NVIDIA, CUDA และผู้ท้าชิงรายใหม่
“คุณไม่สามารถเชื่อมโยงจุดต่างๆ ได้โดยมองไปข้างหน้า คุณสามารถเชื่อมโยงได้เมื่อมองย้อนกลับไปเท่านั้น”
Steve Jobs
ส่วนที่ 1 ของเรียงความ 3 ส่วนนี้ครอบคลุมถึงสงคราม RISC กับ CISC และวิธีที่ x86 ISA ของ Intel ซึ่งได้รับการสนับสนุนจากวงล้อ Wintel เศรษฐศาสตร์ด้านปริมาณ และการล็อคระบบนิเวศอย่างสมบูรณ์ในยุคพีซี ได้เอาชนะสถาปัตยกรรม RISC ที่สง่างามกว่าหลายรุ่น ในขณะที่ DEC และ Sun Microsystems สองบริษัทที่เป็นสัญลักษณ์ กลับกลายเป็นเพียงเชิงอรรถ
ส่วนนี้จะตรวจสอบว่า NVIDIA สร้างอาณาจักรที่คล้ายคลึงกันอย่างน่าทึ่งในช่วงสามทศวรรษเพื่อสร้างสถานะเป็นผู้นำที่ชัดเจนในยุค AI ปัจจุบันได้อย่างไร และกลุ่มผู้ท้าชิงรายใหม่พยายามแย่งส่วนแบ่งตลาดจากมันอย่างไร
NVIDIA: จากบูธ Denny’s สู่ป้อมปราการมูลค่าหลายล้านล้านดอลลาร์
ในปี 1993 Intel เปิดตัวโปรเซสเซอร์ Pentium ที่ทำให้สถานะของมันแข็งแกร่งขึ้นในฐานะแพลตฟอร์มคอมพิวเตอร์ที่ไม่มีใครโต้แย้งในยุคพีซี ในปีเดียวกันนั้น วิศวกรสามคน – Jensen Huang, Chris Malachowsky และ Curtis Priem – ได้ร่างแนวคิดสำหรับธุรกิจที่จะกลายเป็น NVIDIA – ระหว่างมื้อเช้าที่บูธ Denny's ในซานโฮเซ รัฐแคลิฟอร์เนีย
Priem และ Malachowsky เป็นเพื่อนร่วมงานที่ Sun หนึ่งในบริษัทที่โดดเด่นที่สุดในยุค RISC ซึ่งได้กล่าวถึงใน ส่วนที่ 1 ว่าระบบนิเวศ x86 ของ Intel ทำลายล้างในที่สุด สถาปัตยกรรม SPARC ของ Sun อัตรากำไรจากฮาร์ดแวร์ที่เป็นกรรมสิทธิ์ และโมเดลแบบบูรณาการแนวตั้ง ล้วนถูกทำให้กลายเป็นสินค้าโภคภัณฑ์โดย x86 + Linux ในทศวรรษต่อมา
และถึงกระนั้น วิศวกรสองคนจากบริษัทเดียวกันนั้นก็ไปสร้าง NVIDIA ซึ่งภายในปี 2023 กลายเป็นสิ่งเดียวกับที่ Intel เคยเป็นในปี 1993 – แพลตฟอร์มที่ครอบงำและควบคุมระบบนิเวศในยุคคอมพิวเตอร์ของมัน บริษัทที่ Intel ฆ่า โดยไม่ได้ตั้งใจ ได้ก่อให้เกิดบริษัทที่วันหนึ่งจะบดบัง Intel
ไม่มีอะไรเกี่ยวกับการตกผลึกสามทศวรรษของ NVIDIA ที่มองเห็นได้ในปี 1993 NVIDIA ใช้เวลาทศวรรษแรกในฐานะบริษัทการ์ดจอ ทศวรรษที่สองในการสร้างแพลตฟอร์มการคำนวณทางวิทยาศาสตร์เฉพาะทาง และในทศวรรษที่สามเท่านั้น ด้วยความ boom ของ AI ที่ทำให้เห็นชัดว่า NVIDIA ได้สร้างคูเมืองที่มีโครงสร้างเหมือนกัน และอาจลึกกว่าที่ Intel สร้างด้วย x86 และ Wintel ผู้ก่อตั้ง NVIDIA ที่เฝ้าดู Sun พ่ายแพ้ต่อแผนการระบบนิเวศของ Intel ก็ลงเอยด้วยการใช้แผนการเดียวกันอย่างมีประสิทธิภาพยิ่งขึ้นในรุ่นต่อมา
หลังจากเกือบตายด้วยชิป NV1 NVIDIA ก็สร้างชื่อเสียงให้ตัวเองเป็นผู้นำด้านกราฟิกด้วย GeForce 256 ซึ่งถูกทำตลาดในชื่อ "GPU ตัวแรกของโลก" ในปี 1999 แต่ GPU ยังคงเป็นอุปกรณ์ต่อพ่วงเฉพาะสำหรับนักเล่นเกมและวิศวกร CAD การเปลี่ยนแปลงของ NVIDIA เป็นยักษ์ใหญ่ด้าน AI เริ่มต้นด้วยการเดิมพันเดียว: CUDA
CUDA: การเดิมพันที่สร้างอาณาจักร
ในปี 2006 NVIDIA เปิดตัว Compute Unified Device Architecture หรือ CUDA ต้นกำเนิดทางปัญญาสืบย้อนไปถึง Ian Buck นักศึกษาปริญญาเอกจาก Stanford ซึ่งภาษาสำหรับ GPU เอนกประสงค์ของเขาชื่อ Brook ทำให้ NVIDIA จ้างเขาในปี 2004 Buck และสถาปนิก GPU John Nickolls เปลี่ยน Brook ให้เป็นแพลตฟอร์มการพัฒนาที่สมบูรณ์ เป็นครั้งแรกที่นักพัฒนาสามารถเขียนโปรแกรม GPU สำหรับงานที่ไม่ใช่กราฟิกด้วยภาษา C/C++
CUDA เติบโตอย่างช้าๆ เป็นเวลาหลายปี เพียงเป็นเครื่องมือเฉพาะสำหรับนักวิทยาศาสตร์คอมพิวเตอร์ NVIDIA ลงทุนอย่างหนักในไลบรารี เอกสารประกอบ ความร่วมมือกับมหาวิทยาลัย และความสัมพันธ์กับนักพัฒนา ด้วยความเชื่อมั่น และไม่มีผลตอบแทนระยะสั้น Jensen จะเล่าในภายหลังว่าการลงทุนอย่างไม่ลดละใน CUDA เกือบทำให้ NVIDIA ล้มละลาย
จากนั้นในปี 2012 AlexNet โครงข่ายประสาทเทียมที่สร้างโดยทีมของ Geoffrey Hinton ที่มหาวิทยาลัยโตรอนโต ทำลายสถิติการจดจำภาพ ImageNet โดยใช้ GPU สองตัวของ NVIDIA สิ่งที่เคยเป็นความอยากรู้ทางวิจัยเฉพาะทาง ก็กลายเป็นอนาคตของ AI ทันที NVIDIA เคลื่อนไหวด้วยความเร็วเป็นพิเศษและการดำเนินการที่ไร้ที่ติเพื่อคว้าโอกาส:
- สร้าง cuDNN ซึ่ง TensorFlow และ PyTorch รวมเป็น backend การเรียนรู้เชิงลึกเริ่มต้น
- เพิ่ม Tensor Cores สำหรับคณิตศาสตร์เมทริกซ์การเรียนรู้เชิงลึก
- เปิดตัวระบบ DGX เป็นเครื่องมือวิจัย AI มาตรฐาน
- ในปี 2016 บริจาค DGX1 เครื่องแรกให้กับ OpenAI หล่อเลี้ยงองค์กรที่จะสร้าง ChatGPT
- ซื้อกิจการ Mellanox ได้รับการควบคุมเครือข่ายที่เชื่อมต่อ GPU หลายพันตัวในซูเปอร์คอมพิวเตอร์ AI
เมื่อ ChatGPT ปล่อยความต้องการ AI เชิงสร้างสรรค์ในตลาดมวลชนในเดือนพฤศจิกายน 2022 คูเมือง CUDA ก็ถูกสร้างมาถึงสิบหกปีแล้ว! H100 กลายเป็นชิปที่ต้องมีในยุค boom ของ AI และรายได้ของ NVIDIA ก็พุ่งสูงขึ้น 5 เท่าในช่วง 3 ปีถัดมา
การเริ่มต้นที่ช้าและการเพิ่มขึ้นอย่างระเบิดในที่สุดของ NVIDIA สะท้อนวิวัฒนาการของ Intel จากผู้ผลิตหน่วยความจำเมื่อก่อตั้งในปี 1968 ไปสู่การเป็นผู้ถือธงของการปฏิวัติไมโครโปรเซสเซอร์และพีซีในปี 1990
ทั้ง Intel และ NVIDIA เริ่มต้นด้วยการพัฒนาเทคโนโลยีที่แตกต่างจากสิ่งที่จะกลายเป็นเครื่องยนต์การเติบโตหลักในที่สุด ทั้งสองใช้ความสามารถหลักของตนอย่างมีประสิทธิภาพและกลายเป็นแพลตฟอร์มคอมพิวเตอร์ที่โดดเด่น ห่างกันสามทศวรรษ ทั้งสองเผชิญกับผู้ท้าชิงเต็มสูบ ทั้งบริษัทเดิมและสตาร์ทอัพ
ผู้ท้าชิง: หลากหลายวิธีในการเร่งความเร็ว
รายชื่อผู้ท้าชิงของ NVIDIA ในปี 2026 มีความคล้ายคลึงทางโครงสร้างกับผู้ท้าชิงของ Intel และ x86 ในปี 1990 แต่ละรายนำนวัตกรรมที่แท้จริง และแต่ละรายเผชิญกับแรงโน้มถ่วงของระบบนิเวศเดียวกัน
AMD เป็นคู่แข่งซิลิคอนเชิงพาณิชย์ที่ใกล้เคียงที่สุด และมีบทบาทเงาเหมือนกับที่เคยเล่นกับ Intel ใน x86 ฮาร์ดแวร์ของ AMD สามารถแข่งขันได้ แต่ช่องว่างของระบบนิเวศซอฟต์แวร์คือสิ่งที่ทำให้ CUDA ครองอำนาจ เช่นเดียวกับฐานซอฟต์แวร์ x86 ที่ทำให้ Intel ครองอำนาจแม้ฮาร์ดแวร์ RISC จะเร็วกว่า
Google TPU เป็นทางเลือกการฝึกอบรมที่น่าเชื่อถือที่สุด Google มีสแตก AI ที่สมบูรณ์ที่สุดตั้งแต่ซิลิคอนไปจนถึงคลาวด์ แต่ TPU มีเฉพาะใน Google Cloud เท่านั้น แลกการล็อค NVIDIA กับการล็อค Google
Amazon Trainium ขับเคลื่อนการฝึกอบรมโมเดลระดับแนวหน้าด้วยประสิทธิภาพราคาที่ดีกว่าอินสแตนซ์ NVIDIA อย่างมาก แต่เฉพาะ AWS เท่านั้น แลกการล็อค NVIDIA กับการล็อค AWS อีกครั้ง Amazon กำลังอุดหนุนการหลุดพ้นจาก NVIDIA ของตัวเอง
Microsoft Maia 100 ถูกออกแบบมาไม่ใช่เพื่อแทนที่ NVIDIA แต่เพื่อลดการพึ่งพาของ Azure กับ NVIDIA – เป็นการเล่นเพื่อปรับต้นทุนรวม (TCO) ไม่ใช่การท้าทายแพลตฟอร์ม Cerebras สร้าง Wafer-Scale Engine – เกือบทั้งเวเฟอร์ซิลิคอน 300 มม. เป็นโปรเซสเซอร์เดียว โซลูชันที่ disruptive และกล้าหาญแต่เฉพาะกลุ่ม เริ่มมีแรงผลักดันบ้าง แต่การนำไปใช้ในวงกว้างยังไม่ชัดเจน
SambaNova ใช้แนวทางที่แตกต่างด้วย Reconfigurable Dataflow Unit (RDU) ซึ่งเป็นสถาปัตยกรรม dataflow ที่แตกต่างจาก GPU และ TPU
Tenstorrent ก็เดิมพันว่า GPU นั้นเป็นนามธรรมที่ผิดพื้นฐานสำหรับงาน AI และ dataflow จะชนะในระดับ เช่นเดียวกับที่ RISC ชนะการโต้แย้งทางเทคนิคกับ CISC Tenstorrent ได้พัฒนาสถาปัตยกรรมตัวเร่งความเร็วที่สร้างรอบกริดของแกนประมวลผลขนาดเล็กที่เหมือนกัน แต่ละแกนมี SRAM ท้องถิ่น หน่วยคณิตศาสตร์เมทริกซ์ หน่วยเวกเตอร์ และโปรเซสเซอร์ RISC-V ที่จัดการการเคลื่อนย้ายข้อมูลและการจัดตารางเวลาท้องถิ่น
นอกจากนี้ยังมีสตาร์ทอัพอื่นๆ อีก JP Morgan คาดการณ์ว่าซิลิคอนแบบกำหนดเองอาจจับส่วนแบ่งตลาดชิป AI ได้ 45% ภายในปี 2028 ขณะนี้ NVIDIA เผชิญการแข่งขันจากลูกค้าของตัวเอง
คูเมือง CUDA: Wintel ที่ถูกโหลดซ้ำ
ความคล้ายคลึงระหว่าง NVIDIA ในปัจจุบันและ Intel ในปี 1990 เป็นโครงสร้าง ไม่ใช่แค่ผิวเผิน:
การล็อค CUDA ไม่ใช่การพึ่งพาเพียงจุดเดียว มันสะสมข้ามหลายระดับ – เคอร์เนลที่ปรับให้เข้ากับไลบรารีคณิตศาสตร์ของ NVIDIA พฤติกรรมความแม่นยำผสมที่ปรับเทียบกับ cuDNN การฝึกอบรมแบบกระจายที่ปรับให้เหมาะสมรอบ NVIDIA Collective Communications Library (NCCL) ท่อ CI/CD ที่สร้างบนเครื่องมือ CUDA และวิศวกรทั้งรุ่นที่ถูกฝึกบน CUDA ก่อนจะจบการศึกษาด้วยซ้ำ
คูเมืองของ NVIDIA อาจลึกกว่าคูเมืองที่ Intel สร้างด้วยเหตุผลหลักสองประการ:
การบูรณาการแนวตั้ง: Wintel ควบคุม OS และ CPU แต่พึ่งพาบุคคลที่สามสำหรับทุกสิ่งทุกอย่าง NVIDIA ควบคุม GPU, เครือข่าย (NVLink, InfiniBand), ซอฟต์แวร์ (CUDA, cuDNN, TensorRT, NCCL) และระบบระดับแร็คเต็มรูปแบบ (NVL72, GPU Blackwell 72 ตัวเป็นหน่วยคำนวณเชิงตรรกะเดียว) ที่ GTC 2026 NVIDIA เปิดตัวแพลตฟอร์ม Vera Rubin ด้วยชิปเจ็ดประเภทที่แตกต่างกัน ประกอบด้วยการกำหนดค่าระบบระดับแร็คห้าแบบ ขยายการควบคุมแนวตั้งไปไกลกว่า Intel เคยทำ
ต้นทุนการเปลี่ยนที่ใช้ทุนสูง: การพอร์ตแอป Windows ไปยัง Linux ในปี 1990 มีค่าใช้จ่ายสูงแต่มีขอบเขต การฝึกโมเดล AI ระดับแนวหน้าใหม่บนฮาร์ดแวร์ทางเลือกมีค่าใช้จ่ายหลายร้อยล้านดอลลาร์และวิศวกรรมหลายเดือน
Groq: NVIDIA กลืนผู้ท้าชิง
บางทีพัฒนาการที่บอกอะไรได้มากที่สุดในปีที่ผ่านมาคือสิ่งที่เกิดขึ้นกับผู้ท้าชิงรายหนึ่งที่กำลังมีแรงผลักดันจริง Groq ก่อตั้งโดย Jonathan Ross อดีตวิศวกร Google TPU ได้สร้าง Language Processing Unit (LPU) ที่ปรับให้เหมาะสมสำหรับการอนุมานที่มีความหน่วงต่ำเป็นพิเศษ สถาปัตยกรรมที่ใช้ SRAM อ้างว่าสร้างโทเค็นได้เร็วกว่า GPU 4-7 เท่าด้วยความหน่วงที่กำหนดได้ ภายในปี 2025 Groq ตั้งเป้ารายได้ 500 ล้านดอลลาร์และระดมทุนได้ 750 ล้านดอลลาร์ด้วยมูลค่า 6.9 พันล้านดอลลาร์ ในวันคริสต์มาสอีฟปี 2025 NVIDIA ประกาศข้อตกลงมูลค่า 20 พันล้านดอลลาร์ ซึ่งใหญ่ที่สุดเท่าที่เคยมีมา เพื่ออนุญาตให้ใช้เทคโนโลยีการอนุมานของ Groq และจ้างทีมเทคนิคส่วนใหญ่ รวมถึงผู้ก่อตั้ง Ross
ที่ GTC 2026 Jensen เปิดเผยแผนสำหรับเทคโนโลยี Groq ตัวเร่งการอนุมาน Groq 3 LPX จะถูกเสียบเข้าไปในแพลตฟอร์ม Vera Rubin ในฐานะตัวประมวลผลร่วมเฟสถอดรหัสเฉพาะ และตามที่ Jensen กล่าว จะคิดเป็นประมาณ 25% ของการคำนวณในคลัสเตอร์ AI
การเข้าซื้อกิจการนี้ส่งสัญญาณที่ลึกซึ้งยิ่งขึ้น ในแง่หนึ่ง มันยืนยันการมีอยู่ของตลาดสำหรับตัวเร่งความเร็วที่ไม่ใช่ GPU โดยเฉพาะงานอนุมาน ในอีกแง่หนึ่ง มันบ่งชี้ว่า Jensen และ NVIDIA อาจเต็มใจที่จะกลืนกินภัยคุกคามใหม่ๆ ใดๆ ต่ออาณาจักร GPU ของพวกเขา
เป็นเรื่องน่าสนใจที่จะสังเกตว่านี่เป็นแผนการที่มีแบบอย่างทางประวัติศาสตร์ด้วย ในปี 1998 Intel ซื้อ Alpha IP ของ DEC และโรงผลิตซิลิคอนของพวกเขา ไม่ใช่เพื่อใช้ แต่เพื่อทำให้เป็นกลาง ข้อตกลง Groq นั้นซับซ้อนกว่าเล็กน้อย – NVIDIA กำลังบูรณาการเทคโนโลยีที่มีประโยชน์จริงๆ – แต่ผลทางการแข่งขันนั้นคล้ายกัน: ผู้ท้าชิงน้อยลงหนึ่งรายบนโต๊ะ
สรุป
เช่นเดียวกับที่ Intel สร้างระบบนิเวศที่น่าเกรงขามรอบ CPU x86 ในยุคพีซี NVIDIA ก็สร้างอาณาจักรที่คล้ายคลึงกันอย่างน่าทึ่งรอบ GPU ที่ตั้งโปรแกรมได้เพื่อเริ่มต้นยุค AI คูเมือง CUDA อาจลึกกว่าคูเมือง x86 และ Wintel ที่เคยมี และต่างจาก Intel ตรงที่ NVIDIA รีบขยับขึ้นไปในสแตกเทคโนโลยีและกลายเป็นผู้ให้บริการระบบและซอฟต์แวร์ แทนที่จะเป็นเพียงผู้จำหน่ายซิลิคอนเชิงพาณิชย์
เช่นเดียวกับในอดีต พร้อมกับการเพิ่มขึ้นของ NVIDIA ก็มาพร้อมกับผู้ท้าชิงรายใหม่ รวมถึงบริษัทชิปเชิงพาณิชย์ ไฮเปอร์สเกลเลอร์ และสตาร์ทอัพมากมายที่สร้างซิลิคอนแบบกำหนดเอง ผู้ท้าชิงเหล่านี้ได้พัฒนาสถาปัตยกรรมที่สร้างสรรค์และสง่างามซึ่งกำลังต้านทานยักษ์ใหญ่ NVIDIA แต่เช่นเดียวกับในอดีต พวกเขาขาดขนาด เศรษฐศาสตร์ปริมาณ การล็อคซอฟต์แวร์ และการบูรณาการระบบที่ NVIDIA ครอบงำ
เช่นเดียวกับที่คลังสงครามมหาศาลของ Intel ทำให้มันสามารถกำจัดคู่แข่งการผลิตเซมิคอนดักเตอร์เกือบทั้งหมดในปี 1990 NVIDIA ก็ใช้เงินก้อนโตเพื่อทำการซื้อกิจการที่ชาญฉลาดทั่วทั้งสแตกเทคโนโลยี ครอบคลุมเกือบทุกแนวโน้มใหม่ที่อาจเกิดขึ้น ตั้งแต่การเชื่อมต่อด้วยแสงไปจนถึงควอนตัมคอมพิวติ้ง
ส่วนที่ 3 จะถอยกลับจากรายละเอียดเพื่อพิจารณาคำถามที่น่าสนใจ: จะเกิดอะไรขึ้นต่อไป?
