618一过，平台的消费券撤了，显卡的真实价格就露出来了。
RTX 5090到7月初渠道日低价两万七。这张卡原价一万六千五，贵了66%。去年8月它一度回到过一万八，但今年1月重新拉起来，再没下去。往下看，50系全线上涨：5月中到7月初，5070涨了12%，5060 Ti 16GB涨了13%。大额补贴一撤，这些就是真实水位。
涨价的原因不用猜。翻一下NVIDIA最新财报就全明白了。
FY2027第一季度（截至今年4月26日），NVIDIA总收入816亿美元。按市场平台口径，数据中心收入752亿，占总收入92%。按报表分部口径更直观：Compute & Networking——AI加速计算和网络——收入745亿，占总收入91.3%，分部营业利润533亿，占分部总利润的94.8%，营业利润率71.5%。Graphics——GeForce游戏卡加上工作站图形GPU——收入71亿，占8.7%，分部营业利润29亿，只占5.2%，利润率41.6%。
严格来说Graphics不全是消费显卡，里面还有工作站图形卡。但就算把这部分也算上，整个图形业务在NVIDIA的收入里不到9%，利润刚过5%。
NVIDIA早就不是一家”顺便做点AI”的显卡公司。它是一家”顺便还卖点游戏卡”的AI数据中心公司。
不只收入结构偏了，产品节奏也在变。原计划今年CES亮相的RTX 50 Super refresh——传闻里的5080 Super、5070 Ti Super、5070 Super——全都没来。今年2月The Information报道，NVIDIA管理层去年12月就决定推迟这条线，显存供应优先保AI。NVIDIA官方回应说”正与供应商合作最大化内存可用性”——基本承认了内存不够。按传闻口径，RTX 60系列原计划2027年底量产，现在可能推到2028年。
这就是为什么”纯出价问题”成立。你花一万买一张卡打游戏，AI公司花三万买一张卡训模型。对现在的NVIDIA来说，保住AI客户比保住游戏玩家重要太多了。不是情绪，是财报结构决定的。
但这引出另一个问题：**AI为什么非要抢游戏显卡？**一张跑3D画面的消费级硬件，跟训练大模型有什么关系？
这得从1980年说起。
日本科学家福岛邦彦提出了一个叫Neocognitron的神经网络结构。它的思路来自猫的视觉皮层——当时神经科学发现，猫的视觉皮层里有些细胞不处理整张画面，各自只对一小块区域有反应。有的细胞碰到竖线就兴奋，有的对横线敏感，有的只对特定角度的边缘起反应。
福岛的想法很直接：让神经网络也这样工作。不看整张图，每次只看一小块。底层认出边缘和纹理，中层拼出形状和轮廓，顶层认出整张脸、整只猫、整辆车。
这就是卷积神经网络最早的雏形。CNN。
你认出一张猫的照片不需要从上往下扫描每个像素。你看见耳朵的形状、胡须的方向、瞳孔的颜色，几个局部特征一合，脑子里弹出一个字：猫。CNN就是在模拟这个过程。
1989年，法国人Yann LeCun让这个思路真正走了起来。他把反向传播训练用在卷积网络里，搞了个叫LeNet的网络，帮美国邮局读信封上的邮政编码。这件事做成了。
但也就到此为止了。
九十年代到两千年初，搞神经网络的人在学术界属于少数派，而且是不被看好的那种。主流是SVM——支持向量机——有干净的数学证明，理论自洽，在各种任务上稳定输出。神经网络刚好反着来：它有时候效果不错，但你解释不了为什么不错。换组参数可能就崩了。大部分实验室不碰这个东西，碰了的也难发论文。
LeCun后来形容，那几年他们像是在”AI寒冬里点篝火”。一小撮人围着，烤着手，外面全是冰。
这个冬天持续了二十多年。
转折发生在2012年。
ImageNet是计算机视觉领域一年一度的大赛，2010年开始办。规模大到什么程度——训练数据约120万张图，覆盖1000个类别，从波斯猫到消防车到火山到意大利面酱。参赛者要用自己的算法做图像分类，在一个标准测试集上比准确率。
2010年第一届冠军的错误率在28%左右。2011年压到了25%。用的都是传统方法：人工设计图像特征，把图片预处理成计算机好理解的格式，再丢给分类器。这条路虽然在往前走，但越来越吃力。特征设计快碰到天花板了。
2012年的参赛队伍里，有一组三个人来自多伦多大学：Alex Krizhevsky、Ilya Sutskever，还有他们的导师Geoff Hinton。他们提交的模型叫AlexNet。
跟其他队伍不同的是，AlexNet没有设计什么精巧的图像特征。它几乎就是最朴素的CNN——把LeCun八十年代末就讲清楚的东西，堆了更多层，喂了更多数据。
但它做了一件当时没人做的事。
用GPU训练。
CPU和GPU的区别，用一个比喻就够了。
CPU是个聪明人。加减乘除、逻辑判断、分支跳转、操作系统调度，什么都能干。但只有几个脑子。做复杂的事很快，做一万件重复的简单事反而慢。
GPU是个笨人，有一千只手。每只手只会最基本的算术，做不了复杂判断。但一千只手同时挥，做简单重复任务的速度能把CPU甩开一个数量级。
CNN天生是GPU该干的活。
卷积运算的本质是什么？同一套计算规则，重复应用到图片的每个位置。左上角的3×3像素矩阵怎么算，右下角也怎么算。中间每一个位置，都用同样的公式过一遍。这种”同一件事干一万遍”的任务，CPU一个一个来要搞到天亮。GPU把任务拆碎了丢给几千个计算核心，同时开工，几分钟搞定。
这不止是变快了。
用CPU跑CNN的年代，你改一个参数，要等十几个小时甚至一两天才能出结果。结果不好？再改，再等两天。你没法迭代，每一次试错的成本高到没法承受。CNN为什么二十多年搞不大？不是理论走不通，是这个反馈循环太慢了。慢到任何一个人，靠试错做不出成果。
GPU把这个循环从”两天”压到了”几十分钟”。你现在可以试、可以改、可以看着曲线一点点往上爬。这跟以前是两种做研究的方式。
AlexNet用两块NVIDIA GTX 580 3GB显卡训练了五六天。然后去参赛。
这里得先解释一下ImageNet的评分规则。比赛用的指标叫top-5错误率——对每张图，模型可以猜5次，只要正确答案在5个猜测里就算对。五个全猜错，才算一次错误。
AlexNet拿了第一名，top-5错误率只有15.3%。第二名是26.2%。
接近11个百分点的差距，差不多是ImageNet过去几年的进步总量。一组人，一次参赛，跑完了整个领域几年的路。
这个结果不需要解读。所有做计算机视觉的人看到数字的那一刻就知道，昨天的世界结束了。之前说神经网络是死胡同的人收声了。之前转行搞SVM的人开始往回看。之前觉得GPU只是游戏玩具的人开始抢卡。
从那一刻起，事情不可逆了。
后面的事大家都知道。AlexNet之后是VGG、GoogLeNet、ResNet，再然后Transformer来了，GPT来了，AI世界每年换一副面孔。NVIDIA从一家”做游戏显卡的公司”变成了全球市值最高的公司之一。
但我想说的不是这些。
2012年那个夏天，深度学习在学术界还是个被多数人判了死刑的方向。CNN是少数几个人还在坚持的边缘技术。GPU是给玩家跑3D画面的消费级硬件。
没有人觉得这三样东西——一个被抛弃的算法、两张游戏显卡、三个大学里的人——放到一起，能搞出什么名堂。
AlexNet做的事情不是发明了新理论，不是创造了新硬件。就是有人把几个看起来完全不相干的东西放到一起，然后试了一下。
能不能成不知道。
试试。
试出来的是一个时代。