CUDA 从图形计算走向科学计算与 AI
根据 NVIDIA 于 2026 年 11 月 16 日发布的 SC26 资料,CUDA 迎来二十周年。NVIDIA 称,CUDA 于 2006 年 11 月首次公布,并在 SC06 上被带入科学计算领域。它为科学家和开发者提供了熟悉的高级编程模型,使 GPU 的使用范围不再局限于图形渲染,而是逐渐扩展到科学计算、仿真和人工智能等 demanding workloads。
这一变化并非仅来自硬件性能提升,也来自开发者社区、工具链和软件库二十年的积累。NVIDIA 表示,截至资料发布时,已有超过 1100 万名开发者在 CUDA 上构建应用,CUDA-X 库的数量超过 1000 个。CUDA 因而逐渐从一种 GPU 编程方式,演变为覆盖多种计算任务的软件生态。
科学发现中的代表性案例
NVIDIA 在资料中列举了数个使用 CUDA 推进研究工作的案例:
- 伊利诺伊大学厄巴纳-香槟分校生物物理学家 Klaus Schulten 团队将 GPU 计算与分子生物学结合,用于纳米尺度分子动力学和分子可视化。2013 年,伊利诺伊大学、匹兹堡大学和范德堡大学的研究人员借助 CUDA 加速工具,结合实验与模拟,协助解析 HIV 衣壳的原子结构;相关计算当时在 Blue Waters 超级计算机上完成。
- 多伦多大学的 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 使用两块 NVIDIA GPU 训练 AlexNet。该图像识别系统赢得 2012 年 ImageNet 竞赛,成为 GPU 支持深度学习研究的重要案例。
- 用于预测蛋白质结构的公开软件 AlphaFold 2 使用 CUDA 进行 GPU 执行。Demis Hassabis 与 John Jumper 因蛋白质结构预测方面的研究共同获得 2024 年诺贝尔化学奖。资料将这一成果视为科学计算与 AI 相互促进的延续。
从科研工具扩展到产业应用
在 NVIDIA 的产业叙事中,CUDA 的适用方向已经覆盖药物发现、下一代工厂设计、自动驾驶、金融市场建模、量子计算以及影视视觉效果等场景。超算中的科学应用与训练深度学习模型构成了两类突出用途,前者强调大规模数据处理和仿真,后者强调神经网络训练与推理。
这些案例共同体现了一个趋势:早期 CUDA 程序所验证的计算方法,能够成为后续科研与产业应用的基础。工具、库和开发者经验在长期积累后,又降低了后来者采用 GPU 计算的门槛。
适用边界不能从案例直接外推
现有资料主要提供成功案例和生态规模,没有给出统一的性能测试、加速比、成本数据、硬件配置、软件版本或跨平台对照。因此,不能据此断言所有程序迁移到 CUDA 都会获得性能提升,也不能把特定项目中的研究成果直接归因于 CUDA 本身。
“超过 1100 万名开发者”和“超过 1000 个 CUDA-X 库”同样属于 NVIDIA 公布的厂商数据,而资料未提供第三方核验结果。判断某个项目是否适合 CUDA,仍需结合实际工作负载、运行环境及对照测试;能否获得收益,需要以项目自身的测量结果为依据。
资料来源:CUDA at 20: How the Platform Transformed Scientific Computing(2026-11-16)。
一起聊聊
留下你的想法,评论审核通过后展示。