黄仁勋：英伟达的护城河能否持续？

（原标题：Jensen Huang – Will Nvidia’s moat persist?）

🧠 核心战略与护城河

• NVIDIA 的核心竞争力并非单纯依赖硬件制程，而是建立在将“电子”转化为“Token”的复杂工程与科学过程之上，这一过程难以被完全商品化。
• 公司遵循“做必要之事，其余交给生态”的战略哲学，通过庞大的上下游合作伙伴网络（涵盖供应链、应用开发者、模型制作者）构建壁垒，拒绝直接成为云服务商或进入金融业务，保持商业模式简单。
• CUDA 生态的高可编程性与丰富性是其核心护城河，支持所有主流框架（如 PyTorch, Triton, vLLM），且 Triton 后端包含大量 NVIDIA 专有技术，确保开发者首选基础。
• 拥有数亿块 GPU 装机量，覆盖所有主要云服务商及本地部署，这种庞大的基数确保了软件开发的通用性与兼容性，形成了极高的转换成本。
• 坚持“不选赢家”策略，拒绝押注单一 AI 公司，支持所有基础模型实验室以维持生态多样性，避免陷入零和博弈思维。

⚡ 技术架构与性能优势

• Blackwell 架构相比 Hopper 能效提升 30-50 倍，这一跃升超越了摩尔定律（约 25% 年增）的限制，主要依赖于 CUDA 灵活性及新算法（如 MoE、解耦架构、混合 SSM）的创新。
• 晶体管密度提升并非性能提升的唯一决定因素，Hopper 到 Blackwell 晶体管提升约 75%，但性能提升达 50 倍，证明架构、网络（Mellanox）及系统优化比单纯制程节点更具决定性。
• 通用加速计算架构支持算法创新，这是实现效率跃升的关键，而专用芯片（如 TPU）受限于摩尔定律的线性增长，难以适应频繁变化的前沿算法需求。
• GPU 架构优化如同 F1 赛车，需极高专业度，NVIDIA 通过 AI 辅助内核优化，常能为合作伙伴带来 2-3 倍的性能提升，这是通用 CPU 或竞品难以复制的技术壁垒。
• 即使没有 AI 业务，NVIDIA 仍依赖加速计算（分子动力学、地震处理等）保持规模，通用计算扩展性已遇瓶颈，领域特定加速是其核心使命。

💰 商业策略与投资逻辑

• 承认早期未投资 Anthropic 和 OpenAI 是失误，因当时缺乏资金且未意识到 VC 无法支撑巨额算力需求，现已分别向 OpenAI 投资约 300 亿美元、Anthropic 投资约 100 亿美元，以绑定核心客户。
• 坚持固定报价原则，拒绝因需求激增而涨价，强调作为行业基础的可靠性，旨在最大化工厂吞吐量而非短期利润最大化。
• 引入 Grok 并优化推理市场，通过差异化响应时间（高 ASP 低吞吐量）满足高端需求，而非仅追求最大吞吐量，实现商业模式的精细化运营。
• 支持从单张显卡到 1000 亿美元工厂订单的全规模采购，强调其作为全球唯一能同时满足极小与极大订单的供应商地位，覆盖所有市场层级。
• 与台积电合作近 30 年，无正式法律合同，依靠信任与“粗略正义”维持关系，确保产能供应，这种非正式但稳固的合作模式是其供应链稳定的关键。

🏭 供应链与产能布局

• 拥有近 1000 亿美元（部分报告称 2500 亿美元）的采购承诺，锁定稀缺组件，AI 业务预计占台积电 N3 节点产能的 60%（明年 86%），显示其在供应链中的主导地位。
• 供应链瓶颈（如 CoWoS、HBM、EUV 光刻机）并非长期障碍，只要需求信号明确，2-3 年内即可通过行业“蜂拥”解决，真正的长期挑战在于能源政策。
• 承诺每年发布新架构，包括 Vera Rubin、Vera Rubin Ultra 及 Feynman，确保算力成本每年降低一个数量级，保持技术迭代节奏。
• 分配机制基于“先到先得”原则，前提是收到采购订单（PO）并具备数据中心就绪条件，旨在最大化工厂吞吐量，否认“碎片化市场”说法。
• 能源供应是制约 AI 工厂和制造业复兴的长期瓶颈，若下游需求信号减弱，上游供应链投资意愿将下降，能源政策成为比硬件更关键的变量。

🌏 中美竞争与地缘政治

• 美方认为美国拥有全球 100 倍于他国的算力，且美国实验室能率先获得最新芯片（如 Vera Rubin），从而在模型能力上保持领先。
• 中方拥有丰富能源、大量 AI 研究人员（占全球 50%）及成熟的芯片制造能力（占全球主流芯片 60%），即使使用 7nm 芯片，通过并行计算和算法优化（如 MoE）也能弥补硬件劣势。
• 反对将 AI 生态割裂为“美国封闭栈”与“中国开源栈”，主张保持开源生态活力，通过对话而非单纯对抗来管理风险，避免让中国形成独立且更优的技术生态。
• 批评将 AI 视为“核武器”的极端叙事，认为这种恐惧会阻碍美国在应用层、开源及全球标准制定上的优势扩散，放弃中国市场并非出于安全必要，而是政策失误。
• 担忧中方利用算力训练具备网络攻击能力的模型，发现并利用软件零日漏洞，但认为单纯限制出口无法解决根本的安全与竞争问题，反而损害国家科技领导力。

⚖️ 竞争格局与风险应对

• 针对 TPU 等专用芯片的竞争，强调 NVIDIA 的通用性在前沿 AI 研发（需要频繁算法创新）中仍具不可替代性，ASIC 毛利（约 65%）与 NVIDIA（约 70%）差距不大，不足以抵消性能优势。
• 认为 Anthropic 使用 TPU 是个例而非趋势，NVIDIA 凭借通用性和生态丰富度，在算法快速迭代的场景中保持领先，自研 ASIC 通常需自行运维，灵活性不足。
• 反驳“AI 取代软件工程师”的观点，指出放射科医生短缺的反例，认为 AI 代理将指数级增长，反而推动 Cadence、Synopsys 等工具类软件需求激增，创造新的就业机会。
• 潜在风险包括能源供应不足、下游需求信号减弱导致上游投资下降，以及地缘政治冲突对全球供应链的冲击，需通过全球市场扩张和开源生态合作来巩固主导地位。
• 竞争优势源于“极端协同设计”（处理器、系统、网络、库、算法同步优化），其市场覆盖面远超单一 AI 用途的 ASIC，具备更强的抗风险能力和适应性。