5万亿美元，什么概念？

如果对比市值，相当于7个腾讯，13个阿里，26个拼多多。

如果折现，能买下全球前十的芯片公司后，还能剩下不少。

如果刮彩票，天天刮，天天中，一天一亿美元，大约要137年。

但英伟达的市值增长，比刮彩票还要快。2023年5月，破万亿。9个月后，破2万亿。3个月后，破3万亿。从3万亿到4万亿，用了410天。而从4万亿到5万亿，只用了113天。同时，英伟达CEO黄仁勋也身价暴涨，成为全世界第八有钱的人。

你看，前后不到3年，英伟达就创造了新的历史。真的，真的让人震撼不已。

震撼之余，一个巨大的困惑随之而来：

既然AI芯片这行业这么赚钱，为什么我们好像只看到英伟达在赚钱？那些本该瓜分这块大蛋糕的对手呢，又在哪儿？

带着这些疑惑，我做了些研究。越来越有种强烈的感觉。

英伟达能有今天的成就，不是偶然。而是一家企业，用近20年时间，从零构建起坚实的护城河，成为全球第一的史诗故事。

看懂英伟达的故事，或许也能给很多企业家和创业者，一些启发和思考。

就让我们先从那个最基础的问题开始。

01

英伟达到底有没有对手？

有。非常多。而且，个个都是顶尖高手。

放眼望去，我们至少可以数出三位重量级的“竞争对手”。

比如，AMD。它和英伟达在半导体领域，是几十年的老对手。论技术、论经验，都绝对是最有资格和英伟达掰腕子的玩家。

比如，英特尔。它是曾经的“芯片霸主”。制造能力强，客户基数大。

比如，谷歌。它几乎有无限的资源，和世界顶尖的AI团队。而且，还在研发自己的专用AI芯片。

你看，这三家巨头，哪个的名头不是响彻全球？

但是，这也让问题变得更尖锐了：牌桌上明明都是高手，但筹码，却似乎都在一个玩家手里。

到底是为什么？

02

为什么好像英伟达“一家独大”？

先说答案，因为英伟达用一套系统，以极高的“迁移成本”，牢牢锁住了它的客户。

你可能会说，那是因为英伟达的芯片，最快最好。

嗯，通常来看，“英伟达的GPU芯片最快最好”，很符合大众的直觉。但实际上，这个回答不够严谨。

什么意思呢？我想请你跟我一起开个脑洞，想象这样一个场景。

AMD的CEO，苏姿丰。走进了OpenAI的办公室，给CEO萨姆·奥特曼，提出了一个非常诱人的提议。AMD有一款全新的GPU芯片，比英伟达的B200，性能高出30%，价格还便宜一半。

如果你现在是萨姆·奥特曼，这份“订单”，你签还是不签？

要我猜，大概率，萨姆·奥特曼不一定会签。至少他会非常、非常地犹豫。

为什么呢？一个更便宜、更高效的选择摆在眼前，都不能让他心动呢？

因为价格只是整个环节里一小部分。在商业技术投资里，要从TCO框架（总体拥有成本）考虑。不光包括最直接的标价，还有各种间接和隐藏成本。

如果光比较价格，AMD优势很大。

比如英伟达的高端芯片A100、H100，单个成本25000美元到40000美元，而AMD高端芯片价格在25000美元左右。

但更重要的，是隐藏成本。它们才是影响OpenAI决策的关键因素。

假如，OpenAI真的从英伟达换到了AMD，会发生什么？

直接说结论，最主要的人力成本、代码迁移成本、运营成本，和机会成本，都会大幅增加。而任何一项变化，都可能直接决定生死。

你想想，换了平台，那上千名顶尖工程师怎么办？他们过去十多年的经验，难道要一夜清零，从头再学吗？这得是多大一笔培训账？还有那数百万行代码，怎么办？那可不是简单的“复制粘贴”啊。

可能，你会问，这换个平台能有多难呢？我不太懂专业技术，请允许我试着打个比方来解释一下。这就像你要把南方的荔枝种到北方。不是说你挖走就行，还要做大量的研究、测试，花上大量的时间。AI就是这样，而最后能不能成，还说不准。

另外，换平台期间，意味着要同时运营维护两套完全不同的平台。这里面的成本，很可能翻倍上涨。

最要命的，也是最大的风险，是机会成本太高。

AI这个赛道，分秒必争。如果为了换个平台，而导致研发落后，或是模型发布晚了几个月。那么，很可能就从行业领导者变成追随者。这里面，还没算上迁移出问题的情况。完全不敢想象。

所以，在把各种直接成本、间接成本相加后，就达成了“锁定供应商”的结果。

说白了，就是我从软件到硬件，全部跟你牢牢绑定。长远看，反而是AI公司的最优解，因为它在未来的合同时间内，不用为硬件担忧。

现在，再回头看AMD那份“性能高30%，便宜一半”的订单，还觉得香吗？

答案是否定的。硬件上省下的几百万美元，比起可能高达数十亿美元的迁移成本和潜在战略风险，微不足道。

到这，你应该发现了，英伟达真正锁住客户的，并不是它的硬件。而是一个看不见摸不着的“牢笼”。

那就是被称为“英伟达护城河”的CUDA。

03

被叫作“英伟达护城河”的CUDA，是什么？

CUDA全名叫Compute Unified Device Architecture（统一计算设备架构）。说白了它是一套让程序员更好用英伟达GPU的编程工具。

对于不太懂技术的人来说，这部分有点复杂。下面我尽量简单说清楚。

要理解CUDA，得先知道什么是“编程模型”。

我打个比方。

过去的计算机，主要靠CPU（中央处理器）运算。CPU像一个米其林三星大厨。手艺高超，什么菜式都能做。但问题是，他一次只能炒一道菜。如果遇上饭点高峰期，爆单是常有的事。

这叫“串行计算”。程序编程必须按顺序执行，上一个任务完成才能做下一个，适合逻辑直观、小规模的任务。遇到复杂的任务，效率就会不足。

而GPU（图形处理器）不同，它不像大厨，而像一个拥有成千上万个小工的“超级厨房”。每个小工负责的东西不一样，可能A切菜，B洗菜，C炒菜，D甜品……最后汇总到超级厨房。如果要给一万斤土豆削皮，那个大厨可能要削到手断，而这边上万个小工可以同时开工，瞬间完成。

这叫“并行计算”。能同时处理多个任务，整体缩短时间，大大提高运行效率。

但是，这里还有个问题。

这成千上万个小工，虽然人多力量大，但是他们很“笨”。必须要有人告诉他们，A你去切菜，B你去洗菜，C你去炒菜……否则，厨房会乱成一团。说白了，必须要有一个统一的指挥，能命令那些小工高效协作干活。

而英伟达的CUDA，就是那个总指挥。有自己的一套指挥语言，精准协调每个核心，完成任务。

做个类比，就像一台相机，硬件非常厉害。想要用好，你要懂光圈、快门、ISO等专业知识，对大多数人来说，门槛太高了。于是，厂商想出了“智能场景模式”，比如运动模式、延时模式等等。你拿到相机，再也不用懂那些专业知识，只要会按一个键，就能拍出好照片。

CUDA就是GPU的“智能场景模式”。开发者不用专门研究GPU的架构，也能高效完成编程任务。简单来说，就是让更多人能用上GPU的强大算力。

2006年，CUDA的问世，直接改变了英伟达的命运。

以前，GPU主要被看作用来渲染画面的“游戏显卡”。CUDA出现后，显卡就能被用在科学运算、物理模拟等领域。

这就意味着，以后的客户不光是游戏公司，各种搞科学研究、技术研发的，都可以服务。

黄仁勋的心里坚定着一个想法：使用CUDA的人越多，这项技术成为标准的速度就越快，就越可能找到新的应用。

于是，英伟达在过去近二十年里，专心做了一件事：围绕CUDA建立了一个庞大、繁荣的生态系统。

跟竞争对手相比，英伟达做这件事，早了将近十年。

如果说，英伟达的GPU是AI时代的“电脑主机”。那么，CUDA就是AI时代的“Windows系统”。

想想看，几十年来，为什么技术上可能更优秀，还免费的Linux，始终不能在个人桌面市场撼动Windows的统治地位呢？

答案，不是系统本身，而是生态。

因为Windows上那个庞大的应用生态太强大了。从微软的office，到Adobe，再到各种行业专用的软件，都跟整个生态密不可分。试想一下，一家需要用到很多专业软件的企业，在买Windows许可证，和重新培训员工的成本之间，会做怎样的选择呢？答案，不言而喻。

CUDA，就是这样，它有着无比庞大的应用生态。对很多企业和个人来说，这是必选项，

有过统计，到目前，全球有超过450万开发者在用CUDA开发。而在2020年的时候，这个数字还是180万。CUDA工具包每月的下载量，高达数十万次。

现在，我们再来复盘下整个逻辑：开发者使用CUDA，创造更多项目和应用，推动CUDA成为行业标准，高校教授CUDA，毕业生掌握技能，企业把CUDA列为招聘条件，更多开发者学习CUDA。

到这，你应该看明白，CUDA为什么能成为英伟达的护城河？因为布局够早，逐渐产生强大的生态惯性。而这也是竞争对手无法撼动。

你看，企业真正的护城河，往往是靠标准、习惯和社区共同搭建。

如果我们现在再回头看AMD给OpenAI的那份提议，你就会发现，压根就不是成本问题。说白了就是风险太大，根本没必要换。

现在，大家是不得不用。而在一开始，英伟达面临的却是“没人想用”。

04

一场无人看好的“豪赌”，成就今天的英伟达

2006年，CUDA问世后，无人在意，硅谷和华尔街都不看好。

到了2008年，受到金融危机的影响，英伟达股价曾暴跌80%以上，市值40亿左右。就连英伟达内部，都对CUDA的未来存在分歧。是不是所有GPU都要支持CUDA？

同时，研发CUDA付出的代价也很大。

英伟达第一款支持CUDA的GPU，是G80。为了开发这款芯片，英伟达花了整整4年时间，成本高达4.75亿美元，占了那4年总研发预算的三分之一。

这还只是“一个”支持CUDA的GPU。

那时候，真的是生死存亡之际。

怎么办？

黄仁勋想了个办法：砸钱。重点往学校和科研机构砸钱。

他通过捐钱、捐设备的方式，让CUDA进入高校，先培养教育和科研领域的用户。另外，还在全球设立各种CUDA研发中心、教学中心、开设教学课程等。那时候，每年砸在CUDA上的研发成本有5亿美元之多。

尽管费尽人力、物力、财力，CUDA在很长一段时间内都不被看好。2013年初，很多投资分析师都认为，只有放弃CUDA，回归PC游戏核心业务，英伟达股价才能涨。甚至，有人质疑，黄仁勋这CEO还能不能干了。

现在来看，英伟达的CUDA，就是在赌。何况，他还赌对了。

为什么CUDA能从无人看好，变成香饽饽？因为学过CUDA的毕业生毕业进了科技企业，CUDA的社区资源和代码库越来越丰富。到2015年，全球已经有800家大学开设CUDA课程。随着时间推移，CUDA的使用场景，从高校普及到了医疗、商用等更多场景。

至于跟人工智能领域“牵手”，可以说，纯属“巧合”。

2012年，斯坦福大学发起的一场全球性AI图像识别竞赛上，多伦多大学的一个三人小组，交出了一个叫AlexNet的AI神经网络，赢得冠军。而且，准确率比第二名高出41%。

怎么做到的？这个团队说，用的是2块NVIDIA GTX 580 GPU，而他们也是整个比赛里，唯一一个用CUDA训练神经网络的队伍。

那时候，谷歌也注意到这个团队。他们发现，AlexNet之前只用两块GPU显卡，得到的效果跟谷歌用16000个CPU训练出来的几乎相同。

很快，整个行业都意识到，GPU是支撑AI的最佳硬件。而英伟达，很可能将成为AI发展的关键。

现在我们都看到了，英伟达确实成了AI发展的最大核心。

05

英伟达的对手们，一点办法都没有吗？

一旦理解了CUDA，再看英伟达的那些竞争者，就会发现，他们的每一步都被英伟达死死限制。

我举几个例子。

比如AMD，它选择开源。

它研发了一个名为ROCm的开源平台，目标就是取代CUDA。但是没，它就像是“AI时代的Linux”，免费，开源，有技术潜力，更便宜。但对用户来说，迁移成本太高。

比如英特尔，它选择细分赛道。

英特尔很聪明，直接承认英伟达在AI高端市场遥遥领先。所以，英特尔把它的Gaudi系列芯片，定位在企业级推理和中小型模型训练这些细分市场。但这也意味着，英特尔放弃了AI芯片市场里最赚钱的部分。

比如谷歌，它选择正面硬刚。

Investopedia有过报道，英伟达在卖GPU中的毛利率大约为80%，业内叫它“英伟达税”。为了不交高溢价，谷歌从2015年开始自研，内部使用名为TPU的算力生态。相比之下，TPU跟谷歌内部平台深度绑定，影响不了英伟达的地位。

所以你看，那些巨头对手们，都不是简单的比拼性能，而是拼战略。都在想办法绕过CUDA，绕过英伟达。

但至少目前看来，无人能撼动。

所有挑战者都在绕着山走，这本身，就是对这座难以攀登的高山，表达最崇高的敬意。

最后的话

呼。说完了。英伟达从无人看好，走到今天的万众瞩目。这一路，真的让人无比震撼。

我看到网上有人表示担心：英伟达涨这么高，太夸张了，会不会是泡沫？它会不会是第二个思科。

这里简单提一下，2000年有个互联网泡沫时期。当时的思科是互联网硬件供应商，最高时，估值超过其远期市盈率的150倍。但在泡沫破灭后，一落千丈。

实际上，他们有根本差异。

思科面对的是“一次性”的建设市场。当早期互联网完成“铺设管道”，思科的增长自然停止。而英伟达面对的，是一个不断增长的市场。至少在现在看来，AI还在成长，那么这场“军备竞赛”还看不到终点。

更重要的是，英伟达的客户，是微软、谷歌、Meta等全世界最不差钱的巨头。对他们来说，购买英伟达的芯片，不是选择，而是在AI时代活下去的必需品。

这说明，英伟达有着一个需求持久、客户稳定、护城河更深的长期市场。

当然，未来会发生什么，我们谁也无法预料。可能某一天，突然有种新的算法出现，可能让GPU也变得不重要，从而改变整个游戏规则也说不准。

但至少在当下，我们可以从英伟达身上，学到非常重要一课。

你的护城河，是什么？

不是在纠结，“我的产品是不是比对手更好、更快、更便宜？”而是要问：“我的产品，有没有一个让客户离不开的生态系统？”

其实，英伟达的五万亿美元市值，就是对这个问题最响亮的回答。

它证明了那个在商业世界，最简单，也最重要的核心逻辑。

最深的护城河，不是用价格和性能堆出来，而是要让你变得无可替代。

祝你，早日找到你的护城河。