NVIDIA（英伟达）这个名字相信每一个电脑用户都不陌生，这家全球知名的GPU厂商已经成为了图像处理器这一领域的绝对王者。可即便有巨大的市场份额，在过去的17年中，NVIDIA的股价几乎总在20美元（对应市值100亿美元左右）附近徘徊，其推出的Tegra系列处理器在智能手机领域也不温不火。
但从2015年开始，NVIDIA股价飙涨，不仅一扫移动处理器市场的阴霾，更是历史性的突破100美元（对应市值600亿美元左右），达到前所未有的新高度。
↑ NVIDIA上市以来股价的变化 via Bloomberg
近两年NVIDIA快速布局汽车和深度学习领域，在Tegra处理器的基础上相继推出了DRIVE PX和DRIVE PX2自动驾驶汽车计算平台，并开始与特斯拉、奥迪、博世等车企合作开发无人驾驶技术，在2017年CES上更是推出了搭载DRVIE PX2的NVIDIABB8无人驾驶原型车。这一次，在自动驾驶和智能汽车的风口上，NVIDIA或许会成为新的王者。
↑ 2017年CES上NVIDIA的无人驾驶试验车
一、GPU王者失意智能手机时代
已经在GPU领域耕耘深厚的NVIDIA在2008年推出了基于ARM和Geforce的移动处理器Tegra，随后由于这一处理器系列在图像处理方面的巨大优势，迅速占领了对图像处理要求较高的游戏机和平板市场，并在随后几年中不断更新升级。但在智能手机领域，Tegra系列一直被高通、三星吊打，就连华为都已经后来居上自从Tegra 4以后，NVIDIA在智能手机领域几乎销声匿迹，甚至首发T4处理器的小米3手机，到现在还会被用户吐槽。NVIDIA这个GPU之王在智能手机市场起了个大早，赶了个晚集，这次失败有偶然、但更多的是必然。
↑ 曾被寄予厚望的Tegra系列处理器
1. 基带——手机CPU的核心
基带，调制解调技术的统称，是负责手机与外界信号接收转换的关键桥梁，通话、上网、待机等所有的通讯技术都绕不开它。我们一般都会认为手机CPU的性能体现在是其处理速度和功耗，其实在智能手机时代还有一层最基础、最关键的需求——手机信号质量，这一由基带性能决定的通讯功能直接决定了手机的通话质量和上网速度。
在基带技术这一块，NVIDIA几乎是一片白纸，不仅仅NVIDIA，模拟通信时代的巨头德州仪器、摩托罗拉等公司在数字通信技术（3G、4G）上都毫无成绩可言，而这一领域的专利几乎全部由高通垄断，高通也依靠其基带技术推出骁龙系列集成式移动处理芯片，并在这一领域逐渐成为主流。
在使用ARM架构的手机处理器上，各家的性能差异并不是特别大，但高通还能提供稳定可靠的集成式基带，其成本具有绝对的优势，毕竟就算NVIDIA处理器性能再剽悍，也还是的使用高通的基带芯片，开发难度和成本都相应提高。在这一点上，不仅NVIDIA，大部分厂商的衰弱都应该说是必然，除非你能研究出自己的基带专利技术，比如华为麒麟系列这个后起之秀。
↑ 集成基带的高通骁龙和华为麒麟处理器
2. 定位偏差 T4难产
NVIDIA做GPU起家转战移动处理芯片一定不会放弃这个优势，因此Tegra处理器集成了强大的图像处理功能，并将市场主要定位在了平板和游戏机领域，T1在这两个领域的成功也证明了NVIDIA的实力。因此T2依然专注于此，但此时3G、4G技术开始发酵，高通强势出击，在这一时代T2依靠其图像处理性能在手机领域也能有一定的市场，但NVIDIA此时已经错失了整合基带的时机，T3几乎是全面落后。随后T4的难产和高功耗也注定了NVIDIA在手机领域大势已去。
二、智能汽车——新王者之路
智能手机市场的失败并没有让黄仁勋妥协。在2015年NVIDIA新品发布会上，tegra X1处理器发布，但这一次老黄只简单介绍了这款新品，随后便抛出一颗重磅炸弹——DRIVE PX，基于Tegra X1打造的全新智能汽车处理平台。NVIDIA正式宣布大举进军汽车领域，奥迪、特斯拉等汽车公司也相继与其展开合作。随后，NVIDIA股价开始一路狂飙，那么这次的成功是偶然还是必然？
↑ 搭载DRIVE PX 2的Roborace无人驾驶赛车
1. GPU与CPU的区别
CPU和GPU都是现代计算机技术中不可或缺的关键处理器，CPU擅长复杂的逻辑运算和通用性数据运算，是为解决复杂的计算和控制而发明的；GPU擅长大数据量、逻辑不复杂的重复计算，是为解决图像像素处理发明的。设计目标的不同，使得两者的结构也有巨大的差异，如下图所示：
↑ CPU与GPU结构对比
CPU具有强大的运算单元和巨大的缓存区域，在执行复杂计算和控制时，运算单元可以保证计算的效率，缓存区域又可以提供足够的数据加载区域，即便又复杂的运算和终端逻辑也能保证速度和精度，因此CPU更擅长串行运算和逻辑控制。
GPU具有众多密集的运算单元和少量的缓存区域，每个线程配备一个缓存区和控制单元，而运算单元也只需要处理简单的逻辑 ，这也使得每个线程可以同时并发工作，所以GPU适合大规模、逻辑简单的并行运算。
2. GPU加速算法
图像处理的核心就是处理一个个信息简单但数量巨大的像素点，这是GPU诞生的舞台，用GPU处理图像和渲染等工作可以极大的提高效率。在此基础上NVIDIA提出了一种GPU加速计算的方法，同时运用CPU和GPU处理计算任务，将程序的密集运算放在GPU上，其他的逻辑依然在CPU上完成，这种结合让GPU可以在更多的应用场景发挥作用。
↑ NVIDIAGPU加速算法示意图
例如在机器学习领域，使用GPU提供的强大并行运算能力去处理海量的学习数据，再用CPU完成其他的逻辑。Tegra系列处理器便可完美的支持这种运算方法，这也让NVIDIA成为众多机器学习系统的首选，据卡耐基梅隆大学的lan Lane教授称："借助 GPU，预先录制的语音或多媒体内容的转录速度能够大幅提升。与CPU软件相比，我们执行识别任务的速度超级高可提升33倍。"
↑ NVIDIAk40处理器针对机器学习应用的基准测试结果
3. Tegra的新舞台——自动驾驶
图像处理、机器学习都已经成为目前自动驾驶不可缺少的技术，自动驾驶中的环境感知、目标识别，都需要图像处理的参与；而借助机器学习算法，又能有效提高目标识别的效率和准确度，这也为NVIDIATegra处理器带来了新的舞台。
↑ NVIDIA自动驾驶系统示意图
NVIDIA在DRIVE PX2平台上使用了两颗Tegra 处理器，并包含了新一代强大的Pascal架构的GPU，由此可以同时接收处理12路高清摄像头的信号，可以融合来自多个摄像头和激光雷达，雷达和超声波传感器的数据，这使得算法可以360°全方位感知车俩周围的环境，从而产生稳定的图像，包括静态和动态目标。
DNN（深度神经网络）的应用，在探测和目标分类方面，显著提升融合传感器数据结果的准确性。这一全方位的自动驾驶处理平台几乎超越了现在所有汽车处理器的性能，当仁不让成为众多厂商研发自动驾驶技术的首选。
↑ NVIDIA发布DRIVE PX 2平台
另外，Tegra系列在移动平台上的性能和开发经验，更可以让其支持导航、仪表和车载娱乐的相关应用。而特斯拉早在Model S上就使用了Tegra 3处理器来支持中央的大尺寸触摸屏。据说因为特斯拉创始人Elon Musk和黄仁勋私交甚好，这也让NVIDIA早早进入了汽车领域，积累了不少经验。在自动驾驶这个新兴领域，行业标准空白，NVIDIA最早进入这一领域，已经占据了不少经验和市场的优势。
↑ NVIDIA汽车领域的合作伙伴
三、成功之路并不容易
虽然现在看起来NVIDIA的前景一片光明，但其成为智能汽车巨头的道路并不平坦。
1. 汽车电子行业的壁垒
汽车行业相对于消费电子领域有其特殊性和苛刻的要求，使用寿命、耐极端环境特性、电磁兼容性能、功能安全等等诸多要求都对汽车电子的硬件提出了极大的挑战，甚至可以说是汽车电子行业的一个技术壁垒。尤其在集成度极高的处理器领域，消费电子上常见的20nm在汽车电子上几乎是很难见到，反而以瑞萨、飞思卡尔的16位、32位的处理器大行其道。汽车首先要保障的是安全，只有经过充分验证才能大规模使用，这也是传统汽车厂商一直比较保守的原因。
2. 竞争对手的追赶
去年，汽车电子领域发生了一件大事，就是高通收购汽车芯片巨头恩智浦，收购价格创下半导体行业收购的记录，而前一年恩智浦还收购了飞思卡尔，成为汽车芯片的第一大厂商。高通推行这项收购计划意图明显，随着自动驾驶和车联网的发展，汽车电子行业已然成为下一个风口。以高通的实力和野心，相信这一领域的竞争将会更加激烈，NVIDIA又要遇到老对手的挑战。
↑ 高通400亿美元收购NXP
四、总结
NVIDIA在个人电脑的发展中发迹，靠GPU成为图像处理领域的巨擘。2008年转战移动平台，推出Tegra系列处理器，可优异的处理性能却无法抵挡高通在3G、4G时代对基带技术的垄断，导致其在智能手机领域折戟沉沙。
但GPU在大规模并行运算上的先天优势和创始人黄仁勋的孤注一掷，又让NVIDIA在近年自动驾驶技术和机器学习领域占得先机：特斯拉集成Tegra 3、发布DRIVE PX系列自动驾驶平台、与各大汽车厂商深入合作。因为这些布局，NVIDIA成为了第一家能提供超级汽车处理器的半导体公司，而其在图像处理和机器学习领域的优势也无比适合自动驾驶这个新战场。
目前，自动驾驶技术已经成为一个新的风口，很多其他的新兴玩家也逐渐参与进来，互联网、半导体、计算机领域的各种高新技术极大地促进着这一产业的发展，市场也跟着瞬息万变，谁会成为最后的王者？