رهان جنسن هوانغ الطويل الأمد على CUDA حوّل GPU إلى Computing Platform

ملخص

كانت المساهمة الاستراتيجية لهوانغ هي دعم منصة حوسبة عامة حول وحدات GPU من NVIDIA، وليس المطالبة بعمل مهندسي CUDA أو فرق المترجمات أو مؤلفي المكتبات أو الباحثين الخارجيين.

أزالت CUDA عائقًا رئيسيًا أمام الحوسبة على GPU: أصبح بإمكان المطورين التعبير عن العمل المتوازي من خلال نموذج يشبه لغة C بدلاً من إخفاء كل عملية حسابية كعملية رسومية.

قدمت الاستخدامات العلمية المبكرة والحاسوب العملاق Titan المسرّع بواسطة GPU و AlexNet دليلاً متزايدًا على أن نفس البنية القابلة للبرمجة يمكنها دعم أعباء عمل مهمة تتجاوز الألعاب.

وسعت NVIDIA الميزة من خلال المكتبات والوثائق والتدريب وتكامل الأطر والتوافق عبر أجيال الأجهزة. تصف الشركة الآن CUDA بأنها أساس حزمة حوسبة كاملة.

النتيجة التجارية كبيرة ولكنها غير قابلة للفصل: أعلنت NVIDIA عن إيرادات بقيمة 215.9 مليار دولار للسنة المالية 2026، في حين لا يتم الكشف عن إيرادات CUDA كبند منفصل. سيكون من الخطأ نسب نمو الشركة إلى البرنامج فقط.

يخلق النظام البيئي قيمة حقيقية للعملاء وتكاليف تحول حقيقية. يُظهر HIP من AMD ومعيار SYCL عبر المنصات أن إمكانية النقل ممكنة، لكن الترحيل قد لا يزال يتطلب تعديلات في الكود وضبط الأداء ومعرفة تشغيلية جديدة.

كان القرار أكبر من مجرد ميزة رسومية

أبسط نسخة من قصة NVIDIA تنتقل من الرسومات الأفضل في الألعاب إلى الذكاء الاصطناعي، كما لو أن سوقًا ينشأ بشكل طبيعي عن الآخر. أما النسخة الأكثر فائدة فترتكز على قرار بشأن من يجب أن يكون قادرًا على برمجة المعالج وأي نوع من العمل يجب أن يقبله المعالج.

لقد بنت NVIDIA جهازًا شديد التوازي لأن عرض ملايين البكسل يكافئ التنفيذ المتزامن لعمليات حسابية متشابهة. سألت CUDA عما إذا كان يمكن لهذه الآلية المتوازية أن تصبح هدفًا للحوسبة العامة بدلاً من البقاء خطوة متخصصة في خط أنابيب الرسومات.

لم يكن هذا امتدادًا واضحًا للمنتج. يمكن برمجة شريحة مصممة للرسومات بالفعل من خلال واجهات رسومية، وأظهر الباحثون عمليات حسابية غير رسومية مثيرة للإعجاب عليها. لكن الطريق كان صعبًا. كان عليهم غالبًا ترجمة البيانات إلى أنسجة وتحويل الحساب إلى عمليات عرض.

كان على العالم المهتم بالديناميكا الجزيئية أو التصوير الطبي فهم مفاهيم تخص نظام الرسومات قبل الوصول إلى القدرة الحسابية الأساسية. كان الإنتاج الخام موجودًا؛ أما منصة الحوسبة القابلة للاستخدام على نطاق واسع فلم تكن موجودة.

التمييز مهم عند تقييم هوانغ. لم يكن دوره هو الجلوس وكتابة كل تمريرة مترجم أو تحديد كل قاعدة مزامنة. تحدد سيرة NVIDIA الذاتية أنه المؤسس المشارك في عام 1993، والذي شغل باستمرار منصبي الرئيس والمدير التنفيذي.

لذا فإن قرار المنصة يقع ضمن سجله التنفيذي: كان بإمكانه توجيه رأس المال وأولويات المنتج والاهتمام التنظيمي نحو سوق كان حجمها على المدى القصير غير مؤكد. أما التنفيذ الفني فيقع على عاتق مجموعة أوسع بكثير.

يؤرخالجدول الزمني للشركةNVIDIA الكشف عن بنية CUDA إلى عام 2006 ويذكر أن الهدف كان فتح المعالجة المتوازية لوحدات GPU للعلوم والبحث. مقال تقني عام 2008 لجون نيكولز وإيان بوك ومايكل جارلاند وكيفن سكادرون يذكر أن برنامج CUDA صدر في عام 2007. تصف هذه التواريخ معالم مختلفة بدلاً من تناقض: ظهرت البنية مع توجيه NVIDIA الموحد للرسومات والحوسبة في أواخر عام 2006، ووصلت بيئة التطوير إلى المبرمجين بعد ذلك.

كان هذا توسعًا استراتيجيًا لهوية المنتج. إذا بقي GPU مجرد مسرع رسومي، لظل الطلب مرتبطًا بشكل أساسي بأعباء العمل البصرية. إذا أصبح معالجًا متوازيًا قابلاً للبرمجة، فقد تصبح كل مشكلة تتطلب حسابات مكثفة سببًا لشرائه.

كان على الشركة لا تزال إثبات إمكانية كتابة تطبيقات مفيدة، وأن الكود يمكن أن يبقى عبر ترقيات الأجهزة، وأن عددًا كافيًا من المطورين سيقبلون أسلوب حسابي مختلف. لذا كان CUDA وعدًا بسوق لم يخلقه المطورون بعد.

كان الباحثون قد كشفوا بالفعل عن الفرصة — والاحتكاكات

لم تبدأ الحوسبة العامة على GPU مع إطلاق NVIDIA. كان باحثون جامعيون ومبرمجون يستكشفونها لسنوات. أطروحة ستانفورد لإيان بوك عام 2004،« Stream Computing on Graphics Hardware »، قدمت Brook، وهو نظام تجميع وتنفيذ وسع C بمفاهيم التوازي البيانات وجرد GPU كمعالج تيار مساعد.

تشرح الأطروحة لماذا كانت معالجات الرسومات جذابة: التوازي البيانات وكثافة العمليات الحسابية سمحت لها بتخصيص أجهزة كبيرة لعمليات حسابية متكررة. كما توثق تكلفة الطريق القديم، بما في ذلك قيود الذاكرة وعبء النواة وصعوبة تعيين الخوارزميات العامة على جهاز عرض.

Brook مهم لأنه يمنع أسطورة الأصل المتمركزة حول المؤسس. أظهر عمل بوك، بالإضافة إلى أعمال تيم فولي ودانيال هورن وجيريمي سوغرمان وكايفون فتحعليان ومايك هيوستن وبات هانراهان، أن نظام برمجة عالي المستوى يمكنه كشف GPU دون إجبار كل مبرمج على التعامل مع بدائيات الرسومات.

تُظهر صفحات مشروع ستانفورد أن هذا العمل كان جزءًا من مجتمع بحثي أوسع حول الحوسبة التدفقية وتلقى دعمًا من عدة شركات ووكالات عامة، بما في ذلك NVIDIA. كانت الأفكار تتدفق بالفعل عبر الحدود المؤسسية قبل أن يصبح CUDA منتجًا.

وظفت NVIDIA بوك في عام 2004، وفقًا لـسرد الشركة لتاريخ برمجة GPU. تصف هذه الصفحة Brook بأنه سلف CUDA وتذكر أن الهدف كان إنشاء نهج مألوف لمبرمجي C مع إضافة مفاهيم متوازية عالية المستوى. المقال اللاحق عن CUDA يذكر نيكولز وبوك وجارلاند من NVIDIA إلى جانب سكادرون من جامعة فيرجينيا.

تحدد هذه المصادر نسبًا تقنيًا وفريقًا؛ لا تدعم تسمية هوانغ كمخترع وحيد لـ CUDA.

يُرى مساهمة هوانغ الخاصة بشكل أفضل في كيفية تفسيره للاستخدامات المتناثرة. فيمحادثة عام 2024 في كلية ستانفورد للدراسات العليا في إدارة الأعمال، تذكر أن NVIDIA كانت تجعل معالجاتها أكثر قابلية للبرمجة تدريجيًا، وتطور لغة Cg، وتلاحظ أن الباحثين يستخدمون التكنولوجيا لإعادة البناء المقطعي والكيمياء الحاسوبية.

وصف زيارته لمستخدمين طبيين وتعامل مع هذه الأمثلة كإشارات على أن شكل الحوسبة يمكن أن يحل مشاكل تتعامل معها الآلات التقليدية بشكل سيئ. وفقًا له، كل استخدام أعطى الشركة ثقة أكبر للمتابعة.

هذه الذكرى هي سرد لشخصية، وليس تاريخًا مؤسسيًا كاملًا. تكمن قيمته الاستراتيجية في قاعدة القرار التي يكشفها. لم تنتظر NVIDIA ظهور سوق كبير ومقاس جيدًا يسمى « حوسبة GPU ». لقد فحصت حالات حدودية قابلة للتصديق تقنيًا: التصوير، فيزياء الجسيمات، محاكاة السوائل، والكيمياء.

كانت هذه صغيرة مقارنة بالرسومات الاستهلاكية، لكنها شاركت بنية — كميات كبيرة من العمل الرقمي المتوازي. رأى هوانغ فرصة منصة مشتركة خلف تطبيقات منفصلة.

لذا كان الرهان مبنيًا على أدلة دون أن يكون مؤكدًا. أظهرت الأبحاث الموجودة أن وحدات GPU يمكنها تسريع العمليات الحسابية المناسبة. لم يثبت أن المطورين العامين سيغيرون طريقة كتابتهم للبرمجيات، أو أن العلماء سيثقون في معالج مشتق من الألعاب، أو أن NVIDIA يمكنها الحفاظ على سلسلة الأدوات عبر الأجيال. حوّل القرار اتجاهًا بحثيًا واعدًا إلى التزام منتج طويل الأجل.

غيرت CUDA وحدة القابلية للبرمجة

يمكن وصف الأهمية التقنية لـ CUDA دون التعامل معها كسحر. يقدمالمقال لعام 2008 في ACM Queueثلاثة تجريدات مركزية: تسلسل هرمي لمجموعات الخيوط، ذاكرات مشتركة، ومزامنة بالحواجز. يكتب المبرمج نواة — دالة يتم تنفيذها بالتوازي — وينظم العديد من حالات هذا العمل في كتل وشبكات.

يمكن للخيوط داخل الكتلة التعاون عبر الذاكرة المشتركة والمزامنة؛ تم تصميم الكتل للتنفيذ بشكل مستقل كافٍ بحيث يمكن للتشغيل توزيعها بين وحدات المعالجة المتاحة.

ربط هذا الهيكل هدفين غالبًا ما يكونان متعارضين. احتاج المبرمجون إلى تحكم كافٍ لاستخدام التسلسل الهرمي للذاكرة والأجهزة المتوازية بكفاءة. احتاجت NVIDIA إلى أن يتطور البرنامج من جيل GPU إلى آخر دون ترميز تطبيق ثابت لعدد واحد من النوى المادية.

بمطالبة المطورين بتقسيم مشكلة إلى كتل مستقلة، سمحت CUDA للتشغيل بجدولة نفس البرنامج على أعداد مختلفة من المعالجات. لم يجعل التجريد كل خوارزمية متوازية، ولم يلغي الحاجة إلى عمل على الأداء. لقد فصل التحليل المنطقي لبرنامج عن العدد الدقيق لنوى GPU تحته.

يمكن فهم التغيير على أنه تحريك الواجهة أقرب إلى مشكلة المطور. قبل نموذج حسابي مناسب، يمكن للمبرمج ترميز الأرقام كأنسجة، إطلاق عملية عرض، واسترجاع النتائج كما لو كانت بكسلات. مع CUDA، يمكن للمبرمج التعبير مباشرة عن النوى، المصفوفات، نقل الذاكرة، والمزامنة. لا تزال الأجهزة تفرض قيودًا.

يمكن لأنماط التفريع، الوصول إلى الذاكرة، حركة البيانات، وكثافة العمليات الحسابية تحديد ما إذا كان التسريع يستحق العناء. لكن هذه القيود أصبحت الآن مفاهيم حاسوبية بدلاً من تمويه مبني من مفردات الرسومات.

جعل نموذج البرمجة GPU غير متجانس بشكل صريح. بقي CPU كمضيف: يبدأ التطبيق، يعد البيانات، ويطلق العمل. أصبح GPU كجهاز: ينفذ عددًا كبيرًا من الخيوط المتوازية.توثيق CUDA الحديثلا يزال يصف هذه العلاقة، مع السماح بأنظمة تحتوي على عدة CPUs و GPUs. لم يدع CUDA إلى استبدال CPU بـ GPU في كل شيء.

أعطى المطورين وسيلة لتعيين أجزاء مختلفة من عبء العمل لنوع المعالج الذي يناسبهم.

هذا الحدود هو أحد أسباب انتشار المنصة. لم يكن على شركة أو مختبر التخلص من تطبيقه الحالي وإعادة كتابة كل سطر. يمكنه تحديد النوى المكلفة، نقل تلك الأجزاء إلى GPU، وترك العمل التسلسلي أو المكثف في التحكم على CPU. يمكن أن يبدأ التبني باختناق. بمجرد توفر بيئة التطوير، ممارسات النشر، ومعرفة الموظفين، يمكن أن يتبع المزيد من العمل.

القيود مهمة بنفس القدر. يعتمد التسريع على التطبيق، التنفيذ، نظام المقارنة، وكمية البيانات المنقولة. أفاد أول مقال عن CUDA أمثلة تتراوح من تحسين 10 إلى 100 مرة للديناميكا الجزيئية إلى أرقام أعلى بكثير لتنفيذات معينة للتصوير بالرنين المغناطيسي و n-body. أظهرت هذه القياسات إمكانية على الأنظمة المختبرة؛ لم يكن وعدًا عالميًا لأي برنامج منقول على GPU.

تكسب المنصة التبني ليس بضمان مضاعف، ولكن بجعل البحث عن التسريع المناسب قابلاً للتكرار.

أصبح المنتج منصة بفضل المكملات

لم يكن بإمكان المترجم وحده إنتاج نظام CUDA البيئي. احتاج المطورون إلى برامج تشغيل، مصححات، ملفات تعريف، توثيق، أمثلة كود، مكتبات رياضية، مواد تعليمية، دعم مجتمعي، وأجهزة متاحة بعدة مستويات سعرية. قلل كل مكمل تكلفة تبني مختلفة. يمكن للمكتبة إلغاء الحاجة لكتابة بدائية عالية التحسين. يمكن للملف الشخصي إظهار سبب ركود النواة. يمكن للدورة التدريبية جعل التفكير المتوازي قابلاً للتعليم.

يمكن لسياسة توافق أن تسمح لفريق بشراء GPU جديد دون التخلص من تطبيق يعمل.

وصف مقال 2008 بالفعل برامج CUDA في الكيمياء الحاسوبية، حل المصفوفات المتناثرة، الفرز، البحث، والفيزياء. وأشار أيضًا إلى التعليم الجامعي. هذه التطبيقات المبكرة كانت مهمة حتى عندما ولدت القليل من الإيرادات المباشرة من البرمجيات. أعطت مطورين آخرين أمثلة لنسخها، وأنتجت أسئلة حسنت الأدوات، وخلقت متخصصين قد يختار صاحب العمل التالي أيضًا CUDA. كل تطبيق ناجح زاد من فائدة الأجهزة لشخص آخر غير مؤلفه الأصلي.

هذا هو المنطق الاقتصادي لمنصة مطور. يوفر NVIDIA جانبًا واحدًا: معالجات، أنظمة، مترجمات، ومكتبات. يوفر المطورون الخارجيون جانبًا آخر: تطبيقات، أطر، رموز علمية، وخبرة. المستخدمون أكثر استعدادًا لشراء الأجهزة عندما توجد برمجيات مفيدة بالفعل. المطورون أكثر استعدادًا لاستهداف المنصة عندما تتوفر العديد من المستخدمين والأجهزة. لا يحتاج أي جانب إلى التخطيط مركزيًا لدورة التراكم.

كان الإنجاز الاستراتيجي لهوانغ هو الحفاظ على التزام NVIDIA بهذه الدورة بينما كانت التطبيقات المبكرة متناثرة في مجالات البحث. شركة شرائح معتادة على قياس منتج بالوحدات ومكاسب المعايير كان عليها التعامل مع البرمجيات التي كتبها آخرون كجزء من قيمة المنتج. كان عليها أيضًا دعم مطورين قد تستغرق مشاريعهم سنوات لتصبح أسواقًا كبيرة.

لن يظهر العائد على استثمار مكتبة كيميائية محسنة أو دورة جامعية بالضرورة في نفس الربع الذي تم فيه الإنفاق.

توسع الالتزام بمرور الوقت. يشيرنموذج 10-K للعام المالي 2026 لـ NVIDIAإلى أن حزمة التكنولوجيا الخاصة بها تبدأ بـ CUDA، ثم تضيف مئات المكتبات الخاصة بالمجال، والأطر، والخوارزميات، ومجموعات تطوير البرمجيات، وواجهات البرمجة. يصف الملف بنية قابلة للبرمجة موحدة تخدم أسواقًا متعددة عبر حزم برمجية مختلفة بنتها NVIDIA وشركاؤها ومطورون خارجيون. هذا وصف رسمي للشركة لنموذج المنصة، وليس مجرد شعار على خشبة المسرح.

يشير الجدول الزمني لـ NVIDIA الآن إلى أن أكثر من أربعة ملايين مطور يخلقون آلاف التطبيقات المسرعة، وأكثر من 40 ألف شركة تستخدم تقنيات الذكاء الاصطناعي الخاصة بها، و15 ألف شركة ناشئة تشارك في برنامج Inception. هذه حسابات للنظام البيئي تقدمها الشركة، لذا لا ينبغي التعامل معها كمقاييس مدققة للاستخدام النشط أو الاعتماد الاقتصادي. لكنها تكشف ما اختارت NVIDIA عده. تقدم الشركة المطورين والتطبيقات كأصول تشغيلية إلى جانب السيليكون.

قدم العلم دليلاً عامًا قبل أن يصبح الذكاء الاصطناعي العنوان

لم تكن الحوسبة العلمية سوقًا زخرفيًا بينما كان CUDA ينتظر التعلّم الآلي. لقد وفرت أعباء عمل شاقة ومؤسسات مرئية اختبرت أطروحة المنصة. تحتوي المحاكاة والتصوير والجبر الخطي على عمل متوازٍ وفير، لكنها تكشف أيضًا عن قيود عددية وذاكرة وتوسع. منصة لا تنتج نتائج علمية قابلة للتكرار أو لا يمكنها العمل على أنظمة كبيرة لن تكسب مصداقية لمجرد أن شرائحها سريعة في الألعاب.

كانت واحدة من أوضح النتائج هي Titan في مختبر أوك ريدج الوطني. يصفمرفق الحوسبة القيادية في أوك ريدجTitan بأنه Cray XK7 مع 18,688 عقدة حوسبة، تجمع كل منها بين CPU AMD Opteron 16 نواة و GPU NVIDIA K20X. يقدم النظام أكثر من 27 بيتافلوب من الأداء النظري الأقصى.

تشير أوك ريدج إلى أنه يوفر عشرة أضعاف السرعة وخمسة أضعاف كفاءة الطاقة مقارنة بسابقه Jaguar، مع استخدام طاقة أكثر قليلاً ونفس البصمة المادية.

لم يثبت Titan أن GPU يجب أن يشغل جميع الرموز العلمية. أثبت تصميمه الهجين العكس تقريبًا: يمكن لوحدات CPU و GPU تقسيم العمل. كان على التطبيقات كشف توازٍ كافٍ لاستخدام المسرّع، وكان على الفرق العلمية تحضير رموزها لبنية مختلفة. لذا جعل الشراء قرار النظام البيئي ملموسًا. كان مختبر وطني مستعدًا لربط آلة ضخمة بجهد برمجة وتطبيق يعتمد على برنامج التسريع.

غير الحجم أيضًا من يتحمل تكلفة التبني. على مكتب، يمكن لمطور تجربة بطاقة رسومية. على Titan، كان على المختبرات وفرق التطبيق ومورد النظام و NVIDIA التنسيق. تطلب نقل وتحسين الرموز العلمية الرئيسية تدريبًا وهندسة مستدامة. هذا العبء جزء من قصة CUDA، وليس حاشية. تبني المنصة مكلف قبل أن يصبح عمليًا.

كانت النتيجة الملحوظة حاسوبًا عملاقًا هجينًا عمليًا ظل في الخدمة حتى عام 2019. تنسب أوك ريدج وقت حل أسرع، وتعقيد نموذج أكبر، وواقعية محاكاة محسنة إلى البنية. هذه استنتاجات المرفق فيما يتعلق بنظامه الخاص، لكن عدد العقد، طراز GPU، الأداء الأقصى، وتاريخ الإيقاف يوفرون نقاط ارتساء ملموسة. انتقل CUDA من تجارب فردية إلى بنية تحتية اعتمد عليها المستخدمون في عمل علمي مخطط.

أثر العلم أيضًا على المنصة نفسها. خوارزميات ذات وصول غير منتظم للذاكرة، بيانات متناثرة، عمليات اختزال، أو عدة GPUs دعمت CUDA إلى ما هو أبعد من التوازي البسيط الشبيه بالبكسل. تم تطوير مكتبات وميزات برمجة للتعامل مع أنماط أوسع. هذه ميزة لاختيار منصة بدلاً من مسرّع لمرة واحدة: التطبيقات الخارجية تكشف ما يجب أن يدعمه الإصدار التالي.

لا يمكن نسب النتيجة إلى هوانغ وحده. اختارت أوك ريدج وشغّلت الآلة؛ قامت Cray بدمج النظام؛ قدمت AMD وحدات CPU؛ بنت فرق NVIDIA الأجهزة والبرمجيات؛ قام العلماء بتكييف تطبيقاتهم. كانت المساهمة القابلة للنسب لهوانغ هي الحفاظ على توجه الشركة نحو الحوسبة المسرّعة لفترة كافية حتى يصبح مثل هذا التحالف عمليًا.

غير AlexNet مركز الثقل التجاري

غالبًا ما يتم تلخيص نتيجة AlexNet في عام 2012 بقصة أن NVIDIA « تسببت » في الذكاء الاصطناعي الحديث. النتيجة الفعلية أكثر تحديدًا وأكثر إفادة. درب أليك كريجفسكي وإيليا سوتسكيفر وجيوفري هينتون شبكة عصبية التفافية عميقة على ImageNet. تشيرورقتهمإلى أن التدريب استغرق خمسة إلى ستة أيام على اثنين من GPU NVIDIA GTX 580 بسعة 3 جيجابايت لكل منهما.

سمي التنفيذ المستخدم cuda-convnet. في مسابقة 2012، حققت مجموعة تعتمد على نهجهم معدل خطأ top-5 بنسبة 15.3%، مقارنة بـ 26.2% لأفضل دخول ثاني.

تحدد هذه الأرقام نتيجة، وليس سببًا واحدًا. صمم الباحثون الشبكة وطرق التدريب والمخطط متعدد GPU. وفر ImageNet مجموعة بيانات كبيرة موسومة. أحصت التطورات في طرق الشبكات العصبية. جعلت وحدات GPU كمية الحساب قابلة للتنفيذ في أيام، ووفرت CUDA وسيلة لبرمجتها. أزل أيًا من هذه العناصر وتتغير القصة.

نسبة كل الفضل إلى NVIDIA تمحو البحث؛ التعامل مع المعالجات كملحقات يتجاهل سرد الورقة الخاص بالذاكرة ووقت التدريب.

بالنسبة لهوانغ، كان AlexNet إشارة أقوى من التطبيقات المتفرقة السابقة لأنه أشار إلى طريقة عامة ذات طلب متزايد على الحساب. يمكن للشبكات العصبية التحسن مع نمو النماذج ومجموعات البيانات، بينما كشف التدريب عن كميات كبيرة من الجبر الخطي المتوازي. توافق شهية عبء العمل مع بنية GPU وسنوات استثمار NVIDIA في البرمجيات.

عنيت CUDA أن الشركة لم تكن مضطرة لبدء بناء بيئة مطور بعد ظهور الاختراق. البيئة كانت موجودة بالفعل.

هذا هو المكان الذي أصبح فيه الصبر قيمة خيار استراتيجي. قبل عام 2012، دعمت CUDA مجالات علمية وهندسية كانت أسواقها مهمة ولكن مجزأة. بعد AlexNet، يمكن لنفس القاعدة خدمة مجتمع تعلّم آلي سريع النمو. منصة بنيت فقط لحزمة كيمياء أو خوارزمية تصوير لم تكن لتنتقل بسهولة. أعطت التجريدات العامة والمكتبات لـ CUDA لـ NVIDIA مسارًا من موجة تطبيقات إلى أخرى.

يحدد الجدول الزمني للشركة NVIDIA AlexNet كمعلم عام 2012 مدفوع بوحدات GPU الخاصة بها. هذا الوصف ترويجي ويجب قراءته بجانب الورقة الأصلية. توفر الورقة التفاصيل القابلة للتحقق من الأجهزة والتدريب ومعدل الخطأ؛ يظهر الجدول الزمني كيف فسرت NVIDIA الحدث. رأت الشركة AlexNet ليس كبيع محظوظ لبطاقتي لعب ولكن كتأكيد على أن الحوسبة المسرّعة يمكن أن تصبح محركًا لانتقال برمجي رئيسي.

امتد الرد التجاري إلى ما وراء لغة CUDA الأصلية. طورت NVIDIA واكتسبت مكتبات لعمليات الشبكات العصبية، وبنيت أنظمة للتدريب، وأضافت ميزات أجهزة متخصصة، ودعمت أطرًا سمحت للباحثين بالعمل على مستوى أعلى. لم تكن قيمة القرار الأصلي أن كل مطور AI سيكتب نوى CUDA خام. بل كان أن مؤلفي الأطر وفرق المكتبات يمكنهم استهداف CUDA، مما يسمح لملايين المستخدمين بالاستفادة عبر طبقات التجريد.

جعل التكامل في الأطر المنصة عادية

تصبح التكنولوجيا بنية تحتية عندما يعتمد عليها العديد من المستخدمين دون التفاعل مع أدنى طبقاتها. يكتب مطورو تعلّم الآلة المعاصرون غالبًا عمليات التنسور في بايثون بدلاً من CUDA C++. ومع ذلك، يمكن للإطار توزيع هذه العمليات على مكتبات ونوى CUDA. يرى المستخدم تنسورًا واسم جهاز؛ تدير المنصة التجميع، تخصيص الذاكرة، الجدولة، والبدائيات المحسنة تحتها.

يجعل PyTorch هذه العلاقة صريحة. يشرحتوثيقه لدلالات CUDAكيف يتم تخصيص تنسورات CUDA للأجهزة، وكيف ترتب التدفقات العمل، وكيف تتواصل عدة GPUs، وكيف يمكن للكود المستقل عن الجهاز الاختيار بين تنفيذ CPU و CUDA. يقلل الإطار من كمية الكود الخاص بالمنصة التي يجب على الباحث كتابتها، لكنه لا يمحو المنصة. تبقى مفاهيم CUDA مرئية عندما تهم الأداء أو الذاكرة أو المزامنة.

يوفر TensorFlow إشارة مستقلة أخرى. يقدمدليل التثبيتمسار حزمة GPU يتضمن دعم CUDA ويسرد برامج تشغيل NVIDIA و CUDA Toolkit و cuDNN بين البرامج الضرورية لتكوينات GPU المدعومة. مرة أخرى، معظم المستخدمين لا ينفذون نواة التفاف. يمتص القائمون على الأطر والمكتبات هذا العمل، ودعمهم يجعل أجهزة NVIDIA متاحة لشريحة أوسع.

يعزز هذا التقسيم CUDA بطريقتين. أولاً، يمكن لمجموعة صغيرة من القائمين على الصيانة الخبراء تحسين العمليات المستخدمة من قبل عدد كبير جدًا من التطبيقات. يمكن لنواة ضرب مصفوفة أو انتباه أسرع تحسين العديد من النماذج دون إعادة كتابتها من قبل كل فريق. ثانيًا، تصبح الأطر قنوات توزيع لمنصة الأجهزة. طالب يتعلم إطارًا على GPU من CUDA يمكنه نقل كود مماثل إلى محطة عمل أو مثيل سحابي أو كتلة.

يمكن لنفس التقسيم أن يضعف الاعتماد المباشر على مستوى التطبيق. يمكن للكود المكتوب ضد إطار عالي المستوى أن يعمل أيضًا على CPU أو GPU AMD أو معالج Apple أو مسرّع Google أو نهاية خلفية أخرى. تخلق واجهات برمجة التطبيقات المستقلة عن الجهاز مساحة للمنافسة. لكن قابلية نقل التركيب ليست مماثلة لقابلية نقل الأداء. إضافات CUDA المخصصة، والافتراضات حول الذاكرة، والعمليات غير المدعومة، والنوى المحسنة للمنصة يمكن أن تجعل النقل مكلفًا.

هذا التوتر مركزي لنتيجة منصة هوانغ. تستفيد NVIDIA عندما تجعل الأدوات عالية المستوى CUDA سهلة التبني؛ تواجه خطرًا عندما تجعل نفس الأدوات الأجهزة الأساسية قابلة للتبادل. كان رد الشركة هو الاستمرار في إضافة مكتبات محسنة وميزات نظام وخدمات مطورين حتى تعمل الأطر المجردة بشكل جيد بشكل خاص على حزمتها. لذا فإن المنافسة تدور تحت واجهة بايثون بقدر ما تدور على ورقة بيانات الشريحة.

حول التوافق الكود الماضي إلى سبب لشراء GPU التالي

لا تتراكم النظم البيئية للمطورين إلا إذا احتفظ عمل الأمس بقيمته. إذا أجبر كل معالج جديد تطبيقًا على إعادة البناء من الصفر، لكانت المكتبات والمهارات تنخفض بسرعة. لذا فإن تصميم التوافق لـ NVIDIA هو ميزة اقتصادية بقدر ما هو تقنية.

يشرحالتوثيق الحالي لمنصة CUDAأن الكود عالي المستوى يمكن أن يُترجم إلى PTX، وهو تمثيل وسيط يمكن للسائق ترجمته لـ GPU فعلي. يمكن للملفات التنفيذية أن تحتوي على ثنائيات لعدة بنيات بالإضافة إلى PTX للمستقبل. يشير التوثيق إلى أنه يمكن ترجمة PTX في وقت التشغيل لقدرات حوسبة لاحقة، بينما ينطبق التوافق الثنائي ضمن حدود بنية محددة. للوعود حدود، لكنها تعطي المطورين مسارات مدعومة بين الأجيال.

يغير التوافق سلوك الشراء. مؤسسة لديها تطبيقات CUDA عاملة وموظفين مدربين وأدوات نشر يمكنها اعتبار GPU NVIDIA الجديد استمرارًا بدلاً من مشروع برمجي جديد. قد لا تزال الأجهزة الجديدة تحتاج إلى ضبط لتحقيق أفضل أداء، وقد لا تستخدم الثنائيات القديمة الميزات الجديدة. لكن احتمال تشغيل العمل الحالي يقلل من خطر التبني. كل جيل أجهزة يمكنه وراثة الطلب الناتج عن استثمار البرمجيات السابق.

يغير هذا أيضًا التزامات NVIDIA. لا يمكن لمزود منصة التحسين فقط لمعيار جديد والتخلي عن التطبيقات القديمة دون عواقب. يجب على برامج التشغيل تحميل الكود الأقدم ضمن الحدود الموعودة. يجب على المكتبات إدارة الإهمال. يجب على التوثيق شرح أي مجموعات من الأدوات وبرامج التشغيل و GPU مدعومة. يمكن للأخطاء في طبقة التوافق أن تؤثر على تطبيقات لم تكتبها الشركة أبدًا. النظام البيئي هو أصل على وجه التحديد لأنه أيضًا عبء صيانة.

يساعد هذا في تفسير لماذا أصبح CUDA أكثر قابلية للدفاع من شريحة سريعة واحدة. يمكن التفوق على أداء الأجهزة من قبل منافس أو استبدالها بمسرّع متخصص. مجموعة من التطبيقات المتوافقة والمكتبات والمعرفة التشغيلية تتطور بشكل أبطأ. يجب على المنافسين تقديم مزايا كافية لتبرير ليس فقط شراء أجهزة ولكن أيضًا الترحيل والتحقق وإعادة التدريب.

الميزة ليست دائمة. يمكن أن يصبح التوافق نفسه مرهقًا، ويمكن لطبقات التجريد تقليل اختلافات المنصة. تسمح الخدمات السحابية للعملاء باستئجار بدائل دون شراء كتلة جديدة. يمكن للمعايير المفتوحة جعل الكود محمولاً. لكن الاستمرارية الطويلة لـ CUDA تعني أن المقارنة نادرًا ما تكون بين نظامين جديدين. أحد الجانبين يأتي غالبًا بسنوات من العمل المتراكم.

تظهر النتائج المالية لـ NVIDIA الحجم، وليس بند إيرادات CUDA

النتيجة التجارية الأكثر وضوحًا هي تحول NVIDIA من مورد شرائح مركز على الرسومات إلى مورد أنظمة وبرمجيات حوسبة لمراكز البيانات. يُبلغ ملف السنة المالية 2026 عن إيرادات بقيمة 215.938 مليار دولار، بزيادة 65% عن السنة المالية 2025. ساهمت الحوسبة والشبكات بمبلغ 193.479 مليار دولار، مقابل 22.459 مليار دولار للرسومات. ارتفعت إيرادات مراكز البيانات بنسبة 68% على أساس سنوي، وعزت الشركة ذلك إلى تحولات منصة الحوسبة المسرّعة والذكاء الاصطناعي.

هذه الأرقام استثنائية، لكنها لا تقيس CUDA بشكل منفصل. تبيع NVIDIA وحدات GPU والشبكات والأنظمة والخدمات والبرمجيات. يعكس طلب العملاء أيضًا نمو النماذج، والإنفاق الرأسمالي في السحابة، وتوريد الذاكرة، والقدرة التصنيعية، وأداء الشبكات، وميزات البنيات الحديثة. تساعد CUDA في جعل الأنظمة مفيدة، لكن الملف لا يسمح لأي شخص خارجي بحساب عدد الدولارات التي ستختفي بدونها.

الادعاء الصحيح أضيق: استراتيجية NVIDIA المعلنة وأكبر قطاع إيراداتها يعتمدان الآن على منصة حوسبة كاملة أساسها يشمل CUDA. يذكر 10-K أن الشركة تدمج الأجهزة والأنظمة والبرمجيات والخوارزميات والمكتبات والنماذج ومجموعات البيانات والخدمات. كما يذكر أن قاعدة مطورين كبيرة ومتنامية وقاعدة مركبة تزيد من قيمة المنصة. يصف الإدارة صراحة تأثيرات الشبكة كجزء من نموذج الأعمال.

يوفر الاستثمار نتيجة قابلة للقياس أخرى. أعلنت NVIDIA عن 18.497 مليار دولار من نفقات البحث والتطوير للسنة المالية 2026، بزيادة 43% عن العام السابق. وأشارت إلى أن حوالي 31,000 من 42,000 موظف عملوا في البحث والتطوير في نهاية العام وأن الاستثمار المتراكم في هذه الوظيفة منذ التأسيس تجاوز 76.7 مليار دولار. تغطي هذه الإجماليات الشركة بأكملها، وليس CUDA فقط.

تظهر الحجم التنظيمي الذي يدعم الآن البنية المشتركة وحزمها البرمجية العديدة.

يجلب الحجم أيضًا خطر التركيز والتنفيذ. يشير الملف إلى أن عميلًا مباشرًا مثل 22% من إيرادات السنة المالية 2026 وآخر 14%، بشكل رئيسي في الحوسبة والشبكات. يمكن للمنصة تنويع حالات الاستخدام بينما تبقى المبيعات مركزة بين بنائي الأنظمة ومزودي السحابة. لا يعني الانتشار الواسع لمطوري CUDA أن NVIDIA تفرض فواتير مباشرة على ملايين المطورين أو أن القوة الشرائية موزعة بالتساوي.

لذلك تدعم النتيجة المالية قصة منصة دون إثبات معادلة سببية بسيطة. منح قرار هوانغ لـ NVIDIA وسيلة مستدامة لتوسيع ما يمكن لمعالجاتها فعله. حوّل طلب الذكاء الاصطناعي والتنفيذ التقني وشراكات التوريد والابتكار الخارجي هذا الخيار إلى إيرادات. يمكن لتقييم صارم أن ينسب الفضل إلى CUDA كأساس مع رفض تسمية كل دولار بـ « إيرادات CUDA ».

الخندق هو برمجيات مفيدة — وتكلفة تركها

غالبًا ما يصف الناس CUDA كخندق. الاستعارة غير مكتملة ما لم تشرح ما في الماء. الحاجز ليس فقط أن CUDA هي بيئة برمجة تسيطر عليها NVIDIA. إنها القيمة المجمعة للمكتبات المحسنة والتطبيقات العاملة والتوثيق وخبرة الموظفين وممارسات التصحيح والتوافق والأجهزة المتوفرة. يبقى العملاء عندما يوفر هذا المزيج وقتًا أكثر أو ينتج نتائج أفضل من البدائل، وليس لأن اسمًا واحدًا يمنع الحركة.

تصفوثيقة OECD لعام 2025 حول المنافسة في البنية التحتية للذكاء الاصطناعيالبرمجيات بأنها حاسمة لجعل وحدات GPU فعالة وتستشهد بتقدير أن NVIDIA تمتلك أكثر من 80% من سوق GPU المستخدمة في الذكاء الاصطناعي. تربط وضع الشركة بالأداء وميزة الدخول الأول و CUDA.

النسبة المئوية هي تقدير سوق ثانوي تستخدمه OECD، وليس تعدادًا رسميًا للشحنات، لذا يجب التعامل معها كمؤشر على التركيز بدلاً من حصة عالمية دقيقة.

يصفملخص لاحق لطاولة المنافسة المستديرة لـ OECDتأثيرات الشبكة غير المباشرة بين وحدات GPU من NVIDIA و CUDA: المزيد من البرمجيات يجعل الأجهزة جذابة، بينما تشجع التبني الأوسع للأجهزة المزيد من البرمجيات. كما يسجل مخاوف من أن الاعتماد على بيئة تطوير يمكن أن يجعل التغيير صعبًا تقنيًا ومكلفًا، ويتطلب أحيانًا إعادة تصميم برمجيات ووقتًا. في الوقت نفسه، تصف المناقشة السوق بأنها قابلة للطعن لأن مصنعي الشرائح الآخرين ومزودي السحابة ومطوري الذكاء الاصطناعي يتابعون بدائل.

هذا الوصف المتوازن أكثر فائدة من وصف كل اعتماد بأنه تعسفي أو كل ميزة بأنها مستحقة. يخلق CUDA كفاءات: يمكن للمطورين إعادة استخدام كود محسّن، يمكن للمؤسسات توظيف أشخاص ذوي مهارات ذات صلة، ويمكن للقائمين على الأطر استهداف منصة مستقرة. هذه المزايا هي سبب قوة النظام البيئي. يمكن لنفس إعادة الاستخدام أن تصبح تكلفة تحول عندما يريد المشتري مسرّعًا مختلفًا.

تختلف التكلفة حسب عبء العمل. تطبيق يستخدم فقط عمليات إطار عالية المستوى متوفرة على عدة خلفيات يمكن نقله مع تعديلات محدودة في الكود، على الرغم من أن الأداء والنشر لا يزالان يتطلبان اختبارًا. كود علمي يحتوي على سنوات من نوى CUDA المخصصة ومكتبات خاصة بـ NVIDIA قد يتطلب هندسة كبيرة. شركة أتمتت كتلة CUDA قد تحتاج أيضًا إلى ممارسات جديدة للمراقبة والجدولة والتصحيح.

« أن تكون مقيدًا » ليس حالة ثنائية؛ إنه كومة من تكاليف الترحيل.

لذلك يمكن تقييم قرار هوانغ من منظورين في وقت واحد. من وجهة نظر NVIDIA، الاستثمار المتراكم للمطورين يجعل كل جيل أكثر قيمة وأقل عرضة لإطلاق شريحة منافسة. من وجهة نظر العميل، يمكن للنظام البيئي تقليل تكلفة البناء اليوم مع زيادة تكلفة تغيير المورد غدًا. كلاهما نتائج لنفس نجاح المنصة.

يهاجم المنافسون تكلفة البرمجة، وليس السيليكون فقط

يظهر وجود أدوات النقل أن المنافسين يفهمون أين تكمن الميزة. يصفتوثيق HIPلـ AMD وقت تشغيل C++ ولغة نواة مصممة للسماح لمصدر واحد باستهداف وحدات GPU من AMD و NVIDIA. تشرح مواد النقل الخاصة به كيف يمكن للمطورين تحويل كود CUDA بشكل تدريجي ومقارنة الوظيفة والأداء مع الأصل.

مجرد وجود مسار ترحيل يؤكد شيئين: كود CUDA له قيمة كافية للحفاظ عليه، ونقله مشكلة تستحق أدوات.

يسلك Khronos طريقًا قائمًا على المعايير.SYCLهو تجريد C++ متعدد المنصات ومفتوح وخالٍ من حقوق الملكية للمعالجات غير المتجانسة بما في ذلك CPU و GPU و FPGA. توثيقه حذر بشأن الحد: لغة مشتركة وواجهة برمجة تطبيقات يمكن أن تجعل الكود محمولاً، لكن ذلك لا يضمن نقل أداء تلقائي ومثالي. قد لا يزال المطورون بحاجة إلى متغيرات وضبط خاص بالبنية.

تمنع هذه البدائل قصة حتمية حيث يجب أن يهيمن CUDA إلى الأبد. تدعم الأطر عالية المستوى أجهزة أكثر بشكل متزايد. يمكن لمنصات السحابة كشف مسرعات منافسة. يمكن للمشترين الكبار بناء شرائح مخصصة لأعباء عمل معينة. يمكن لمعايير البرمجة المفتوحة تقليل كمية الكود المرتبط بمورد. يمكن لأعباء عمل الاستدلال مكافأة مقايضات مختلفة للتكلفة والطاقة عن أنظمة التدريب الضخمة.

ومع ذلك، يجب على طبقة النقل التنافس مع النضج، وليس فقط التركيب. يجب أن تكون النواة المترجمة صحيحة. يجب أن تغطي المكتبة العملية الضرورية. يجب أن تحدد أدوات الأداء الاختناقات. يجب أن يكون النشر مستقرًا. يجب أن يستجيب التوثيق ومعرفة المجتمع للحالات الحدودية. يجب أن يستمر التطبيق في العمل مع تغير المنصات المصدر والهدف. لهذا السبب يصعب نسخ النظم البيئية البرمجية بسرعة حتى عندما يكون معالج منافس قادرًا.

يمكن للمنافسة أيضًا تحسين CUDA. إذا كان بإمكان العملاء التحرك، يجب على NVIDIA الاستمرار في كسب التبني من خلال الأداء والموثوقية وإنتاجية المطورين. إذا سدت البدائل فجوات المكتبات، لا يمكن للشركة الاعتماد فقط على الكود التاريخي. يجب على المنصة الاستمرار في استيعاب نماذج جديدة وصيغ رقمية وأنظمة ذاكرة وأنماط متعددة GPU. خندق يتوقف عن التطور يصبح جزيرة.

السؤال السياسي ليس ما إذا كانت منصة مملوكة يمكنها النجاح. إنه ما إذا كان السلوك حول هذا النجاح يمنع البدائل بشكل غير عادل أو يقيد قابلية التشغيل البيني أو يربط الأسواق المجاورة بطريقة ضارة. تحدد وثائق OECD هذه الأسئلة كموضوعات مراقبة مستمرة، وليس استنتاجات بأن CUDA نفسه غير قانوني. الحقيقة الملحوظة هي أن البرمجيات والأجهزة يعززان بعضهما البعض بما يكفي لتشكيل هيكل السوق.

يمكن للجغرافيا السياسية تقسيم نظام بيئي كان الحجم وحد في السابق

كان اقتراح CUDA الأولي هو التوافر الواسع: يمكن لمطور تعلم نموذج وتشغيله على أجهزة NVIDIA على بطاقات استهلاكية ومحطات عمل وخوادم. تعقيد ضوابط التصدير والسياسات التكنولوجية الإقليمية هذا الاقتراح. يشير ملف السنة المالية 2026 لـ NVIDIA إلى أن القيود استبعدت بالفعل الشركة من سوق الحوسبة في مراكز البيانات في الصين بنهاية العام وحذرت من أن الاستبعاد قد يساعد المنافسين في بناء نظم بيئية أكبر للمطورين والعملاء.

يكشف هذا التحذير كيف تقدر NVIDIA الوصول إلى السوق. البيع المفقود ليس مجرد وحدة مفقودة. يمكن أن يكون مطورًا يتعلم سلسلة أدوات أخرى، جامعة تدرس منصة مختلفة، سحابة تحسّن بديلاً، وتطبيقًا لم يعد يتعامل مع CUDA كخيار افتراضي. تتراكم منافسة النظم البيئية في كلا الاتجاهين.

هذا لا يثبت أن سياسة تصدير معينة عادلة أو خاطئة. تزن قرارات الأمن القومي اعتبارات تتجاوز إيرادات الشركة وتبني البرمجيات. يظهر قيدًا على استراتيجية منصة هوانغ: لا تتحكم أي شركة خاصة في جميع الولايات القضائية أو سلاسل التوريد أو القواعد التي تصل بها أجهزتها إلى المطورين. قاعدة برمجة موحدة عالميًا يمكن أن تتجزأ عندما يتجزأ الوصول إلى الأجهزة الأساسية.

العرض هو قيد آخر. لا يمكن لـ CUDA توفير تسريع بدون معالجات وذاكرة وتغليف وطاقة وشبكات وقدرة مركز بيانات. تصمم NVIDIA شرائحها الرئيسية لكنها تعتمد على شركاء التصنيع. توسعت المنصة الحديثة من بطاقة GPU إلى أنظمة كاملة يجب أن تعمل أجزاؤها معًا. البرمجيات تزيد من فائدة الأجهزة النادرة؛ لا يمكنها صنع المزيد.

يخلق تركيز العملاء اعتمادًا إضافيًا. يوزع مزودو السحابة الكبار سعة CUDA على العديد من المستخدمين، لكن يمكنهم أيضًا تطوير مسرعات خاصة بهم والترويج لأطر بديلة. تساعد منصة NVIDIA السحابات في بيع خدمات الحوسبة، بينما تعمل السحابات كوسطاء للوصول إلى منتجات NVIDIA. النظام البيئي ليس قفلًا أحادي الاتجاه. يمكن للعملاء الرئيسيين تشكيل الأسعار والنشر وخيارات البنية المنافسة.

تبقي هذه القيود قصة القيادة راسخة. أنتج قرار هوانغ نفوذًا، وليس مناعة. يجب على الشركة صيانة البرمجيات وشحن الأجهزة والتنقل في اللوائح وإقناع كل جيل جديد من المطورين. تبني المنصة الماضي يشتري وقتًا وتوزيعًا؛ لا يلغي خطر التنفيذ.

يستحق الفضل القيادة والمهندسون والمستخدمون بنسب مختلفة

تقدم وسام الشرف IEEE لعام 2026 صياغة خارجية مفيدة. يشيرIEEE Spectrumإلى أن هوانغ تم تكريمه لقيادته في تطوير وحدات GPU وتطبيقها على الحوسبة العلمية والذكاء الاصطناعي. كلمة « قيادة » دقيقة. إنها تعترف بالرؤية التقنية والتوجيه التنظيمي دون ادعاء أنه كتب شخصيًا كل مكون.

أقوى إجراءات هوانغ الموثقة في قصة CUDA هي التعرف على الأنماط والالتزام وتأطير المنصة. رأى الاستخدامات غير الرسومية كدليل على حاجة حوسبة مشتركة. دعم بنية قابلة للبرمجة موحدة. أبقى البرمجيات وتبني المطورين في المركز بينما مرت الشركة بالحوسبة العلمية والذكاء الاصطناعي. يصف أيضًا NVIDIA علنًا كمنصة بدلاً من مورد مكونات، وهو وصف يتوافق الآن مع ملفه التنظيمي.

مساهمة المهندسين هي النظام نفسه. قدم بوك وفريق Brook نسبًا بحثيًا مهمًا. عرّف نيكولز وبوك وجارلاند وسكادرون والعديد من الزملاء النموذج المبكر وشرحوه. حوّلت فرق المترجمات وبرامج التشغيل والمكتبات والبنية وعلاقات المطورين إطلاقًا إلى بيئة محفوظة. وسع مؤلفو الأطر والباحثون ومطورو التطبيقات CUDA في مجالات لم يكن بمقدور NVIDIA بناؤها بمفردها.

قدم المستخدمون الاختبارات الحاسمة. عرض التصوير الطبي والكيمياء إشارات مبكرة. كشف العلماء الطلبات العددية والحجمية. أظهر فريق AlexNet نتيجة تعلّم آلي غيرت أولويات الصناعة. جعل القائمون على PyTorch و TensorFlow تنفيذ GPU متاحًا عبر أطر مستخدمة على نطاق واسع. ثم قرر العملاء ما إذا كان النظام الكلي يبرر تكلفته.

فصل هذه الأدوار يحسن بدلاً من تقليل سجل هوانغ. القيادة التنفيذية ليست ثمينة لأنها تقلد الهندسة. إنها ثمينة عندما تختار اتجاهًا يسمح للهندسة والابتكار الخارجي بالتراكم. النتيجة القابلة للتحقق هي منظمة حافظت على بنية برمجة ذات صلة عبر عدة موجات من الحوسبة.

هذا يجعل المسؤولية أيضًا أكثر وضوحًا. يمكن نسب الفضل لهوانغ للالتزام الاستراتيجي ومحاسبته على سلوك المنصة وأولويات الاستثمار وادعاءات السوق. يمكن نسب الفضل للفرق التقنية للتنفيذ. يحتفظ الباحثون بتأليف اكتشافاتهم. يمكن للعملاء الحكم على ما إذا كانت فوائد المنصة تفوق تكاليفها. قصة بطل تخلط هذه الخطوط؛ قصة منصة تتطلبها.

لوحة قيادة عملية للرهان الطويل

بعد عشرين عامًا من الكشف في 2006، يمكن اختبار قرار CUDA مقابل عدة نتائج ملحوظة.

أولاً، هل نجا نموذج البرمجة من أجهزة إطلاقه؟ نعم. يتعامل توثيق CUDA الحالي مع أنظمة متعددة GPU حديثة مع الحفاظ على المفاهيم الأساسية للنوى والتسلسلات الهرمية للخيوط والتنفيذ غير المتجانس. تعطي آليات التوافق للتطبيقات مسارات عبر عدة أجيال، ضمن الحدود المذكورة.

ثانيًا، هل استخدمه المطورون خارج الرسومات؟ نعم. توثق الأدبيات التقنية المبكرة الكيمياء والتصوير والجبر الخطي والفيزياء. جعل Titan تسريع GPU جزءًا من نظام مختبر وطني كبير. استخدم AlexNet اثنين من GPU NVIDIA وتنفيذ CUDA لنتيجة تصنيف صور بارزة. يكشف توثيق PyTorch و TensorFlow الحالي عن CUDA كمسار تنفيذ مدعوم.

ثالثًا، هل تشكل نظام بيئي تكميلي؟ تشير NVIDIA إلى أن أكثر من أربعة ملايين مطور يبنون الآن تطبيقات مسرعة وتصف مئات المكتبات والأطر والخوارزميات وواجهات التطوير في ملفها الضريبي. النشاط الدقيق وراء حسابات الشركة ليس عامًا، لكن التوثيق المستقل للأطر يؤكد أن CUDA مدمج في طبقات برمجية مستخدمة على نطاق واسع.

رابعًا، هل دعمت المنصة مشروعًا أكبر؟ وصلت إيرادات الحوسبة والشبكات لـ NVIDIA إلى 193.479 مليار دولار في السنة المالية 2026، متجاوزة بكثير قطاع الرسومات لديها. تحدد الشركة الحوسبة المسرّعة والذكاء الاصطناعي كمحركات لنمو مراكز البيانات وتضع CUDA في قاعدة حزمتها. لا يوجد إفصاح يعزل الحصة السببية لـ CUDA، لذا فإن النتيجة هي ارتباط في استراتيجية معلنة، وليس حساب إيرادات برمجية قائم بذاته.

خامسًا، هل خلقت الاستراتيجية قابلية للدفاع؟ تصف OECD سوق GPU للذكاء الاصطناعي بأنه مركز للغاية وتربط CUDA بتأثيرات الشبكة وتكاليف التحول. يوجد AMD HIP و SYCL جزئيًا لتقليل هذه التكاليف. الاستثمار المستمر في قابلية النقل هو دليل في حد ذاته على أن قاعدة البرمجيات المثبتة مهمة من الناحية التنافسية.

سادسًا، هل هناك تكاليف غير محلولة؟ نعم. يمكن أن يكون الترحيل مكلفًا، ويمكن لتركيز المنصة تقليل خيار المشتري، ويتطلب التوافق صيانة مستمرة، ويمكن أن يتعطل الوصول العالمي بسبب اللوائح وقيود التوريد. الأجهزة البديلة ونماذج البرمجة تحافظ على السوق قابلة للطعن. قرار منصة ناجح يخلق التزامات بالإضافة إلى عوائد.

تتجنب لوحة القيادة هذه خطأين. الأول هو اليقين بأثر رجعي: النجاح اللاحق لـ CUDA لا يعني أن سوقها المبكرة كانت مضمونة. والثاني هو أسطورة المؤسس: الاستمرارية الاستراتيجية لا تجعل هوانغ المبدع الوحيد للعمل التقني الذي أنتجه العديد من الأشخاص. الإنجاز المستدام هو توافق القيادة والبنية والبرمجيات والتبني الخارجي.

كان القرار المستدام هو دعم اختراع الآخرين

أعمق تأثير استراتيجي لـ CUDA هو جعل أجهزة NVIDIA مكانًا يمكن للآخرين خلق قيمة فيه. يمكن لعالم تسريع محاكاة، ويمكن لفريق إطار تحسين عمليات التنسور، ويمكن لشركة ناشئة نشر نموذج، ويمكن لسحابة بيع الوصول إلى النظام الناتج. لم تكن NVIDIA بحاجة لاختراع كل تطبيق. كانت بحاجة لجعل التطبيق التالي أكثر احتمالاً لاختيار منصتها.

هذا يغير طبيعة شركة أشباه الموصلات. لم يعد المنتج مكتملاً عندما تجتاز الشريحة التحقق. يبقى غير مكتمل حتى تجعل المترجمات والمكتبات والتطبيقات السيليكون مفيدًا، ويبقى في خطر إذا تشكلت الموجة البرمجية التالية في مكان آخر. تصبح علاقات المطورين والتوافق والتعليم وظائف استراتيجية. يمتد الأفق الزمني إلى ما بعد دورة أجهزة واحدة.

نجح الرهان الطويل لهوانغ لأنه جمع ميزة بنية حقيقية بهذا الأفق الأطول. كانت لوحدات GPU إنتاجية متوازية خلقت للرسومات. أظهر الباحثون أن مشاكل أخرى يمكنها استخدامها. خفض CUDA حاجز البرمجة. وسعت المكتبات والأطر الوصول. حافظ التوافق على العمل المتراكم. كل طبقة جعلت التالية أكثر قيمة.

نفس الهيكل يشرح النقاش الحالي حول الاعتماد. عندما توفر منصة سنوات عمل للمطورين، فإن تركها يمكن أن يكلف سنوات عمل. يستفيد العملاء من النظام البيئي ويصبحون معرضين لمالكه. يجب على المنافسين مضاهاة تجربة، وليس فقط معيارًا. يرى المنظمون كفاءات محتملة وحواجز محتملة في نفس مجموعة الحقائق.

الاستنتاج الأكثر إنصافًا ليس أن CUDA وحده خلق الذكاء الاصطناعي، ولا أن NVIDIA كانت محظوظة ببيع الشريحة المناسبة. اتخذ هوانغ قرار منصة مبكرًا ومستدامًا في مواجهة طلب غير مؤكد. بنى مهندسو NVIDIA والأسلاف الأكاديميون نموذج البرمجة وآليته. أثبت الباحثون والمطورون ما يمكنه فعله.

ساعد النظام البيئي الناتج في تحويل GPU من مكون رسومي إلى منصة حوسبة عامة — وأعطى NVIDIA أقوى أصولها الاستراتيجية وأحد أكبر مسؤولياتها.