Долгосрочная ставка Jensen Huang на CUDA превратила GPU в вычислительную платформу

Кратко

Стратегический вклад Jensen Huang заключался в поддержке универсальной вычислительной платформы на основе GPU NVIDIA, а не в претензии на инженерную работу архитекторов CUDA, команд компиляторов, авторов библиотек или внешних исследователей.

CUDA устранила главный барьер для вычислений на GPU: разработчики могли выражать параллельную работу в модели, похожей на C, вместо того чтобы маскировать каждое вычисление под графическую операцию.

Ранние научные применения, суперкомпьютер Titan с ускорением на GPU и AlexNet давали всё более убедительные доказательства того, что одна и та же программируемая архитектура способна поддерживать важные рабочие нагрузки за пределами игр.

NVIDIA расширяла преимущество с помощью библиотек, документации, обучения, интеграции с фреймворками и совместимости между поколениями оборудования. Сегодня компания описывает CUDA как фундамент полного вычислительного стека.

Коммерческий результат значителен, но его нельзя выделить: NVIDIA отчиталась о выручке 215,9 млрд долларов за 2026 финансовый год, при этом выручка от CUDA отдельной строкой не раскрывается. Было бы неверно приписывать рост компании только программному обеспечению.

Экосистема создаёт реальную ценность для клиентов и реальные издержки переключения. HIP от AMD и кроссплатформенный стандарт SYCL показывают, что переносимость возможна, но миграция всё же может требовать изменений кода, оптимизации производительности и новых эксплуатационных знаний.

Решение было масштабнее, чем графическая функция

Самая простая версия истории NVIDIA ведёт от более качественной игровой графики к искусственному интеллекту, как будто один рынок естественно перетекал в другой. Более полезная версия связана с решением о том, кто может программировать процессор и какую работу процессор должен принимать. NVIDIA создала устройство с высокой степенью параллелизма, потому что рендеринг миллионов пикселей вознаграждает одновременное выполнение похожих вычислений. CUDA поставила вопрос, может ли эта параллельная машина стать универсальной вычислительной целью, а не оставаться специализированным этапом графического конвейера.

Это не было очевидным расширением продукта. Чип, созданный для графики, уже можно было программировать через графические интерфейсы, и исследователи демонстрировали на нём впечатляющие неграфические вычисления. Но путь был неудобным. Им часто приходилось переводить данные в текстуры, а вычисления — в операции рендеринга. Учёному, интересующемуся молекулярной динамикой или медицинской визуализацией, нужно было сначала разобраться в понятиях графической системы, прежде чем добраться до лежащей под ними арифметической мощности. Сырая пропускная способность существовала; широко пригодной вычислительной платформы не было.

Это различие важно при оценке вклада Jensen Huang. Его роль заключалась не в том, чтобы сесть и написать каждый проход компилятора или определить каждое правило синхронизации. Биография NVIDIA называет его сооснователем 1993 года, который с тех пор непрерывно занимает должности президента и генерального директора. Поэтому решение о платформе относится к его управленческому послужному списку: он мог направлять капитал, приоритеты продуктов и внимание организации на рынок, ближайший размер которого был неопределённым. Техническая реализация принадлежит гораздо более широкой группе.

Корпоративная хронология NVIDIAдатирует представление архитектуры CUDA 2006 годом и говорит, что цель состояла в том, чтобы открыть параллельные вычисления на GPU науке и исследованиям. В технической статье 2008 года John Nickolls, Ian Buck, Michael Garland и Kevin Skadron сказано, что программное обеспечение CUDA было выпущено в 2007 году. Эти даты описывают разные вехи, а не противоречие: архитектура появилась вместе с единым графическим и вычислительным направлением NVIDIA в конце 2006 года, а среда разработки стала доступна программистам позже.

Это было стратегическим расширением идентичности продукта. Если бы GPU оставался только графическим ускорителем, спрос оставался бы привязанным в основном к визуальным рабочим нагрузкам. Если бы он стал программируемым параллельным процессором, любая подходящая вычислительно ёмкая задача могла бы стать поводом его купить. Компании всё равно нужно было доказать, что полезные приложения можно писать, что код переживёт обновления оборудования и что достаточное число разработчиков примет другой стиль вычислений. Поэтому CUDA была обещанием о рынке, который разработчикам ещё предстояло создать.

Исследователи уже показали и возможности, и препятствия

Вычисления общего назначения на GPU начались не на презентации NVIDIA. Академические исследователи и программисты изучали эту область годами. В диссертации Ian Buck 2004 года в Stanford,«Потоковые вычисления на графическом оборудовании», представлена система Brook — компилятор и среда выполнения, которые расширяли C концепциями параллельной обработки данных и абстрагировали GPU как потоковый сопроцессор. В диссертации объясняется, почему графические процессоры были привлекательны: параллелизм данных и арифметическая интенсивность позволяли выделять значительную часть оборудования под повторяющиеся вычисления. Там же описаны издержки прежнего пути, включая ограничения памяти, накладные расходы ядер и сложность отображения общих алгоритмов на устройство рендеринга.

Brook важен, потому что мешает мифу о происхождении, сосредоточенному на основателе. Работа Buck и его коллег Tim Foley, Daniel Horn, Jeremy Sugerman, Kayvon Fatahalian, Mike Houston и Pat Hanrahan показала, что система программирования более высокого уровня может открыть GPU, не заставляя каждого программиста манипулировать графическими примитивами. Страницы проекта Stanford показывают, что работа находилась внутри более широкого сообщества исследователей потоковых вычислений и получала поддержку нескольких компаний и государственных агентств, включая NVIDIA.

Идеи уже перемещались через институциональные границы до того, как CUDA стала продуктом.

Согласноизложению истории программирования GPUсамой NVIDIA, компания наняла Buck в 2004 году. На этой странице Brook назван предшественником CUDA и говорится, что цель состояла в создании подхода, знакомого программистам на C, с добавлением параллельных концепций более высокого уровня. Более поздняя статья о CUDA называет Nickolls, Buck и Garland из NVIDIA вместе со Skadron из University of Virginia. Эти источники указывают на техническую преемственность и команду; они не дают оснований называть Huang единственным изобретателем CUDA.

Собственный вклад Jensen Huang лучше виден в том, как он интерпретировал разрозненное использование. Вбеседе 2024 года в Stanford Graduate School of Businessон вспоминал, что NVIDIA делала свои процессоры всё более программируемыми, разрабатывала язык Cg и замечала, как исследователи используют технологию для КТ-реконструкции и вычислительной химии. Он рассказывал, что посещал пользователей в медицине и считал эти примеры сигналами того, что такая форма вычислений может решать задачи, с которыми обычные машины справлялись плохо. По его словам, каждое такое применение придавало компании больше уверенности продолжать.

Это воспоминание — рассказ участника, а не полная институциональная история. Его стратегическая ценность в правиле принятия решений, которое оно раскрывает. NVIDIA не ждала появления большого, аккуратно измеренного рынка под названием «вычисления на GPU». Она смотрела на технически достоверные пограничные случаи: визуализацию, физику элементарных частиц, моделирование жидкостей и химию. Они были малы по сравнению с потребительской графикой, но имели общую структуру — большие объёмы параллельной численной работы. Huang увидел за отдельными приложениями общую возможность платформы.

Таким образом, ставка опиралась на факты, но не была гарантированной. Существующие исследования показывали, что GPU могут ускорять подходящие вычисления. Они не доказывали, что массовые разработчики изменят способ написания программ, что учёные доверятся процессору, выросшему из игр, или что NVIDIA сможет поддерживать цепочку инструментов на протяжении поколений. Это решение превратило многообещающее исследовательское направление в долгосрочное продуктовое обязательство.

CUDA изменила основу программируемости

Техническое значение CUDA можно описать, не превращая её в магию. Встатье 2008 года в ACM Queueпредставлены три центральные абстракции: иерархия групп потоков, разделяемая память и синхронизация с барьерами. Программист пишет ядро — функцию, которая выполняется параллельно, — и организует множество экземпляров этой работы в блоки и сетки. Потоки внутри блока могут взаимодействовать через разделяемую память и синхронизацию; блоки спроектированы так, чтобы выполняться достаточно независимо, чтобы среда выполнения могла распределять их по доступным вычислительным блокам.

Такая структура соединила две часто конфликтующие цели. Программистам нужен был достаточный контроль, чтобы эффективно использовать иерархию памяти и параллельное оборудование. NVIDIA нужно было, чтобы программы масштабировались от одного поколения GPU к другому без жёсткой привязки приложения к конкретному числу физических ядер. Предложив разработчикам делить задачу на независимые блоки, CUDA позволила среде выполнения планировать одну и ту же программу на разном числе процессоров. Абстракция не делала каждый алгоритм параллельным и не устраняла необходимость работы над производительностью.

Но она отделила логическое разложение программы от точного числа ядер GPU, находящихся под ней.

Этот сдвиг можно понимать как приближение интерфейса к задаче разработчика. До появления подходящей вычислительной модели программист мог кодировать числа как текстуры, запускать операцию рендеринга и получать результаты так, будто это пиксели. С CUDA программист мог напрямую описывать ядра, массивы, передачу данных между памятью и синхронизацию. Оборудование по-прежнему накладывало ограничения. Характер ветвлений, доступ к памяти, перемещение данных и арифметическая интенсивность могли определять, оправдано ли ускорение. Но теперь эти ограничения были вычислительными понятиями, а не маскировкой, собранной из графической лексики.

Модель программирования также сделала GPU явно гетерогенным. CPU оставался хостом: он запускал приложение, готовил данные и инициировал работу. GPU становился устройством: он выполнял большое число параллельных потоков. Современнаядокументация CUDAпо-прежнему описывает эту связь, допуская при этом системы с несколькими CPU и GPU. CUDA не утверждала, что GPU должен заменить CPU во всём. Она дала разработчикам способ назначать разные части рабочей нагрузки тому типу процессора, который им подходит.

Эта граница — одна из причин, по которой платформа смогла распространиться. Компании или лаборатории не требовалось выбрасывать существующее приложение и переписывать каждую строку. Можно было найти дорогие ядра, перенести эти части на GPU, а последовательную или управляющую работу оставить на CPU. Внедрение могло начаться с одного узкого места. Когда среда разработки, практики развёртывания и знания сотрудников уже были на месте, за ними могла последовать и другая работа.

Ограничение не менее важно. Ускорение зависит от приложения, реализации, системы сравнения и объёма переданных данных. В ранней статье о CUDA приводились примеры от 10–100-кратного улучшения для молекулярной динамики до гораздо более высоких значений для отдельных реализаций МРТ и задач n тел. Эти измерения демонстрировали возможность на протестированных системах; они не были универсальным обещанием для любой программы, перенесённой на GPU. Платформа завоёвывает внедрение не гарантией одного множителя, а тем, что делает поиск подходящего ускорения воспроизводимым.

Продукт стал платформой благодаря дополняющим элементам

Один компилятор не создал бы экосистему CUDA. Разработчикам нужны были драйверы, отладчики, профилировщики, документация, примеры кода, математические библиотеки, учебные материалы, поддержка сообщества и оборудование в нескольких ценовых категориях. Каждый дополняющий элемент снижал свою часть издержек внедрения. Библиотека могла избавить от необходимости писать тщательно настроенный примитив. Профилировщик мог показать, почему ядро простаивает. Курс мог сделать параллельное мышление обучаемым. Политика совместимости могла позволить команде купить новый GPU, не выбрасывая рабочее приложение.

В статье 2008 года уже описывались программы CUDA в вычислительной химии, решении разреженных матриц, сортировке, поиске и физике. Там же упоминалось университетское преподавание. Эти ранние приложения имели значение, даже когда приносили мало прямой программной выручки. Они давали другим разработчикам примеры для копирования, порождали вопросы, которые улучшали инструменты, и создавали специалистов, чей следующий работодатель тоже мог выбрать CUDA. Каждое успешное приложение повышало полезность оборудования для кого-то, кроме его первоначального автора.

Это экономическая логика платформы для разработчиков. NVIDIA обеспечивает одну сторону: процессоры, системы, компиляторы и библиотеки. Внешние разработчики — другую: приложения, фреймворки, научный код и экспертизу. Пользователи охотнее покупают оборудование, когда уже существует полезное ПО. Разработчики охотнее выбирают платформу, когда доступно много пользователей и машин. Для накопления этого цикла не нужно централизованного планирования.

Стратегическое достижение Huang состояло в том, что NVIDIA оставалась приверженной этому циклу, когда первые приложения были рассеяны по исследовательским областям. Чиповой компании, привыкшей измерять продукт количеством проданных единиц и победами в бенчмарках, пришлось считать ПО, написанное другими людьми, частью ценности продукта. Ей также пришлось поддерживать разработчиков, чьи проекты могли годами не превращаться в крупные рынки. Отдача от оптимизированной химической библиотеки или университетского курса не обязательно появлялась в том же квартале, что и расходы.

Со временем приверженность становилась шире. Вформе 10-KNVIDIA за 2026 финансовый год сказано, что её технологический стек начинается с CUDA, а затем добавляются сотни предметных библиотек, фреймворков, алгоритмов, наборов средств разработки и программных интерфейсов. В документе описывается единая программируемая архитектура, обслуживающая несколько рынков через разные программные стеки, созданные NVIDIA, партнёрами и сторонними разработчиками. Это формальное корпоративное описание модели платформы, а не просто лозунг со сцены конференции.

Сейчас хронология NVIDIA говорит, что более четырёх миллионов разработчиков создают тысячи ускоренных приложений, более 40 000 компаний используют её ИИ-технологии, а 15 000 стартапов участвуют в программе Inception. Это подсчёты экосистемы, сообщаемые самой компанией, поэтому их не следует считать аудированными показателями активного использования или экономической зависимости. Тем не менее они показывают, что именно NVIDIA решила считать. Компания представляет разработчиков и приложения как операционные активы наряду с кремнием.

Наука дала публичные доказательства до того, как ИИ вышел на первый план

Научные вычисления не были декоративным второстепенным рынком, пока CUDA ждала машинного обучения. Они давали требовательные рабочие нагрузки и заметные институты, которые проверяли тезис платформы. Моделирование, визуализация и линейная алгебра содержат много параллельной работы, но также вскрывают ограничения точности, памяти и масштабирования. Платформа, которая не давала воспроизводимых научных результатов или не могла работать на крупных системах, не завоевала бы доверия только потому, что её чипы были быстры в играх.

Одним из самых наглядных результатов стал Titan в Oak Ridge National Laboratory.Oak Ridge Leadership Computing Facilityописывает Titan как Cray XK7 с 18 688 вычислительными узлами, каждый из которых объединяет 16-ядерный CPU AMD Opteron с GPU NVIDIA K20X. Система обеспечивала теоретическую пиковую производительность более 27 петафлопс. Oak Ridge заявляет, что она давала в десять раз более высокую скорость и в пять раз более высокую энергоэффективность по сравнению с предшественником Jaguar, потребляя лишь немного больше энергии при той же физической площади.

Titan не доказал, что GPU должны выполнять каждый научный код. Его гибридная конструкция доказала почти обратное: CPU и GPU могут делить работу. Приложения должны были раскрывать достаточно параллелизма, чтобы использовать ускоритель, а научным командам приходилось готовить свой код к другой архитектуре. Поэтому закупка сделала решение об экосистеме осязаемым. Национальная лаборатория была готова соединить огромную машину с работой по программированию и приложениям, зависевшей от программного обеспечения ускорителя.

Масштаб также изменил то, кто нёс издержки внедрения. На настольном компьютере один разработчик мог экспериментировать с видеокартой. На Titan лабораториям, командам приложений, поставщику системы и NVIDIA приходилось координировать усилия. Перенос и оптимизация крупных научных кодов требовали обучения и постоянной инженерной работы. Это бремя — часть истории CUDA, а не сноска. Внедрение платформы дорого до того, как становится удобным.

Наблюдаемым результатом стал работающий гибридный суперкомпьютер, остававшийся в эксплуатации до 2019 года. Oak Ridge связывает с архитектурой более быстрое получение решений, большую сложность моделей и более реалистичное моделирование. Это выводы организации о её собственной системе, но число узлов, модель GPU, пиковая производительность и дата вывода из эксплуатации дают конкретные ориентиры. CUDA перешла от отдельных экспериментов к инфраструктуре, от которой пользователи зависели в плановой научной работе.

Наука также влияла на саму платформу. Алгоритмы с нерегулярным доступом к памяти, разреженными данными, редукциями или несколькими GPU выводили CUDA за пределы простого пиксельного параллелизма. Библиотеки и функции программирования развивались для работы с более широкими паттернами. Это выгода выбора платформы, а не разового ускорителя: внешние приложения показывают, что должна поддерживать следующая версия.

Результат нельзя приписывать одному Huang. Oak Ridge выбирала и эксплуатировала машину; Cray интегрировала систему; AMD поставляла CPU; команды NVIDIA создавали оборудование и ПО; учёные адаптировали свои приложения. Подотчётный вклад Huang состоял в том, чтобы удерживать компанию в направлении ускоренных вычислений достаточно долго, чтобы такая коалиция стала практичной.

AlexNet сместил коммерческий центр тяжести

Результат AlexNet 2012 года часто сжимают до истории, в которой NVIDIA «создала» современный ИИ. На самом деле результат и конкретнее, и информативнее. Alex Krizhevsky, Ilya Sutskever и Geoffrey Hinton обучили глубокую свёрточную нейронную сеть на ImageNet. В ихстатьесказано, что обучение заняло пять-шесть дней на двух GPU NVIDIA GTX 580 с 3 ГБ памяти каждый. Связанная реализация называлась cuda-convnet. В конкурсе 2012 года ансамбль на основе их подхода достиг 15,3 % ошибок в топ-5 на тестовой выборке против 26,2 % у второго места.

Эти цифры фиксируют результат, а не единственную причину. Исследователи разработали сеть, методы обучения и схему с несколькими GPU. ImageNet предоставил большой размеченный набор данных. Важны были и достижения в методах нейронных сетей. GPU сделали объём вычислений реализуемым за дни, а CUDA дала способ их программировать. Уберите любой из этих элементов — и история изменится. Отдать всю заслугу NVIDIA значило бы стереть исследование; считать процессоры случайным обстоятельством — проигнорировать собственное описание памяти и времени обучения в статье.

Для Huang AlexNet стал более сильным сигналом, чем прежние разрозненные применения, потому что указывал на общий метод с растущим спросом на вычисления. Нейронные сети могли улучшаться по мере роста моделей и наборов данных, а обучение раскрывало большие объёмы параллельной линейной алгебры. Аппетит рабочей нагрузки совпадал с архитектурой GPU и с многолетними программными инвестициями NVIDIA. CUDA означала, что компании не нужно было начинать строить среду разработки после появления прорыва. Среда уже существовала.

Именно здесь терпение превратилось в стратегическую опционную ценность. До 2012 года CUDA поддерживала научные и технические области, рынки которых были значимыми, но фрагментированными. После AlexNet та же база могла обслуживать быстро растущее сообщество машинного обучения. Платформа, построенная только для одного химического пакета или одного алгоритма визуализации, не переносилась бы так легко. Общие абстракции и библиотеки CUDA дали NVIDIA путь от одной волны приложений к другой.

Корпоративная хронология NVIDIA называет AlexNet вехой 2012 года, ставшей возможной благодаря её GPU. Это описание носит рекламный характер, и его следует читать рядом с исходной статьёй. Статья даёт проверяемые детали об оборудовании, обучении и уровне ошибок; хронология показывает, как NVIDIA интерпретировала событие. Компания увидела в AlexNet не удачную продажу двух игровых карт, а подтверждение того, что ускоренные вычисления могут стать двигателем крупного программного перехода.

Коммерческий ответ вышел за пределы исходного языка CUDA. NVIDIA разрабатывала и приобретала библиотеки для операций нейронных сетей, строила системы для обучения, добавляла специализированные аппаратные функции и поддерживала фреймворки, позволявшие исследователям работать на более высоком уровне. Ценность исходного решения была не в том, что каждый ИИ-разработчик будет писать низкоуровневые ядра CUDA. Она была в том, что авторы фреймворков и библиотечные команды могли ориентироваться на CUDA, позволяя миллионам пользователей получать выгоду через слои абстракции.

Интеграция с фреймворками сделала платформу привычной

Технология становится инфраструктурной, когда многие пользователи зависят от неё, не взаимодействуя с её нижним слоем. Современные разработчики машинного обучения часто пишут операции с тензорами на Python, а не на CUDA C++. При этом фреймворк может передавать эти операции библиотекам и ядрам CUDA. Пользователь видит тензор и имя устройства; ниже платформа занимается компиляцией, выделением памяти, планированием и оптимизированными примитивами.

PyTorch делает эту связь явной. В егодокументации по семантике CUDAобъясняется, как тензоры CUDA распределяются по устройствам, как потоки упорядочивают работу, как несколько GPU обмениваются данными и как аппаратно-независимый код может выбирать между выполнением на CPU и CUDA. Фреймворк уменьшает объём платформенно-специфичного кода, который должен писать исследователь, но не стирает платформу. Понятия CUDA остаются видимыми, когда важны производительность, память или синхронизация.

TensorFlow даёт ещё один независимый сигнал. Егоруководство по установкепредлагает путь установки пакета GPU, включающий поддержку CUDA, и перечисляет драйверы NVIDIA, CUDA Toolkit и cuDNN среди программ, необходимых для поддерживаемых конфигураций GPU. И снова большинство пользователей не реализуют ядро свёртки. Эту работу берут на себя сопровождающие фреймворков и библиотек, и их поддержка делает оборудование NVIDIA доступным более широкой аудитории.

Такое расслоение усиливает CUDA двумя способами. Во-первых, небольшая группа экспертов-сопровождающих может оптимизировать операции, которые использует очень большое число приложений. Более быстрое ядро умножения матриц или внимания может улучшить многие модели без переписывания каждой командой. Во-вторых, фреймворки становятся каналами распространения аппаратной платформы. Студент, изучивший фреймворк на одном GPU с CUDA, может перенести похожий код на рабочую станцию, облачный инстанс или кластер.

То же расслоение может ослабить прямую зависимость на уровне приложений. Код, написанный под высокоуровневый фреймворк, может также работать на CPU, GPU AMD, процессоре Apple, ускорителе Google или другом бэкенде. Аппаратно-независимые API создают пространство для конкуренции. Но переносимость синтаксиса не тождественна переносимости производительности. Собственные расширения CUDA, допущения о памяти, неподдерживаемые операции и настроенные под платформу ядра всё ещё могут сделать переход дорогим.

Это напряжение лежит в основе результата Huang как платформенного руководителя. NVIDIA выигрывает, когда высокоуровневые инструменты упрощают внедрение CUDA; она сталкивается с риском, когда те же инструменты делают базовое оборудование взаимозаменяемым. Ответом компании стало постоянное добавление оптимизированных библиотек, системных функций и сервисов для разработчиков, чтобы абстрактные фреймворки работали на её стеке особенно хорошо. Поэтому конкурентная борьба происходит под интерфейсом Python в такой же мере, как и на уровне технических характеристик чипа.

Совместимость превратила существующий код в повод купить следующий GPU

Экосистемы разработчиков накапливаются только в том случае, если вчерашняя работа сохраняет ценность. Если бы каждый новый процессор заставлял перестраивать приложение с нуля, библиотеки и навыки быстро обесценивались бы. Поэтому политика совместимости NVIDIA — одновременно экономическая и техническая особенность.

Современнаядокументация платформы CUDAобъясняет, что код более высокого уровня можно компилировать в PTX — промежуточное представление, которое драйвер может транслировать для физического GPU. Исполняемые файлы могут содержать бинарники для нескольких архитектур, а также PTX для будущих. В документации сказано, что PTX можно компилировать во время выполнения для более поздних версий вычислительных возможностей, а бинарная совместимость действует в определённых границах архитектур. У обещаний есть пределы, но они дают разработчикам поддерживаемые пути между поколениями.

Совместимость меняет покупательское поведение. Организация с рабочими приложениями CUDA, обученным персоналом и инструментами развёртывания может рассматривать новый GPU NVIDIA как продолжение, а не как новый программный проект. Новому оборудованию всё равно может требоваться настройка для достижения лучшей производительности, а старые бинарники могут не использовать новые функции. Но перспектива запуска существующей работы снижает риск внедрения. Каждое поколение оборудования может наследовать спрос, созданный прежними программными инвестициями.

Это меняет и обязательства NVIDIA. Поставщик платформы не может оптимизировать только под новый бенчмарк и без последствий бросать старые приложения. Драйверы должны загружать старый код в обещанных границах. Библиотеки должны управлять устареванием. Документация должна объяснять, какие сочетания toolkit, драйвера и GPU поддерживаются. Ошибки в слое совместимости могут затронуть приложения, которые компания никогда не писала. Экосистема является активом именно потому, что одновременно является бременем обслуживания.

Это помогает понять, почему CUDA стала более защитимой, чем один быстрый чип. Аппаратную производительность может превзойти конкурент или вытеснить специализированный ускоритель. Накопленный объём совместимых приложений, библиотек и эксплуатационных знаний меняется медленнее. Конкуренты должны предложить достаточно выгод, чтобы оправдать не только покупку оборудования, но и миграцию, проверку и переобучение.

Преимущество не вечно. Сама совместимость может стать громоздкой, а слои абстракции могут уменьшать различия платформ. Облачные сервисы позволяют клиентам арендовать альтернативы, не покупая новый кластер. Открытые стандарты могут сделать код переносимым. Тем не менее длинная преемственность CUDA означает, что сравнение редко происходит между двумя пустыми системами. Одна из сторон часто приходит с годами накопленной работы.

Финансовые результаты NVIDIA показывают масштаб, но не отдельную строку выручки от CUDA

Самый заметный коммерческий результат — превращение NVIDIA из поставщика чипов, ориентированного на графику, в поставщика вычислительных систем и ПО для дата-центров. В отчётности за 2026 финансовый год сообщается о выручке 215,938 млрд долларов, что на 65 % больше, чем в 2025 финансовом году. Сегмент вычислений и сетей принёс 193,479 млрд долларов против 22,459 млрд долларов от «Графики». Выручка дата-центров выросла на 68 % год к году, что компания объяснила сдвигами в сторону ускоренных вычислений и ИИ-платформ.

Эти цифры выдающиеся, но они не измеряют CUDA отдельно. NVIDIA продаёт GPU, сетевое оборудование, системы, услуги и некоторое ПО. Спрос клиентов также отражает рост моделей, капитальные расходы облачных провайдеров, поставки памяти, производственные мощности, производительность сетей и особенности последних архитектур. CUDA помогает делать системы полезными, но отчётность не позволяет внешнему наблюдателю рассчитать, сколько долларов исчезло бы без неё.

Корректное утверждение уже: заявленная стратегия NVIDIA и её крупнейший сегмент выручки теперь зависят от полной вычислительной платформы, фундамент которой включает CUDA. В форме 10-K сказано, что компания объединяет оборудование, системы, ПО, алгоритмы, библиотеки, модели, наборы данных и услуги. Там же говорится, что большая и растущая база разработчиков и установленная база повышают ценность платформы. Руководство прямо описывает сетевые эффекты как часть бизнес-модели.

Ещё один измеримый результат — инвестиции. NVIDIA отчиталась о расходах на исследования и разработки в размере 18,497 млрд долларов за 2026 финансовый год, что на 43 % больше, чем годом ранее. Компания сообщила, что на конец года около 31 000 из 42 000 сотрудников работали в сфере исследований и разработок, а совокупные инвестиции в эту функцию с момента основания превысили 76,7 млрд долларов. Эти суммы относятся ко всей компании, а не только к CUDA. Они показывают организационный масштаб, который сейчас поддерживает общую архитектуру и её многочисленные программные стеки.

Масштаб также приносит концентрацию и исполнительские риски. В отчётности сказано, что один прямой клиент обеспечил 22 % выручки за 2026 финансовый год, а другой — 14 %, в основном в сегменте вычислений и сетей. Платформа может диверсифицировать сценарии использования, тогда как продажи остаются сконцентрированными среди сборщиков систем и облачных провайдеров. Широкий охват разработчиков CUDA не означает, что NVIDIA напрямую выставляет счета миллионам разработчиков или что покупательная способность распределена равномерно.

Таким образом, финансовый результат поддерживает историю платформы, но не доказывает простую причинно-следственную связь. Решение Huang дало NVIDIA долговечный способ расширять возможности её процессоров. Спрос на ИИ, инженерная реализация, партнёрства в цепочке поставок и внешние инновации превратили эту опцию в выручку. Строгая оценка может считать CUDA фундаментом, не навешивая ярлык «выручка от CUDA» на каждый доллар.

Ров — это полезное ПО и цена отказа от него

Люди часто описывают CUDA как ров. Метафора неполна, если не объясняет, что находится в воде. Барьер — не только в том, что CUDA является контролируемой NVIDIA средой программирования. Он в совокупной ценности настроенных библиотек, работающих приложений, документации, экспертизы сотрудников, отладочных практик, совместимости и доступного оборудования. Клиенты остаются, когда это сочетание экономит больше времени или даёт лучшие результаты, чем альтернативы, а не потому, что одно лишь имя мешает переходу.

Вдокументе OECD 2025 года о конкуренции в инфраструктуре ИИПО названо критически важным для эффективного использования GPU, и приводится оценка, согласно которой NVIDIA занимала более 80 % рынка GPU, используемых в ИИ. Документ связывает позицию компании с производительностью, преимуществом первопроходца и CUDA. Процент — это вторичная рыночная оценка, использованная OECD, а не официальная перепись поставок, поэтому её следует воспринимать как указание на концентрацию, а не как точную универсальную долю.

В более позднемрезюме круглого стола OECD по конкуренцииописаны косвенные сетевые эффекты между GPU NVIDIA и CUDA: больше ПО делает оборудование привлекательнее, а более широкое внедрение оборудования стимулирует появление нового ПО. Там же зафиксированы опасения, что зависимость от среды разработки может делать переход технически сложным и дорогим, иногда требуя перепроектирования ПО и времени. Одновременно дискуссия характеризует рынок как потенциально оспариваемый, поскольку другие производители чипов, облачные провайдеры и ИИ-разработчики развивают альтернативы.

Такое сбалансированное описание полезнее, чем называть любую зависимость злоупотреблением, а любое преимущество заслуженным. CUDA создаёт эффективность: разработчики могут переиспользовать оптимизированный код, организации — нанимать людей с нужными навыками, а сопровождающие фреймворков — ориентироваться на стабильную платформу. Эти выгоды и есть причина силы экосистемы. То же переиспользование может стать издержкой переключения, когда покупатель хочет другой ускоритель.

Издержка зависит от рабочей нагрузки. Приложение, использующее только высокоуровневые операции фреймворка, доступные на нескольких бэкендах, может перейти с ограниченными изменениями кода, хотя производительность и развёртывание всё равно нужно тестировать. Научный код, содержащий годы собственных ядер CUDA и библиотек, специфичных для NVIDIA, может потребовать серьёзной инженерной работы. Компании, автоматизировавшей кластер CUDA, могут также понадобиться новые практики мониторинга, планирования и отладки. «Привязка к поставщику» — не бинарное состояние; это набор издержек миграции.

Поэтому решение Huang можно оценивать сразу с двух точек зрения. С точки зрения NVIDIA накопленные инвестиции разработчиков делают каждое поколение более ценным и менее уязвимым к запуску чипа конкурента. С точки зрения клиента экосистема может снизить стоимость создания решений сегодня и повысить стоимость смены поставщика завтра. Оба эффекта — результат одного и того же успеха платформы.

Конкуренты бьют по стоимости программирования, а не только по кремнию

Само существование инструментов переносимости показывает, что конкуренты понимают, где находится преимущество.Документация HIPот AMD описывает среду выполнения C++ и язык ядер, призванные позволить одному исходному коду работать на GPU AMD и NVIDIA. Материалы по портированию объясняют, как разработчики могут постепенно конвертировать код CUDA и сравнивать функциональность и производительность с оригиналом. Само наличие пути миграции подтверждает две вещи: код CUDA имеет достаточно ценности, чтобы его сохранять, а его перенос — проблема, заслуживающая инструментов.

Khronos идёт по пути стандартов.SYCL— это открытая, бесплатная, кроссплатформенная абстракция C++ для разнородных процессоров, включая CPU, GPU и FPGA. Её документация аккуратна в определении границы: общий язык и API могут сделать код переносимым, но не гарантируют автоматическую и идеальную переносимость производительности. Разработчикам всё ещё могут требоваться варианты и настройка под конкретную архитектуру.

Эти альтернативы не позволяют предопределить историю, в которой CUDA должна доминировать вечно. Высокоуровневые фреймворки всё чаще поддерживают несколько устройств. Облачные платформы могут предоставлять конкурирующие ускорители. Крупные покупатели могут создавать собственные чипы для конкретных рабочих нагрузок. Открытые стандарты программирования могут уменьшить объём кода, привязанного к одному поставщику. Нагрузки инференса могут вознаграждать иные компромиссы по стоимости и энергии, чем гигантские обучающие системы.

Но слой переносимости должен конкурировать зрелостью, а не только синтаксисом. Перенесённое ядро должно быть корректным. Библиотека должна покрывать нужную операцию. Инструменты производительности должны выявлять узкие места. Развёртывание должно быть стабильным. Документация и знания сообщества должны отвечать на пограничные случаи. Приложение должно продолжать работать, пока меняются и исходная, и целевая платформы. Именно поэтому программные экосистемы трудно быстро скопировать, даже когда процессор конкурента способен на многое.

Конкуренция может улучшать и CUDA. Если клиенты могут уйти, NVIDIA должна продолжать добиваться внедрения производительностью, надёжностью и продуктивностью разработчиков. Если альтернативы закрывают пробелы в библиотеках, компания не может полагаться только на исторический код. Платформа должна продолжать вбирать новые модели, числовые форматы, системы памяти и паттерны работы с несколькими GPU. Ров, который перестаёт развиваться, становится островом.

Политический вопрос не в том, может ли проприетарная платформа быть успешной. Вопрос в том, не блокирует ли поведение вокруг этого успеха несправедливо альтернативы, не ограничивает ли совместимость и не связывает ли вредным образом смежные рынки. Материалы OECD обозначают это как предмет дальнейшего наблюдения, а не как вывод о том, что сама CUDA незаконна. Наблюдаемый факт состоит в том, что ПО и оборудование усиливают друг друга настолько, что формируют структуру рынка.

Геополитика способна расколоть экосистему, которую когда-то объединил масштаб

Изначальное предложение CUDA состояло в широкой доступности: разработчик мог изучить одну модель и запускать её на оборудовании NVIDIA — от потребительских карт до рабочих станций и серверов. Экспортные ограничения и региональная технологическая политика осложняют это предложение. В отчётности NVIDIA за 2026 финансовый год сказано, что ограничения фактически закрыли ей рынок вычислительных дата-центров Китая на конец года, и предупреждается, что исключение может помочь конкурентам создать более крупные экосистемы разработчиков и клиентов.

Это предупреждение показывает, как NVIDIA оценивает доступ к рынку. Потерянная продажа — это не только потерянная единица. Это может быть разработчик, который изучит другой инструментарий, университет, который будет преподавать другую платформу, облако, которое оптимизирует альтернативу, и приложение, которое перестанет считать CUDA вариантом по умолчанию. Конкуренция экосистем накапливается в обоих направлениях.

Это не доказывает, что какая-либо конкретная экспортная политика верна или неверна. Решения о национальной безопасности учитывают соображения, выходящие за пределы выручки компании и внедрения ПО. Но это показывает ограничение платформенной стратегии Huang: ни одна частная компания не контролирует все юрисдикции, цепочки поставок и правила, через которые её оборудование достигает разработчиков. Глобально единая база программирования может фрагментироваться, когда фрагментируется доступ к самим устройствам.

Ещё одно ограничение — поставки. CUDA не может обеспечить ускорение без процессоров, памяти, корпусирования, энергии, сетей и мощностей дата-центров. NVIDIA проектирует свои основные чипы, но полагается на производственных партнёров. Последняя платформа расширилась от карты GPU к целым системам, части которых должны работать вместе. ПО повышает полезность дефицитного оборудования; оно не может произвести его больше.

Концентрация клиентов создаёт дополнительную зависимость. Крупные облачные провайдеры распределяют мощности CUDA среди многих пользователей, но они также могут разрабатывать собственные ускорители и продвигать альтернативные фреймворки. Платформа NVIDIA помогает облакам продавать вычислительные услуги, а облака опосредуют доступ к продуктам NVIDIA. Экосистема — не односторонний замок. Крупные клиенты могут влиять на ценообразование, развёртывание и выбор конкурирующих архитектур.

Эти ограничения удерживают историю о лидерстве на земле. Решение Huang дало рычаг, а не неуязвимость. Компания должна поддерживать ПО, поставлять оборудование, ориентироваться в регулировании и убеждать каждое новое поколение разработчиков. Прошлое внедрение платформы покупает время и дистрибуцию; оно не отменяет исполнительский риск.

Заслуга принадлежит руководителям, инженерам и пользователям в разных долях

Медаль Почёта IEEE 2026 года даёт полезную внешнюю формулировку.IEEE Spectrumпишет, что Huang отмечен за лидерство в развитии GPU и их применении в научных вычислениях и ИИ. Слово «лидерство» здесь точное. Оно признаёт техническое видение и организационное направление, не утверждая, что он лично создал каждый компонент.

Наиболее документированные действия Huang в истории CUDA — распознавание паттернов, приверженность и формулировка платформы. Он видел в неграфических применениях свидетельство общей потребности в вычислениях. Он поддержал единую программируемую архитектуру. Он удерживал ПО и внедрение среди разработчиков в центре стратегии, пока компания проходила через научные вычисления и ИИ. Он также публично описывает NVIDIA как платформу, а не поставщика компонентов, — описание, которое теперь соответствует её регуляторной отчётности.

Вклад инженеров — сама система. Buck и команда Brook дали важную исследовательскую линию. Nickolls, Buck, Garland, Skadron и многие коллеги определили и объяснили раннюю модель. Команды компиляторов, драйверов, библиотек, архитектуры и отношений с разработчиками превратили запуск в поддерживаемую среду. Авторы фреймворков, исследователи и разработчики приложений распространили CUDA на области, которые NVIDIA не смогла бы освоить в одиночку.

Пользователи дали решающие проверки. Медицинская визуализация и химия дали ранние сигналы. Учёные раскрыли требования к масштабу и точности. Команда AlexNet продемонстрировала результат в машинном обучении, изменивший отраслевые приоритеты. Сопровождающие PyTorch и TensorFlow сделали выполнение на GPU доступным через широко используемые фреймворки. Затем клиенты решали, оправдывает ли совокупная система свою стоимость.

Разделение этих ролей улучшает, а не умаляет послужной список Huang. Ценность исполнительного руководства не в подражании инженерии. Оно ценно, когда выбирает направление, позволяющее инженерии и внешним инновациям накапливаться. Проверяемый результат — организация, которая сохраняла актуальность одной программной архитектуры на протяжении нескольких волн вычислений.

Это также делает ответственность яснее. Huang можно засчитать стратегическую приверженность и спрашивать с него за поведение платформы, инвестиционные приоритеты и рыночные заявления. Технические команды можно отмечать за реализацию. Исследователи сохраняют авторство своих открытий. Клиенты могут судить, перевешивают ли выгоды платформы её издержки. Героическая история размывает эти линии; история платформы требует их.

Практическая система оценки долгосрочной ставки

Через двадцать лет после анонса 2006 года решение по CUDA можно проверить по нескольким наблюдаемым результатам.

Во-первых, пережила ли модель программирования исходное оборудование? Да. Современная документация CUDA описывает системы с несколькими GPU, сохраняя базовые понятия ядер, иерархий потоков и гетерогенного выполнения. Механизмы совместимости дают приложениям пути между несколькими поколениями в заявленных пределах.

Во-вторых, использовали ли её разработчики вне графики? Да. Ранняя техническая литература описывает химию, визуализацию, линейную алгебру и физику. Titan сделал ускорение на GPU частью крупной национальной лабораторной системы. AlexNet использовал два GPU NVIDIA и реализацию CUDA для выдающегося результата классификации изображений. Современная документация PyTorch и TensorFlow описывает CUDA как поддерживаемый путь выполнения.

В-третьих, сформировалась ли экосистема дополнений? NVIDIA сообщает, что более четырёх миллионов разработчиков сейчас создают ускоренные приложения, и описывает сотни библиотек, фреймворков, алгоритмов и интерфейсов разработки в своей финансовой отчётности. Точный уровень активности за корпоративными подсчётами не раскрыт, но независимая документация фреймворков подтверждает, что CUDA встроена в широко используемые программные слои.

В-четвёртых, поддержала ли платформа более крупный бизнес? Выручка NVIDIA в сегменте вычислений и сетей достигла 193,479 млрд долларов в 2026 финансовом году, намного превысив сегмент «Графика». Компания называет ускоренные вычисления и ИИ драйверами роста дата-центров и ставит CUDA в основу своего стека. Никакое раскрытие не выделяет причинную долю CUDA, поэтому результат — это связь внутри заявленной стратегии, а не отдельный расчёт программной выручки.

В-пятых, создала ли стратегия защитимость? OECD описывает высококонцентрированный рынок ИИ-GPU и связывает CUDA с сетевыми эффектами и издержками переключения. AMD HIP и SYCL существуют отчасти для снижения этих издержек. Продолжающиеся инвестиции в переносимость сами по себе свидетельствуют, что установленная база ПО конкурентно значима.

В-шестых, остались ли нерешённые издержки? Да. Миграция может быть дорогой, концентрация платформы может ограничивать выбор покупателя, совместимость требует постоянного обслуживания, а глобальный доступ может нарушаться регулированием и ограничениями поставок. Альтернативное оборудование и модели программирования сохраняют оспариваемость рынка. Успешное решение о платформе создаёт не только выгоды, но и обязательства.

Эта система оценки избегает двух ошибок. Первая — уверенность задним числом: позднейший успех CUDA не означает, что её ранний рынок был гарантирован. Вторая — мифология основателя: стратегическая преемственность не делает Huang единственным автором технической работы, созданной многими людьми. Долговременное достижение — выравнивание руководства, архитектуры, ПО и внешнего внедрения.

Ключевое решение состояло в том, чтобы поддерживать чужие изобретения

Самый глубокий стратегический эффект CUDA — превращение оборудования NVIDIA в место, где другие люди могли создавать ценность. Учёный мог ускорить моделирование, команда фреймворка — оптимизировать тензорные операции, стартап — развернуть модель, а облако — продавать доступ к получившейся системе. NVIDIA не нужно было изобретать каждое приложение. Ей нужно было сделать так, чтобы следующее приложение с большей вероятностью выбрало её платформу.

Это меняет природу полупроводниковой компании. Продукт перестаёт быть завершённым, когда чип проходит валидацию. Он остаётся незавершённым, пока компиляторы, библиотеки и приложения не сделают кремний полезным, и остаётся под угрозой, если следующая программная волна сформируется в другом месте. Отношения с разработчиками, совместимость и обучение становятся стратегическими функциями. Временной горизонт выходит за пределы одного аппаратного цикла.

Долгосрочная ставка Huang оказалась успешной, потому что соединила реальное архитектурное преимущество с этим более длинным горизонтом. У GPU была параллельная пропускная способность, созданная для графики. Исследователи показали, что её могут использовать и другие задачи. CUDA снизила барьер программирования. Библиотеки и фреймворки расширили доступ. Совместимость сохранила накопленную работу. Каждый слой делал следующий более ценным.

Та же структура объясняет нынешние споры о зависимости. Когда платформа экономит разработчикам годы работы, уход с неё может стоить лет работы. Клиенты получают выгоду от экосистемы и становятся подвержены влиянию её владельца. Конкурентам нужно соответствовать опыту, а не только бенчмарку. Регуляторы видят в одном и том же наборе фактов и потенциальную эффективность, и потенциальные барьеры.

Самый справедливый вывод — не в том, что одна CUDA создала ИИ, и не в том, что NVIDIA просто случайно продала нужный чип. Huang принял раннее и устойчивое решение о платформе перед лицом неопределённого спроса. Инженеры NVIDIA и академические предшественники построили модель программирования и её механизмы. Исследователи и разработчики доказали, на что она способна. Возникшая экосистема помогла превратить GPU из графического компонента в универсальную вычислительную платформу — и дала NVIDIA самый сильный стратегический актив и одну из самых больших обязанностей.