摘要：初创期（1993-1999）。1993年由黄仁勋、Chris Malachowsky和Curtis Priem创立，目标是开发高性能图形芯片。1999年推出GeForce 256，首次定义“GPU”（图形处理器），奠定游戏显卡市场基础。

1. 初创期（1993-1999）。1993年由黄仁勋、Chris Malachowsky和Curtis Priem创立，目标是开发高性能图形芯片。1999年推出GeForce 256，首次定义“GPU”（图形处理器），奠定游戏显卡市场基础。

2. 技术突破期（2000-2006）。通过DirectX和OpenGL兼容性击败3dfx等对手，成为PC游戏显卡霸主。2006年发布**CUDA架构**，尝试将GPU用于通用计算（GPGPU），但初期市场反应冷淡。

3. 转型期（2007-2016）。从游戏到计算，CUDA生态逐渐成熟，吸引科学计算和AI研究者使用GPU加速。2012年AlexNet在ImageNet竞赛中依赖GPU训练，标志AI时代开启，英伟达开始向数据中心倾斜资源。

4. AI迅猛爆发期（2017-2023）。Volta（2017）、Ampere（2020）、Hopper（2022）架构连续升级，专为AI优化。CUDA开发者超400万，形成生态体系，兼容TensorFlow/PyTorch等框架，形成软硬件闭环。英伟达市值开始飞跃，2023年市值突破万亿美元，成为全球半导体龙头。

1. 技术瓶颈。台积电3nm以下工艺逼近量子隧穿效应，晶体管密度提升趋缓。AMD采用Chiplet设计（如MI300X）可以更低成本挑战H100的算力霸权。

2. 市场风险。客户集中，Meta、微软等云巨头贡献超50%数据中心收入，若自研芯片（如TPU v5、Azure Maia）成熟，可能削弱订单。美国对华高端GPU禁令迫使中国发展替代方案（如华为昇腾910B），长期或丢失部分市场。

3. 生态护城河的潜在裂痕。AMD ROCm、Intel oneAPI、开源框架（如OpenCL）加速追赶，但生态迁移成本仍是关键障碍。PyTorch 2.0开始支持非CUDA后端，可能降低开发者绑定。

短期（5年内）崩溃概率极低。AMD在AI芯片领域落后1-2年，中国厂商受制于先进制程（如中芯国际7nm良率）。CUDA代码库积累超20年，重写成本高昂（据估计迁移到ROCm需增加30%开发成本）。

长期（10年+）来看，风险亦不高，若量子计算或光子芯片实用化，可能绕过传统GPU优势，但短期内难以商业化。反垄断调查或强制开源CUDA可能削弱控制力，但需全球监管协同，当前国际局势基本没有可能。

1. 美国竞争对手：AMD与英特尔。

AMD方面。CDNA架构（MI300X）在显存带宽（5.3TB/s vs H100 3.35TB/s）占优，但软件生态差距显著。

英特尔方面。Ponte Vecchio GPU采用Foveros 3D封装，但Gaudi加速器市占率不足5%。

2. 中国厂商：政策驱动下的追赶。

华为昇腾。910B性能达H20级别，但受制于7nm工艺（台积电代工受限后转中芯国际N+2）。

壁仞科技BR100。算力峰值1PFLOPS（FP16），但软件栈成熟度不足，需适配国产AI框架（如百度PaddlePaddle）。

3. 其他地区:买买彩票拉倒。

欧洲：RISC-V架构GPU（如Imagination Technologies）可能从边缘端切入，但难以撼动数据中心。

日本：Preferred Networks自研MN-Core芯片，但局限于本土超算项目。

5年内仍旧看强。英伟达仍将保持60%以上AI芯片份额，依靠Blackwell架构和NVLink 5.0维持技术领先。

10年窗口看变量。关键变量是量子计算突破或中国实现28nm以下自主制造，若未发生，CUDA生态可能延续统治。

也可以期待一下云厂商自研芯片+开源生态联盟，例如AWS Trainium+PyTorch的深度整合，可能从需求端瓦解垄断，若英伟达触犯众怒，也不是不可能，聊胜于无。

来源：时光笔记2101