CL10B102KB8NNNC 规格参数 0603 102K 50V 10% X7R 代理三星电容

注意：下图为统一标识图片，仅供参考。如需对应型号照片请联系客服。

推动GPU从专用领域走向通用领域

如何更好地解决计算问题，是计算机软硬件开发者的永恒主题。从3D加速卡开发商，到GPU的发明者，再到“AI芯片股”，英伟达惊人的成长速度，正是来自于对算力痛点的精准突击。

20世纪90年代，随着Play Station等游戏主机的发布，以及计算机性能的提升和彩色显示器的出现，3D游戏开始萌芽。而英伟达也正是在这一时期成立，主要面向图形显示市场。但在这一时期，3D图像处理主要以3D加速卡的形式进行，T&L（光影转换）运算仍需占据CPU的算力，也限制了游戏画质的发展。

英伟达的GeForce 256，将“GPU”这一概念推向市场。GeForce将T&L能力集成到图形处理芯片，将CPU从图形处理的任务中解放出来，在提升3D画质的同时，也提升了计算机的整体效能。在三年的时间里，英伟达的GPU出货量突破100万颗，成为美国成长最快的半导体公司。

虽然在GPU的技术研发和积累取得了先发优势，但是英伟达科学家David Kirk认为，GPU的能力不应该局限于图像渲染，如何将GPU的浮点运算和并行计算资源释放给更多领域的从业人员使用，成为英伟达的研发重点。

之后，英伟达开始对“通用GPU”的研究，让本身为图形图像处理而生的GPU能够运行图形渲染之外的通用计算任务。但是，通用GPU编程门槛极高且难以调试。2006年，英伟达推出并行计算程序开发环境“CUDA”，开发者可以用C、C++、FORTRAN等常用的编程语言在CUDA编写程序。借由CUDA的软硬件生态，不用领域的开发者可以根据本领域的需求，编写GPU加速应用，从而更有效率地利用英伟达GPU处理计算任务。

随着深度学习的浪潮兴起，擅长串行运算的CPU，无法高效执行矩阵乘法和卷积计算任务。2012年，基于英伟达GPU加速的卷积神经网络AlexNet参加了ImageNet大规模视觉识别挑战赛，以低于第二名10.8%的错误率拔得头筹，引起了科研领域对于GPU的关注。自此，GPU被越来越多地运用于机器学习和深度学习领域，并迅速崛起为AI计算的主流芯片。

在AI计算平台方面，英伟达面向从云端到边缘端的需求，构建了面向训练的DGX平台、超大规模云计算和HPC服务器的HGX平台、面向边缘计算的EGX平台和适用于自主系统的AGX平台。2018年，英伟达推出专为深度学习设计的Tensor Core，进一步提升了针对常用深度学习模型的浮点运算速度。今年以来，浪潮AI服务器、谷歌云相继采用Tensor Core。采用“CUDA Core + Tensor Core”的英伟达GPU，已经在AI算力市场占据一席之地。