过去一年多，硅谷掀起的生成式 AI 革命席卷全球，并愈演愈烈。而在这场革命有中两条非常明显的主线：一是基础技术的进化，以 GPT、Gemini 为代表的大模型继续向着 AGI（通用人工智能）迭代；二是现象级应用的涌现，生成式 AI 在不同领域、不同场景下的应用狂潮在逐步改变人类的生活和工作方式，比如雷科技尤其关注的AI硬件领域，就出现了AI手机、AI PC、AI电视、AI家电、AI清洁等新应用。
在两条主线下，还有一条关于算力的“暗线”。
对 AI 的发展来说，算力短缺已经不是一天两天的问题，时至今日各大公司都还在继续抢购 GPU，更确切地说，是英伟达的高端 GPU：
如果说《沙丘》是“得香料者得天下”，那 AI 行业就是“得英伟达 GPU 者得天下”。
图/英伟达
这也让整个行业对于英伟达 GPU 又爱又恨，一方面是基于 CUDA 平台的英伟达高端 GPU 可以简单、高效地进行人工智能训练，另一方面是所有人都过于依赖英伟达这一家公司。
CUDA是英伟达AI的基石
关于英伟达 GPU 成功原因的分析已经很多了，其核心主要还是英伟达 GPU 本身的高性能（包括互连性能），加上 CUDA 平台带来的软硬件协同效应。英伟达在硬件本身上的优势并不难逾越，问题关键在于软件，在于 CUDA 平台。
在前段时间的GTC 2024开幕演讲上，老黄也回顾了英伟达的发展史。
2014年，黄仁勋首次强调机器学习的重要性，当时AlphaGo尚未战胜李世石，深度学习并未引发世界级关注。不过当时英伟达已提出CUDA（通用计算平台）的概念，在许多人还在把英伟达当作“游戏显卡”的制造商时，其走在了 AI 变革前沿。
不过最初，CUDA的应用场景主要是科学计算，就是类似于气候模拟、物理模拟、生物信息学等专业研究，应用场景很有价值，但却狭窄。正因为此，英伟达的CUDA一直没有打开市场，带给英伟达的回报无法与对应的巨量研发投入匹配。黄仁勋每年都需要向董事会解释，为什么英伟达要坚持做CUDA？
其实当时老黄也不知道，英伟达的CUDA会在未来几年，先后迎来区块链“挖矿”、AI大模型计算等计算场景，真实泼天富贵。
（图源：英伟达）
短短两年时间，英伟达通过H100、H200 芯片，缔造了万亿AI帝国，市值已超越亚马逊等传统豪强，按照这样的势头，在可见的未来，超越苹果、微软成为世界头号巨头也不是没有可能。
现在，英伟达的“卡”供不应求，不只是字节、百度等中国科技巨头在抢着囤卡以应对极端情况，硅谷科技巨头如微软、Meta，也全都在找老黄买卡。
在被称为AI应用元年的2024，英伟达的CUDA（通用计算平台）正如其名，变得通用起来，从大语言模型、对话式AI、边缘计算等底层技术，到智能座舱、自动驾驶、人形机器人等应用场景，再到AI手机、AI PC、AI家电、AI搜索、AI绘画等应用，以及未来的气候预测、计算光刻与6G网络，AI正无处不在，英伟达的计算也无处不在，成为“通用计算”。
当英伟达的卡以及CUDA平台越来越重要时，其他科技巨头看到了“制霸”危机：
一方面，英伟达的卡价格不菲，且拥有绝对定价权，厂商们囤积GPU卡要给英伟达巨额资金，结果就是：做AI的不一定赚钱（当前几乎都不赚钱），英伟达却赚爆了。
另一方面，科技巨头被英伟达卡了脖子。英伟达可以决定最顶尖的卡先给谁，给多少，给不给。此外，英伟达也依托GPU的计算资源向上层业务拓展，涉足云等业务，与科技巨头形成一定的竞争。
事实上从 2023 年开始，很多芯片厂商和大模型厂商都意识到了这些问题，纷纷希望通过另建一套软件平台对抗英伟达的 CUDA。不能说所有尝试都失败了，只能说目前还没有出现真正的挑战者。
如今，一个新联盟和开源平台，可能会彻底改变英伟达 CUDA 一家独大的局面——如同当初Google振臂高呼组建的OHA联盟以及开源的Android对抗苹果一般。因缘际会的是，在这一轮打破CUDA霸权的战争中，Google依然扮演了至关重要的角色，Android阵营的高通、ARM们也在发挥各自的关键作用。
日光之下，无新事。
巨头组建联盟反抗CUDA
“整个行业都希望能干掉 CUDA，包括Google、OpenAI 等公司都在想方设法让人工智能训练更加开放。我们认为 CUDA 的护城河既浅又窄。”在去年年底的一场活动上，英特尔 CEO 帕特·基辛格（Pat Gelsinger）语出惊人地指出了对于英伟达 CUDA 平台的看法。
但即便基辛格认为 CUDA 的护城河“既窄又浅”，他也明白挑战在人工智能训练上挑战英伟达，绝非易事。
根据路透社报道，Linux 基金会联合英特尔、Google、高通、ARM 以及三星等公司成立了统一加速基金会（UXL），以英特尔的 oneAPI 为起点，正在开发一套开源软件套件，允许人工智能开发者在任何 AI 芯片上运行他们的代码。
图/ UXL
这里需要简单介绍下，oneAPI 是英特尔的统一编程模型和软件开发框架，可以让开发者无需对代码进行重大修改，就能借助 oneAPI 实现跨硬件架构（包括英特尔的 CPU、GPU 和 FPGA）的程序开发。
简单来说，UXL 就是在 oneAPI 的基础上更进一步，要实现更广泛的跨架构跨平台支持，解除芯片硬件与软件的强绑定关系。
而集合了芯片厂商、大模型厂商以及晶圆代工厂的 UXL，无疑是想取代英伟达 CUDA 平台，成为全球人工智能开发者的首选开发平台。高通人工智能和机器学习主管 Vinesh Sukumar 就明确表示：
“我们实际上是在向开发者展示如何从英伟达平台迁移出来。”
甚至，UXL 最终也将支持英伟达的硬件和代码。
而除了最初参与的创始成员，UXL 还吸引了包括亚马逊 AWS、微软 Azure 以及多家芯片厂商。同时根据规划，UXL 预计在今年上半年确定技术规范，在年底前将技术细节完善成熟。
至于 UXL 能不能成功替代掉 CUDA，成为全球人工智能开发者的首选平台，显然还需要一系列的证明，毕竟超越 CUDA：
真的很难。
对抗 CUDA，到底难在哪里？
首先我们需要明白，CUDA 既是一种编程语言，也是一种编译器。
作为编程语言，CUDA 是开发者通过 CUDA 与底层硬件（GPU）沟通、调用算力的一种方式，新建一套新的编程语言并不难。作为编译器，CUDA 无疑有很高的性能，这意味着开发者可以通过 CUDA 在 GPU 上更高效地执行程序，用更容易理解的话说：
CUDA 可以高效地利用 GPU 的峰值算力。
CUDA，图/英伟达
考虑到今天人工智能训练对于大算力、高性能的追求，也无怪乎开发者对于 CUDA 的偏爱。
但实际上英伟达在这两个层面上绝非天下无敌，尤其是 OpenAI 开源的 Triton，不仅能在英伟达的 GPU 上实现接近 CUDA 的执行效率，还在合并 AMD ROCm（对标 CUDA）等平台的代码，兼容更多的 GPU。
CUDA 难以被撼动的关键在于，它还是一种生态。
去年台北电脑展上，老黄透露有 400 万开发者正在使用 CUDA 计算平台。而且在过去十几年间（CUDA 推出于 2007 年），CUDA 已经积累了大量的高性能程序库以及框架代码。这也是为什么尽管连 OpenAI 都吐槽用 CUDA 为 GPU 编程的难度，但更多开发者还是基于 CUDA，而不是 Triton 进行开发。
另一方面，英伟达的软硬件协同设计也让这种优势更加牢不可破。
要知道，Triton 可以兼容英伟达的 GPU，其他 GPU 也可以兼容 CUDA，甚至在效率上后来居上也并非不可能。但软件适配硬件需要时间，尤其是在 GPU 上需要更长的时间。
这意味着英伟达一旦发布新的 GPU 和 CUDA 版本，不管是兼容 CUDA 还是兼容英伟达的 GPU，就需要重新追赶英伟达的脚步。
（老黄最新发布的 Blackwell，图/英伟达）
所以某种程度上，能打败英伟达的只有采用软硬件协同设计的策略，同时拥有强大的芯片能力和软件能力。
用“Android模式”，打破英伟达算力霸权
Google拥有自己的 TPU、XLA 计算平台，还有自己的大模型和一系列算力“出口”。但Google这套并不外卖，所以包括 Authropic（Claude 母公司）、Midjourney 都是通过Google云使用这一套算力解决方案，而没有选择购买英伟达的 GPU。
从这角度来看，UXL 虽然聚集了从晶圆代工厂到芯片厂商，再到云计算和大模型厂商，涵盖了 AI 芯片的主要上下游，但真正的挑战还在于不同成员之间的协同，这也是 UXL 能不能成功的关键。
如果没有足够的利益捆绑，每一个“联盟”都难成气候，聚集得多高调，涣散就有多迅猛。Android生态能成功的关键在于，系统平台、半导体、硬件、开发者等等参与者能各取所需，一起将蛋糕做大。UXL 是否能形成同样的正循环效应？当下，我们不知道答案。
年初，OpenAI Sam Altman 语不惊人死不休，曝出计划筹集 7 万亿美元解决 AI 面对的算力问题。虽然这个数字惊掉了所有人的下巴，但也再一次地说明了，以 OpenAI 为代表的人工智能行业对于算力的极度渴求——在微软支持下，OpenAI也在布局自有芯片体系。
总而言之，英伟达不能满足所有人，所有人也不满足于只有一家英伟达。换句话说，不管 UXL 能不能成功，Google会不会改变策略，所有人都会继续挑战英伟达：
直到打破算力霸权。