Jin Daily AI Trivia – 有想过 Nvidia 是怎么给自家 GPU 起名字的吗？
Jin Daily AI Trivia – 有想过 Nvidia 是怎么给自家 GPU 起名字的吗？
如果你最近在市场上找 GPU 来训练 AI，大概已经被一堆奇怪的名字洗礼过：4090、L40S、V100、H200 ……看起来像型号，其实背后都有故事。那些名字到底是什么意思？从哪里来的？
今天就来一口气扫一遍 Nvidia GPU 架构和命名小历史。
Nvidia 最早从 Riva TNT 2D/3D 加速卡开始，当年的架构后来被补了个名字叫 Fahrenheit（华氏）。从这里开始，他们开启了一整个“温度单位科学家”系列：Celsius（摄氏，对应 GeForce 256 / GeForce 2）、Kelvin（开尔文，对应 GeForce 3 / 4）、Rankine（兰金，对应 GeForce FX）。之后主题转成了 Curie（居里，对应 GeForce 6 / 7），还停留在比较传统的 GPU 时代，距离现在这种 CUDA 计算风格还有一点距离。
真正的转折点，是 2000 年代后期的 Tesla。Tesla 把旧的固定管线扔掉，换成统一着色器，也就是我们今天习惯叫的 CUDA core。Tesla 架构覆盖了很大一段 GeForce 产品线（GeForce 8 / 9 / 100 / 200 / 300 系列），更关键的是，第一次正式把“算力 GPU”商品化，做成 Nvidia Tesla 这一条 GPGPU 产品线。GPU 不再只是“显卡”，而是开始被当成正经的通用计算加速器。
接着就是 Fermi（GeForce 400 / 500）、Kepler（GeForce 600 / 700）、Maxwell（GeForce 800 / 900 GTX）。这一阶段 Nvidia 也做了对应的数据中心 GPGPU：Fermi 的 M2090 6GB、Kepler 的 K40 12GB、Maxwell 的 M40 24GB。它们都还是用 GDDR5，以今天 AI 的标准来看，不管是带宽还是显存容量，都明显不够现代大模型训练用，只能说历史意义大于实际生产力。
顺便一提：AlexNet 当年就是用两张 GTX 580 跑出来的，而 GTX 580 正是 Fermi 这一代。深度学习拿下 ImageNet 的成名战，本质上就是“游戏显卡 + 信仰加成”。
然后我们进入高带宽显存时代：Pascal（GTX 1000 系列）。Pascal 在数据中心上带来了用 HBM2 的 P100 16GB，大概是 2016 年左右问世，到现在快十年了，P100 在一些 AI 任务里还是能用的。虽然比不上 H100 这种怪物，但对小模型和传统 DL 任务来说，还是一块能干活的卡。
随着 AI 热度持续升温，Nvidia 开始更明显地把消费级和数据中心分家。下一代的 Volta 完全是数据中心专用，旗舰就是 V100 32GB。Volta 是 Nvidia 第一代带 Tensor Core 的架构，这个硬件模块就是专门为深度学习算子优化的。Nvidia 把一堆 V100 打包，做成第一代 DGX-1，把“AI 超算整机”当成一个产品来卖。OpenAI 和 Elon Musk 当年拿到的早期 DGX-1，就是从 Jensen 手上接过去的；第一版 DGX-1 是 Pascal 架构，后来升级到 Volta，深度学习算力从大概 170 TFLOPS 飙到接近 960 TFLOPS。
有了 Tensor Core 之后，Nvidia 也终于能把实时光线追踪做得可用，这就带来了 Turing（RTX 2000 / GTX 1600 系列）。Turing 新增了 RT Core 专门做光追，同时把 Tensor Core 下放进消费级 GPU，一部分用 GDDR6 的 Turing 芯片也被做成低端数据中心卡，比如 T4 16GB。
再往后，Nvidia 意识到消费级和数据中心用完全不同架构，软件生态会变得很难维护，所以又重新统一。2020 年，Ampere（RTX 3000 系列）登场，数据中心这边则是 A100 80GB，很快就变成“勉强买得起，又勉强够用”的 LLM 训练标配。直到今天，A100 依然在各大云厂商和机房里大量服役，因为它在价格、性能和显存之间的平衡点非常舒服。
2022 年，ChatGPT 上线，整个世界被震了一下，AI 军备竞赛正式开打。Nvidia 则一口气押注在同一个人身上：美国海军少将 Grace Hopper（葛丽丝·霍珀）。他们推出了两条同名产品线：Grace CPU 和 Hopper GPU。Grace CPU 的定位，就是给 GPU 集群提供足够大的内存容量和 NVLink-C2C 这种高带宽互联，补上传统 x86 服务器在这方面的短板。
Hopper 就是现在整个 AI 世界还在疯狂使用的那代：H100 80/96GB，以及 HBM3e 的 H200 141GB。因为后疫情时代的供应紧张再加上数据中心需求爆炸，Hopper 这一代几乎没出现过真正意义上的消费级 GeForce 系列。
Nvidia 尝到 AI 时代的甜头后，接下来就是有点微妙的 Ada Lovelace（RTX 4000 系列）。这一次，Nvidia 想要全都要：消费者、工作站、数据中心一个都不能少。于是我们看到同一颗核心被拆成三个价格区间：RTX 4090、RTX 6000 Ada、L40 / L40S 48GB 数据中心卡，本质上都是同一代 Ada 架构，只是熔丝、显存配置和接口策略不同。Nvidia 会在便宜型号上关掉一部分核心和显存通道，刻意制造市场分层。Ada 本身没有 HBM 的旗舰数据中心卡，主打还是 GDDR6/X。
随着 AI 需求继续爆炸，Nvidia 发布了 Blackwell（消费级这边是 RTX 5000 系列），同时终于给数据中心端上了一块 HBM3e 怪兽：B200 192GB。更狠的是，他们直接把整机都打包好了，推出 GB200 NVL72——一整机柜内塞满 72 张 Blackwell 级别 GPU，加上 Grace CPU，总共大概 13.5TB GPU 显存，真正把“AI 集群”做成一个产品型号来卖。
开了 AI 印钞机之后，Nvidia 当然不会停。它们又复活了“6000”这个名字，把 Blackwell 时代的工作站卡叫 RTX Pro 6000，说白了就是略微魔改版的“5090 级”核心，换个名字继续卖，一代又一代同一招数反复用。
在最近几次 Keynote 里，Nvidia 又亮出了下一波产品：Vera Rubin。这次直接把架构名搬上产品包装，叫 Vera CPU 和 Rubin GPU，而不是只当内部代号。这一代目前没有看到传统 GeForce 消费级产品的影子：Rubin 完全是冲着 AI GPGPU 去的，重点优化低精度 AI 算力，比如 NVFP4 这类新格式；Vera 则是新一代 Arm 服务器 CPU，给更大的 GPU 集群提供更高的内存带宽和容量。
今天就先聊到这里——下次你在云平台的 GPU 下拉框看到那些乱七八糟的字母和数字，大概就知道背后是哪一位科学家在帮你跑训练了。
顺带一提，Nvidia 的嵌入式家族也一样有故事：
- Tegra X1 基于 Maxwell，用在任天堂 Switch 和 Jetson Nano。
- Tegra X2 是 Pascal 架构，对应 Jetson TX2。
- Xavier 基于 Volta，对应 Jetson Xavier NX，也是 Nvidia 第一代认真做自动驾驶 SoC 的系列。
- Orin 基于 Ampere，对应 Jetson Orin Nano 等产品。
- Thor 则搭 Blackwell，用在 Jetson AGX Thor 这一代上。
