1、AI驱动下，英伟达数据中心业务蓬勃发展
英伟达是GPU的发明创造者。1999年，英伟达在纳斯达克挂牌上市，并于同年提出了GPU概念，发布了GeForce 256。这被业界视为现代计算机图形技术的开端。
最初，GPU主要应用于PC游戏和主机游戏（如Sega、Xbox和PS3），能够通过硬件支持T&L（多边形转换与光源处理）。T&L在3D图像渲染中扮演重要角色，计算多边形的3D位置和处理动态光线效果，提供细致的3D物体和高级的光线特效。由于3D图像渲染中的任务是并行计算的，各区域之间没有联系或依赖关系，因此可以轻松拆分成独立的并行任务，提高计算速度。
这种并行计算能力让GPU意外成为AI计算的硬件基础设施。在AI计算中，深度学习是最常见的任务。深度学习模型需要进行大量的矩阵计算，而GPU擅长同时执行大量的矩阵运算，加速了深度学习模型的训练和推理过程。
英伟达作为全球GPU市场的巨头，目前占据主导地位，并在AI时代迎来新的发展机遇。由于芯片产业的赢家通吃效应，英伟达在数据中心领域的GPU应用获得广泛认可，并在各行业的AI项目中广泛采用。随着人工智能应用的兴起和需求的增加，英伟达的数据中心业务有望持续高增长。
2、算力领域的架构创新
英伟达不断改进芯片架构以满足高算力需求。每1到2年推出新的架构，适应计算需求的升级。历年来的架构创新包括：
Kepler架构（2012年）引入了GPUDirect技术，实现了本机和其他机器GPU之间的直接数据交换。
Pascal架构（2016年）除了支持深度学习和DP unit外，还引入了NVLink来实现单机内多GPU的点到点通信，带宽达到160GB/s。
Volta架构（2017年）以Deep Learning为核心，引入了Tensor Core。
Ampere架构（2020年）提高了FP32着色器操作数量、RT Cores的光线/三角形相交测试吞吐量，并加速稀疏神经网络处理速度。
Hopper架构（2022年）引入了新一代流式多处理器的FP8 Tensor Core，加速AI训练和推理，并提供高速的Transformer引擎，在大型NLP模型上提供高达9倍的AI训练速度和30倍的AI推理速度。
