NVIDIA 自 2006 年推出 CUDA 架構以來，持續研發專為人工智慧（AI）設計的 GPU，以下是其主要產品的演進：
- 2006 年：CUDA 架構
- NVIDIA 發布 CUDA（Compute Unified Device Architecture），使 GPU 能夠進行通用計算，開啟了 GPU 在 AI 領域的應用。
- 2008 年：Tesla 系列
- 推出 Tesla C1060，基於 GT200 架構，專為高效能計算和科學運算設計，支援 CUDA，適用於 AI 訓練。
- 2012 年：Kepler 架構
- 發布 Tesla K20，基於 Kepler 架構，提升了雙精度浮點運算性能，適合深度學習訓練。
- 2016 年：Pascal 架構
- 推出 Tesla P100，採用 Pascal 架構，支援 NVLink 技術，顯著提升深度學習訓練效率。
- 2017 年：Volta 架構
- 發布 Tesla V100，基於 Volta 架構，首次引入 Tensor Core，專為深度學習加速設計，提升 AI 訓練和推理性能。
- 2020 年：Ampere 架構
- 推出 A100 GPU，採用 Ampere 架構，擁有第三代 Tensor Core，支援多實例 GPU（MIG）技術，適用於多種 AI 工作負載。
- 2022 年：Hopper 架構
- 發布 H100 GPU，基於 Hopper 架構，具備第四代 Tensor Core，支援 Transformer Engine，專為大型 AI 模型訓練和推理設計。
- 2024 年：Blackwell 架構
- 計劃推出 B100 GPU，採用 Blackwell 架構，預計在性能和能效上有重大突破，進一步提升 AI 訓練和推理能力。
NVIDIA 持續透過新架構和技術，提升 GPU 在 AI 領域的性能和效率，滿足不斷增長的計算需求。
1. CUDA 架構
- 代表晶片：
- Tesla C870
- Tesla C1060
- 用途：
- 初步實現 GPU 通用計算，應用於基礎 AI 訓練和科學運算。
2. Fermi 架構
- 代表晶片：
- Tesla M2050
- Tesla M2070
- 用途：
- 引入雙精度浮點運算，適合資料密集型運算。
3. Kepler 架構
- 代表晶片：
- Tesla K10
- Tesla K20
- Tesla K40
- 用途：
- 強化深度學習和高效能運算，成為 AI 訓練的熱門選擇。
4. Maxwell 架構
- 代表晶片：
- Tesla M40
- Tesla M4
- 用途：
- 針對深度學習推理進行優化，適合低功耗推理工作負載。
5. Pascal 架構
- 代表晶片：
- Tesla P100
- Tesla P4
- Tesla P40
- 用途：
- 支援 NVLink 技術，顯著提升 AI 訓練和高效能運算效率。
6. Volta 架構
- 代表晶片：
- Tesla V100
- Titan V
- 用途：
- 首次引入 Tensor Core，顯著加速深度學習訓練和推理。
7. Turing 架構
- 代表晶片：
- T4
- RTX 系列（針對消費級 AI 和圖形運算）
- 用途：
- 支援混合精度計算，適合 AI 推理和視覺運算。
8. Ampere 架構
- 代表晶片：
- A100
- A30
- A10
- RTX A 系列（專業圖形運算）
- 用途：
- 支援第三代 Tensor Core 和多實例 GPU（MIG），專為大規模 AI 模型訓練設計。
9. Hopper 架構
- 代表晶片：
- H100
- H800（中國市場特供版本）
- 用途：
- 配備第四代 Tensor Core 和 Transformer Engine，專注於生成式 AI 和大型語言模型（LLM）。
10. Blackwell 架構
- 代表晶片（即將推出）：
- B100
- 預期還有其他產品（如 B200、GB200）
- 用途：
- 採用 Chiplet 設計，進一步提升 AI 訓練和推理性能，支援更大規模的模型和高效能運算。
