我前阵子和几位做硬件创业的朋友聊天，话题绕来绕去总会停在同一个点上：今天所有大模型、自动驾驶、机器人应用都像饿疯了似的吞算力，但真正把“显卡”这种画图用的芯片改造成整个AI行业发动机的，其实是从一个寄宿少年时代开始的漫长逆袭。这篇文章不聊八卦，只拆解这条“算力帝国”之路背后的技术判断、商业节奏和创始人性格——一个出身不算光鲜的少年，怎么就敢把公司未来押在一堆“画图芯片”上，又怎么在所有人都不看好的十年里，等来了AI的爆发。如果你正打算做硬件、做芯片、做AI基础设施，或者只是好奇GPU为什么会在人工智能里这么重要，这篇文章应该能帮你把整条脉络串起来。我会把“为什么是GPU”“为什么用了十年才兑现”“软件生态为什么比硬件更难”这些核心问题，连同我自己在相关项目里的踩坑心得一起讲明白。1. 寄宿少年：那个孤独的“异乡人”如何长出硬骨头1.1 过早的独自面对，是创业者最早的必修课很多科技巨头的创始人都是在温暖的环境里长大的，但这个故事的主角不是。少年时期的他，在异国他乡被送去寄宿学校，语言不通、文化隔阂、身边没有父母可以求助，整所学校里和他长得像的面孔一只手数得过来。换作普通人，这可能只是童年的不愉快记忆；但对一个未来的芯片公司掌舵人来说，这恰恰是第一次被迫学会“独自做决策”。你想想那种处境：一个十来岁的孩子，在学校里听不全对方在说什么，作业看不懂，生活中所有大小事都得自己拿主意。这种状态下人只有两个走向，要么彻底封闭，要么被逼出极强的应变能力。而从后面的创业历程看，他显然是后者。我在自己的项目里也体会过类似的感觉——当团队只有你一个人，客户催着交付，而文档全部是英文时，那种“山顶只有自己”的压迫感会迅速逼着你建立起一套高效的自我决策流程。孤独不可怕，可怕的是在孤独中丧失主动性。1.2 不认输的性格：从乒乓球到商业博弈这位创始人后来在很多公开场合提到过自己少年时的经历，喜欢用体育比赛来打比方。他讲过一个细节：上学时他喜欢打乒乓球，水平还不错，但常输给一位年龄比他大的校队选手。他反复琢磨对方的发球和站位，终于找到一个突破口，然后下场狠狠地赢回来。这个细节你听起来觉得轻描淡写，其实暗含了一套很重要的做事逻辑：先观察别人的打法，分析出规律，再针对性地做战术调整。这套逻辑后来被他原封不动搬进了芯片市场。早期显卡行业里，各路巨头老玩家都比他资历深、资金厚，他没有选择正面硬拼，而是先观察行业里谁最“容易被打穿”，找到竞争中的薄弱点，再集中资源打进去。这种长期保持“挑战者视角”的习惯，让他在日后很多关键时刻都敢于反向操作。相比那些顺风顺水的富二代创业者，这种从小就习惯在逆境里想办法的人，往往更能扛住漫长的不确定性。1.3 风险偏好：从“没有退路”到“敢下重注”寄宿生活还有一个隐藏影响：没有退路。普通家庭的小孩遇到挫折还能回家找安慰，而他当时只能自己消化。十几岁的孩子必须默认“事情搞砸了也只能自己承担”，这种心态放在商业上，就是高风险决策的心理基础。后来的很多选择——比如在公司还很小时就敢押注一大批研发人员做通用并行计算平台，比如在显卡业务赚钱时故意砸钱做当时看不到回报的AI算力布局——旁观者觉得疯狂，但对他本人来说，这不过是少年时代那套“没有退路，只能打赢”模式的延续。创业这件事，本质上比的就是谁更能承受“不确定性带来的压力”。你可以在商学院学到财务模型和竞争战略，但那种“明明心里没底，还要往前走”的劲头，绝大多数来自少年时代的生活底色。所以每当我看到有人把这位创始人单纯描述成“技术天才”时，总觉得少了什么——他更核心的能力其实是非常抗造的心理韧性。2. 从“画图芯片”起步：一场没人看好的技术豪赌2.1 图形芯片的起步逻辑：从游戏需求切入上世纪90年代，这家公司的起点并不是AI，也不是通用计算，而是给游戏和图形工作站做加速卡。那时候的计算机显示效果很差，屏幕上是简单的色块，游戏画面更是马赛克感十足。图形芯片厂商要做的，就是让计算机能更快算出屏幕上每一个像素的颜色和位置。听起来不够“星辰大海”，却是当时少数几个能支撑一家初创公司活下去的消费级市场之一。这个选择其实很值得创业者琢磨。很多硬件项目的失败，不是因为技术不好，而是因为切入场景太硬核、太“未来”，没有当下现金流。而图形芯片的好处是：游戏市场足够大，玩家愿意为“更流畅的画面”掏钱，公司可以从这里积累第一桶金。那位创始人的判断是：先靠游戏市场站稳脚跟，再用赚到的钱去够更大的梦想。这个打法放到今天仍然成立——用成熟的现金流业务养新的高潜业务，而不是一上来就把所有资源砸进一个短期看不到回报的领域。2.2 为什么图形芯片天然有“并行计算”的基因要理解GPU后来为什么能在AI领域翻身，得先明白一个底层概念：计算机芯片有两种基本设计思路。一种是追求单个任务算得特别快的“单核强算”，典型代表是CPU，适合做需要复杂逻辑判断的操作；另一种是追求大量简单任务齐头并进的“并行计算”，典型代表就是图形芯片，适合做图像渲染这种每个像素之间互不依赖的计算。图形场景天然是极度并行的。你想啊，屏幕上1080p分辨率的画面有两百万个像素，每一个像素都要独立计算颜色、光照和阴影。如果像CPU那样一个核心按顺序挨个算，几百万个像素得等到天荒地老。GPU的思路是布置成百上千个小计算单元，同时开工，一个像素分一个计算单元，瞬间就把整幅画面算出来了。这种“以量取胜”的架构，在多年后遇到了AI这个同样极度并行的需求。这是后话，但前期图形业务确实是培育这套并行架构最好的土壤。2.3 早期竞争与生存危机：差一点死在赛道里创业早期的日子并没有因为选对了赛道而变得轻松。当时图形芯片行业竞争激烈，巨头多、价格战狠、技术迭代又极快，要是一代产品延期或者性能拉胯，公司可能就没了。这位创始人回忆过当时的一个选择：明明销售端反复要求做当时更畅销的中低端产品，他却坚持先做性能最顶级的旗舰芯片，宁可少卖，也要把技术标杆立住。这是非常典型的“技术驱动型创始人”决策，短期看损失了很多收入，但长期确立了公司“高性能”这个品牌标签。后来各种竞品在新品发布会上都喜欢拿“最强性能”当卖点，但在这个用户心智已经扎下根的位置上，后来者很难撼动。其实做任何产品都一样，起步阶段如果能力不足以同时在“性能、价格、生态”三个维度都赢，那么先集中火力攻一个最容易形成标签的维度，是更稳健的打法。3. 从GPU到通用计算：最难的不是芯片，而是软件生态3.1 发现“显卡不止能画图”的那群人转折点出现在21世纪初期。彼时，一批做科学计算的学术界人士开始尝试把图形芯片用来做流体模拟、分子动力学和金融模型计算。他们发现，虽然GPU写程序极其别扭，但那种恐怖的并行吞吐量，用来做科学计算竟然意外地快。这个信息传到这家公司内部时，管理层反复面对一个问题：游戏显卡市场虽然赚钱，但天花板清晰，而“把显卡变成通用计算设备”听起来很疯狂，但万一成了呢？这位创始人的选择，是砸重金搭建一套让程序开发人员能正常在GPU上写通用程序的软件平台。注意，这里的重点不是硬件，而是“软件”。因为芯片本身再有算力，如果开发者不知道怎么写程序，芯片就只能画图。而那套平台的意义，就是给开发者提供一套类似C语言的编程模型，让他们能站在一个相对熟悉的门槛上，把普通程序搬到GPU上并行运行。3.2 那笔被批评无数次的研发投入如果你去翻这段时间的投资记录，会发现资本市场对这家公司的质疑相当尖锐。通用计算平台要投入大量软件工程师、编译器专家和开发者关系团队，这些投入看不到直接收入，又挤占了游戏业务的利润。华尔街的提问几乎每一次都围绕“你们是不是烧钱烧昏头了”，而那位创始人的答复始终只有一句：先在技术里把位置占住，等市场真正需要时，你才有资格在场。这里我想多说一句个人体会。很多硬件公司做软件生态的思维是错的，总想着“我先卖一千块板卡出去，再考虑软件”。但实际上，软硬件生态的顺序必须反着来：你得先把软件工具链做出来，让第一批开发者能在上面写出有价值的应用，硬件才有持续卖出去的理由。这套通用平台之所以后来能成为整个AI行业的事实标准，不是因为芯片性能从第一代就遥遥领先，而是因为软件开发者社区的积累早就在那里了——当深度学习研究者需要一种快速并行计算工具时，环顾四周，发现这套平台已经成熟可用。3.3 开发者生态：管道比水龙头更重要很多技术人容易忽视一个事实：在GPU通用计算这件事上，硬件是水龙头，开发者社区才是管道。水龙头再大，管道没铺好，水也到不了用户手里。这家公司花了将近十年时间，在全球高校、科研机构和初创公司里培养了一整代“会用GPU写程序”的开发者。所有大学里学过并行计算课程的学生，几乎都是从这套平台上手的。等到深度学习爆发时，研究人员不需要额外适应期，因为GPU编程对他们来说是熟悉的旧工具。我后来在自己的边缘计算项目里就吃过没铺管道的亏：当时我们做了一个性能不错的小芯片，但因为配套SDK文档烂、示例代码少，社区根本没人用，产品再强也卖不动。生态的价值从来不在短期内，它是那种“今天不显山不露水，但未来某一天会决定你生死”的慢变量。4. AI拐点：深度学习恰好需要GPU这种“笨办法”4.1 神经网络训练的数学本质：大量矩阵乘法AI爆发对于很多不搞技术的人来说很神秘，但本质拆开看，深度学习模型的训练过程就是极其大量的矩阵乘法运算。所谓矩阵乘法，你可以理解成一张表格的数据和另一张表格的数据做复杂的“行列配对”运算。一个神经网络里可能藏着几千万甚至上亿个参数，每一个训练步骤都需要把这些参数和输入数据全部乘一遍。这类运算有一个特点：单次乘法本身很简单，简单到小学生都会算，但运算数量是天文级别。CPU的设计目标是处理复杂逻辑，核心数量少但单核能力强；而GPU恰好相反——单个计算单元只能做简单的乘加操作，但数量极多，每一秒能完成的计算次数也就是吞吐量，是CPU的几十倍甚至上百倍。神经网络训练给人的感觉就像做100万道小学算术题，CPU是一个研究生慢条斯理地逐道解答，GPU则是一万个计算员同时开工每人分一百道题。虽然单个计算元不如研究生聪明，但人多力量大，总体效率完全碾压。4.2 神经网络与GPU的“最后一块拼图”拼上了在深度学习被主流接纳之前，学术圈也有过用CPU跑神经网络的漫长时期，但模型一深、数据一大，训练时间就变成几周甚至几个月。2012年左右，当研究者首次把大规模神经网络拿到GPU上训练时，训练时间从数月直接压缩到数天。从那一天起，GPU从“图形加速器”正式变成了“AI加速器”，而且几乎是一夜之间供不应求。这里有个很关键的点：GPU并非为神经网络而生，但神经网络所需的计算特性——高吞吐、大规模并行、容忍一定的单精度误差——恰好和GPU的架构高度重合。两个技术路线就像两条各自流淌了十几年的河，到了这个时间点突然交汇。如果当初没有前面十几年的图形芯片并行架构积累，AI研究者不可能随手买到趁手的加速工具；反过来，如果GPU没有遇到AI这波浪潮，它可能到今天还是一个游戏玩家才关心的零件。4.3 训练和推理：两种不同的消耗方式随着AI应用落地，算力需求分成了两个赛道：训练和推理。训练是让模型从数据里学出参数，像备课；推理是用训练好的模型回应请求，像考试。两者虽然都依赖GPU，但对芯片的侧重点不同：训练需要最高的吞吐量和尽可能多的显存位宽，因为要把海量数据和参数搬来搬去；推理延迟却更敏感，手机上一个实时语音交互最多只能接受几百毫秒响应。这也是为什么后来的算力产品线会分化为“训练专用”和“推理专用”。很多企业客户一开始以为买一台训练服务器就全搞定了，结果部署推理模型时发现延迟和吞吐根本压不下去，还得重新采购。真正搞AI基础设施的人，从第一天就得把“训练和推理的硬件需求差异”写进规划表里，否则后期扩容会多花很多冤枉钱。5. 从芯片到“算力帝国”：数据中心时代的完整版图5.1 卖芯片的变成卖“整套算力系统”的如果这家公司只做GPU芯片，那它充其量算一家厉害的硬件公司，还够不上“算力帝国”的分量。真正的转折点在于，它把产品从单一芯片演进为完整的服务器系统方案——高速互连总线、网络交换设备、底层计算平台框架，再到顶层的应用部署工具，层层叠叠地凑成了一套数据中心整体方案。这就好像你原来只卖发动机，虽然发动机好，但整车厂愿意用何种发动机还取决于价格、适配和信任；现在你直接连底盘、车架、控制系统一起交付，客户买到开箱即跑，自然是抢着来。对大型云服务商和科研超算中心来说，最怕的不是硬件贵，而是集成不稳定、性能调不出来。提供整套方案，能让客户省去大量工程试错，自然也就在货架上占据了不可替代的位置。5.2 单张GPU的天花板与多卡互联的工程深水区单张GPU的性能再强也有天花板，而大模型的参数规模动辄千亿级别，早就超过了一张卡所能容纳的显存上限。业界通行的解法是“用多张卡拼起来”——把成百上千张GPU组合成一台超级加速机器——然而这里最难的恰恰是GPU之间的通信。你可以做一个类比：一百个顶尖工匠聚在一起干活，如果他们完全靠人肉传递半成品卡片，那干活的效率会被传递环节拖垮；只有给每个工匠铺好高速传送带，才能发挥“人多力量大”的优势。多卡互联要解决的就是这条“传送带”问题。今日的高端数据中心内部普遍采用专门设计的超高速互连系统，把GPU之间的数据传输带宽提升了几个数量级。我见过不少团队自建AI集群时低估了互联的重要性，只把计算节点堆满GPU，最后实际跑到算力利用率只有不到六成，钱花了不少，性能远低于预期。搞算力基础设施的人，真的要牢牢记住“集群的瓶颈往往在网络，不在芯片”。5.3 软件护城河：从工具链到行业标准“算力帝国”的另一条根脉，是前面提到的那套通用计算软件栈，但它的范围早已不再局限于编程模型，而是涵盖了从底层加速库、神经网络训练框架、部署优化引擎到行业专用解决方案的完整链条。这种“软硬一体”的打法，对内是产品协同的黏合剂，对外是新竞争者几乎不可能在短期内翻越的高墙。有人会问：硬件架构可以追赶，软件生态为什么难？答案是，软件生态最大的壁垒不在代码本身，而在于“用户习惯”和“存量资产”。全球各地开发者已经在该生态上积累了海量开源代码、部署工具和可复用的模型仓库。客户已经在自己的生产环境里运行了数年，稳定性验证过无数次，切换到另一套新生态的迁移成本极高。后发者哪怕芯片峰值性能做到新生态计算效能的几倍，客户也会因为迁移痛苦而选择观望——这跟你很难换掉自己用了十年的输入法和笔记软件是一个道理。6. 创始人的决策底色：远见、高压和敢打自己脸6.1 为什么“看得远”比“走得快”更稀缺如果回顾整条发展路径，你会发现一个奇特的现象：这家公司几乎每一步都踩在正确的时代节点上，但它的每一步也都在当时被大量质疑。做图形显卡时，被人嘲讽是“游戏周边厂商”；搞通用计算平台时，被投资者批评是“胡乱烧钱”；早几年布局AI算力时，又被怀疑是“题材炒作”。可是不到十年，当初那些骂声都变成了赞美。这背后需要的不是预测能力，而是“基于技术底层逻辑的长期判断力”。这位创始人多次打过一个比方：你要看的是未来五年后的市场需求，而不是今天的市场反馈。今天的市场反馈只会告诉你过去的赢家是谁；只有从技术演进的走向去倒推，才能在别人还没看见时提前落位。这种远见放在硬件行业尤其值钱，因为芯片研发周期动辄三年以上，如果你等到市场信号已经清晰再动手，产品出来时黄菜都凉了。6.2 高压文化与“无情”淘汰：一半人不舒服，但公司跑得快外界对这位创始人的管理风格一直评价两极。他曾在公开场合讲过，如果你觉得自己做事情很困难，那说明你可能不适合这份工作——管理者要做的是那种“毫无借口”的驱动者，团队里每个季度都要对着极高的目标审查，达不到就直接换人。这种高压文化让许多员工怨气冲天，但也客观上让公司保持了远高于行业平均的推进速度。我并不是在说“高压文化是唯一正解”，但至少在这种技术迭代极快、一步慢步步慢的行业里，适度的高压确实能确保组织不陷入安逸。创始人对自己也一样残酷：他并不会因为某条产品线是自己亲手推起来的就偏袒它，该砍掉时绝不留情。这种“敢对自己下刀”的特质，很少出现在职业经理人身上，往往只出现在真正把公司当成自己骨肉的创始人身上。6.3 自我颠覆：对已成优势的下一个技术路线保持警惕很多成功公司最终衰败，不是因为做错了什么，而是因为死守自己成功的旧路线。这位创始人却一直在警惕这种惯性。当AI算力需求崛起时，他并没有只满足于“GPU继续卖爆”的舒适区，而是主动推动底层架构的更新迭代：加入专门的矩阵运算单元、优化低精度计算性能、重新设计数据中心级互联架构。每代产品都在动自己前一代的根基，这在技术公司里并不多见。行业里有一种说法：企业间的竞争，从来不是产品间的竞争，而是“时间轴上的选择”之间的竞争。今天你手里赚钱的产品，可能正是明天要抛弃的包袱。这位创始人用行动证明了，真正持久的竞争力，来自持续用新技术推翻自己旧方案的能力，而不是捍卫旧方案的顽固。这一点对个人成长同样适用——你在某个技术点上的经验优势，如果不主动更新，很快就会成为认知上的天花板。7. 普通技术人和创业者能从这条路上带走什么7.1 选方向时要问“五年后这个问题的答案重不重要”读完整个故事，我最大的感受是：这位创始人对“方向”的判断方法，值得每一个做技术选型的人抄作业。判断一个领域是否值得进入，不是看它今天热不热，而是看“这个事情即使五年后再做，还会不会很重要”。如果答案是会，那现在早入场就是积累优势；如果答案是不会，那现在的热闹就只是风口泡沫。我遇到过太多团队天天追热点，追的时候风光，风口一过发现自己什么积累都没剩下。反而是那些选择了一个看似没那么性感、但底层需求长期存在的方向，并在里面深耕五年十年的团队，最后成了行业里不可替代的角色。所谓“长期主义”，不是一句口号，而是在选方向那一刻就坚定地放弃了那些会很快过期的事情。7.2 技术人最容易低估的是“生态成本”写代码的人通常觉得芯片就是堆晶体管数量，但这篇文章想强调的一个反直觉观点是：芯片生意的护城河，至少一半来自软件生态和组织能力。如果你未来想切入硬件和AI基础设施领域，一定要在第一天就把软件工具链、开发者体验、社区建设计划这些看似“脏活累活”的事情纳入预算。芯片流片一次的成本再高，也比不上一个生态从零开始的时间成本。以我个人的经验，硬件项目第一版产品出来之后，多数团队都会兴高采烈地到处找客户卖板卡，很少会认真写教程和示例代码。结果就是产品无人问津，因为开发者拿到一块没有文档的板卡，连第一步都跨不出去。回头看看这位创始人的路径，他的软件栈永远先于硬件产品铺好路，等到硬件上市时，软件工具链已经能直接开箱即用。这不是什么天才行为，只是把“生态先行”当成了一条铁律。7.3 除了技术，别忘了保留一点少年时代的“敢”最后我想说的是，这条路能走通，技术判断和商业策略当然功不可没，但我更愿意称之为“少年时代那股子敢劲”的延续。一个在寄宿学校里语言不通、无处求助的孩子，能在跌倒之后一次次站起来，这种经历赋予他的不是某种秘密的技能，而是面对未知还敢押注、押注之后还敢承担后果的心性。这种心性无法在商业计划书里量化，却会在每一个至暗时刻决定你是停住等待，还是继续往前。所有技术都会过时，所有架构都会被新技术取代，但“在困境中做决策的能力”永远值钱。无论你是刚入行的芯片工程师，还是正在筹划AI项目的创业者，不妨都把这股“敢劲”带在身上——方向可以错很多次，但只要决策能力和执行韧性一直在，终归会走到那个被需要的路口。
我前阵子和几位做硬件创业的朋友聊天，话题绕来绕去总会停在同一个点上：今天所有大模型、自动驾驶、机器人应用都像饿疯了似的吞算力，但真正把“显卡”这种画图用的芯片改造成整个AI行业发动机的，其实是从一个寄宿少年时代开始的漫长逆袭。这篇文章不聊八卦，只拆解这条“算力帝国”之路背后的技术判断、商业节奏和创始人性格——一个出身不算光鲜的少年，怎么就敢把公司未来押在一堆“画图芯片”上，又怎么在所有人都不看好的十年里，等来了AI的爆发。如果你正打算做硬件、做芯片、做AI基础设施，或者只是好奇GPU为什么会在人工智能里这么重要，这篇文章应该能帮你把整条脉络串起来。我会把“为什么是GPU”“为什么用了十年才兑现”“软件生态为什么比硬件更难”这些核心问题，连同我自己在相关项目里的踩坑心得一起讲明白。1. 寄宿少年：那个孤独的“异乡人”如何长出硬骨头1.1 过早的独自面对，是创业者最早的必修课很多科技巨头的创始人都是在温暖的环境里长大的，但这个故事的主角不是。少年时期的他，在异国他乡被送去寄宿学校，语言不通、文化隔阂、身边没有父母可以求助，整所学校里和他长得像的面孔一只手数得过来。换作普通人，这可能只是童年的不愉快记忆；但对一个未来的芯片公司掌舵人来说，这恰恰是第一次被迫学会“独自做决策”。你想想那种处境：一个十来岁的孩子，在学校里听不全对方在说什么，作业看不懂，生活中所有大小事都得自己拿主意。这种状态下人只有两个走向，要么彻底封闭，要么被逼出极强的应变能力。而从后面的创业历程看，他显然是后者。我在自己的项目里也体会过类似的感觉——当团队只有你一个人，客户催着交付，而文档全部是英文时，那种“山顶只有自己”的压迫感会迅速逼着你建立起一套高效的自我决策流程。孤独不可怕，可怕的是在孤独中丧失主动性。1.2 不认输的性格：从乒乓球到商业博弈这位创始人后来在很多公开场合提到过自己少年时的经历，喜欢用体育比赛来打比方。他讲过一个细节：上学时他喜欢打乒乓球，水平还不错，但常输给一位年龄比他大的校队选手。他反复琢磨对方的发球和站位，终于找到一个突破口，然后下场狠狠地赢回来。这个细节你听起来觉得轻描淡写，其实暗含了一套很重要的做事逻辑：先观察别人的打法，分析出规律，再针对性地做战术调整。这套逻辑后来被他原封不动搬进了芯片市场。早期显卡行业里，各路巨头老玩家都比他资历深、资金厚，他没有选择正面硬拼，而是先观察行业里谁最“容易被打穿”，找到竞争中的薄弱点，再集中资源打进去。这种长期保持“挑战者视角”的习惯，让他在日后很多关键时刻都敢于反向操作。相比那些顺风顺水的富二代创业者，这种从小就习惯在逆境里想办法的人，往往更能扛住漫长的不确定性。1.3 风险偏好：从“没有退路”到“敢下重注”寄宿生活还有一个隐藏影响：没有退路。普通家庭的小孩遇到挫折还能回家找安慰，而他当时只能自己消化。十几岁的孩子必须默认“事情搞砸了也只能自己承担”，这种心态放在商业上，就是高风险决策的心理基础。后来的很多选择——比如在公司还很小时就敢押注一大批研发人员做通用并行计算平台，比如在显卡业务赚钱时故意砸钱做当时看不到回报的AI算力布局——旁观者觉得疯狂，但对他本人来说，这不过是少年时代那套“没有退路，只能打赢”模式的延续。创业这件事，本质上比的就是谁更能承受“不确定性带来的压力”。你可以在商学院学到财务模型和竞争战略，但那种“明明心里没底，还要往前走”的劲头，绝大多数来自少年时代的生活底色。所以每当我看到有人把这位创始人单纯描述成“技术天才”时，总觉得少了什么——他更核心的能力其实是非常抗造的心理韧性。2. 从“画图芯片”起步：一场没人看好的技术豪赌2.1 图形芯片的起步逻辑：从游戏需求切入上世纪90年代，这家公司的起点并不是AI，也不是通用计算，而是给游戏和图形工作站做加速卡。那时候的计算机显示效果很差，屏幕上是简单的色块，游戏画面更是马赛克感十足。图形芯片厂商要做的，就是让计算机能更快算出屏幕上每一个像素的颜色和位置。听起来不够“星辰大海”，却是当时少数几个能支撑一家初创公司活下去的消费级市场之一。这个选择其实很值得创业者琢磨。很多硬件项目的失败，不是因为技术不好，而是因为切入场景太硬核、太“未来”，没有当下现金流。而图形芯片的好处是：游戏市场足够大，玩家愿意为“更流畅的画面”掏钱，公司可以从这里积累第一桶金。那位创始人的判断是：先靠游戏市场站稳脚跟，再用赚到的钱去够更大的梦想。这个打法放到今天仍然成立——用成熟的现金流业务养新的高潜业务，而不是一上来就把所有资源砸进一个短期看不到回报的领域。2.2 为什么图形芯片天然有“并行计算”的基因要理解GPU后来为什么能在AI领域翻身，得先明白一个底层概念：计算机芯片有两种基本设计思路。一种是追求单个任务算得特别快的“单核强算”，典型代表是CPU，适合做需要复杂逻辑判断的操作；另一种是追求大量简单任务齐头并进的“并行计算”，典型代表就是图形芯片，适合做图像渲染这种每个像素之间互不依赖的计算。图形场景天然是极度并行的。你想啊，屏幕上1080p分辨率的画面有两百万个像素，每一个像素都要独立计算颜色、光照和阴影。如果像CPU那样一个核心按顺序挨个算，几百万个像素得等到天荒地老。GPU的思路是布置成百上千个小计算单元，同时开工，一个像素分一个计算单元，瞬间就把整幅画面算出来了。这种“以量取胜”的架构，在多年后遇到了AI这个同样极度并行的需求。这是后话，但前期图形业务确实是培育这套并行架构最好的土壤。2.3 早期竞争与生存危机：差一点死在赛道里创业早期的日子并没有因为选对了赛道而变得轻松。当时图形芯片行业竞争激烈，巨头多、价格战狠、技术迭代又极快，要是一代产品延期或者性能拉胯，公司可能就没了。这位创始人回忆过当时的一个选择：明明销售端反复要求做当时更畅销的中低端产品，他却坚持先做性能最顶级的旗舰芯片，宁可少卖，也要把技术标杆立住。这是非常典型的“技术驱动型创始人”决策，短期看损失了很多收入，但长期确立了公司“高性能”这个品牌标签。后来各种竞品在新品发布会上都喜欢拿“最强性能”当卖点，但在这个用户心智已经扎下根的位置上，后来者很难撼动。其实做任何产品都一样，起步阶段如果能力不足以同时在“性能、价格、生态”三个维度都赢，那么先集中火力攻一个最容易形成标签的维度，是更稳健的打法。3. 从GPU到通用计算：最难的不是芯片，而是软件生态3.1 发现“显卡不止能画图”的那群人转折点出现在21世纪初期。彼时，一批做科学计算的学术界人士开始尝试把图形芯片用来做流体模拟、分子动力学和金融模型计算。他们发现，虽然GPU写程序极其别扭，但那种恐怖的并行吞吐量，用来做科学计算竟然意外地快。这个信息传到这家公司内部时，管理层反复面对一个问题：游戏显卡市场虽然赚钱，但天花板清晰，而“把显卡变成通用计算设备”听起来很疯狂，但万一成了呢？这位创始人的选择，是砸重金搭建一套让程序开发人员能正常在GPU上写通用程序的软件平台。注意，这里的重点不是硬件，而是“软件”。因为芯片本身再有算力，如果开发者不知道怎么写程序，芯片就只能画图。而那套平台的意义，就是给开发者提供一套类似C语言的编程模型，让他们能站在一个相对熟悉的门槛上，把普通程序搬到GPU上并行运行。3.2 那笔被批评无数次的研发投入如果你去翻这段时间的投资记录，会发现资本市场对这家公司的质疑相当尖锐。通用计算平台要投入大量软件工程师、编译器专家和开发者关系团队，这些投入看不到直接收入，又挤占了游戏业务的利润。华尔街的提问几乎每一次都围绕“你们是不是烧钱烧昏头了”，而那位创始人的答复始终只有一句：先在技术里把位置占住，等市场真正需要时，你才有资格在场。这里我想多说一句个人体会。很多硬件公司做软件生态的思维是错的，总想着“我先卖一千块板卡出去，再考虑软件”。但实际上，软硬件生态的顺序必须反着来：你得先把软件工具链做出来，让第一批开发者能在上面写出有价值的应用，硬件才有持续卖出去的理由。这套通用平台之所以后来能成为整个AI行业的事实标准，不是因为芯片性能从第一代就遥遥领先，而是因为软件开发者社区的积累早就在那里了——当深度学习研究者需要一种快速并行计算工具时，环顾四周，发现这套平台已经成熟可用。3.3 开发者生态：管道比水龙头更重要很多技术人容易忽视一个事实：在GPU通用计算这件事上，硬件是水龙头，开发者社区才是管道。水龙头再大，管道没铺好，水也到不了用户手里。这家公司花了将近十年时间，在全球高校、科研机构和初创公司里培养了一整代“会用GPU写程序”的开发者。所有大学里学过并行计算课程的学生，几乎都是从这套平台上手的。等到深度学习爆发时，研究人员不需要额外适应期，因为GPU编程对他们来说是熟悉的旧工具。我后来在自己的边缘计算项目里就吃过没铺管道的亏：当时我们做了一个性能不错的小芯片，但因为配套SDK文档烂、示例代码少，社区根本没人用，产品再强也卖不动。生态的价值从来不在短期内，它是那种“今天不显山不露水，但未来某一天会决定你生死”的慢变量。4. AI拐点：深度学习恰好需要GPU这种“笨办法”4.1 神经网络训练的数学本质：大量矩阵乘法AI爆发对于很多不搞技术的人来说很神秘，但本质拆开看，深度学习模型的训练过程就是极其大量的矩阵乘法运算。所谓矩阵乘法，你可以理解成一张表格的数据和另一张表格的数据做复杂的“行列配对”运算。一个神经网络里可能藏着几千万甚至上亿个参数，每一个训练步骤都需要把这些参数和输入数据全部乘一遍。这类运算有一个特点：单次乘法本身很简单，简单到小学生都会算，但运算数量是天文级别。CPU的设计目标是处理复杂逻辑，核心数量少但单核能力强；而GPU恰好相反——单个计算单元只能做简单的乘加操作，但数量极多，每一秒能完成的计算次数也就是吞吐量，是CPU的几十倍甚至上百倍。神经网络训练给人的感觉就像做100万道小学算术题，CPU是一个研究生慢条斯理地逐道解答，GPU则是一万个计算员同时开工每人分一百道题。虽然单个计算元不如研究生聪明，但人多力量大，总体效率完全碾压。4.2 神经网络与GPU的“最后一块拼图”拼上了在深度学习被主流接纳之前，学术圈也有过用CPU跑神经网络的漫长时期，但模型一深、数据一大，训练时间就变成几周甚至几个月。2012年左右，当研究者首次把大规模神经网络拿到GPU上训练时，训练时间从数月直接压缩到数天。从那一天起，GPU从“图形加速器”正式变成了“AI加速器”，而且几乎是一夜之间供不应求。这里有个很关键的点：GPU并非为神经网络而生，但神经网络所需的计算特性——高吞吐、大规模并行、容忍一定的单精度误差——恰好和GPU的架构高度重合。两个技术路线就像两条各自流淌了十几年的河，到了这个时间点突然交汇。如果当初没有前面十几年的图形芯片并行架构积累，AI研究者不可能随手买到趁手的加速工具；反过来，如果GPU没有遇到AI这波浪潮，它可能到今天还是一个游戏玩家才关心的零件。4.3 训练和推理：两种不同的消耗方式随着AI应用落地，算力需求分成了两个赛道：训练和推理。训练是让模型从数据里学出参数，像备课；推理是用训练好的模型回应请求，像考试。两者虽然都依赖GPU，但对芯片的侧重点不同：训练需要最高的吞吐量和尽可能多的显存位宽，因为要把海量数据和参数搬来搬去；推理延迟却更敏感，手机上一个实时语音交互最多只能接受几百毫秒响应。这也是为什么后来的算力产品线会分化为“训练专用”和“推理专用”。很多企业客户一开始以为买一台训练服务器就全搞定了，结果部署推理模型时发现延迟和吞吐根本压不下去，还得重新采购。真正搞AI基础设施的人，从第一天就得把“训练和推理的硬件需求差异”写进规划表里，否则后期扩容会多花很多冤枉钱。5. 从芯片到“算力帝国”：数据中心时代的完整版图5.1 卖芯片的变成卖“整套算力系统”的如果这家公司只做GPU芯片，那它充其量算一家厉害的硬件公司，还够不上“算力帝国”的分量。真正的转折点在于，它把产品从单一芯片演进为完整的服务器系统方案——高速互连总线、网络交换设备、底层计算平台框架，再到顶层的应用部署工具，层层叠叠地凑成了一套数据中心整体方案。这就好像你原来只卖发动机，虽然发动机好，但整车厂愿意用何种发动机还取决于价格、适配和信任；现在你直接连底盘、车架、控制系统一起交付，客户买到开箱即跑，自然是抢着来。对大型云服务商和科研超算中心来说，最怕的不是硬件贵，而是集成不稳定、性能调不出来。提供整套方案，能让客户省去大量工程试错，自然也就在货架上占据了不可替代的位置。5.2 单张GPU的天花板与多卡互联的工程深水区单张GPU的性能再强也有天花板，而大模型的参数规模动辄千亿级别，早就超过了一张卡所能容纳的显存上限。业界通行的解法是“用多张卡拼起来”——把成百上千张GPU组合成一台超级加速机器——然而这里最难的恰恰是GPU之间的通信。你可以做一个类比：一百个顶尖工匠聚在一起干活，如果他们完全靠人肉传递半成品卡片，那干活的效率会被传递环节拖垮；只有给每个工匠铺好高速传送带，才能发挥“人多力量大”的优势。多卡互联要解决的就是这条“传送带”问题。今日的高端数据中心内部普遍采用专门设计的超高速互连系统，把GPU之间的数据传输带宽提升了几个数量级。我见过不少团队自建AI集群时低估了互联的重要性，只把计算节点堆满GPU，最后实际跑到算力利用率只有不到六成，钱花了不少，性能远低于预期。搞算力基础设施的人，真的要牢牢记住“集群的瓶颈往往在网络，不在芯片”。5.3 软件护城河：从工具链到行业标准“算力帝国”的另一条根脉，是前面提到的那套通用计算软件栈，但它的范围早已不再局限于编程模型，而是涵盖了从底层加速库、神经网络训练框架、部署优化引擎到行业专用解决方案的完整链条。这种“软硬一体”的打法，对内是产品协同的黏合剂，对外是新竞争者几乎不可能在短期内翻越的高墙。有人会问：硬件架构可以追赶，软件生态为什么难？答案是，软件生态最大的壁垒不在代码本身，而在于“用户习惯”和“存量资产”。全球各地开发者已经在该生态上积累了海量开源代码、部署工具和可复用的模型仓库。客户已经在自己的生产环境里运行了数年，稳定性验证过无数次，切换到另一套新生态的迁移成本极高。后发者哪怕芯片峰值性能做到新生态计算效能的几倍，客户也会因为迁移痛苦而选择观望——这跟你很难换掉自己用了十年的输入法和笔记软件是一个道理。6. 创始人的决策底色：远见、高压和敢打自己脸6.1 为什么“看得远”比“走得快”更稀缺如果回顾整条发展路径，你会发现一个奇特的现象：这家公司几乎每一步都踩在正确的时代节点上，但它的每一步也都在当时被大量质疑。做图形显卡时，被人嘲讽是“游戏周边厂商”；搞通用计算平台时，被投资者批评是“胡乱烧钱”；早几年布局AI算力时，又被怀疑是“题材炒作”。可是不到十年，当初那些骂声都变成了赞美。这背后需要的不是预测能力，而是“基于技术底层逻辑的长期判断力”。这位创始人多次打过一个比方：你要看的是未来五年后的市场需求，而不是今天的市场反馈。今天的市场反馈只会告诉你过去的赢家是谁；只有从技术演进的走向去倒推，才能在别人还没看见时提前落位。这种远见放在硬件行业尤其值钱，因为芯片研发周期动辄三年以上，如果你等到市场信号已经清晰再动手，产品出来时黄菜都凉了。6.2 高压文化与“无情”淘汰：一半人不舒服，但公司跑得快外界对这位创始人的管理风格一直评价两极。他曾在公开场合讲过，如果你觉得自己做事情很困难，那说明你可能不适合这份工作——管理者要做的是那种“毫无借口”的驱动者，团队里每个季度都要对着极高的目标审查，达不到就直接换人。这种高压文化让许多员工怨气冲天，但也客观上让公司保持了远高于行业平均的推进速度。我并不是在说“高压文化是唯一正解”，但至少在这种技术迭代极快、一步慢步步慢的行业里，适度的高压确实能确保组织不陷入安逸。创始人对自己也一样残酷：他并不会因为某条产品线是自己亲手推起来的就偏袒它，该砍掉时绝不留情。这种“敢对自己下刀”的特质，很少出现在职业经理人身上，往往只出现在真正把公司当成自己骨肉的创始人身上。6.3 自我颠覆：对已成优势的下一个技术路线保持警惕很多成功公司最终衰败，不是因为做错了什么，而是因为死守自己成功的旧路线。这位创始人却一直在警惕这种惯性。当AI算力需求崛起时，他并没有只满足于“GPU继续卖爆”的舒适区，而是主动推动底层架构的更新迭代：加入专门的矩阵运算单元、优化低精度计算性能、重新设计数据中心级互联架构。每代产品都在动自己前一代的根基，这在技术公司里并不多见。行业里有一种说法：企业间的竞争，从来不是产品间的竞争，而是“时间轴上的选择”之间的竞争。今天你手里赚钱的产品，可能正是明天要抛弃的包袱。这位创始人用行动证明了，真正持久的竞争力，来自持续用新技术推翻自己旧方案的能力，而不是捍卫旧方案的顽固。这一点对个人成长同样适用——你在某个技术点上的经验优势，如果不主动更新，很快就会成为认知上的天花板。7. 普通技术人和创业者能从这条路上带走什么7.1 选方向时要问“五年后这个问题的答案重不重要”读完整个故事，我最大的感受是：这位创始人对“方向”的判断方法，值得每一个做技术选型的人抄作业。判断一个领域是否值得进入，不是看它今天热不热，而是看“这个事情即使五年后再做，还会不会很重要”。如果答案是会，那现在早入场就是积累优势；如果答案是不会，那现在的热闹就只是风口泡沫。我遇到过太多团队天天追热点，追的时候风光，风口一过发现自己什么积累都没剩下。反而是那些选择了一个看似没那么性感、但底层需求长期存在的方向，并在里面深耕五年十年的团队，最后成了行业里不可替代的角色。所谓“长期主义”，不是一句口号，而是在选方向那一刻就坚定地放弃了那些会很快过期的事情。7.2 技术人最容易低估的是“生态成本”写代码的人通常觉得芯片就是堆晶体管数量，但这篇文章想强调的一个反直觉观点是：芯片生意的护城河，至少一半来自软件生态和组织能力。如果你未来想切入硬件和AI基础设施领域，一定要在第一天就把软件工具链、开发者体验、社区建设计划这些看似“脏活累活”的事情纳入预算。芯片流片一次的成本再高，也比不上一个生态从零开始的时间成本。以我个人的经验，硬件项目第一版产品出来之后，多数团队都会兴高采烈地到处找客户卖板卡，很少会认真写教程和示例代码。结果就是产品无人问津，因为开发者拿到一块没有文档的板卡，连第一步都跨不出去。回头看看这位创始人的路径，他的软件栈永远先于硬件产品铺好路，等到硬件上市时，软件工具链已经能直接开箱即用。这不是什么天才行为，只是把“生态先行”当成了一条铁律。7.3 除了技术，别忘了保留一点少年时代的“敢”最后我想说的是，这条路能走通，技术判断和商业策略当然功不可没，但我更愿意称之为“少年时代那股子敢劲”的延续。一个在寄宿学校里语言不通、无处求助的孩子，能在跌倒之后一次次站起来，这种经历赋予他的不是某种秘密的技能，而是面对未知还敢押注、押注之后还敢承担后果的心性。这种心性无法在商业计划书里量化，却会在每一个至暗时刻决定你是停住等待，还是继续往前。所有技术都会过时，所有架构都会被新技术取代，但“在困境中做决策的能力”永远值钱。无论你是刚入行的芯片工程师，还是正在筹划AI项目的创业者，不妨都把这股“敢劲”带在身上——方向可以错很多次，但只要决策能力和执行韧性一直在，终归会走到那个被需要的路口。