誠然，這樣的結果，也許讓NVIDIA覺得意外，但並不會覺得陌生，因為在2007年，NVIDIA推動CUDA架構（Compute Unified Device Architecture，計算統一裝置架構）時，也是個瘋狂激進與走在「未來」的產品。
GPU的強項在於圖形繪製，若想要用GPU做非圖形，如科學運算或一般型別運算，複雜麻煩又沒效率，而NVIDIA的CUDA讓GPU做圖形以外的運算變得簡單容易。
所謂CUDA 是 NVIDIA 創造的一個平行計算平臺和程式設計模型。它利用圖形處理器 (GPU) 能力，實現計算效能的顯著提高。藉助目前已售出的數百萬支援 CUDA 的 GPU，軟體開發人員、科學家和研 究人員正在各種各樣的應用程式中使用 GPU 加速計算。
在GPU加速的應用程式中，工作負載的順序部分在CPU上執行，針對單執行緒效能進行了優化，而應用程式的計算密集型部分則並行執行在數千個GPU核心上。使用CUDA時，開發人員使用C，C ++，Fortran，Python和MATLAB等流行語言進行程式設計，並以幾個基本關鍵字的形式通過擴充套件表達並行性。CUDA工具包包括GPU加速庫，編譯器，開發工具和CUDA執行時。
CUDA的核心設計理念就是計算機中的執行緒。與傳統CPU中的4、8和16個執行緒不同，GPU中的執行緒可以多達幾萬個。
「CUDA可以運作在NVIDIA GeForce 8系列之後的GPU上，GPGPU也算是一種平價的高效能運算方式，它把桌上型電腦變成一臺個人的超級電腦（personal supercomputer in a desktop）。」《GPU高效能運算環境—CUDA與GPU Cluster介紹》一文中強調。
這是個偉大的創新，但在當時NVIDIA的主要客戶還沒有高速運算需求的電腦遊戲或美術設計業者，但NVIDIA挺而走險，堅持要做到大規模普及，因此在GeForce 8系列後「每一款」GPU都支援CUDA。
「即便是今天回想起來，這仍然是一個風險極高、形同瘋狂的決定。這意味著面對這些尚沒有高效能運算需求的傳統客戶，NVIDIA都必須在硬體產品的設計中增加相關的CUDA邏輯電路，這使得晶片面積增大、散熱增加、成本上升、故障機率增加；同時，對於每一款產品，相關的軟體驅動都必須保障對CUDA的完美支援。」中國AI公司格靈深瞳執行長趙勇撰文指出。
2007年NVIDIA正式把CUDA引進產品中，當時AI還處於第二次寒冰期。由深度學習教父辛頓（Geoffrey Hinton）執筆的深度學習技術重要文獻《Deep Belief Networks》在2006年才剛發表，距離2012年至2013年AI應用大爆發時期還有六年至七年時間。
CUDA與GPU硬體本身緊密的結合，推升現在的GPU加速浪潮，讓AI走出實驗室走入企業。CUDA是深度學習發展的加速劑，讓深度學習的計算速度倍增。
CUDA讓NVIDIA的GPU生態圈迅速成型，而CUDA也幫NVIDIA築起一道堅固護城河。「如果沒有NVIDIA的CUDA，科學界證實深度學習巨大潛力的時間不知道還要推遲多久。」趙勇強調。NVIDIA也因此收穫甜美的果實，股價在2016年年初的20元至30元開始漲至2018年中的270元至280元。
英偉達花了好幾年才讓CUDA牽住了客戶，不過CUDA也幫英偉達在高效能運算市場索回了相應的回報。2012年，CUDA和GPU與深度學習的神經網路結合在一起，震驚了學術界。 當時，加拿大多倫多大學的Geoffrey Hinton帶著兩個學生，用GPU訓練深度神經網路拿下了ImageNet影像識別大賽的冠軍，然後開啟了深度學習的黃金時代。
*文章內容系作者個人觀點，不代表半導體行業觀察對觀點贊同或支援。