CUDA

정식 명칭	Compute Unified Device Architecture
개발사	[[NVIDIA]]
최초 출시	2007년 6월 23일
최신 버전	CUDA 12.x (2024년 기준)
유형	[[병렬 컴퓨팅]] 플랫폼 및 [[API]]
프로그래밍 언어	[[C (프로그래밍 언어)\|C]], [[C++]], [[Fortran]], [[Python]]
지원 운영체제	[[Windows]], [[Linux]], [[macOS]] (제한적)
라이선스	독점 소프트웨어 (무료 배포)
웹사이트	[https://developer.nvidia.com/cuda-toolkit NVIDIA CUDA Toolkit]

== 개요 == '''CUDA'''(쿠다, '''C'''ompute '''U'''nified '''D'''evice '''A'''rchitecture)는 [[NVIDIA]]가 개발한 [[병렬 컴퓨팅]] 플랫폼이자 [[프로그래밍 모델]]이다. CUDA는 [그래픽 처리 장치]의 대규모 병렬 처리 능력을 범용 컴퓨팅('''[[GPGPU]]''', General-Purpose computing on Graphics Processing Units)에 활용할 수 있도록 설계되었다. 개발자는 CUDA를 통해 [[C (프로그래밍 언어)|C]], [[C++]], [[Fortran]], [[Python]] 등 익숙한 프로그래밍 언어를 사용하여 GPU에서 실행되는 프로그램을 작성할 수 있다. CUDA의 핵심 아이디어는 수천 개의 코어를 보유한 GPU의 구조를 활용하여 대량의 데이터를 동시에 처리하는 것이다. [중앙 처리 장치]가 소수의 고성능 코어로 순차적 작업에 최적화되어 있는 반면, GPU는 수천 개의 소형 코어로 대규모 병렬 작업에 특화되어 있다. 이러한 구조적 차이를 활용하여 CUDA는 과학 연구, [[기계 학습]], [[딥러닝]], 영상 처리, 금융 모델링, 유체 역학 시뮬레이션 등 다양한 분야에서 연산 성능을 극적으로 향상시킨다. 2025년 현재, CUDA는 GPU 컴퓨팅 분야에서 사실상의 표준(''de facto standard'')으로 자리 잡았으며, 특히 [[인공지능]]과 [[딥러닝]] 분야의 폭발적 성장에 따라 그 중요성이 더욱 증대되고 있다. NVIDIA의 GPU 생태계와 긴밀하게 결합된 CUDA 플랫폼은 [[텐서플로]], [[파이토치]], [[JAX]] 등 주요 딥러닝 프레임워크의 핵심 연산 백엔드로 기능하고 있다. == 역사 == === 탄생 배경 (2000년대 초반) === GPU를 그래픽 렌더링 이외의 범용 연산에 활용하려는 시도는 2000년대 초반부터 학계를 중심으로 이루어졌다. 초기 GPGPU 연구자들은 [[OpenGL]]이나 [[DirectX]]의 [[셰이더]] 프로그래밍 인터페이스를 우회적으로 사용하여 과학 연산을 수행하였다. 그러나 이 방법은 그래픽 파이프라인의 제약 아래 작동해야 했기 때문에 프로그래밍이 매우 복잡하고 비효율적이었다. NVIDIA는 이러한 수요를 인식하고, GPU를 범용 연산 장치로 직접 프로그래밍할 수 있는 새로운 아키텍처와 소프트웨어 플랫폼을 개발하기 시작하였다. 이 프로젝트를 주도한 핵심 인물 중 한 명은 NVIDIA의 수석 과학자 '''데이비드 커크'''(David Kirk)였으며, CEO '''[[젠슨 황]]'''(Jensen Huang)의 전략적 결정 아래 회사 차원의 대규모 투자가 이루어졌다. === 출시와 초기 발전 (2006-2010) === 2006년 11월, NVIDIA는 '''GeForce 8800 GTX''' 그래픽 카드와 함께 '''Tesla 아키텍처'''를 발표하였다. Tesla 아키텍처는 통합 셰이더 구조(unified shader architecture)를 도입하여, 이전 세대처럼 버텍스 셰이더와 픽셀 셰이더가 분리되지 않고 모든 연산 유닛이 범용적으로 사용될 수 있도록 설계되었다. 이것이 CUDA의 하드웨어적 기반이 되었다. 2007년 6월, NVIDIA는 '''CUDA SDK 1.0'''을 공식 출시하였다. 초기 CUDA는 C 언어의 확장으로 제공되었으며, 개발자들은 '''커널'''(kernel)이라 불리는 GPU 실행 함수를 작성하여 대규모 병렬 연산을 수행할 수 있었다. 출시 직후 학계와 연구 기관에서 빠르게 채택되기 시작하였으며, 특히 물리 시뮬레이션, 분자 동역학, 천체물리학 분야에서 괄목할 만한 성능 향상 사례가 보고되었다. 2008년에는 '''CUDA 2.0'''이 출시되어 배정밀도(double-precision) [[부동소수점]] 연산 지원이 추가되었고, 이를 통해 과학 컴퓨팅 분야에서의 활용 범위가 크게 넓어졌다. 같은 시기 NVIDIA는 데이터 센터 및 고성능 컴퓨팅(HPC) 시장을 겨냥한 '''[[NVIDIA Tesla]]''' 제품군을 출시하며 GPU 컴퓨팅의 상업적 기반을 구축하기 시작하였다. === 생태계 확장 (2010-2016) === 2010년대에 들어 CUDA 생태계는 급속히 확장되었다. NVIDIA는 '''cuBLAS'''(선형대수), '''cuFFT'''(고속 푸리에 변환), '''cuDNN'''(딥 뉴럴 네트워크), '''cuSPARSE'''(희소 행렬), '''Thrust'''(병렬 알고리즘 라이브러리) 등 다양한 전문 라이브러리를 제공하여 개발자들이 저수준 최적화 없이도 GPU 가속의 이점을 누릴 수 있도록 하였다. 2012년은 CUDA 역사에서 중요한 전환점이 되었다. [[토론토 대학교]]의 '''[[알렉스 크리제프스키]]'''가 CUDA로 훈련시킨 [[합성곱 신경망]] '''[[AlexNet]]'''이 [[ImageNet]] 대규모 시각 인식 대회(ILSVRC)에서 압도적인 성능으로 우승한 것이다. 이 사건은 [[딥러닝]] 혁명의 시작점으로 평가되며, GPU 기반 병렬 연산이 [[인공지능]] 연구의 핵심 인프라로 부상하는 계기가 되었다. 2014년에는 '''cuDNN''' 라이브러리가 출시되어 딥러닝 프레임워크들이 NVIDIA GPU를 효율적으로 활용할 수 있는 표준화된 인터페이스가 마련되었다. 이후 [[카페]], [[텐서플로]], [[파이토치]] 등 주요 프레임워크들이 cuDNN을 핵심 백엔드로 채택하면서 CUDA는 딥러닝 생태계의 근간이 되었다. === 딥러닝 시대와 지배적 위치 확립 (2016-현재) === 2016년 NVIDIA는 딥러닝에 특화된 '''[[Pascal (마이크로아키텍처)|Pascal]]''' 아키텍처를 발표하며 '''Tesla P100''' GPU를 출시하였다. 이어 2017년 '''[[Volta (마이크로아키텍처)|Volta]]''' 아키텍처에서는 혼합 정밀도 연산을 위한 '''[[텐서 코어]]'''(Tensor Core)가 처음 도입되어 딥러닝 훈련 및 추론 성능이 비약적으로 향상되었다. 2020년 출시된 '''[[Ampere (마이크로아키텍처)|Ampere]]''' 아키텍처의 '''A100''' GPU는 데이터 센터 AI 워크로드의 표준이 되었으며, 3세대 텐서 코어와 구조적 희소성(structural sparsity) 가속 기능을 탑재하였다. 2022년에는 '''[[Hopper (마이크로아키텍처)|Hopper]]''' 아키텍처의 '''H100''' GPU가 등장하여 [[트랜스포머 (기계 학습)|트랜스포머]] 모델 훈련에 최적화된 기능을 제공하였다. 2024년에는 '''[[Blackwell (마이크로아키텍처)|Blackwell]]''' 아키텍처가 발표되어 '''B200''' GPU를 중심으로 차세대 [대규모 언어 모델] 훈련 및 추론 인프라의 기반을 형성하고 있다. CUDA 플랫폼은 이러한 하드웨어 세대 교체에 맞추어 지속적으로 업데이트되며, 소프트웨어 호환성을 유지하고 있다. == 기술적 아키텍처 == === 프로그래밍 모델 === CUDA의 프로그래밍 모델은 '''호스트'''(host, CPU 측)와 '''디바이스'''(device, GPU 측)의 이원적 구조에 기반한다. 프로그래머는 CPU에서 실행되는 호스트 코드와 GPU에서 실행되는 '''커널'''(kernel) 코드를 동시에 작성한다. 호스트 코드는 메모리 할당, 데이터 전송, 커널 실행 등 GPU 작업을 관리하며, 커널은 GPU의 수천 개 스레드에서 병렬로 실행된다. CUDA의 스레드 계층 구조는 다음과 같이 조직된다: '''스레드'''(Thread): 최소 실행 단위 '''워프'''(Warp): 32개의 스레드로 구성되며, 동일한 명령을 동시에 실행하는 [[SIMT]](Single Instruction, Multiple Threads) 단위 '''블록'''(Block): 여러 워프로 구성된 스레드 그룹으로, 하나의 [스트리밍 멀티프로세서]에서 실행됨 '''그리드'''(Grid): 여러 블록으로 구성된 전체 커널 실행 단위 이러한 계층 구조는 프로그래머가 문제를 자연스럽게 분할하고 병렬화할 수 있도록 하며, 동시에 하드웨어의 스레드 스케줄링 메커니즘과 효율적으로 대응된다. === 메모리 계층 === CUDA 장치는 다양한 수준의 메모리 계층을 제공한다: '''레지스터'''(Register): 각 스레드에 할당되는 가장 빠른 메모리 '''공유 메모리'''(Shared Memory): 동일 블록 내 스레드 간 데이터 공유에 사용되는 저지연 온칩 메모리 '''L1/L2 캐시''': 하드웨어 관리 캐시 '''글로벌 메모리'''(Global Memory): GPU의 주 메모리(DRAM)로, 용량이 크지만 접근 지연 시간이 높음 '''상수 메모리'''(Constant Memory): 읽기 전용의 캐시된 메모리 영역 '''텍스처 메모리'''(Texture Memory): 공간적 지역성에 최적화된 읽기 전용 메모리 효율적인 CUDA 프로그래밍의 핵심은 이러한 메모리 계층을 적절히 활용하여 메모리 접근 병목을 최소화하는 것이다. 특히 글로벌 메모리 접근 패턴의 최적화(''memory coalescing'')와 공유 메모리의 효과적 활용은 성능에 결정적인 영향을 미친다. === 통합 메모리 (Unified Memory) === CUDA 6.0부터 도입된 '''통합 메모리'''는 CPU와 GPU가 공유하는 단일 메모리 공간을 제공한다. 이를 통해 프로그래머는 호스트-디바이스 간 명시적 데이터 전송 코드를 작성할 필요 없이, 시스템이 자동으로 데이터를 필요한 위치로 이동시키도록 할 수 있다. 이 기능은 프로그래밍의 복잡성을 크게 줄여 주었으나, 미세한 성능 최적화가 필요한 경우에는 여전히 명시적 메모리 관리가 선호된다. === 컴파일 과정 === CUDA 소스 코드(.cu 파일)는 '''nvcc'''(NVIDIA CUDA Compiler)에 의해 컴파일된다. nvcc는 호스트 코드와 디바이스 코드를 분리하여, 호스트 코드는 시스템의 표준 C++ 컴파일러로, 디바이스 코드는 NVIDIA의 자체 컴파일러 백엔드로 처리한다. 디바이스 코드는 먼저 '''PTX'''(Parallel Thread Execution)라는 중간 표현 언어로 변환된 후, 최종적으로 특정 GPU 아키텍처에 맞는 기계어(''SASS'', Streaming Assembly)로 컴파일된다. PTX는 가상 [[명령어 집합]]으로, 다양한 세대의 GPU에서 코드 호환성을 보장하는 역할을 한다. JIT(Just-In-Time) 컴파일러가 실행 시점에 PTX를 해당 GPU에 최적화된 기계어로 변환할 수 있기 때문이다. == 주요 라이브러리 및 도구 == CUDA 생태계는 핵심 런타임 외에도 다양한 고성능 라이브러리와 개발 도구를 포함한다: === 수학 및 과학 라이브러리 === '''cuBLAS''': GPU 가속 [[BLAS]](Basic Linear Algebra Subprograms) 구현으로, 행렬 곱셈 등 선형대수 연산에 사용 '''cuFFT''': GPU 가속 [[고속 푸리에 변환]] 라이브러리 '''cuRAND''': 대규모 병렬 난수 생성 라이브러리 '''cuSOLVER''': 밀집 및 희소 선형 시스템 솔버 '''cuSPARSE''': 희소 행렬 연산 라이브러리 === 딥러닝 라이브러리 === '''cuDNN''': [[딥러닝]] [[신경망]]의 핵심 연산(합성곱, 풀링, 정규화, 활성화 함수 등)에 대한 고도로 최적화된 구현 제공 '''TensorRT''': 딥러닝 모델의 추론 최적화 엔진으로, 모델 양자화, 레이어 융합, 커널 자동 튜닝 등을 수행 === 통신 라이브러리 === '''NCCL'''(NVIDIA Collective Communications Library): 다중 GPU 및 다중 노드 환경에서의 집합 통신(all-reduce, broadcast 등)을 최적화하는 라이브러리로, 대규모 분산 딥러닝 훈련에 필수적 === 개발 도구 === '''Nsight Systems''': 시스템 전체의 성능 프로파일링 도구 '''Nsight Compute''': 커널 수준의 상세 성능 분석 도구 '''cuda-gdb''': GPU 코드 디버깅을 위한 GDB 확장 '''compute-sanitizer''': 메모리 접근 오류 및 레이스 컨디션 검출 도구 == 응용 분야 == === 인공지능 및 딥러닝 === CUDA의 가장 영향력 있는 응용 분야는 [[인공지능]]과 [[딥러닝]]이다. 현대 [대규모 언어 모델]인 [[GPT-4]], [[Claude]], [[LLaMA]] 등의 훈련에는 수천 개의 NVIDIA GPU가 CUDA 기반으로 연동되어 사용된다. [[텐서플로]], [[파이토치]], [[JAX]] 등 주요 딥러닝 프레임워크는 CUDA를 통해 GPU 가속을 지원하며, 이는 현대 AI 연구와 개발의 근간을 이루고 있다. === 고성능 컴퓨팅 (HPC) === [[슈퍼컴퓨터]] 분야에서 CUDA 기반 GPU 가속은 핵심 기술로 자리 잡았다. [[TOP500]] 목록에서 상위에 랭크된 다수의 슈퍼컴퓨터가 NVIDIA GPU를 탑재하고 있다. 기후 모델링, 분자 동역학 시뮬레이션([[GROMACS]], [[AMBER]]), 천체물리학 시뮬레이션, 양자 화학 계산 등에서 CUDA는 연산 시간을 수십에서 수백 배 단축시키는 데 기여하고 있다. === 의료 및 생명과학 === 의료 영상 처리, [[유전체학]], 신약 개발, 단백질 구조 예측('''[[AlphaFold]]''' 등) 분야에서 CUDA 기반 GPU 가속이 광범위하게 활용되고 있다. [[CT]] 및 [[MRI]] 영상 재구성, 방사선 치료 계획 수립, 의료 AI 진단 모델 등에서 실시간 혹은 준실시간 처리를 가능케 하였다. === 금융 === 퀀트 금융 분야에서는 옵션 가격 결정, [[몬테카를로 시뮬레이션]], 리스크 분석, 고빈도 거래(HFT) 전략 백테스팅 등에 CUDA가 활용된다. 대규모 시나리오 시뮬레이션을 GPU로 병렬 처리함으로써 연산 시간을 획기적으로 단축할 수 있다. === 영상 및 미디어 === 비디오 인코딩/디코딩('''NVENC'''/'''NVDEC'''), 실시간 영상 처리, 컴퓨터 비전, 3D 렌더링 등에서 CUDA가 활용된다. [[Adobe]], [[DaVinci Resolve]] 등 주요 영상 편집 소프트웨어가 CUDA를 통한 GPU 가속을 지원한다. === 자율주행 === [[자율주행 자동차]]의 인지, 판단, 계획 시스템에서 CUDA 기반 실시간 추론이 핵심 역할을 한다. NVIDIA의 '''DRIVE''' 플랫폼은 CUDA를 기반으로 자율주행 소프트웨어 스택을 구성하고 있다. == 경쟁 기술 및 대안 == === OpenCL === '''[[OpenCL]]'''(Open Computing Language)은 [[크로노스 그룹]]이 관리하는 개방형 병렬 컴퓨팅 프레임워크로, NVIDIA GPU뿐만 아니라 [[AMD]], [[인텔]] GPU, [[FPGA]], CPU 등 다양한 하드웨어를 지원한다. 그러나 특정 하드웨어에 대한 최적화 수준에서 CUDA에 비해 성능이 떨어지는 경우가 많으며, 딥러닝 생태계에서의 지원도 CUDA보다 제한적이다. === AMD ROCm === '''[[ROCm]]'''(Radeon Open Compute)은 [[AMD]]가 개발한 GPU 컴퓨팅 플랫폼으로, CUDA에 대한 가장 직접적인 경쟁 기술이다. '''HIP'''(Heterogeneous-Compute Interface for Portability) 프로그래밍 모델을 통해 CUDA 코드를 AMD GPU에서 실행할 수 있도록 변환하는 도구를 제공한다. AMD의 '''MI300X''' 등 데이터 센터 GPU가 AI 시장에서 점유율을 높이고 있으나, 소프트웨어 생태계의 성숙도에서는 아직 CUDA에 뒤쳐진다는 평가가 지배적이다. === 기타 대안 === '''[[SYCL]]''': C++ 기반 이종 컴퓨팅 표준으로, 인텔의 '''oneAPI'''에서 핵심 프로그래밍 모델로 채택 '''[[Vulkan]] Compute''': 그래픽 API인 Vulkan의 컴퓨트 셰이더 기능 '''[[Metal (API)|Metal]]''': [[Apple]]의 GPU 프로그래밍 프레임워크 '''[[Triton (오픈소스)|Triton]]''': [[OpenAI]]가 개발한 Python 기반 GPU 프로그래밍 언어로, CUDA 커널 작성의 복잡성을 줄이는 것을 목표로 함 == 영향 및 의의 == === 컴퓨팅 패러다임의 전환 === CUDA는 GPU를 단순한 그래픽 처리 장치에서 범용 대규모 병렬 연산 장치로 전환시킨 핵심 기술이다. 이러한 전환은 컴퓨팅의 패러다임 자체를 변화시켰으며, [[무어의 법칙]]이 한계에 도달하는 시점에서 [[이종 컴퓨팅]](heterogeneous computing)의 시대를 열었다. === 딥러닝 혁명의 기반 === 2012년 AlexNet의 성공 이후, CUDA는 딥러닝 혁명의 기술적 기반으로 기능하였다. GPU 없이는 현대적 규모의 신경망 훈련이 사실상 불가능하며, CUDA가 제공하는 소프트웨어 생태계는 이 분야의 급격한 발전을 가능하게 한 핵심 요소로 평가된다. [[생성형 AI]], [[대규모 언어 모델]], [[이미지 생성]] AI 등 최근의 AI 발전은 모두 CUDA 기반 GPU 컴퓨팅 위에 구축되어 있다. === NVIDIA의 시장 지배력 === CUDA의 성공은 NVIDIA를 세계에서 가장 가치 있는 기업 중 하나로 성장시킨 핵심 동력이다. CUDA 생태계에 대한 투자와 전환 비용(switching cost)은 강력한 '''[[락인 효과]]'''를 형성하여, 경쟁사가 하드웨어 성능에서 동등하거나 우수하더라도 시장 진입이 어려운 구조를 만들었다. 이는 '''소프트웨어 모트'''(software moat)라 불리며, NVIDIA 비즈니스 전략의 핵심으로 평가된다. === 학술 연구 가속 === 과학 컴퓨팅 분야에서 CUDA는 이전에는 슈퍼컴퓨터에서만 가능했던 규모의 시뮬레이션을 연구실 수준의 워크스테이션에서 수행할 수 있게 함으로써, 연구의 민주화에 기여하였다. 이는 천체물리학, 유전체학, 기후과학, 재료과학 등 다양한 분야에서 연구 생산성을 크게 향상시켰다. == 논란 및 비평 == === 독점적 생태계 === CUDA에 대한 가장 주된 비판은 이것이 NVIDIA의 '''독점 기술'''이라는 점이다. CUDA는 NVIDIA GPU에서만 실행되며, 이는 사용자와 개발자를 NVIDIA 하드웨어에 종속시키는 '''벤더 락인'''(vendor lock-in) 효과를 야기한다. 학계와 산업계의 일부에서는 이러한 종속성이 혁신을 저해하고 하드웨어 가격 상승의 원인이 된다고 비판하고 있다. 특히 AI 훈련 인프라의 비용이 급격히 상승하면서, CUDA 생태계에 대한 의존도를 줄이려는 움직임이 나타나고 있다. AMD, 인텔, [구글] 등이 대안 플랫폼을 제시하고 있으나, CUDA의 생태계 규모와 성숙도를 극복하는 것은 쉽지 않은 과제이다. === GPU 가격 및 공급 문제 === CUDA의 시장 지배력은 NVIDIA GPU의 높은 가격과 만성적 공급 부족 문제와 결부되어 비판의 대상이 되고 있다. 특히 데이터 센터용 고성능 GPU(H100, B200 등)의 가격은 개당 수만 달러에 달하며, 수요 대비 공급이 크게 부족한 상황이 지속되고 있다. 이는 중소 기업이나 연구 기관의 AI 연구 접근성을 제한하는 요인으로 지적된다. === 프로그래밍 복잡성 === CUDA 프로그래밍은 상당한 수준의 전문 지식을 요구한다. 메모리 계층 관리, 스레드 동기화, 워프 다이버전스(warp divergence) 회피, 메모리 접근 패턴 최적화 등 저수준 최적화가 성능에 결정적 영향을 미치기 때문이다. 이러한 복잡성은 GPU 컴퓨팅의 진입 장벽을 높이며, Triton, [[Mojo (프로그래밍 언어)|Mojo]] 등 더 높은 추상화 수준의 대안 언어가 등장하는 배경이 되고 있다. === 오픈소스 및 표준화 논의 === 일부 커뮤니티에서는 CUDA의 핵심 기술을 오픈소스화하거나 산업 표준으로 전환해야 한다는 주장이 제기되고 있다. 이에 대해 NVIDIA는 CUDA SDK 자체를 무료로 배포하고 있으나, 소스 코드의 상당 부분은 공개하지 않고 있다. CUDA의 호환 구현체를 만들려는 '''ZLUDA''' 등 서드파티 프로젝트도 존재하나, 법적·기술적 제약으로 인해 제한적인 수준에 머물고 있다. === 수출 규제의 영향 === 미국 정부의 [[중국]]에 대한 첨단 반도체 수출 규제로 인해, 고성능 NVIDIA GPU의 중국 수출이 제한되고 있다. 이는 CUDA 생태계의 지정학적 차원을 부각시키며, 중국이 자체 GPU 및 소프트웨어 생태계 구축에 박차를 가하는 배경이 되고 있다. == 향후 전망 == CUDA 플랫폼은 AI와 고성능 컴퓨팅의 지속적 성장에 따라 그 중요성이 더욱 확대될 것으로 전망된다. NVIDIA는 '''CUDA-X''' 브랜드 아래 AI, 데이터 분석, 로보틱스, 자율주행, 헬스케어 등 수직 분야별 특화 솔루션을 확장하고 있으며, '''Grace Hopper''' 슈퍼칩 등 CPU-GPU 통합 아키텍처로의 진화도 진행 중이다. 한편, AMD, 인텔, 구글, [[마이크로소프트]] 등 경쟁사들의 대안 플랫폼 투자도 가속화되고 있어, GPU 컴퓨팅 생태계의 경쟁 구도가 어떻게 변화할지 주목된다. == 관련 문서 == [[NVIDIA]] [[그래픽 처리 장치]] (GPU) [[GPGPU]] [[병렬 컴퓨팅]] [[딥러닝]] [[텐서플로]] [[파이토치]] [[OpenCL]] [[ROCm]] [[텐서 코어]] [[고성능 컴퓨팅]] [[인공지능]] [[대규모 언어 모델]] [[젠슨 황]] [[AlexNet]] == 외부 링크 == [https://developer.nvidia.com/cuda-toolkit NVIDIA CUDA Toolkit 공식 페이지] [https://docs.nvidia.com/cuda/ NVIDIA CUDA 공식 문서] [https://developer.nvidia.com/cuda-education NVIDIA CUDA 교육 자료] [https://github.com/NVIDIA NVIDIA GitHub 저장소] [[분류:NVIDIA]] [[분류:병렬 컴퓨팅]] [[분류:GPGPU]] [[분류:프로그래밍 도구]] [[분류:인공지능 인프라]]