第4章：并行计算成熟期 (2010-2015)

从科学计算到深度学习的关键转折点

章节概览

2010-2015年是NVIDIA历史上极为关键的转型期。这五年间，GPU从专业计算工具逐渐演变为深度学习的核心引擎。Kepler架构的能效革命、AlexNet在ImageNet竞赛的惊艳表现、Maxwell架构的极致优化，以及与学术界的深度合作，共同奠定了NVIDIA在AI时代的霸主地位。

4.1 Kepler突破：动态并行与能效革命 (2012)

4.1.1 架构创新：从Fermi到Kepler

2012年3月22日，NVIDIA发布了代号为Kepler的新一代GPU架构，首款产品GTX 680采用28nm工艺，包含35.4亿个晶体管。Kepler不是Fermi的简单升级，而是一次彻底的架构重构。

核心架构变革：

Fermi GF100 (2010)                 Kepler GK104 (2012)
┌──────────────────┐               ┌──────────────────┐
│   16个SM单元      │               │   8个SMX单元      │
│  每SM 32 CUDA核   │               │  每SMX 192 CUDA核  │
│  总计512 CUDA核   │               │  总计1536 CUDA核   │
│                  │               │                  │
│  热设计功耗:      │               │  热设计功耗:      │
│    244W          │               │    195W          │
│                  │               │                  │
│  单精度性能:      │               │  单精度性能:      │
│    1.03 TFLOPS   │               │    3.09 TFLOPS   │
└──────────────────┘               └──────────────────┘

SMX（Streaming Multiprocessor X）设计哲学：

Kepler的SMX采用了"更多简单核心"的设计理念，相比Fermi的SM：

• CUDA核心数量从32个增加到192个（6倍）
• 每个核心的复杂度降低，时钟频率降低
• 功耗效率提升超过2倍
• 晶体管利用率大幅提高

4.1.2 动态并行：GPU编程范式革命

Kepler引入的动态并行（Dynamic Parallelism）是GPU计算历史上的重要里程碑，它允许GPU内核直接启动新的内核，无需CPU介入。

传统模式 vs 动态并行：

传统CUDA编程模式:                    Kepler动态并行:

CPU ──> GPU Kernel 1 ──> CPU        CPU ──> GPU Parent Kernel
         ↓                                        ↓
CPU ──> GPU Kernel 2 ──> CPU                GPU Child Kernel 1
         ↓                                        ↓
CPU ──> GPU Kernel 3 ──> CPU                GPU Child Kernel 2
                                                  ↓
往返开销: ~10-20μs/次                           递归调用
CPU瓶颈严重                                    自适应并行

实际应用案例：

1. 自适应网格细化（AMR）：在计算流体动力学中，动态并行使GPU能够自主决定哪些区域需要更细的网格
2. 快速排序算法：递归分区可以完全在GPU上执行，性能提升3-5倍
3. 光线追踪：动态生成次级光线，减少CPU-GPU同步开销

4.1.3 能效提升：绿色计算的里程碑

Kepler的能效提升不仅是技术进步，更是NVIDIA进军数据中心的关键。

能效指标对比：

| 架构 | 制程 | TDP | 单精度性能 | 能效比(GFLOPS/W) | 提升倍数 |

GPU Boost技术：

Kepler首次引入GPU Boost动态频率调整技术：

• 根据功耗、温度实时调整频率
• 典型提升幅度：100-200MHz
• 性能提升：15-20%
• 为后续GPU Boost 2.0/3.0奠定基础

4.1.4 产品矩阵与市场定位

消费级产品线（GeForce）：

• GTX 680：旗舰游戏卡，$499
• GTX 670：性价比之选，$399
• GTX 660 Ti：主流市场，$299
• GTX 650：入门级，$109

专业计算产品线（Tesla）：

• Tesla K20X：2688 CUDA核心，6GB显存，TOP500超算标配
• Tesla K20：2496 CUDA核心，5GB显存
• Tesla K10：双GPU设计，专注单精度计算

超算部署成果：

• 2012年11月：泰坦超算（橡树岭国家实验室）使用18,688块Tesla K20X
• 峰值性能：27 PFLOPS
• 能效：2.14 GFLOPS/W（当时最高）
• 标志着GPU正式进入超算主流

4.2 GTC大会创立：构建全球开发者社区 (2012)

4.2.1 从小型技术研讨到全球盛会

GPU技术大会（GPU Technology Conference, GTC）的前身可追溯到2009年的小型CUDA开发者聚会，仅有约300人参加。到2012年，GTC正式确立为年度旗舰技术大会，成为GPU计算领域的"圣地"。

GTC发展历程：

2009: NVISION → 首届GTC
├─ 地点：圣何塞会议中心
├─ 规模：300人
├─ 主题：CUDA编程
└─ 性质：技术研讨

2012: GTC正式品牌化
├─ 地点：圣何塞McEnery会议中心  
├─ 规模：2,500+参会者
├─ 主题：GPU计算全栈
├─ 展商：50+合作伙伴
└─ 演讲：200+技术报告

2015: 全球化扩张
├─ GTC China（北京）
├─ GTC Europe（慕尼黑）
├─ GTC Japan（东京）
└─ 总参会人数：10,000+

4.2.2 黄仁勋的主题演讲艺术

黄仁勋的GTC主题演讲成为科技界的标志性事件，他的黑色皮夹克、激情演说和现场演示成为个人品牌。

经典时刻回顾：

1. 2012年 - "Kepler来了" - 现场演示Kepler架构 - 首次提出"GPU计算时代"概念 - 宣布与橡树岭国家实验室合作泰坦超算

2. 2013年 - "移动超算" - 发布Tegra 4移动处理器 - 演示Shield掌机原型 - 提出"视觉计算"概念

3. 2014年 - "深度学习觉醒" - 首次将深度学习作为主题 - 演示GPU训练神经网络 - 宣布cuDNN库发布

演讲风格分析：

• 技术深度：2-3小时深入技术细节
• 现场演示：实时跑benchmark，不怕失败
• 故事叙述：将技术发展编织成引人入胜的故事
• 前瞻视野：提前3-5年预判技术趋势

4.2.3 生态系统建设策略

GTC不仅是产品发布会，更是NVIDIA构建生态系统的核心平台。

多层次生态建设：

┌─────────────────────────────────────┐
│         应用开发者                    │
│   游戏 | AI | 科学计算 | 可视化        │
├─────────────────────────────────────┤
│         框架开发者                    │
│  TensorFlow | PyTorch | MXNet        │
├─────────────────────────────────────┤
│         库开发者                      │
│   cuDNN | cuBLAS | NCCL | TensorRT   │
├─────────────────────────────────────┤
│         系统集成商                    │
│   Dell | HP | Supermicro | IBM       │
├─────────────────────────────────────┤
│         云服务商                      │
│   AWS | Azure | GCP | Alibaba        │
└─────────────────────────────────────┘

开发者培养计划：

1. Deep Learning Institute (DLI) - 2012年启动 - 免费在线课程 - 认证体系建立 - 2015年培训人数：10,000+

2. GPU研究中心 - 全球200+大学参与 - 提供免费硬件支持 - 年度研究基金：$5M+

3. 初创企业加速器 - Inception计划启动（2016年筹备） - 技术支持+市场资源 - 早期投资对接

4.2.4 早期重要合作伙伴

学术界先驱：

| 机构 | 负责人 | 合作项目 | 影响力 |

产业界早期采用者：

1. Adobe (2012) - Premiere Pro GPU加速 - 创意云GPU渲染 - 影响：专业创作者市场突破

2. Pixar (2013) - RenderMan GPU版本 - 实时预览技术 - 影响：动画产业标准改变

3. 百度 (2013) - 深度语音识别系统 - GPU集群部署 - 影响：中国AI市场开拓

4. Facebook (2014) - DeepFace项目 - 大规模GPU训练 - 影响：社交媒体AI应用

4.3 AlexNet事件：深度学习的分水岭 (2012)

4.3.1 ImageNet竞赛背景

ImageNet大规模视觉识别挑战赛（ILSVRC）始于2010年，是计算机视觉领域的"世界杯"。2012年之前，传统机器学习方法统治着这个竞赛。

历年冠军错误率：

2010: NEC-UIUC (传统方法) ─────── 28.2%
2011: XRCE (传统方法) ──────────── 25.8%
2012: AlexNet (深度学习) ────────  15.3% ← 历史性突破！
                                    ↓
                              错误率降低40.7%

竞赛规模：

• 训练集：120万张图片
• 类别数：1000个分类
• 验证集：5万张图片
• 测试集：15万张图片
• 评价指标：Top-5错误率

4.3.2 AlexNet架构与GPU加速

AlexNet由多伦多大学的Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton设计，是第一个成功使用GPU训练的深度卷积神经网络。

网络架构：

输入层 (224×224×3)
         ↓
Conv1: 96 kernels, 11×11, stride 4
         ↓
MaxPool: 3×3, stride 2
         ↓
Conv2: 256 kernels, 5×5
         ↓
MaxPool: 3×3, stride 2
         ↓
Conv3: 384 kernels, 3×3
         ↓
Conv4: 384 kernels, 3×3
         ↓
Conv5: 256 kernels, 3×3
         ↓
MaxPool: 3×3, stride 2
         ↓
FC6: 4096 neurons
         ↓
FC7: 4096 neurons
         ↓
FC8: 1000 neurons (输出)

总参数量：6000万

GPU训练细节：

1. 硬件配置： - 2块GTX 580 (各3GB显存) - 模型并行：将网络分割到两块GPU - 训练时间：5-6天

2. 关键技术创新： - ReLU激活函数：比tanh快6倍 - Dropout正则化：防止过拟合 - 数据增强：随机裁剪、水平翻转 - 局部响应归一化（LRN）

3. 性能对比： | 平台 | 训练时间 | 加速比 |

4.3.3 产业影响与连锁反应

AlexNet的成功引发了深度学习的"寒武纪大爆发"。

直接影响：

2012年9月：AlexNet夺冠
    ↓
2012年12月：Google Brain团队复现
    ↓
2013年3月：百度成立深度学习研究院
    ↓
2013年6月：Facebook AI Research成立
    ↓
2013年12月：微软亚研院深度学习中心

技术扩散路径：

1. 计算机视觉革命： - 2013：ZFNet优化AlexNet，错误率11.7% - 2014：VGGNet加深到19层 - 2014：GoogLeNet引入Inception模块 - 2015：ResNet达到152层，错误率3.57%

2. GPU需求爆发： - 2012 Q4：Tesla K20销量环比增长300% - 2013年：深度学习相关GPU销售额$1.5亿 - 2014年：主要云服务商开始部署GPU实例

3. 人才流动： - Ilya Sutskever → OpenAI联合创始人 - Alex Krizhevsky → Google Brain - 大量研究生转向深度学习

4.3.4 NVIDIA的快速响应

NVIDIA管理层迅速意识到AlexNet的历史意义，全面调整战略。

战略调整时间线：

2012年10月（AlexNet夺冠后1个月）：

• 黄仁勋召开紧急战略会议
• 成立深度学习专项小组
• 预算增加：$5000万用于AI研发

2013年Q1：

• cuDNN项目启动（Sharan Chetlur领导）
• 与Hinton团队建立直接联系
• GTC 2013将深度学习列为主题

2013年Q2-Q4：

• 发布CUDA 5.5，优化卷积操作
• 推出GPU加速深度学习框架对比
• 建立深度学习研究合作网络

产品路线调整：

| 时期 | 优化重点 | 关键特性 |

市场培育策略：

1. 免费GPU计划： - 向TOP50大学AI实验室赠送K40 - 总价值：约$2000万 - 回报：培养首批深度学习人才

2. 软件工具支持： - 2014年9月：cuDNN v1发布 - 性能提升：卷积操作3-5倍 - 支持框架：Caffe、Theano、Torch

3. 生态系统投资： - 投资深度学习创业公司 - 赞助学术会议（NIPS、ICML、CVPR） - 建立GPU研究中心

4.4 Maxwell优化：架构重构与能效极限 (2014)

4.4.1 从头设计：打破传统架构

2014年2月18日，NVIDIA发布Maxwell架构，这不是Kepler的升级版，而是一次彻底的重新设计。首款产品GTX 750 Ti仅60W TDP却提供了惊人的性能，被誉为"能效革命"。

设计理念转变：

传统GPU设计思路:                    Maxwell设计思路:
"更多晶体管=更高性能"                "每瓦性能最大化"
     ↓                                    ↓
增加核心数量                         优化每个核心效率
提高频率                            降低无效功耗
增大缓存                            智能缓存管理
     ↓                                    ↓
功耗爆炸(GTX 480: 250W)            功耗控制(GTX 980: 165W)

架构革新要点：

1. 调度器重新设计： - 每个SM从Kepler的192个核心减少到128个 - 但每个核心的利用率从约60%提升到90%+ - 四个独立的处理块（32 CUDA核心/块） - 每个块拥有独立的指令缓冲和调度器

2. 控制逻辑优化： - 指令调度功耗降低50% - 寄存器文件访问能耗降低30% - 减少不必要的数据移动

3. 缓存层次重构：

L1 Cache/Shared Memory
├─ 从Kepler的64KB统一缓存
└─ 改为独立的48KB共享内存 + 专用L1纹理缓存
    ├─ 降低争用
    └─ 提高带宽利用率

首发产品GTX 750 Ti震撼：

• 仅60W功耗（无需外接供电）
• 性能超越130W的GTX 480
• 1.4 TFLOPS单精度性能
• 能效比：23.3 GFLOPS/W（Kepler的2倍）

4.4.2 SM架构优化细节

Maxwell的SMM（Maxwell Streaming Multiprocessor）是GPU架构历史上的经典设计，其思想影响至今。

SMM内部结构：

              Maxwell SMM架构
    ┌────────────────────────────────┐
    │        Polymorph Engine         │
    │    (几何处理与曲面细分引擎)        │
    ├────────────────────────────────┤
    │   Instruction Cache (指令缓存)    │
    ├────────────────────────────────┤
    │        Warp Scheduler×4          │
    │     (每个管理8个Warp线程束)       │
    ├────┬────┬────┬────────────────┤
    │ Q0 │ Q1 │ Q2 │ Q3  (四象限)    │
    │32  │32  │32  │32  CUDA Cores  │
    │核心 │核心 │核心 │核心           │
    ├────┴────┴────┴────────────────┤
    │  Shared Memory (48KB独享内存)    │
    ├────────────────────────────────┤
    │    L1/Texture Cache (24KB)      │
    └────────────────────────────────┘

关键优化技术：

1. 细粒度功耗门控： - 每个32核心块可独立关闭 - 空闲时自动降频至100MHz以下 - 微秒级唤醒延迟 - 整体待机功耗降低90%

2. 指令发射优化： | 架构 | 每时钟发射 | 调度器数量 | IPC效率 |

3. 寄存器文件改进： - 从Kepler的65536个32位寄存器/SM - 优化为65536个，但访问模式更高效 - 寄存器组群（Register Bank）冲突减少75% - 有效带宽提升40%

4. 纹理单元升级： - 原生支持BC6H/BC7压缩格式 - 纹理缓存命中率提升20% - 各向异性过滤性能翻倍

4.4.3 内存压缩技术革新

Maxwell引入的第三代Delta颜色压缩是一项被低估的创新，为后续所有GPU架构奠定基础。

压缩技术演进：

无压缩 (2010前)          2:1压缩 (Fermi)         
带宽需求: 100%           带宽需求: 50-70%        

4:1压缩 (Kepler)         8:1压缩 (Maxwell)       
带宽需求: 25-40%         带宽需求: 12-25%        

压缩算法: Delta编码                              
├─ 相邻像素差值存储                               
├─ 可预测模式识别                                
└─ 无损压缩保证                                  

内存带宽优化技术栈：

1. 帧缓冲压缩： - 平均压缩率：4:1到8:1 - 完全透明（应用无感知） - 有效带宽提升2-3倍 - 功耗降低25%

2. 智能内存控制器： - 合并小块读写请求 - 预测性预取 - 乱序执行内存事务 - 减少DRAM页面冲突

3. 多级缓存优化：

应用请求 → L1缓存(24KB/SM)
        ↓ (未命中)
       L2缓存(2MB全局)
        ↓ (未命中)
       压缩检测
        ↓
       DRAM控制器
        ↓
       GDDR5内存

实测带宽效率提升：

| 场景 | Kepler有效带宽 | Maxwell有效带宽 | 提升幅度 |

4.4.4 移动GPU战略：Tegra K1/X1

Maxwell架构的能效优势使NVIDIA能够将桌面级GPU性能带入移动平台。

Tegra K1 (2014年1月)：

芯片规格:
┌─────────────────────────────┐
│  4+1 ARM Cortex-A15 CPU     │
│  (或Denver 64位双核CPU)      │
├─────────────────────────────┤
│  Kepler GPU (192 CUDA核心)   │
│  支持OpenGL 4.4, CUDA 6.0    │
├─────────────────────────────┤
│  28nm HPM工艺               │
│  5W TDP (平板) / 11W (汽车)  │
└─────────────────────────────┘

性能指标:

- 365 GFLOPS (FP32)
- 首个支持CUDA的移动芯片
- 性能超越Xbox 360/PS3

Tegra X1 (2015年1月)：

芯片规格:
┌─────────────────────────────┐
│  4×A57 + 4×A53 big.LITTLE   │
│  64位ARMv8架构              │
├─────────────────────────────┤
│  Maxwell GPU (256 CUDA核心)  │
│  2个SMM单元                 │
├─────────────────────────────┤
│  20nm工艺                   │
│  10W TDP (典型)             │
└─────────────────────────────┘

突破性能:

- 1 TFLOPS (FP32) - 移动端首次
- 支持4K 60Hz H.265解码
- 用于Nintendo Switch (2017)

车载平台DRIVE系列：

1. DRIVE CX (2015)： - 基于Tegra X1 - 数字仪表盘方案 - 奥迪、特斯拉早期采用

2. DRIVE PX (2015)： - 双Tegra X1配置 - 2.3 TFLOPS算力 - 首个自动驾驶开发平台 - 12路摄像头输入支持

市场影响：

• Google Nexus 9平板 (Tegra K1)
• NVIDIA Shield平板/机顶盒系列
• 小米平板 (Tegra K1)
• Nintendo Switch (定制Tegra X1)
• 特斯拉Autopilot 1.0 (DRIVE PX)

4.5 与吴恩达合作：深度学习布道 (2014)

4.5.1 斯坦福AI实验室合作

吴恩达（Andrew Ng）与NVIDIA的合作始于2011年，但在2014年达到高潮。作为斯坦福大学计算机科学系副教授和AI实验室主任，吴恩达是将GPU应用于深度学习的先驱之一。

早期探索（2011-2013）：

2011年：Google Brain项目
├─ 使用16,000个CPU核心
├─ 训练10亿参数模型
├─ 成本：约500万美元
└─ 问题：规模化困难

2013年：斯坦福GPU实验
├─ 使用3台配备GPU的机器
├─ 达到相同性能
├─ 成本：约3.3万美元
└─ 性能提升：150倍性价比

斯坦福深度学习课程革新：

1. CS231n：卷积神经网络与视觉识别 - 2014年春季首次开课 - NVIDIA提供：20块Tesla K40 GPU - 学生项目直接在GPU上训练 - 培养人才：Andrej Karpathy等后来的AI领袖

2. 大规模在线课程（MOOC）： - Coursera机器学习课程 - 注册学生：超过200万 - GPU编程专题：2014年新增 - 影响：普及GPU深度学习概念

实验室基础设施支持：

斯坦福AI实验室GPU集群 (2014)
┌─────────────────────────────────┐
│  管理节点 (Head Node)            │
│  - 调度系统：SLURM              │
│  - 存储：100TB NFS              │
└─────────┬───────────────────────┘
          │
    ┌─────┴─────┬─────────┬────────┐
    ↓           ↓         ↓        ↓
┌─────────┐ ┌─────────┐ ┌─────────┐
│ Node 1  │ │ Node 2  │ │ Node N  │
│ 4×K40   │ │ 4×K40   │ │ 4×K40   │
│ 48GB×4  │ │ 48GB×4  │ │ 48GB×4  │
└─────────┘ └─────────┘ └─────────┘

总算力：200+ TFLOPS
总投资：约150万美元（NVIDIA赞助50%）

4.5.2 百度深度学习研究院

2014年5月，吴恩达加入百度担任首席科学家，建立百度硅谷AI实验室。这次合作将NVIDIA GPU深度学习技术带入中国市场。

百度深度学习平台建设：

1. Minwa超级计算机（2015年1月）：

系统配置：

- 36个服务器节点
- 144块Tesla K40 GPU
- InfiniBand FDR互连
- 6.7 TFLOPS总算力

创纪录成就：

- ImageNet测试：4.58%错误率
- 超越人类水平（5.1%）
- 训练时间：2周→3天

2. Deep Speech项目： - 中文语音识别系统 - 训练数据：10,000小时语音 - GPU使用：40块K40并行训练 - 准确率：噪音环境下提升15% - 成果：2014年12月发表论文

技术创新与突破：

| 项目 | 传统方法 | GPU加速后 | 改进幅度 |

百度-NVIDIA联合实验室：

成立时间：2014年7月 目标：

• 开发中文语音识别专用模型
• 优化GPU上的中文NLP算法
• 培养本土深度学习人才

成果：

• PaddlePaddle框架GPU优化
• 中文OCR准确率提升30%
• 培训工程师：500+人

4.5.3 GPU集群训练方案

吴恩达团队开发的分布式GPU训练方案成为业界标准，影响了后续所有大规模深度学习系统。

DistBelief到Parameter Server演进：

单机多GPU (2012)              数据并行 (2013)
┌──────────┐                 ┌──────────┐
│   GPU0   │                 │  Worker1  │
│   GPU1   │                 │  (GPU×4)  │
│   GPU2   │ PCIe总线瓶颈     ├──────────┤
│   GPU3   │                 │  Worker2  │
└──────────┘                 │  (GPU×4)  │
                            └─────┬────┘
模型并行 (2014)                   │
┌──────────────────┐        Parameter Server
│ Layer1 → GPU0,1  │              │
│ Layer2 → GPU2,3  │         ┌────┴────┐
│ Layer3 → GPU4,5  │         │  PS节点  │
└──────────────────┘         └─────────┘

关键技术贡献：

1. 异步SGD（Async-SGD）： - 消除同步等待瓶颈 - 线性扩展性到100+ GPU - 收敛速度损失<5% - 论文引用：2000+次

2. 梯度压缩技术：

原始梯度：32-bit float
     ↓
1-bit SGD量化
     ↓
通信量减少：32倍
训练速度提升：10倍
精度损失：<1%

3. Ring-AllReduce算法： - 避免Parameter Server瓶颈 - GPU间点对点通信 - 带宽利用率：>90% - 后被Horovod采用

软件栈优化：

| 层级 | 优化技术 | 性能提升 |

4.5.4 开源项目与社区贡献

吴恩达倡导的开源文化极大推动了GPU深度学习生态发展。

重要开源贡献：

1. 深度学习教程资源：

deeplearning.ai课程系列 (2017准备)
├─ 神经网络与深度学习
├─ 改进深度神经网络
├─ 结构化机器学习项目
├─ 卷积神经网络
└─ 序列模型

GPU编程实践：

- 所有作业提供GPU代码
- Colab免费GPU支持
- 学习者：500万+

2. 开源工具与框架： - Caffe GPU优化（2014）：
   • 贡献cuDNN集成代码
   • 性能提升5倍
   • 成为主流CV框架

• TensorFlow早期贡献（2015）：
  • GPU内存管理优化
  • 多GPU训练示例
  • 官方教程编写

3. 数据集与基准测试：

贡献的开源数据集：

- Chinese Speech Corpus（10000小时）
- Street View House Numbers（60万样本）
- YouTube-8M（800万视频）

基准测试套件：

- DAWNBench（训练速度基准）
- MLPerf前身讨论参与

社区影响力：

1. 人才培养成果： - 直接指导博士生：30+ - 其中进入AI领域：90% - 创立AI公司：12家 - 知名学生：

   • Adam Coates → Khosla Ventures
   • Quoc Le → Google Brain
   • Richard Socher → Salesforce

2. 产业标准制定： - 推动FP16训练成为标准 - 倡导GPU集群架构规范 - 参与ONNX标准制定

3. 深度学习普及：

影响力数据（2014-2015）：
论文引用：50,000+次
课程学生：2,000,000+人
开源项目Star：100,000+
博客阅读：10,000,000+次

长期影响评估：

吴恩达与NVIDIA的合作产生了深远影响：

| 领域 | 2014年前 | 2015年后 | 变化 |

4.6 Bill Dally加入：学术与工业的桥梁 (2009)

4.6.1 斯坦福并行计算大师

4.6.2 研究院建设与人才培养

4.6.3 ExaScale计算愿景

4.6.4 架构创新理念影响

4.7 ARM授权获得：移动计算布局 (2011)

4.7.1 Project Denver：自研CPU之路

4.7.2 Tegra系列演进

4.7.3 车载平台战略

4.7.4 与高通、苹果的竞争

技术对比与总结

关键人物影响力分析

本章小结与展望