RIVA TNT2 (NV5): NVIDIA's Game-Changer, Unseating Voodoo 3 and Reigning as the Leading Graphics Card

扩展阅读

NV5采用0.25微米制程来制造，时脉提高到125MHz。T

NT2比上代TNT引擎有长足进步，使用了第二代单一周期多重贴图运算，硬件设计合乎DirectX 7.0的需要。

其后，一些TNT2 Ultra更采用0.22微米制程，时脉进一步提升，亦完全击败Voodoo 3。

1999年8月，NVIDIA宣布与ALi合作推出集成TNT2 M64的Aladdin TNT2芯片组。

Aladdin TNT2是由M1631北桥和M1535D南桥组成的，北桥集成了TNT2 M64，但无法提供AGP接口。南桥提供四个USB接口及一个ATA 66 IDE控制器。支持66/100/133MHz的总线，最大1.5GB的PC100存储器，支持AMR、AC97等技术标准。

Aladdin TNT2同时支持一个本机帧缓冲器及统一的存储器模式，由于本机帧缓冲器的数据总线可以不受其他通信线路的影响，所以对速度的提高大有益处。在使用统一存储器模式（UMA）的时候，Aladdin TNT2芯片组具有800MB/s或1.06GB/s的存储器带宽。Aladdin TNT2可以以较低的价格却换来较高质量的3D加速性能。

Riva TNT2，彻底击败了Voodoo 3，使英伟达成为新的霸主。

扩展阅读

NVIDIA已经开发出了五大产品系列，以满足特定细分市场需求，包括：GeForce、Tegra、ION、Quadro、Tesla。公司不断为视觉计算树立全新标准，其令人叹为观止的交互式图形产品可广泛用于从平板电脑和便携式媒体播放器到笔记本与工作站等各种设备之上。

一切的开始

Nvidia联合创始人Chris Malachowsky正在吃香肠煎蛋卷，并在圣何塞Berryessa立交桥旁的Denny's里喝着煮好的咖啡。正是在1993年4月的同一个肮脏小餐馆里，三位年轻的电气工程师ChrisMalachowsky，Curtis Priem和Nvidia的现任首席执行官黄仁勋成立了一家致力于生产专用芯片的公司，他们的初衷是研发一种专用芯片，用来加快电子游戏中3D图像的渲染速度，带来更逼真的显示效果。那时，东圣何塞（East San Jose）是镇上的一个粗糙地区-餐厅的前部布满了停在停着的警车上的人的子弹孔-而且没人能猜出这三个人喝了无休止的咖啡后与21世纪90年代英特尔一样，该公司将在21世纪初定义计算。

Chris Malachowsky说：“ 1993年没有市场，但我们看到了一波热潮。” “每年都有一个为期五个月的窗口，发生在加利福尼亚州的一次冲浪比赛。当他们看到日本出现某种形式的波浪现象或风暴时，便告诉所有冲浪者出现在加利福尼亚州，因为将会有两次浪潮。天。就是这样。我们才刚开始。”

Nvidia联合创始人看到的浪潮是所谓的图形处理器（GPU）的新兴市场。这些芯片通常作为视频游戏玩家插入PC主板的卡出售，可提供超快的3D图形。这些卡在诸如睾丸激素之类的标签上销售，例如“ Titan X”或“ GeForce GTX 1080”，其价格可能高达1200美元，而且二十年后，它们仍占Nvidia 50亿美元收入的一半以上。

1995年5月，经过两年打磨，英伟达推出了首款面向游戏主机的多媒体加速器——NV1，这款加速器集图形处理、声卡及游戏操作杆等功能于一体，一经发布便吸引了当时最大游戏制造商世嘉的目光。世嘉决定在其第六代家用游戏机“土星”和个人电脑上采用NV1 。

然而就在同一年，微软推出以图形用户界面（GUI）为主要特征的Windows 95，图形芯片主流市场从游戏主机转向PC；同时，微软还开发出了采用多边形成像技术的图形编程接口——Direct3D标准。

由于英伟达在研发NV1时，行业内还没有像Direct3D和OpenGL（SGI公司开发的3D绘图编程接口）这样的多边形3D标准，而英伟达采用的是二次方程纹理贴图作为立体图形实现方式，无法兼容行业通用标准，因此市场销量快速下降。

1996年第一季度，英伟达停止销售NV1，并终止研发NV2，开始将重心转向图形处理器RIVA128。其后两年间，英伟达陆续推出RIVA128、RIVA128ZX、RIVATNT等图形处理器。这些新产品不仅支持微软Direct3D和OpenGL标准，在能效上也超越了竞争对手3Dfx的Voodoo和ATI的Rage Pro，加上价格低廉，逐渐获得了整机厂的青睐。

1999年1月，英伟达全年营收突破1.5亿美元，并在纳斯达克挂牌上市。同年5月，其图形处理器销量超过1000万。8月，英伟达推出第一款以GeForce命名的显示核心——GeForce 256，并首次提出GPU概念。次年底，英伟达以7000万美元现金、100万股公司股票，将3Dfx收入囊中，正式成为行业老大。

此时的GPU市场，只剩一家竞争对手可与英伟达匹敌，那就是ATI。

卧薪尝胆再雄起

在PC市场上，微软和英特尔是英伟达绕不开的两大巨头。“没有永远的朋友，只有永远的利益。”这是商场永恒不变的法则。与ATI以及两大巨头的博弈也牵动着英伟达业务的兴衰成败。

2000年，为了进军游戏主机行业，微软找到了如日中天的英伟达，请他们研发Xbox图形芯片、SoundStorm声音芯片以及主板解决方案。然而，微软给的研发时间只有一年。期间，电源供应出现Bug、数据库功能不足等一系列原因，导致Xbox在首发日前两个月才进入生产阶段。最终，微软被迫推迟首发，错过先机，败给了索尼PS2。

为了与PS2竞争，微软打算降低Xbox二代产品主机售价，于是要求英伟达尽可能降低芯片价格。但当时的芯片利润本身就不高，黄仁勋并没有同意，加上后来芯片遇上了品控问题，导致成本升高，还被迫降低性能。双方矛盾激化，最终对簿公堂。之后，微软便把订单交给了英伟达的竞争对手ATI。

这次合作失败让英伟达付出了惨痛代价，不仅2003年营收减少，还错过了微软DirectX 9规格确立的重要消息，直接导致当年推出的GeForce FX由于兼容性问题败给ATI的Radeon 9700。更不幸的是，GeForce FX还存在运行温度过高的问题，引发多次自燃事故，黄仁勋一度被游戏玩家调侃为“两弹元勋”。

除了微软，英特尔也开始扶持ATI，巨头围剿之下，英伟达损失惨重，股价大跌。见识到巨头威力后，英伟达为了实现突围，一方面主动去找微软和解，争取再次合作；另一方面失去Xbox订单，努力拿下了索尼PS3订单。此外，继续推出高性能芯片压倒ATI，同时还和英特尔达成了专利交叉许可协议。

忍辱负重铺长路

2004年到2007年，英伟达游戏和专业绘图处理器业务稳步增长，度过了顺风顺水的四年。不过，在这四年里，英伟达首席科学家David Kirk却在思考着一个更长远的问题——让只做3D渲染的GPU技术通用化。

理由是，英特尔的cpu可以通过多线程技术被所有计算机应用分享，但GPU还只能通过OpenGL/DirectX等接口跟用户交互。如果能够在GPU中提供合适的编程模型，将丰富的GPU并行运算资源分享给开发者，那么每台PC都可以变成一座超大规模高性能计算机。

这样的设想只能满足英伟达2007年新推出的大规模并行运算芯片——Tesla，对于其传统游戏和专业绘图业务来说，并没有这样的高性能运算需求。不过David Kirk最终还是说服了黄仁勋，投入大量资源研发出了能够让GPU变得通用化的CUDA（Compute Unified Device architecture）技术，并让每一颗英伟达GPU都支持CUDA。

这一疯狂举动成本巨大。由于必须在硬件产品设计中增加相关CUDA逻辑电路，使得芯片面积增大、散热增加、成本上升、故障率增高；同时，还要保证每款产品的软件驱动都支持CUDA，这对英伟达的工程师来说是巨大的工作量。

2006年，英伟达发布了一个名为CUDA的编程工具套件，该套件允许编码人员轻松地对屏幕上的每个像素进行编程。GPU模拟数千个同时运行以渲染每个像素的微型计算机。这些计算机执行许多底层数学运算，以渲染阴影，反射，照明和透明度。在发布CUDA之前，对GPU进行编程是一个非常痛苦的过程，对于编码人员来说，他们必须编写许多低级机器代码。Nvidia花了多年的时间开发的CUDA，为GPU带来了像Java或C ++这样的高级语言编程的便利。使用CUDA，研究人员可以更快，更便宜地开发其深度学习模型。

Huang说：“深度学习就像大脑一样。” “这是不合理的有效。您可以教它做几乎所有事情。但是它有一个很大的障碍：它需要大量的计算。此外，我们还有GPU，这是一种几乎适合深度学习的计算模型。”

大规模采用深度学习的关键时刻来自2010年在帕洛阿尔托的一家日本餐厅举行的晚宴上。斯坦福大学一位口语柔和的教授安德鲁·吴（Andrew Ng）在这里与Google（现为Alphabet）首席执行官拉里·佩奇（Larry Page）和天才计算机科学家塞巴斯蒂安·特伦（Sebastian Thrun）会面，当时他是当时的Google X负责人。关于将GPU应用于深度学习模型的有效性的第一篇学术论文。Ng说：“深度学习在2008年非常不受欢迎。” “考虑算法技巧要性感得多。”

特伦（Thrun）开发了一些首批实用的自动驾驶汽车，在斯坦福大学与伍（Ng）共享办公室墙，两位科学家向佩奇提出在Google成立深度学习研究小组的想法。这是有道理的：Google的大规模计算基础架构非常适合构建世界上最大的神经网络。Page同意了这个想法，Google Brain诞生了。现在，Google Brain进行的深度学习工作已遍及几乎所有Google产品，尤其是搜索，语音和图像识别。

2008年，CPU巨头AMD收购英伟达老对手ATI，形成了CPU整合GPU的新解决方案。Intel也终止了与英伟达的合作，在自家芯片组中集成了3D图形加速器。巨头夹击中，英伟达只得走高性能独立显卡一条路，然而其主打的高端笔记本独显产品8600M系列却出现了和散热有关的品质问题，导致黑屏或烧机等故障。很多人认为，该事故原因主要由于支持CUDA会加大芯片散热压力，英伟达采用了芯片制造商台积电不成熟的封装材料，才导致散热出现问题。

2008年，英伟达营收骤降16%，股价从37美元跌到6美元左右。不过，一时的挫折并未动摇黄仁勋的信念和决心。

2009年到2012年，虽然英伟达在移动市场上表现平平，甚至为了对抗高通，还做了一桩不划算买卖。但是，随着基于CUDA的通用GPU在高性能计算领域威力凸显，英伟达也迎来了发展史上最重要的时期。

2012年，深度神经网络技术在通用GPU的支持下实现重大突破，包括计算机视觉、语音识别、自然语言处理，以及各个领域的人工智能技术都得到了快速发展的条件。英伟达的数据中心业务也蒸蒸日上，为大大小小的公司提供强大计算力支持。

很难说是人工智能捧“红”了英伟达，还是英伟达成就了人工智能。不过可以肯定的是，在已经到来的AI时代，英伟达为各行各业提供了发展和应用人工智能技术的有力支持。

扩展阅读

从显示适配器到图形加速卡的转变是显卡历史上的重要转折点。

从此，显卡开始承担计算机中的部分计算任务，这奠定了其日后与cpu分庭抗礼的基础。

在显卡出现之前，电脑中通常的图形输出工作由cpu承担。

显卡的出现不是为了加速电脑的图形输出，最初的显卡是为了让游戏机上的二维图形显示加速。这款游戏是雅达利公司于1977年推出的雅达利2600。

同期流行的电脑是苹果-II，而苹果-II的图形输出由CPU承担。

进行图形处理时需要电脑具备较强的并行计算能力，对精度和运算强度的要求也很高，对早期的电脑来说，这很难。当时的显卡仅仅是将CPU计算生成的图形翻译成显示设备能识别的信号来进行显示，不具备计算能力，被称作图形适配器（VGA Card）。

雅达利2600拥有专门负责在电视上输出图形的8位Antic芯片和音频的CTIA芯片（见图24-2）。

雅达利2600内部的Antic芯片是显卡的老祖宗。