软件越完整，客户越愿意买 NVIDIA 硬件。
  • 应用扩展：同一套 GPU 可以服务游戏、科研、高性能计算、深度学习和生成式 AI。

五、2012：AlexNet 让 GPU 与深度学习相遇

2012 年，Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 的卷积神经网络在 ImageNet 图像识别竞赛中取得突破性成绩，论文明确写到模型使用了两块 GTX 580 GPU 训练。[7] NVIDIA 的 2025 年 10-K 则把这件事称为 AI 的「Big Bang moment」，并强调 AlexNet 是在 NVIDIA GPU 上训练的。[3]

更准确的说法是：AlexNet 并不是 NVIDIA 单独「发明」的，神经网络算法、数据集、训练方法和 GPU 计算共同促成了突破。但 NVIDIA 之前已经把硬件和 CUDA 软件栈准备好，因此当深度学习需要大规模并行计算时，它成为最容易被研究者采用的平台之一。

时间外部变化NVIDIA 已经准备好的东西
2006GPU 计算开始走出图形领域CUDA、编译器、开发者工具
2012深度神经网络在视觉任务上突破GPU 并行计算 + CUDA 生态
2017AI 计算需要更专用的矩阵能力Tensor Core GPU
2023—2025生成式 AI 需要数据中心规模的训练与推理Hopper/Blackwell、网络、CPU、系统与软件

这就是英伟达故事里最容易被忽视的时间差：大众在 2023 年 ChatGPT 之后才普遍注意到 AI 算力，但 NVIDIA 已经为这类需求准备了十多年。

六、2017—2022：从 GPU 芯片走向数据中心系统

NVIDIA 不是只把消费级 GPU 换个名字卖给数据中心。公司逐渐推出面向 AI 的 Tensor Core GPU，建设 DGX 等系统，并围绕训练、推理、科学计算和企业部署开发软件。NVIDIA 2025 年 10-K 的自述显示，截至 FY2025，公司提供的不仅是 GPU，还包括 CPU、DPU、互联、系统、软件和服务。[3]

2020 年完成对 Mellanox 的收购，是这一过程中的关键一步。NVIDIA 官方新闻稿将其定位为把计算与高速网络结合起来，以推动下一代数据中心。[6] 对 AI 集群而言，GPU 算力再强，如果 GPU 之间、服务器之间的通信跟不上，整体训练效率仍会受限；网络因此从「配件」变成系统性能的一部分。

  • GPU：负责大规模并行计算和神经网络训练/推理。
  • CPU：负责通用控制、数据准备和系统管理；2023 年推出 Grace 数据中心 CPU。[3]
  • DPU/网络：处理数据搬运、存储、安全与服务器间通信。
  • 软件：CUDA、数学库、训练/推理工具、企业 AI 软件和云服务。

这一步改变了客户关系：客户购买的不再只是一块插卡，而是一套可以部署在云端或自有机房的加速计算平台。

七、2023—2025：生成式 AI 把长期布局变成大规模收入

生成式 AI 和大语言模型的普及，迅速放大了对训练和推理基础设施的需求。NVIDIA 在 FY2025 年报中披露：公司全年收入为 1305 亿美元，数据中心收入为 1152 亿美元；这些数字属于 NVIDIA 报告的财务年度，不等同于自然年 2025，也不代表未来必然延续。[10]

2024 年 NVIDIA 发布 Blackwell 平台，官方新闻稿把它定位为面向大规模生成式 AI 的新一代计算平台。[9] 到 FY2025，NVIDIA 的叙事已经从「GPU 供应商」变成「数据中心级计算基础设施提供商」，包括 GPU、CPU、DPU、互联、服务器系统、软件和云服务。[3][10]

🏭 规模化的本质：AI 模型越大，客户越关心整套系统的吞吐、能耗、网络通信、软件兼容、部署速度和供应能力。英伟达的优势因此从单点芯片性能，扩展到整个平台的交付能力。

八、英伟达为什么能发家？五个关键原因

  1. 选对长期问题：它没有只追逐某一代游戏画面，而是持续押注「并行计算会越来越重要」。3D 图形、科学计算、深度学习和生成式 AI 看似不同，底层都需要大量并行运算。
  2. 失败后快速改方向：NV1 的路线失误没有被包装成成功，NVIDIA 改用主流三角形图元，做出 RIVA 128。创业公司真正稀缺的不是永远正确，而是有能力在现金耗尽前完成方向切换。
  3. 把硬件变成软件平台：CUDA 让 GPU 不再只服务游戏开发者，而是成为科研、工程和 AI 开发者的平台。软件生态带来迁移成本和网络效应。
  4. 提前建设 AI 所需的底层能力：Tensor Core、CUDA 库、DGX、网络互联和数据中心系统，都是在生成式 AI 爆发前逐步铺设的。
  5. 从芯片卖到整套系统：通过 Mellanox、Grace、DPU、互联、企业软件和云服务，NVIDIA 能够优化从芯片到集群的多个层级，而不是只等待板卡订单。

九、这段历史不能只讲成「天才和运气」

英伟达的成功故事很容易被简化为「黄仁勋眼光太准」。这种讲法忽略了风险、失败和外部条件。更完整的理解应该包括以下限制：

  • 依赖供应链：NVIDIA 采用无晶圆厂模式，制造、封装、先进制程和高带宽存储等环节依赖外部供应商。[3]
  • 需求可能波动：AI 数据中心需求很强，但产品换代快、客户采购周期长，年报也提示需求估计和供应承诺存在不确定性。[3]
  • 竞争不会消失：AMD、英特尔、云厂商自研芯片以及开源软件都可能改变竞争格局。
  • 出口和监管：NVIDIA 年报披露，美国对部分高性能计算产品存在出口许可和限制，政策变化会影响市场和产品设计。[3]
  • 公司叙事有选择性：官方材料擅长讲清战略主线，但对于失败项目、客户集中度和长期风险，仍应以 SEC 风险因素和独立资料交叉验证。

因此，英伟达的发家史不是「永远押中风口」，而是「在多次技术路线、市场周期和现金压力下，持续把下一次计算范式的基础设施提前做出来」。

十、把英伟达故事讲给别人听：3 分钟版本

  • 英伟达 1993 年由黄仁勋、Chris Malachowsky 和 Curtis Priem 创立，最初押注的是 PC 3D 图形。
  • 第一款产品 NV1 由于技术路线与 DirectX 生态错位而失败，公司一度陷入生存危机。
  • 1997 年 RIVA 128 改用主流三角形图元，帮助公司翻身；1999 年 GeForce 256 把 GPU 这个类别推向市场。
  • 2006 年 CUDA 把 GPU 变成通用并行计算平台。2012 年 AlexNet 在 NVIDIA GPU 上训练成功，深度学习进入新阶段。
  • 此后 NVIDIA 不只做芯片，还做 CUDA 软件、Tensor Core、DGX、网络、CPU、DPU 和云服务。生成式 AI 爆发时，客户购买的是一整套 AI 基础设施。
  • 所以它的核心竞争力不是一夜之间出现的，而是二十多年持续投入换来的平台效应。

附录：几个概念用大白话解释

概念大白话解释在英伟达故事中的位置
GPU擅长同时做大量相似计算的处理器最初服务 3D 图形，后来服务 AI
CUDA让程序员可以用 NVIDIA GPU 做图形以外计算的软件平台把硬件优势变成生态优势
Tensor Core专门加速矩阵/张量运算的硬件单元针对深度学习训练和推理优化
DPU专门处理数据中心网络、存储和安全任务的处理器让 CPU/GPU 不必承担全部数据搬运
数据中心级平台GPU、CPU、网络、系统、软件和服务的组合生成式 AI 时代的主要产品形态

资料与来源

以下来源按用途分层。官方年报和新闻稿用于产品、时间线与财务事实；技术论文用于 AlexNet；访谈和博物馆资料用于补充创始人和早期创业叙事。网页内容会更新，访问时间以本文生成日为准。

阅读边界：本文是一份历史与商业技术梳理，不构成股票投资建议。财务数字来自公司年报；估值、股价和未来预测没有纳入正文，避免把市场价格波动误写成企业历史事实。