背景
NVIDIA は 3D グラフィックス向け GPU で成長した。ゲームとプロ向け可視化が主戦場で、チップの価値は描画性能とドライバ品質で測られやすかった。一方、科学計算や信号処理では、並列性の高い問題が CPU だけでは伸び悩む局面が増えていた。
フアンの語る方向性は、加速された計算があらゆる産業の生産性を上げる、という長期像に近い。グラフィックス市場だけを積み上げても、その像には届かない。GPU の並列性を、絵を描く以外の仕事に開く必要があった。
制約・常識
常識は「GPU はグラフィックス専用。汎用計算は CPU とクラスター」だった。開発者は CUDA 以前、シェーダ言語で強引に計算を載せる実験はあったが、製品としての開発体験・ライブラリ・ツールチェーンは整っていなかった。
制約は需要の不確実性にもある。ゲーム以外の市場がいつ規模になるか不明な段階で、ソフトウェア・コンパイラ・教育・パートナーシップに投資するのは、四半期利益の論理と衝突しやすい。ハードウェア企業が OS や SDK に踏み込む文化も、当時は主流ではなかった。
非連続な一手
NVIDIA は CUDA を公開し、GPU 上で C 系言語から並列カーネルを書ける道を公式化した。チップを「絵を速くする部品」から「プログラム可能な並列プロセッサ」へ再定義する一手である。ライブラリ、大学との連携、ISV の移植支援が続き、エコシステムがハードウェアの一部として扱われる。
これは解像度やフレームレートの連続改善ではなく、顧客と用途の集合を変える変化だった。のちに深層学習が同じ並列性を大量に必要としたとき、既にツールと習熟の層が存在していた。
どう Resourcefulness が現れたか
Resourcefulness は、シリコンの並列性を、開発者プラットフォームとエコシステム投資に変換した点にある。ゲーム需要で培った製造・アーキテクチャを捨てるのではなく、同じ資産の上にソフトウェア層を載せ、用途を拡張した。
資金とエンジニアリングを、次世代ゲーム機能だけに閉じず、コンパイラ・ランタイム・教育コンテンツに振り向けた。ハードウェア単体のスペック競争から、「その上で何が書けるか」の競争へ軸を移したのが資源の再配置である。
積み重ね可能な目標との接続
加速計算で産業の生産性を上げる、という目標は、単一のチップ世代では完結しない。CUDA と周辺ソフトウェアは、世代を跨いで開発者の資産が積み上がるレールになる。AI 学習・推論の需要が急増した局面でも、同じレール上で需要を取り込めた。
エピソードとしては、深層学習ブームの「結果」より前に、計算の土台を先に敷いた局面として読める。目標への接続は、用途の爆発を待たずプラットフォームを用意した時間差にある。