课程导入：学习目标、课程结构、英伟达技术生态全景图

欢迎来到《英伟达技术全景速览》的第一章。在接下来的课程中，我们将从GPU硬件架构出发，穿越CUDA软件栈、深度学习加速库、网络互联技术，直至自动驾驶与机器人平台，构建一张完整的英伟达技术地图。本章作为起点，将帮助你明确学习目标、理解课程组织方式，并建立对英伟达技术生态的整体认知。

1.1 学习目标：从“用显卡”到“懂生态”

很多开发者接触英伟达产品是从游戏显卡开始的，但今天英伟达的价值早已超越图形渲染。完成本章学习后，你应该能够：

• 建立生态坐标系——清晰说出英伟达技术栈的四大核心支柱：硬件平台（GPU/DPU/CPU）、软件框架（CUDA/cuDNN/TensorRT）、网络与系统（NVLink/InfiniBand/DPU）、行业解决方案（自动驾驶/医疗/工业）。
• 理解产品定位差异——区分GeForce（消费级）、Quadro/RTX（专业可视化）、Tesla/A100/H100（数据中心计算）以及Jetson（边缘嵌入式计算）的适用场景。
• 掌握学习路径依赖——明白为什么CUDA是连接硬件与上层应用的“枢纽”，以及TensorRT、DeepStream等工具在真实业务中的位置。
• 识别技术演进逻辑——从Volta到Hopper再到Blackwell，理解架构迭代如何围绕“算力、显存带宽、互联规模”三条主线展开。

1.2 课程结构：五阶段递进式设计

本课程共30章，分为五个递进阶段，每个阶段解决一类核心问题：

这种设计遵循“硬件→软件→系统→应用→调优”的认知链条。前六章是地基，如果跳过直接学习TensorRT，很容易在显存管理、kernel启动配置上产生困惑。

1.3 英伟达技术生态全景图

下图展示了英伟达技术生态的核心组件及其关系。请注意，这不是一张静态的产品清单，而是一张数据流与依赖关系图——从底层物理硬件到顶层行业应用，每一层都通过特定接口向上提供服务。

这张全景图揭示了几个关键认知：

• 分层依赖关系：应用层（自动驾驶、医疗）并不直接操作GPU寄存器，而是通过TensorRT、DeepStream等中间件，再经由CUDA运行时与驱动，最终调度到硬件执行。每一层都屏蔽了下层的复杂性。
• CUDA的枢纽地位：无论上层的PyTorch还是TensorRT，最终都要翻译为CUDA kernel才能在GPU上运行。因此，理解CUDA的线程层次和内存模型是贯穿本课程的核心能力。
• 硬件形态的多样性：数据中心使用SXM形态的H100，边缘设备使用Jetson Orin，桌面工作站使用RTX 6000 Ada。它们虽然都基于CUDA架构，但在显存容量、功耗、互联方式上有显著差异。
• 网络互联成为新焦点：当单卡算力无法满足大模型训练需求时，NVLink和InfiniBand构建的集群网络成为瓶颈突破点。这也是为什么本课程专门安排第三阶段讲解多卡互联。

1.4 常见误区与学习路径建议

为了帮助你高效学习，这里给出一个可操作的起步路径：

1. 第1周：完成本章学习，画出属于自己的生态图（不参考上图，凭记忆默写）。
2. 第2-3周：学习第2-6章，在真实GPU上运行第一个CUDA程序，建议使用nvidia-smi查看设备属性。
3. 第4周起：每学完一个阶段，回到本章的全景图，用不同颜色标注自己已掌握的模块。