needhelp
← Back to blog

Trzydzieści dni, trzydzieści trzy lata: Jensen Huang odchodzi z Nvidii

by xingwangzhe
nvidiajensen-huangcudagpuai-infrastructure

12 listopada 2026 roku po południu czasu wschodniego w serwisie prasowym Nvidii pojawiło się oświadczenie krótsze niż trzysta słów. Jensen Huang zrezygnował z funkcji prezesa, dyrektora generalnego i członka zarządu, ze skutkiem natychmiastowym.

Bez okresu przejściowego. Bez „odejdzie tego a tego dnia”. Bez tytułu doradcy, który założyciele zwykle zachowują.

Akcja spadła ponad 10% przed otwarciem i zamknęła się spadkiem 4,34%, wymazując około 182 miliardów dolarów kapitalizacji. Zarząd zadziałał tego samego dnia: Colette Kress, wiceprezes wykonawcza i dyrektorka finansowa, została tymczasową CEO, zachowując finanse; Harvey C. Jones, były CEO Synopsys, został pierwszym przewodniczącym zarządu w 33-letniej historii spółki. Tego stanowiska wcześniej nie było.

Oświadczenie nie podaje powodu. Mówi, że działalność, zobowiązania wobec klientów i plan produktowy biegną zgodnie z planem, a wyniki trzeciego kwartału ukażą się 17 listopada.

Pisanie nekrologu jest łatwe i bezużyteczne. Lepsze pytanie brzmi: które decyzje tych 33 lat były osobistym osądem Huanga, a które stały się już pamięcią mięśniową organizacji. Rozmowa 17 listopada testuje drugą kategorię.

Stolik w Denny’s

5 kwietnia 1993 roku, San Jose w Kalifornii, stolik w Denny’s. Trzy osoby: Huang, świeżo po LSI Logic, oraz Chris Malachowsky i Curtis Priem z Sun Microsystems. Kapitał startowy: 40 tysięcy dolarów. Huang miał 30 lat.

Nazwa pochodzi od łacińskiego invidia — zazdrość. Wczesne pliki miały prefiks NV, od next version. Wierzyli w jedną konkretną rzecz: pecet zmieni się z maszyny biurowej w urządzenie konsumenckie, a pierwsze, czego potrzebuje urządzenie konsumenckie, to obraz.

W 1993 roku to nie było dziwaczne. Istniało dwadzieścia kilka firm produkujących układy graficzne, trzy lata później siedemdziesiąt. Do 2006 roku została jedna niezależna.

Dziwaczny nie był pomysł. Dziwaczny był rozmiar zakładu.

Pierwszy zły zakład: NV1 i powierzchnie kwadratowe

NV1 z 1995 roku to błąd podręcznikowy, a błąd leżał w geometrii.

Renderowanie wielokątów działało na trójkątach, a DirectX Microsoftu czynił z nich standard faktyczny. NV1 wybrał kwadratowe mapowanie tekstur: budowanie obiektów z zakrzywionych płatów, co teoretycznie oszczędza pasmo, wygładza krawędzie i usuwa schodki trójkątów.

Sega przeniosła na niego arcade’ową grę Virtual Fighter, pierwszy tytuł 3D na układzie Nvidii. Karta trafiła do sprzedaży jako Diamond Edge 3D.

Problemem nie była moc obliczeniowa, lecz łańcuch narzędzi. Oprogramowanie do modelowania, assety, silniki renderujące i odruchy każdego programisty wyrosły wokół trójkątów. Karta rysująca wyłącznie krzywe wymaga od całej branży przebudowy procesu pracy. Żadna przewaga wydajności tego nie wyrówna.

Sega anulowała kolejne zamówienie. Huang poleciał do Japonii, przyznał błąd przed Shoichiro Irimajirim i poprosił, by zostawił już zapłacone pieniądze. Ten zamienił zamówienie na 5 milionów dolarów inwestycji. To kupiło około pół roku.

W 1996 roku zwolnił ponad połowę załogi i postawił resztę gotówki na projekt, który jeszcze nie wyszedł z fabryki.

„Nasza firma jest trzydzieści dni od zamknięcia.” Powtarzał to na zebraniach przez dekadę. To nie była metafora. To był runway gotówkowy.

Drugi zakład: RIVA 128 i standard

RIVA 128 pojawiła się w 1997 roku jako wynik tego zakładu. Pierwszy na świecie 128-bitowy procesor 3D, bez krzywych, tylko trójkąty, pełne oddanie Direct3D. Milion sztuk w cztery miesiące.

Przy premierze saldo pokrywało jedną pensję. Historię opowiada się jako przypowieść o odbiciu, ale sedno umyka: koszt przyznania się do złej drogi technicznej musi być mniejszy niż gotówka na koncie. Między NV1 a RIVA 128 nie ma geniuszu. Jest publiczne i kosztowne przyznanie się, także przed klientem, który już zapłacił.

Tu umiera większość firm. Kierunek jest zły, ale organizacja nie ma słownika, by to przyznać, więc zasoby dalej płyną w koszty utopione.

Wymyślić słowo: GPU w 1999

Styczeń 1999: Nvidia wchodzi na Nasdaq po 12 dolarów za akcję.

Październik tego samego roku: GeForce 256. Nvidia tworzy termin GPU i daje mu sprawdzalną definicję: jednoukładowy procesor z wbudowanymi jednostkami transformacji, oświetlenia, składania i przycinania trójkątów oraz renderowania, zdolny przetwarzać co najmniej dziesięć milionów wielokątów na sekundę.

Istotą był sprzętowy T&L. Wcześniej transformacja wierzchołków i oświetlenie były zadaniem CPU, a karta tylko wypełniała gotowe trójkąty. Przeniesienie T&L na kartę dało jej własne obciążenie obliczeniowe. Przestała być płótnem.

Oficjalna chronologia daje porównanie: dzisiejsze GPU przetwarzają ponad siedem miliardów wielokątów na sekundę. Dwadzieścia siedem lat, trzy rzędy wielkości.

Słowo wyszło potem z grafiki i stało się jednostką obliczeń.

Firmy konkurujące produktami wysyłają produkty. Firmy konkurujące kategoriami wymyślają słowa. Nazwać rzecz to ustawić tablicę wyników, a kto ustawia tablicę, decyduje, o co gra się w następnej rundzie.

Zakład, którego nikt nie lubił: CUDA

W 2006 roku architektura G80 przyniosła zunifikowane shadery: pikselowe i wierzchołkowe przestały być fizycznie rozdzielone, a każdy procesor strumieniowy mógł wykonywać kod ogólny. G80 miała 128 procesorów w ośmiu grupach.

Potem przyszła najważniejsza decyzja w historii firmy i nie była decyzją produktową: otwarcie tych programowalnych rdzeni na obliczenia niegraficzne. CUDA ukazała się w listopadzie 2006.

Technicznie skromnie: model równoległy ze składnią podobną do C. Wątki grupują się w bloki, bloki w siatki; 32 wątki tworzą warp wykonujący jedną instrukcję na cykl i różniący się tylko rejestrami danych. Programista nie musi wiedzieć, ile SM ma karta. Musi odpowiedzieć, ile niezależnych danych ma jego problem.

Ta warstwa abstrakcji to rzeczywista treść techniczna zakładu. Zamienia równoległość z detalu sprzętowego w model programowania, a ceną jest powierzchnia krzemu, stos sterowników, kompilator, debugger i dwadzieścia lat zgodności wstecznej.

Komercyjnie wcale nie skromnie: CUDA trafiła na każdą GeForce, także te kupione tylko do gier.

Wall Street widział koszt. Dlaczego karta do gier ma płacić tranzystorami i walidacją za kompilator, którego nikt nie używa? W kryzysie 2008 akcja spadła o 70%.

„Demokratyzowaliśmy superkomputery” — powiedział później Huang.

W 2008 brzmiało to jak pocieszenie. Zajęło sześć lat, by stało się stwierdzeniem faktu.

Sześć lat później: dwie GTX 580

W 2012 roku troje ludzi z Uniwersytetu Toronto — Alex Krizhevsky, Ilya Sutskever i Geoffrey Hinton — wytrenowało sieć konwolucyjną na dwóch konsumenckich GeForce GTX 580 do ImageNet. Błąd 15,3%. Drugie miejsce: 26,2%.

Ważnym faktem technicznym nie było zwycięstwo algorytmu. Było nim to, że sprzęt już tam był. Dekada CUDA na sklepowych półkach oznaczała, że każde laboratorium na świecie ma maszynę zdolną uczyć głębokie sieci; nikt im tego nie powiedział.

Ekosystem procentuje właśnie tak. Nie trzeba w 2012 nikogo przekonywać do zakupu karty. Trzeba w 2006 sprawić, by leżała na biurku.

To też istota fosy. 92% udziału nie utrzymuje się przewagą jednej generacji. Utrzymuje się tym, że kod z dowolnej pracy na GitHubie da się sklonować i uruchomić. Koszt migracji żyje w milionach linii CUDA, nie w układzie.

Nieść pudło: DGX-1 i granica „jednej maszyny”

W sierpniu 2016 Huang pojechał do San Francisco i sam wniósł pierwszy DGX-1 do biura OpenAI. Maszyna kosztowała 129 tysięcy dolarów, miała osiem P100 połączonych NVLinkiem. Elon Musk był w pokoju.

CEO firmy wartej dziesiątki miliardów dostarcza komputer kilkumiesięcznemu laboratorium non-profit i sam dźwiga. Historia bywa opowiadana jako żart. To najdokładniejszy autoportret firmy: sprzedają nie układ, lecz wzorzec tego, jak powinna wyglądać moc obliczeniowa.

Volta z 2017 roku przyniosła Tensor Cores, jednostkę mnożenia macierzy 4×4. Kluczowe operatory Transformera to niemal wyłącznie wsadowe mnożenie macierzy, a załamanie kosztów trenowania między 2020 a 2025 rokiem w połowie wzięło się z procesu i pakowania, w połowie z dedykowanego sprzętu pod tę operację.

Potem precyzja spadała z generacji na generację: FP16 na V100, BF16 i TF32 na A100, FP8 na H100, FP4 na Blackwell. Każdy krok robił to samo: usuwał z krzemu i pasma precyzję, której model nie potrzebuje.

Ogólny interfejs, wyspecjalizowany rdzeń. Ten układ wyjaśnia, dlaczego „wyspecjalizowane układy zastąpią GPU” jest przewidywane co roku i nigdy nie następuje.

## Wlutować mnożenie macierzy w krzem

Volta pojawiła się w 2017 roku, a V100 dostała Tensor Cores: jednostkę mnożenia i akumulacji macierzy 4×4, wykonującą partię operacji na cykl. Wtedy większość frameworków wołała jeszcze cuBLAS w FP32, a ścieżka FP16 wymagała zmian w kodzie.

Pięć lat później stało się to rozstrzygające. Kluczowe operatory Transformera to niemal wyłącznie wsadowe mnożenia macierzy; transpozycja QK w attention i ważona suma po softmax lądują na sprzęcie jako duże GEMM-y. Załamanie kosztów trenowania między 2020 a 2025 rokiem w połowie wzięło się z procesu i pakowania, w połowie z decyzji o zbudowaniu dedykowanej jednostki pod tę operację.

Potem precyzja spadała z generacji na generację: FP16 na V100, BF16 i TF32 na A100, FP8 na H100, FP4 na Blackwell. Każdy krok robił to samo: usuwał z powierzchni krzemu i pasma pamięci precyzję, której model nie potrzebuje.

Z perspektywy czasu było to sprytne zabezpieczenie strategii CUDA: na zewnątrz ogólny model programowania, do wewnątrz dedykowany sprzęt pod najczęstszy kernel.

Ogólny interfejs, wyspecjalizowany rdzeń. Ten układ wyjaśnia, dlaczego „dedykowane układy zastąpią GPU” jest przewidywane co roku i nigdy nie następuje: pretendenci przegrywają na braku ogólności albo na braku milionów już napisanych linii.

Jedna porażka: Tegra

Historia 1993–2026 ma więcej porażek niż sukcesów. Są tylko cichsze.

W 2008 Nvidia wypuściła Tegrę i ruszyła na telefony. Tegra trafiła do Zune HD, kilku tabletów i jednostek samochodowych, po czym Qualcomm i własne SoC Apple wypchnęły ją z rynku masowego. Około 2015 biznes opuścił bitwę mobilną na rzecz kokpitów i jazdy autonomicznej.

Ta sama lekcja co przy NV1, z niższym czesnym: szybszy układ w cudzym ekosystemie nie pokona tego, kto definiuje ekosystem.

Gałąź, która przetrwała — motoryzacja i robotyka — dziesięć lat później stała się wejściem do ucieleśnionej AI.

Od biliona do pięciu

H100 pojawiła się w 2022. ChatGPT przyszedł kilka miesięcy później. Timing był zbyt dobry.

Kapitalizacja przekroczyła bilion w 2023, trzy biliony w 2024, a w październiku 2025 Nvidia jako pierwsza firma przekroczyła pięć bilionów. Udział w rynku enterprise to około 92%.

Szczęście było realne. AlexNet działał na ich kartach; kluczowy operator Transformera to mnożenie macierzy; duże modele wymagają tysięcy kart spiętych w jedną maszynę. Ale szczęście tłumaczy szczyty, nie obecność na każdym z nich.

Jego sformułowanie to prawo Huanga: wydajność podwaja się co dwa lata, a koszt jednostkowy spada. To nie przepisanie prawa Moore’a, lecz ściśnięcie architektury, pakowania, połączeń i oprogramowania w jeden rytm. Warunek wstępny: wszystkie cztery warstwy w jednej firmie i podpis kogoś, kto nie musi tłumaczyć długoterminowych wydatków na kwartalnej konferencji.

2 września 2026 roku, w rozmowie z sekretarzem handlu Howardem Lutnickiem, powiedział: „Mógłbym przestać pracować, ale nie chcę tego przegapić. Nie przegapię najbliższych 10, 15 lat.” Dodał, że do 2030 roku trzeba zbudować jeszcze 100 gigawatów infrastruktury obliczeniowej.

Dziesięć tygodni później nie było go.

Dwie mapy

Biznes w Chinach jest tłem zapytań, które ruszyły po 12 listopada.

W październiku 2022 Departament Handlu ograniczył eksport A100 i H100, a Nvidia wypuściła okrojone A800 i H800. W październiku 2023 nowe przepisy wpisały progi gęstości wydajności, te układy trafiły na listę, a potem przyszła karuzela wokół H20: ograniczenie, następnie warunkowa licencja w 2025.

Efekt to zmiana struktury przychodów: przychody centrów danych w Chinach spadły z ponad jednej piątej całości do niemal zera, potem częściowo wróciły. Inżynieria tego nie rozwiąże, bo mierzy się nie wydajność. Licencję.

Dlatego list, który dotarł po 12 listopada, nie dotyczył obliczeń, ale tego, kto co zatwierdził i gdzie są zapisy. Richard Neal i Ron Wyden poprosili departament o zabezpieczenie dokumentów. Są mniejszością: mogą pytać, nie mogą wymuszać.

Rachunek fabryki AI

We wrześniu 2026 Huang zaczął nazywać centra danych „fabrykami AI” i podał harmonogram: 100 gigawatów przed 2030.

Duży blok jądrowy to około 1 gigawat. Ta liczba przenosi debatę z dostaw układów na energię i ziemię. W tym samym miesiącu Nebius ogłosił 40 miliardów dolarów nakładów na 2027 i akcja spadła 17%; projekt Microsoftu w New Jersey był opóźniony o miesiące. Wąskie gardło przesunęło się z akceleratora na stację transformatorową.

To także najtrudniejsza część sukcesji. Huang nie sprzedawał tylko układów. Sprzedawał oczekiwanie, że moc obliczeniowa pozostanie deficytowa, a takie oczekiwanie wymaga kogoś, kto powtarza je co tydzień.

Gdy wnioskowanie przejmuje stery

Między 2024 a 2026 zmienił się kształt popytu. Nakłady na trenowanie zostały ogromne, ale wyhamowały; urosło wnioskowanie — długi kontekst, agenci wywołujący narzędzia w pętli, wielokrotne autosprawdzanie.

Ekonomia jest inna. Trenowanie nagradza szczytowe FLOPS i pasmo połączeń. Wnioskowanie nagradza koszt krańcowy na token: pojemność pamięci decyduje, ile KV cache się zmieści, pasmo decyduje o szybkości dekodowania, kwantyzacja o rozmiarze modelu w tej samej VRAM. Pięciokrotna kompresja KV cache to pięciokrotna współbieżność na jednej karcie.

Stąd ruch ku FP4 po Blackwellu i stąd kompresja KV cache, dekodowanie spekulatywne i planowanie wsadów zajmują większość badań w 2026.

Dla fosy ten zwrot jest niekorzystny. Era trenowania nagradzała najszybszą kartę. Era wnioskowania nagradza najniższy koszt tokenu, a to teren, który mogą zająć własne ASIC-e: TPU Google, Trainium AWS, MTIA Meta. Huang utrzymywał dystans rocznym rytmem architektur. Czy druga osoba utrzyma ten rytm, to rzecz do obserwacji po 17 listopada.

Sześćdziesięciu podwładnych

Styl zarządzania był nietypowy nawet jak na Dolinę Krzemową. Około 60 osób raportujących bezpośrednio. Bez rozmów jeden na jeden. Bez slajdów.

Każdy wysyłał cotygodniowy mail Top 5 Things: pięć najważniejszych spraw i nad czym myślisz. Informacja płynęła poziomo, a nie w górę i w dół hierarchii. Praktyka przetrwała ponad dziesięć tysięcy pracowników, kosztem poszarpanego kalendarza CEO.

„Firma jest trzydzieści dni od zamknięcia” było emocjonalną podstawą tego systemu. Trzymało czterobilionową spółkę w napięciu. Sprawiło też, że przez 33 lata nikt nie wyrósł na następcę.

To nie spisek, to struktura: CEO wpisany w każdy krytyczny obieg decyzji systematycznie tłumi powstawanie drugiego decydenta.

Po 12 listopada

Kress ma 59 lat. Dołączyła jako CFO we wrześniu 2013 po blisko 25 latach w finansach Texas Instruments, Microsoftu i Cisco. Rozmówcy Reutersa opisują ją jako spokojne przeciwieństwo konfrontacyjnego stylu Huanga.

Rynek nie jest przekonany. Anshel Sag z Moor Insights mówi wprost: dyrektorka finansowa na tymczasowym stołku uspokaja rynki, ale nie jest długoterminową wizjonerką, której Nvidia potrzebuje.

Krążą trzy nazwiska: Ian Buck, w Nvidii od 2004, odpowiada za sprzęt i oprogramowanie AI, związany z początkami CUDA; Rene Haas, CEO Arm, siedem lat jako wiceprezes w Nvidii; oraz Lisa Su, CEO AMD, najbezpośredniejsza konkurentka.

17 listopada po zamknięciu sesji wyniki trzeciego kwartału. To będzie pierwsza publiczna sesja pytań nowego kierownictwa.

Tego samego dnia Richard Neal i Ron Wyden, najwyżsi rangą Demokraci w komisji Ways and Means Izby Reprezentantów i w komisji finansów Senatu, napisali do sekretarza handlu Lutnicka w sprawie sposobu rozpatrywania sprzedaży układów Nvidii do Chin i poprosili departament o zabezpieczenie dokumentów. Mniejszość: mogą pytać, nie mogą wymuszać.

Biała skórzana kurtka

W 33 lata firma zmieniła CEO raz. Teraz zmieniła.

Testowana jest nie kompetencja następcy, lecz cichsze pytanie: ile z tych zakładów — trójkąty, sprzętowy T&L, zunifikowane shadery, CUDA, Tensor Cores, NVLink — było osobistym osądem, a ile stało się domyślnym ustawieniem organizacji.

CUDA to pierwsza połowa odpowiedzi. Ponad cztery tysiące przyspieszonych bibliotek, miliony deweloperów, dwadzieścia lat zgodności. Żaden następca tego nie obali, jak nikt nie obali x86. To aktywo firmy, nie osoby.

Druga połowa to napięcie trzydziestu dni. Nie da się go wpisać w procedurę. Istnieje tylko wtedy, gdy ktoś je powtarza i pokazuje kalendarzem. To aktywo osobiste.

Oświadczenie z 12 listopada rozdzieliło jedno od drugiego. Rynek wycenił to rozdzielenie na 182 miliardy.

Krzem cykli się w trzy lata. Architektury w dziesięć. Ekosystemy w dwadzieścia. Kadencja jednego człowieka trwała trzydzieści trzy, akurat tyle, by raz trafić we wszystkich trzech warstwach.

Biała skórzana kurtka wciąż wisi w szafie. Człowieka, który ją nosił, nie ma już w sali konferencyjnej.

Źródła

Share this page