AI = 软件？只对了一半
模型、算法、应用都属于软件层，但它们要运行起来，需要庞大的计算资源。训练一个大模型、生成一段视频、处理海量请求，背后都在消耗算力。
03 第零篇章 · 第一次系统认识 AI
全球顶级显卡公司介绍
很多人以为 AI 只是软件，其实大模型训练、AI 推理、图片生成、视频生成背后都需要大量算力，而 GPU 和 AI 加速芯片就是重要基础设施。
一句话回答
AI 不只是软件，背后还需要强大的算力硬件。大模型训练、AI 推理、图片生成、视频生成都要大量计算，GPU 和 AI 加速芯片就是支撑这些计算的基础设施。
01 为什么 AI 时代大家都在抢显卡
compute first
模型像 AI 的大脑，负责理解和生成。
数据像 AI 的知识，决定它学过什么。
GPU / AI 芯片像发动机，负责把计算真正跑起来。
02 GPU 到底是什么
gpu basics
Graphics Processing Unit
GPU 原本是图形处理器，现在也是 AI 计算核心硬件
GPU 最早主要用于游戏画面、3D 渲染和视频处理。后来人们发现，GPU 拥有大量计算核心，特别适合同时处理大量相似计算任务，而 AI 训练和推理正好需要这种并行计算能力。
游戏画面渲染复杂图形和实时画面。
3D 渲染处理建模、动画和视觉效果。
AI 训练处理海量矩阵计算和参数更新。
AI 推理让模型快速生成回答、图片和视频。
03 全球主要显卡与 AI 算力公司
company map
NVIDIA：不只是卖显卡，而是卖 AI 计算生态
英伟达的优势不只在 GPU 硬件，还在 CUDA、开发工具、服务器生态和长期 AI 布局。H100、H200、Blackwell 等产品主要面向 AI 训练和推理服务器。
04 六家公司怎么快速区分
quick compare
AI GPU 霸主
代表 H100、H200、Blackwell 和 CUDA 生态，主打 AI 训练、推理和数据中心。
重要竞争者
Radeon 面向游戏显卡，Instinct MI 系列面向 AI 服务器和高性能计算。
传统芯片巨头转型
从 CPU 时代进入 AI 计算时代，Gaudi AI 加速器面向训练和推理场景。
端侧 AI 路线
M 系列和 A 系列芯片把 CPU、GPU、神经网络计算单元整合到设备里。
云端自研 AI 芯片
TPU 面向机器学习和云端 AI 服务，支撑 Google 自家模型和云服务。
国产 AI 算力代表
昇腾 Ascend 面向 AI 服务器、企业计算和国产智能应用生态。
05 市场份额一眼看懂
market share
06 为什么英伟达领先
why nvidia
GPU 技术积累长期投入图形计算、高性能计算和数据中心 GPU。
CUDA 生态开发者已经习惯用 CUDA 调用 GPU 做 AI 计算，这是护城河。
提前布局 AIAI 爆发前就长期押注加速计算、深度学习和数据中心市场。
未来趋势
未来不会只有一种芯片，而是不同场景用不同算力
大型 AI 训练仍然需要强大的数据中心 GPU；AI 专用芯片会继续提升效率；手机和电脑会发展端侧 AI；企业也会建设私有 AI 服务器来控制成本和数据安全。
GPU负责大型训练、高性能推理和通用 AI 计算。
AI 专用芯片针对特定模型和云服务提高效率。
端侧 AI 芯片让手机、电脑、本地设备直接运行 AI。
私有 AI 服务器企业在内部部署算力，兼顾成本与数据安全。
本节练习
用“三件事”看懂一家 AI 算力公司
看公司新闻时，不要只看“芯片很强”。先看它卖什么硬件、有没有软件生态、主要服务云端训练还是端侧 AI。这样就能分清 NVIDIA、AMD、Intel、Apple、Google、华为的不同路线。
硬件GPU、AI 加速器、TPU、端侧芯片？
生态有没有开发工具、软件平台和云服务？
场景训练、推理、游戏、端侧、企业私有化？
成本算力、能耗、采购和部署成本如何？
壁垒性能、软件、客户和开发者习惯。
本节小结
- AI 不是只有模型和软件，背后还需要 GPU、AI 加速器和数据中心算力。
- NVIDIA 领先不只因为显卡强，更因为 CUDA、工具链和完整 AI 计算生态。
- AMD、Intel、Apple、Google、华为分别代表不同算力路线和竞争格局。
- 未来 AI 芯片会走向多路线并存：云端训练、AI 专用芯片、端侧 AI 和企业私有算力。