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。
フアンの語る長期像は、加速された計算が産業と研究の生産性を押し上げる、という方向に近い。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——とりわけのちの AI 学習・推論——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。ゲーム用の描画チップを、プログラム可能な並列プロセッサ——のちに深層学習が大量に必要とする汎用 AI アクセラレータ——へ再定義する一手である。
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。ライブラリ、大学との連携、ISV の移植支援が続き、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」の競争へ軸が移る。のちに深層学習ブーム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、CUDA とその周辺エコシステム投資によって、GPU を AI 向け計算プラットフォームとして組み立てた点にある。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、同じ資産の上にコンパイラ・ランタイム・ライブラリ・教育・パートナー支援を載せ、用途を科学計算から深層学習へと拡張した。
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、開発者が世代を跨いで資産を積み上げられるソフトウェア層に振り向けた。シリコンの並列性を、単独のチップ製品ではなく、CUDA エコシステムというプラットフォームへ変換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
AI 時代の計算基盤を築く、という目標は、単一のチップ世代や単一のモデルブームでは完結しない。CUDA と周辺ソフトウェアは、世代を跨いで開発者のコードと習熟が積み上がるレールになる。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、ゲーム用 GPU を汎用アクセラレータへ転換し、CUDA エコシステムで AI プラットフォーム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計算基盤を用意した時間差にある。