NVIDIA Restructures Business Units, Retires Gaming Division

🔑 增強重點摘要

•NVIDIA 2027 財年第一季營收高達 816 億美元，其中資料中心業務貢獻了 752 億美元，佔總營收的 92% 以上，這與 2020 財年遊戲業務佔比超過 50% 而資料中心僅佔 27% 的情況形成鮮明對比，顯示公司營收結構已徹底轉變。
•此次業務重組將傳統的「遊戲」、「專業視覺化」、「汽車」和「OEM」等部門合併至全新的「邊緣運算」平台，而「資料中心」則成為另一個獨立平台，以更清晰地反映公司當前及未來的成長動力。
•NVIDIA 執行長黃仁勳強調，AI 工廠的建設是人類歷史上最大規模的基礎設施擴張，而「代理式 AI」的興起正推動著長期且持續的運算需求，這也是公司全面轉向 AI 核心策略的關鍵驅動力。
•資料中心業務的強勁增長主要得益於對 Blackwell 基礎設施的巨大需求，以及前沿模型開發商和超大規模雲端服務供應商部署了數十萬個 Blackwell GPU。
•NVIDIA 在 2024 年收購了 Run:ai，這家公司提供基於 Kubernetes 的編排軟體，旨在優化 AI 訓練和推論環境中的 GPU 工作負載，進一步強化了 NVIDIA 在企業 AI 基礎設施領域的佈局。

📊 競品分析▸ Show

競爭者	優勢	劣勢	NVIDIA 相較優勢
AMD (MI300X 系列)	- 提供 192GB HBM3 記憶體，記憶體容量優於 H100 (80GB)

具競爭力的定價 | - 軟體生態系統 (ROCm) 成熟度落後 CUDA，在推論引擎支援、量化工具和框架相容性方面仍有差距 | - CUDA 生態系統的鎖定效應和廣泛優化，提供領先的軟體堆疊和開發者社群 | | Intel (Gaudi 加速器) | - Gaudi 3 專注於訓練效率和每瓦性能
Xeon CPU 仍處理許多推論工作負載和小型訓練任務 | - 在 AI 加速器市場的威脅程度低於 AMD | - 更高的市場份額和更廣泛的 AI 應用領域覆蓋 | | Google (TPU) | - 專為 AI 工作負載設計的客製化 ASIC
在其雲端環境中提供具成本效益的解決方案 | - 主要在其自有雲端內部使用，對更廣泛市場的影響有限 | - 跨所有雲環境和各類模型的通用平台支援 | | 雲端供應商 (AWS Inferentia/Trainium) | - 為其自有雲端基礎設施設計的客製化晶片
特定工作負載的成本效益高 | - 僅限於其各自的雲端生態系統 | - 提供獨立於雲端供應商的硬體和軟體平台 | | AI 晶片新創公司 (Groq, Cerebras) | - Groq (LPU) 專注於低延遲 LLM 推論
Cerebras 提供晶圓級晶片，解決記憶體頻寬瓶頸 | - 專注於利基應用，市場規模相對較小 | - 廣泛的市場滲透率和端到端解決方案 |

🛠️ 技術深入

Hopper 架構 (H100 GPU):
- 於 2022 年推出，採用台積電 4N 製程，包含 800 億個電晶體。
- 搭載第四代 Tensor Cores 和 Transformer Engine，支援 FP8 精度，相較前一代 GPT-3 (175B) 模型訓練速度提升高達 4 倍。
- H100 SXM5 版本配備 80GB HBM3 記憶體，頻寬達 3.35 TB/s。
- NVLink 4.0 提供 900 GB/s 的雙向 GPU 對 GPU 互連頻寬。
- 支援 Multi-Instance GPU (MIG) 技術，可將單一 GPU 分割成最多 7 個獨立實例。
- 支援多種精度運算，包括 FP64 (60 teraflops)、TF32 (1 petaflop)、FP16/BF16 (1,979 TFLOPS with sparsity) 和 FP8 (3,958 TFLOPS with sparsity)。
Blackwell 架構 (B100/B200 GPU):
- 作為 Hopper 的繼任者，於 2024 年 3 月 18 日正式發布。
- 採用革命性的雙晶粒 (chiplet) 設計，在單一 GPU 封裝中透過 10 TB/s 的晶片間互連技術連接兩個受光罩限制的晶粒。
- B100/B200 包含 2080 億個電晶體 (GB100 晶粒)，採用台積電客製化 4NP 製程製造。
- 引入第五代 Tensor Cores，支援 AI 運算和原生次 8 位元資料類型，包括新的 Open Compute Project (OCP) 定義的 MXFP6 和 MXFP4 微縮放格式，以及 FP4 精度。
- B100 配備 192GB HBM3e 記憶體，頻寬高達 8 TB/s。
- 第五代 NVLink 提供每個 GPU 1.8 TB/s 的頻寬。
- GB200 NVL72 機架級系統連接 36 個 GB200 Grace Blackwell 超級晶片 (36 個 Grace CPU 和 72 個 Blackwell GPU)，為萬億參數大型語言模型提供 30 倍的即時推論加速。
- 功耗需求增加 (每個 GPU 高達 1kW)，可能需要液冷散熱解決方案。
CUDA 平台:
- 於 2006 年 11 月 (或 2007 年 6 月) 推出，是 NVIDIA 的平行運算平台和程式設計模型。
- 允許開發者使用 C++ 等標準高階語言存取 GPU 指令集，進行通用運算。
- 將 GPU 從單純的圖形渲染工具轉變為大規模平行通用運算引擎，對科學模擬、資料處理以及後來的 AI/深度學習至關重要。
- CUDA 生態系統包含 cuDNN (用於深度學習) 和 TensorRT (用於推論) 等專業函式庫，為 NVIDIA 建立了強大的競爭護城河。

🔮 前景展望AI analysis grounded in cited sources

NVIDIA 將進一步鞏固其在 AI 基礎設施領域的主導地位。

全面的業務重組和對資料中心及邊緣運算的戰略聚焦，加上 Blackwell 架構的快速採用，表明 NVIDIA 致力於引領 AI 硬體和軟體生態系統的發展。

「邊緣運算」部門將獲得大量投資和創新。

透過將遊戲、汽車、機器人和其他領域整合到「邊緣運算」中，NVIDIA 表明其意圖將 AI 能力從資料中心擴展到廣泛的分散式 AI 應用。

AI 加速器市場的競爭將加劇，但 NVIDIA 的軟體護城河 (CUDA) 仍將是關鍵差異化因素。

儘管 AMD、Intel 和雲端供應商等競爭對手正在開發強大的硬體替代方案，但 CUDA 生態系統的深度整合和廣泛採用對開發者而言構成了很高的進入壁壘。

⏳ 時間線

1993

NVIDIA 成立。

2006

NVIDIA 推出 CUDA 平台，實現 GPU 的通用運算。

2012

AlexNet 突破利用 CUDA，突顯 GPU 在深度學習中的潛力。

2020

NVIDIA 完成對 Mellanox 的 69 億美元收購，強化資料中心網路能力。

2022

NVIDIA 推出 Hopper 架構 (H100 GPU)，專為大型語言模型設計。

2024

NVIDIA 正式發布 Blackwell 架構，旨在引領生成式 AI 時代。

NVIDIA 重組業務部門，遊戲部門正式成為歷史

⚡ 30-Second TL;DR

關鍵要點

🧠 深度解析

🔑 增強重點摘要

🛠️ 技術深入

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線

📎 來源 (27)

👉相關動態

回顧 2006 年 AMD 收購 ATI 如何奠定今日 AI 帝國

PACA：用於古生物化石坐標映射的開源工具

天文學家首次在宜居帶類地行星發現大氣層

三星與 Broadcom 簽署 2000 億美元 AI 基礎設施大單