NVIDIA：一家显卡公司如何长成 4.7 万亿美元的算力国家

全景叙事报告 · 横纵分析法（纵向发展史 + 横向竞品 + 横纵交汇） 研究对象：NVIDIA Corporation（NASDAQ: NVDA） 报告日期：2026-06-26 · 数据截止：FY2026 年报（截至 2026-01-31）+ 当日行情 数据源：Yahoo Finance（行情/基本面/财务/分析师）、公司年报披露口径 本报告仅供信息与研究学习参考，不构成投资建议。

写在前面

要理解今天这家市值 4.74 万亿美元的公司，得先接受一件反直觉的事：直到 2022 年底，绝大多数人——包括很多专业投资者——都还把 NVIDIA 当成一家"做游戏显卡的"。它确实是。但它同时悄悄花了十五年，把一块本来只为了让《孤岛危机》跑得更流畅的芯片，改造成了人类训练人工智能的标准底座。

这种"被严重低估了很久、然后在某个瞬间被全世界重新定价"的故事，在商业史上并不罕见，但很少有哪家公司像 NVIDIA 这样，把"瞬间"演成了一场持续三年、把自己抬上全球市值之巅的核爆。而更值得研究的，不是核爆本身，而是核爆之前那十五年——那些当时看起来"不务正业"、被华尔街反复质疑、却最终决定了胜负的决策。

这份报告分两条线走。纵向，我们沿时间轴还原它怎么从 1993 年三个工程师在一家 Denny's 餐厅里画的草图，走到今天每个季度卖出比整个 AMD 全年营收还多的数据中心芯片。我们会特别花力气去还原每个关键节点上的"决策逻辑"——为什么它在 1995 年差点死掉，为什么它在 2006 年开始烧一笔看不到回报的钱，为什么它在 2020 年花 69 亿美元买了一家做网线的公司。横向，我们把它放回 2026 年的竞争棋盘上，看看 AMD、谷歌、亚马逊、博通、华为这些对手到底在用什么姿势进攻，以及为什么进攻了三年，NVIDIA 在数据中心 AI 芯片上的份额几乎没掉。

最后，我们把两条线交汇起来，回答那个被《Motley Fool》在两天前的标题里反问的问题——"为什么 NVIDIA 股票这么便宜？"（市值 4.74 万亿美元，前瞻市盈率却只有约 15 倍，而它还在以每年 60%+ 的速度增长）。这个看似矛盾的估值，本身就是一把钥匙，能打开市场对这家公司最深的纠结。

一个口径说明：NVIDIA 的财年（fiscal year）截至每年 1 月底，比自然年早一年命名。例如 "FY2026" 指的是截至 2026 年 1 月 31 日的那个财年，实际跨越 2025 年大部分时间。本文所有财务数字默认采用这个口径，并已把 2024 年 6 月的 1 拆 10 股票分拆还原为可比的每股数据。

第一部分 · 纵向分析：三十三年，三次豪赌

如果要用一句话概括 NVIDIA 的发展史，那就是：它一共下过三次足以决定生死的豪赌，三次都赌在"并行计算终将统治世界"这个方向上，而且三次都赢了。 第一次是 1990 年代赌图形处理值得一块专属芯片；第二次是 2006 年赌 GPU 能做的远不止图形（CUDA）；第三次是 2020 年前后赌 AI 会需要的不是芯片、而是整座"算力工厂"。下面我们一次次拆开看。

一、起源：一家差点活不过三年的"图形加速"公司（1993–1999）

1.1 Denny's 餐厅里的判断

1993 年 4 月，黄仁勋（Jensen Huang）、Chris Malachowsky 和 Curtis Priem 在加州东圣何塞一家 Denny's 连锁餐厅的卡座里，决定一起创业。这个起点后来被讲成了硅谷神话的一部分——黄仁勋年轻时确实在 Denny's 端过盘子、洗过厕所，而三十年后他会在同一个连锁品牌的餐厅里，决定开一家最终改变计算史的公司。

但神话往往掩盖了当时的真实处境：这三个人赌的，其实是一个还没被验证、且竞争极度惨烈的判断——个人电脑迟早会需要专门处理图形的芯片，而不是把所有活儿都丢给 CPU。这个判断在 1993 年远谈不上独到。当时做图形芯片（那时还叫"图形加速卡"）的公司有几十家，3dfx、ATI、S3、Matrox、Trident、Cirrus Logic，个个都有钱、有客户、有渠道。一家三个人、靠红杉资本等机构凑了几百万美元启动资金的新公司，凭什么活下来？

三位创始人的分工后来被证明很关键：黄仁勋管商业和战略，Priem 是首席技术架构师（他此前在 IBM 和 Sun 设计过图形系统），Malachowsky 管工程。公司取名 NVIDIA，词根来自拉丁语 "invidia"（嫉妒），也呼应他们内部给所有早期文件命名时用的 "NV"（Next Version，下一版本）。

1.2 NV1 的失败：一次"过于聪明"的技术豪赌

NVIDIA 的第一款产品 NV1（1995 年）是一个教科书级的失败案例，而这个失败恰恰定义了这家公司的性格。

当时整个行业正在围绕一个技术标准收敛：用**多边形（三角形）**来构建 3D 图形。微软即将推出的 DirectX 也是基于这套思路。但 NVIDIA 偏偏选了一条技术上"更优雅"的路——二次曲面建模（quadratic surfaces / forward texture mapping）。理论上，用曲面比用一堆三角形拼出来的物体更平滑、更省资源。

问题是，整个软件世界不跟你走。游戏开发者们已经在为多边形和 DirectX 写代码，没人愿意为一家小公司的非标准方案重写引擎。NV1 集成了声卡、游戏手柄接口等一堆功能想做"全能卡"，结果哪样都不突出，价格还贵。它在市场上几乎无人问津。雪上加霜的是，微软 DirectX 正式发布后，NV1 的技术路线直接被判了"不兼容"的死刑。

到 1996 年，NVIDIA 账上现金一度只够再撑一个多月，员工从一百多人裁到只剩三十多人。公司离破产只有一步之遥。

1.3 冷酷掉头：RIVA 128 与"活下来"的艺术

这里出现了 NVIDIA 性格里第一个、也是贯穿始终的特质：它会为了一个长期方向押上全部，但一旦发现具体路线错了，会极其冷酷地、不带感情地掉头。

一个被广泛引用的细节是：在 NV1 失败、资金即将耗尽的至暗时刻，黄仁勋做了两个决定。第一，承认二次曲面路线错了，全公司转向行业标准的多边形 + Direct3D。第二——也是更艰难的——他没有钱按常规流程"先做完整测试再流片"，于是赌上公司仅剩的资金，跳过部分验证环节直接流片，把芯片提前推向市场。这是一个如果失败就再无翻身机会的决定。

这款芯片就是 1997 年的 RIVA 128。它老老实实拥抱了 Direct3D 标准，把 2D 和 3D 性能都做到当时第一梯队，价格还有竞争力。它在发布后四个月卖出一百万片。公司活了下来。

值得一提的还有日本世嘉（Sega）的角色。在 NV1 时代，世嘉曾基于 NVIDIA 的方案开发主机游戏，后来世嘉转向了多边形方案、本可以直接抛弃这家快倒闭的供应商。但世嘉仍然支付了一笔合约款，给了 NVIDIA 一段宝贵的喘息时间。黄仁勋后来多次公开感谢这段"被对手的善意救了一命"的经历——它也成了 NVIDIA 企业文化里"诚实面对失败"的一个母题。

1.4 GeForce 256：发明一个词，定义一个品类

1999 年是 NVIDIA 的转折之年。1 月，公司在纳斯达克上市。同年下半年，它推出了 GeForce 256，并为它造了一个后来被写进无数教科书、甚至被写进整个行业词汇表的新词——GPU（Graphics Processing Unit，图形处理器）。

这个命名本身就是一次精心设计的定位战。在此之前，行业里的叫法是"图形加速卡"——一个"加速"二字就暴露了它的从属地位：它只是帮 CPU 减负的配件。而 NVIDIA 把它命名为 "Processing Unit"，与 "CPU"（Central Processing Unit）并列，等于在向整个世界宣告：图形处理不是 CPU 的附属功能，而是一个独立的、配得上专属处理器的计算门类。

GeForce 256 在技术上的实质贡献，是把过去要靠 CPU 来算的几何变换与光照（T&L, Transform and Lighting）搬到了 GPU 上，让显卡第一次拥有了独立完成一整套图形流水线的能力。这是 GPU 从"加速配件"走向"独立计算单元"的第一步——也是日后 CUDA 把它变成"通用计算单元"的伏笔。

1.5 这一阶段的本质

回头看 1993–1999 这六年，NVIDIA 真正学到、并写进基因里的东西有三条，它们会在后面三十年里反复出现：

1. 方向可以坚持，路线必须随时校正。 它对"图形值得专属芯片"这个大方向从未动摇，但对 NV1 的具体技术路线说掉头就掉头。这种"战略上偏执、战术上灵活"的组合，是它后面每一次豪赌都没翻车的底层原因。
2. 节奏即武器。 RIVA 128 之后，NVIDIA 开创了"每六个月一款新品"的迭代节奏，用速度把当时一众对手活活拖垮。这个"用迭代节奏碾压对手"的打法，二十五年后会以"一年一架构"的形式，再次成为它对付 AMD 和定制芯片的核心策略。
3. 命名即战略。 从把产品叫 "GPU" 开始，NVIDIA 就懂得：定义一个品类的名字，就是在定义这个品类的标准，而定义标准的人，最终拿走最多的利润。

到 1999 年底，NVIDIA 是一家成功的、但本质上还属于"硬件部件供应商"的公司。要让它脱胎换骨，需要第二次豪赌——而那次豪赌，将烧掉它整整十年的耐心。

二、第一次真正的豪赌：把游戏显卡变成"通用计算机"（2006–2012）

2.1 一个"不务正业"的念头

如果故事只停在卖显卡，NVIDIA 会是一家优秀但天花板有限的公司。真正改变它命运的，是 2006 年那个在当时看起来彻底"不务正业"的决定——CUDA（Compute Unified Device Architecture，统一计算设备架构）。

要理解 CUDA 为什么重要，得先理解 GPU 和 CPU 在物理上的根本差异。CPU 像一个绝顶聪明的全才，有几个非常强大的核心，擅长按顺序、灵活地处理复杂多变的任务——它能做任何事，但一次只能专心做几件。GPU 则相反：它有成百上千个相对简单的小核心，单个核心不聪明，但胜在数量，特别适合"同一种计算，重复做几百万遍"这种又笨又重的活儿。

图形渲染恰好就是这种活儿：屏幕上几百万个像素，每个都要做几乎相同的颜色和光照计算。所以 GPU 天生就是个"并行计算怪兽"。而黄仁勋和当时的首席科学家 David Kirk、以及一位叫 Ian Buck 的年轻研究者意识到一件事：科学计算、金融建模、物理仿真、图像处理……这个世界上有大量任务，本质上也都是"同一种计算重复几百万遍"，它们理论上都能在 GPU 上跑得比 CPU 快几十倍。

Ian Buck 在斯坦福读博时就做过一个叫 Brook 的项目，尝试让 GPU 做通用计算。NVIDIA 把他招了进来，让他主导把这个学术想法变成工业级产品。

2.2 CUDA 到底解决了什么

问题在于"门槛"。在 CUDA 之前，想用 GPU 做非图形的计算，你必须把你的问题"伪装"成一个图形问题——把数据假装成像素和纹理，用图形接口（如 OpenGL）骗 GPU 去算，再把结果从"图像"里翻译回来。这个过程极其反人类，全世界能熟练做这件事的人不超过几百个。这等于给了 GPU 一身横练的肌肉，却只配了一根筷子让它干活。

CUDA 做的事，是给 GPU 配上一套像写普通 C 语言程序一样的开发工具：你不再需要懂图形学，只要会写代码、懂得把任务拆成"可以并行的小块"，就能直接调用 GPU 那几千个核心。它把"用 GPU 做通用计算"的门槛，从几百个图形学博士，一下子拉低到了全世界几百万会写 C 的工程师和学生。

为了让这件事成立，NVIDIA 做了一个影响深远的配套决定：从 2006 年起，它生产的几乎每一块 GPU——包括卖给游戏玩家的消费级显卡——都内置支持 CUDA。 这意味着任何一个大学实验室、任何一个穷学生，只要有一块几百美元的 GeForce 游戏卡，就能在宿舍里做世界级的并行计算研究。NVIDIA 等于在全世界免费铺设了一张巨大的"CUDA 开发者培养网络"。

2.3 烧钱十年：华尔街的十年质疑

CUDA 是一笔当时完全看不到回报、却要持续投入研发与生态建设近十年的赌注。

从 2008 年到 2015 年，华尔街对这件事的态度基本是从困惑到不耐烦：为什么一家显卡公司，要把这么大比例的研发费用，砸在一群买不了多少芯片的大学实验室和科研机构身上？这些客户既不大量采购，也看不到清晰的商业模式。GPU 计算（当时叫 GPGPU，通用 GPU 计算）听起来很酷，但它对 NVIDIA 的利润表几乎没有贡献。在那些年里，NVIDIA 的主营收入和股价波动，仍然主要由游戏显卡市场和它的周期性决定。

黄仁勋在这十年里的对外口径，几乎从未改变。大意始终是：我们不知道并行计算具体哪一天、会以哪种形式爆发，但我们百分之百确信，并行计算是计算的未来方向，所以我们会一直投，直到它发生。 这是一种典型的"在没有证据的情况下，对一个第一性原理保持信仰"的押注——它要么让你成为传奇，要么让你成为反面教材。

值得强调的是，这种坚持在当时不是没有代价的。这笔投入压低了 NVIDIA 在那些年的利润率，也让它在面对纯做游戏芯片、不背 CUDA 包袱的对手时，成本结构更重。换句话说，CUDA 在变成护城河之前，先当了很多年的"成本黑洞"。

2.4 护城河的真正形态：不是芯片，是肌肉记忆

CUDA 最终成为 NVIDIA 整个帝国的地基，但它的价值并不在硬件，甚至不在那套开发工具本身。它真正的价值，在于一种几乎不可逆的生态锁定：

当一代又一代研究者、工程师、学生，在他们职业生涯最早期就用 CUDA 学会了并行编程，CUDA 就变成了他们的"母语"和"肌肉记忆"。大学里教 GPU 计算的课程，默认用 CUDA。学术论文里的代码，默认基于 CUDA。开源社区里的库和工具，优先支持 CUDA。等到这些人毕业、进入公司、成为技术决策者时，他们会本能地、几乎不假思索地选择 NVIDIA——不是因为对比过参数，而是因为"我会的就是这个，我的团队会的就是这个，整个社区的资源都在这个上面"。

这是一种比任何硬件性能优势都更深、更持久的护城河。硬件可以被对手在一两代之内追上（后面我们会看到 AMD 确实做到了），但要撬动一整代工程师的肌肉记忆和一整个软件生态的惯性，需要的不是更好的产品，而是十年起步的时间和运气。这就是为什么后来 AMD 用便宜一半的硬件，都很难从 NVIDIA 手里抢走前沿 AI 客户——我们会在横向部分的"竞品四"里，专门把这场围绕 CUDA 的攻防讲透。

到 2012 年，CUDA 已经在科研和高性能计算圈子里建立了相当的存在感，但它对 NVIDIA 的财务贡献仍然有限。整个豪赌看起来还停留在"理论上正确，但商业上未兑现"的状态。直到这一年年底，多伦多大学一间实验室里发生的一件事，按下了引爆的按钮——而那，是下一节的故事。

三、引爆点：当 AlexNet 选了两块 GeForce（2012–2020）

3.1 创世时刻：深度学习恰好诞生在 CUDA 之上

2012 年 9 月，多伦多大学 Geoffrey Hinton 实验室的两名学生 Alex Krizhevsky 和 Ilya Sutskever（后者日后成为 OpenAI 的首席科学家），用一个叫 AlexNet 的深度神经网络，参加了当年的 ImageNet 大规模图像识别挑战赛。结果是碾压性的：AlexNet 的错误率比第二名低了将近十个百分点——在一个通常以零点几个百分点论胜负的比赛里，这等于宣告了一个时代的更替。

这是公认的深度学习"创世时刻"，现代 AI 浪潮的起点。而对 NVIDIA 来说，最重要的细节是：AlexNet 是用两块消费级的 GeForce GTX 580 游戏显卡、通过 CUDA 训练出来的。

这件事的因果链值得停下来细看。Krizhevsky 用 GPU，不是因为 NVIDIA 设计了什么 AI 芯片——当时根本没有"AI 芯片"这个概念。他用 GPU，仅仅是因为：训练神经网络需要做海量的矩阵乘法（又是典型的"同一种计算重复几百万遍"），而 CUDA 已经在那儿了，让他能用一台学生买得起的机器，做到过去需要一整个机房才能做的计算量。

换句话说，NVIDIA 此前六年烧钱铺设的 CUDA 生态，让深度学习的引爆点恰好落在了它的芯片上。 这里面有运气的成分——没有人能预见到深度学习会以这种方式爆发。但运气只眷顾了那个已经把球场铺好、把灯打开、在那儿等了六年的人。这是 CUDA 豪赌的第一次、也是决定性的一次回报兑现。

3.2 把运气变成必然：从"碰巧能做 AI"到"为 AI 而生"

接下来的八年，是 NVIDIA 一边享受这份运气、一边用一系列主动决策把它变成"必然"的过程。它没有躺在 AlexNet 的好运上等订单，而是系统性地、几乎是侵略性地把自己重塑成一家"AI 公司"。几个关键节点：

2016 年：亲手把第一台 DGX-1 送给 OpenAI。 这一年，NVIDIA 推出了 DGX-1——一台把多块顶级 GPU 集成在一起、专为深度学习设计的"AI 超级计算机"。一个被反复传颂的画面是：黄仁勋亲自把第一台 DGX-1 送到当时还是一家小型非营利实验室的 OpenAI，机箱上还有他的亲笔签名。这个细节的意义远超公关价值——它说明 NVIDIA 在那个所有人都还没看清方向的时刻，就已经在亲手培育、并深度绑定自己未来最大的客户群。日后训练出 ChatGPT 的，正是这条线上的人和机器。

2017 年：Volta 架构与 Tensor Core。 这是 NVIDIA 从"显卡碰巧能做 AI"正式转向"为 AI 设计芯片"的分水岭。Volta 架构第一次内置了专门为深度学习的核心运算（矩阵乘加）设计的硬件单元——Tensor Core（张量核心）。从此，NVIDIA 的 GPU 不再只是"一个恰好擅长并行的通用计算器"，而是开始在芯片层面，为 AI 这一种特定负载做专门优化。它把自己和"通用 GPU"之间，主动拉开了一条对手难以跨越的鸿沟。

2018–2019 年：CUDA 之上的"软件帝国"。 NVIDIA 在这几年密集推出了一系列建立在 CUDA 之上的专用软件库和框架（如用于深度学习的 cuDNN、用于推理的 TensorRT 等）。这一步极其关键：它让 CUDA 的护城河从"通用并行计算"加深到了"AI 计算的全栈优化"。一个团队要做 AI，用 NVIDIA 不只是买到硬件，而是买到一整套从底层芯片到上层框架都被深度调优、开箱即用的工具链。对手要竞争，就不再只是造一块更快的芯片，而是要复制这整座软件帝国。

3.3 被低估的 69 亿美元：收购 Mellanox

2019 年宣布、2020 年完成的对 Mellanox 的收购（约 69 亿美元），是 NVIDIA 历史上最被低估的一笔交易，也是理解它今天为什么能"卖整座机房而不只是芯片"的关键。

Mellanox 做的是高速网络互联技术，核心产品是 InfiniBand。这件事为什么重要？因为当 AI 模型大到一块、十块芯片装不下，需要几千、上万块芯片协同训练同一个模型时，芯片与芯片之间怎么连、数据怎么在它们之间高速流动，就和单块芯片的性能一样重要，甚至更重要。 一个由上万块顶级 GPU 组成的集群，如果芯片之间的网络是瓶颈，那再快的芯片也会大量空转、互相等待。

收购 Mellanox，让 NVIDIA 一举补齐了"芯片之间的网络"这块拼图。它的产品形态从此可以从"一块 GPU"升级为"一整个高效协同的 GPU 集群"。这是它后来能推出 GB200 NVL72 这种"把 72 块芯片连成一台巨型 GPU"的整机柜产品的技术前提。黄仁勋看懂的，是 AI 竞争的单位正在从"芯片"变成"系统"，而系统的胜负手，一半在网络。 在当时，这笔收购被很多人看作"显卡公司买网线公司"的奇怪操作；三年后回看，它是 NVIDIA 从部件供应商升维成系统供应商的决定性一步。

3.4 一段插曲：加密货币的虚假繁荣与暴雷

在通往 AI 核爆的路上，NVIDIA 还经历了一段重要的、也是教训深刻的插曲——加密货币挖矿。

2017 年和 2020–2021 年的两轮加密货币热潮中，矿工们疯狂抢购 GPU 来挖以太坊等需要大量并行计算的币种。这给 NVIDIA 带来了一波又一波看似强劲的需求，游戏显卡一度全线缺货、价格翻倍。但这种需求有一个致命特征：它极不稳定，且会"反噬"。 当币价下跌或以太坊转向不需要 GPU 的机制时，矿工会把手里的二手显卡一次性倾泻到市场上，瞬间击穿 NVIDIA 的新卡需求和价格体系。

2022 年，这一幕真实上演。加密寒冬叠加疫情后的消费电子需求回落，NVIDIA 的游戏业务库存暴雷、营收大幅下滑。FY2023（截至 2023 年 1 月）成了一个难看的财年：全年营收 269.7 亿美元，同比几乎没增长；净利润只有 43.7 亿美元，同比腰斩；毛利率跌到 56.9% 的低点。那一年 NVIDIA 的股价从高点最深跌去约三分之二。

这段插曲之所以重要，有两层原因。其一，它给市场留下了一个根深蒂固的印象标签——"NVIDIA 是一家周期性的半导体公司"，业绩会随着某种外部热潮大起大落。正是这个标签，让很多人在 2023 年初严重低估了即将到来的 AI 需求的性质。其二，它真实地提醒我们：NVIDIA 的高增长，从来都绑定在某个"外部需求来源"上——曾经是游戏、是加密货币，现在是 AI。需求来源的可持续性，永远是这家公司最该被追问的问题。这个问题，我们会在第三部分的"横纵交汇"里再次、也是更严肃地提出。

3.5 这一阶段的本质：完成"系统供应商"的转型

2012–2020 这八年，NVIDIA 在产品和战略上完成了一次彻底的转型，但财务上还没有迎来爆发。到 FY2023 结束时，它仍然顶着"周期性半导体公司"的估值和标签。

但在这层标签底下，它其实已经悄悄集齐了引爆所需要的全部要素：

• CUDA 生态——一整代工程师的肌肉记忆；
• Tensor Core——芯片层面为 AI 专门优化的硬件；
• cuDNN/TensorRT 等软件帝国——AI 全栈的深度调优；
• Mellanox 网络——把芯片连成系统的能力；
• 与 OpenAI、微软、谷歌的早期深度绑定——未来最大客户群的关系。

这五张牌，在 2022 年 11 月之前，单独看每一张都"有用但不致命"。直到一个叫 ChatGPT 的产品发布，把它们在同一瞬间全部点亮，连成一手谁也接不住的同花顺。那是下一节的故事，也是 NVIDIA 第三次、也是迄今最大一次豪赌兑现的时刻。

四、第三次豪赌兑现：ChatGPT 之后的"算力核爆"（2023–2026）

4.1 三个月，全世界同时下单

2022 年 11 月 30 日，OpenAI 发布 ChatGPT。它在五天内突破百万用户、两个月突破一亿，成为历史上增长最快的消费级应用。但对 NVIDIA 来说，真正的引爆点不是用户数，而是发生在科技公司董事会和工程团队里的一个集体顿悟：要做大语言模型，就必须买 NVIDIA 的芯片，而且是越多越好、越快越好。

这个顿悟几乎是同时发生在所有玩家身上的。微软要给 OpenAI 和自家 Copilot 供算力；谷歌要追赶；Meta 要做开源大模型 Llama；亚马逊要给云客户提供 AI 能力；还有无数初创公司和主权国家级别的项目同时启动。它们全部、立刻、不计成本地涌向同一个供应商。NVIDIA 此前十五年所有的铺垫——CUDA 生态、Tensor Core、cuDNN 软件帝国、Mellanox 网络、和 OpenAI/微软/谷歌的早期关系——在这一刻全部兑现成排着长队、加价都买不到的订单。H100 一卡难求，交货周期一度排到半年甚至一年以后。

4.2 大公司历史上几乎没有先例的财务曲线

接下来发生的事，在大型公司的历史上几乎找不到对照。我们直接看数字（口径：财年截至每年 1 月底，金额单位美元）：

¹ EPS 已按 2024 年 6 月的 1 拆 10 股票分拆还原为可比口径。

把这张表读透，会看到几个惊人的事实：

• 三年八倍。 营收从 FY2023 的 270 亿美元，三年涨到 FY2026 的 2159 亿美元，翻了整整八倍。净利润从 44 亿涨到 1201 亿，翻了二十七倍。
• 一年的利润，超过三年前四年的营收。 FY2026 一年挣的净利润（1201 亿美元），是 FY2023 全年营收（270 亿）的四倍多。
• 软件公司才有的利润率，长在一家硬件公司身上。 FY2026 毛利率 71%、营业利润率约 60%、净利率 55.6%。一家"卖芯片"的硬件公司，做到这种利润率，在半导体史上是没有先例的。作为对照，传统半导体公司的毛利率通常在 30%–50% 之间。
• 从周期低谷到顶峰只用了三年。 FY2023 还是 56.9% 的毛利率低谷、净利润腰斩、被贴"周期股"标签；三年后就是全球最赚钱的公司之一。

那 71% 的毛利率，是整份报告里最该被追问的数字。它从哪来？答案不在硅片成本，而在定价权——而定价权的根，又回到了 CUDA。客户买 NVIDIA，买的不只是一块芯片的算力，而是"全世界都在用、生态最全、出错概率最低、招到的工程师天然就会用"的那个确定性。在算力极度紧缺、模型迭代速度就是公司生死的当口，这种确定性值得溢价。NVIDIA 收的，本质上是一笔"行业标准税"。

4.3 节奏战升级："一年一架构"

在需求爆炸、躺着都能卖光的时候，NVIDIA 做了一个反直觉的、极具侵略性的决定：把数据中心芯片的迭代周期，从行业惯例的两年，压缩到一年。

2024 年起，它的路线图变成了清晰的年度节拍：Hopper 架构（H100/H200，2022–2023）→ Blackwell 架构（B200/GB200，2024–2025）→ Rubin 架构（2026 起）。每一代在性能、能效上都做大幅跃升。

这个"一年一架构"的策略，凶狠之处在于：它用 NVIDIA 自己碾压性的利润和研发优势，逼着所有对手在一个永远追不上的节奏里赛跑。 一家对手公司，假设要花两到三年才能设计出一款对标 H100 的芯片；等它好不容易做出来、开始量产时，NVIDIA 已经发布了领先一到两代的新品。对手永远在追一个移动靶，永远在和"上一代的 NVIDIA"竞争，而永远卖不出"当前的 NVIDIA"的价格。这本质上是 1997 年 RIVA 128 之后"每六个月一款新品拖垮对手"那套打法的当代版本——只是这次的赌注，是整个 AI 时代的算力标准。

4.4 从卖芯片到卖"AI 工厂"

NVIDIA 当前的旗舰产品，已经不再是"一块芯片"。以 GB200 NVL72 为例：它是一个整机柜系统，把 72 块 Blackwell GPU 用自家的高速网络（NVLink，源自 Mellanox 那条线）连成一个"逻辑上的单一巨型 GPU"，配上液冷、供电、交换和软件栈，开箱即用。

黄仁勋为这种产品造了一个新词——"AI 工厂"（AI Factory）。这个命名又是一次经典的定位战（呼应 1999 年发明 "GPU" 一词）：他在告诉客户和市场，NVIDIA 卖的不是零件，而是一个能"把电力和数据，加工成智能"的生产设施。一座 AI 工厂的报价，可以是几百万甚至上千万美元一柜。

这一步的战略意义极其深远：它把竞争的战场，从"单块芯片谁更快"，整体抬高到了"芯片 + 网络 + 整机 + 软件 + 散热 + 服务"的系统维度。 一个对手哪怕造出了一块性能持平甚至更强的芯片，它依然要面对一个残酷的现实：客户要的不是芯片，是一整座能立刻投产的工厂，而工厂里的网络、软件、协同优化，是 NVIDIA 用 Mellanox 收购和十几年 CUDA 积累堆出来的，没法被单独绕过。这正是横向部分里，AMD 和定制芯片们最难逾越的那道墙。

4.5 登顶：全球最值钱的公司

2024 年 6 月，NVIDIA 完成 1 拆 10 的股票分拆，把单股价格从一千多美元拉回到一百多美元，便于更多散户参与——这本身也是一种对"全民 AI 叙事"的顺势而为。

到 2026 年 6 月本报告撰写时，NVIDIA 市值约 4.74 万亿美元，是地球上最值钱的公司。它的股价（约 196 美元）背后，是一个用三十三年和三次豪赌堆起来的结论：

NVIDIA 已经不再是一家"卖芯片的公司"，而是一个定义了算力这一基础设施的标准、节奏和生态的"算力国家"。 它定义了 AI 计算用什么语言写（CUDA）、用什么硬件跑（GPU + Tensor Core）、按什么节奏迭代（一年一架构）、以什么形态交付（AI 工厂）。在它划定的这套标准里，所有人——包括它最强大的客户和对手——都得按它的规则玩。

但站上山顶，也意味着此后每一个方向都是下坡，每一个对手都在仰攻。纵向的发展史讲到这里告一段落；接下来，我们要把镜头从时间轴切换到横切面，看看在 2026 年这个时间点上，到底有谁、在用什么方式，试图攻破这座看起来固若金汤的算力之城。

第二部分 · 横向分析：所有人都在攻城，为什么城墙还在？

纵向部分讲的是 NVIDIA 如何登顶；横向部分要回答一个更尖锐的问题：站在 2026 年这个时间点，有那么多财力雄厚、技术顶尖的对手在猛攻，为什么 NVIDIA 在数据中心 AI 芯片上的份额，依然稳在 90% 量级？

按横纵分析法对竞品情况的判断，NVIDIA 属于场景 C（竞品充分，3 个以上）——但它有一个非常特殊之处：它的对手们与其说是在"抢它的份额"，不如说是在做三件不同的事——AMD 在硬件上正面硬刚、想分一杯羹；云厂商在用自研芯片"自己动手、丰衣足食"地降本；博通们在卖铲子给挖矿的人；而中国玩家在被迫另起炉灶。它们各自从一个方向凿这座城，但谁也没能凿穿那道由 CUDA + 系统整合 + 迭代节奏砌成的墙。下面我们选五类最有代表性的对手，逐一展开。

竞品一：AMD —— 唯一在硬件上正面硬刚的人

5.1 唯一一个产品路线完全对位的对手

在所有对手里，AMD 是唯一一家产品路线和 NVIDIA 几乎一一对位的公司。它有数据中心 GPU（Instinct 系列，从 MI300X 到 MI325X、MI350），有对标 CUDA 的自研软件栈（ROCm），有对标 NVLink 的互联方案，甚至连领导人都是同样从底层技术做起、以执行力凶悍著称的华裔工程师——苏姿丰（Lisa Su，且与黄仁勋还是远房亲戚，这个八卦本身就常被媒体拿来做"AI 时代的家族对决"的标题）。

可以说，如果世界上有谁能在硬件这个维度上和 NVIDIA 掰手腕，那只有 AMD。它过去十几年靠着在 CPU 上把 Intel 从神坛上拉下来的经历，证明了自己有"逆袭巨头"的剧本和执行力。所以当 AI 浪潮来临，所有人都自然把 AMD 当成那个"最有希望的挑战者"。

5.2 硬件：差距已经不大，局部甚至反超

先说好消息（对 AMD 而言）。在纯硬件参数上，AMD 与 NVIDIA 的差距，已经从"代差"缩小到了"伯仲之间"。

以 MI300X 为代表的 Instinct 系列，在显存容量（HBM）这个对大模型至关重要的指标上，一度做到比同代 NVIDIA 产品更大——而更大的显存意味着单卡能装下更大的模型、减少切分模型带来的损耗。在某些具体的推理负载上，MI300X 的性价比相当有竞争力。而且 AMD 的定价通常比 NVIDIA 同档产品便宜一截，这在算力采购动辄数十亿美元的当下，是一个实打实的诱惑。

更重要的是，AMD 也学到了"卖系统"这一课，开始推出对标 NVIDIA 整机柜的机架级方案，并通过一系列收购补齐网络和软件能力。它没有犯"只造芯片、不做系统"的错误。

5.3 软件：ROCm 与 CUDA 之间，仍是一道鸿沟

但硬件接近，不等于能赢。AMD 真正的、也是最难填平的短板，在软件——也就是我们在纵向部分反复强调的那道护城河。

ROCm 是 AMD 对标 CUDA 的软件栈，客观说，它这几年进步神速。但相比积累了近二十年的 CUDA，它在三个地方仍是鸿沟：文档与成熟度（CUDA 的坑早被前人踩平、文档详尽，ROCm 还在补课）、社区与生态（全世界绝大多数 AI 开源项目、教程、预训练模型，默认首先支持甚至只支持 CUDA）、稳定性与覆盖度（前沿模型用到的很多新算子、新优化，CUDA 往往第一时间就有，ROCm 要等）。

对一个真实的工程团队来说，这意味着什么？意味着把一套已经在 CUDA 上跑得好好的代码迁移到 ROCm，往往要额外花数周时间去填兼容性的坑、做性能调优、排查那些"在 NVIDIA 上不会出现"的诡异问题。在算力极度紧缺、模型迭代速度直接决定公司生死的当下，这几周的工程师时间和不确定性，对很多公司来说不值得为"便宜一点的硬件"去付。 这就是 CUDA 护城河最具体的体现：它不是一个参数，而是一笔藏在工程师工时里的、看不见的迁移成本。

5.4 用户视角：真实口碑是什么

如果去看工程社区里对 AMD Instinct 的真实评价，最高频的两句话大致是："性价比是真香" 和 "但你得自己懂行、肯折腾"。

这两句话精准地刻画了 AMD 当下的处境。它的卡适合那些有强工程能力、有动机摆脱单一供应商、且负载相对标准化的大客户——典型如 Meta、微软这种自己养着顶级 AI 基础设施团队的巨头，它们有能力吃下 ROCm 的迁移成本，也有强烈的动机去培养一个"第二供应商"来制衡 NVIDIA 的定价权。事实上，这几家都已经在实际部署 AMD 的卡，主要用在推理（模型训练完成后的日常调用）这种对生态依赖相对较低的环节。

但对于广大没有那么强工程能力、或者追求最快迭代速度的第二梯队公司和初创公司来说，AMD 仍然不是"默认选项"。它们的本能选择依然是 NVIDIA——不是因为对比过，而是因为"大家都用这个，出了问题好找答案，招的人天然就会"。

5.5 生态位与趋势判断：它是"价格锚"，不是"取代者"

把以上拼起来，AMD 在整个赛道里的生态位就清楚了：它是 NVIDIA 最重要的"价格锚"和"备胎"，而不是"取代者"。

它的存在有两个真实价值：第一，给所有大客户在谈判桌上提供了一个筹码——"我可以买 AMD"这句话本身，就能帮客户在和 NVIDIA 谈价时多一点底气；第二，它实实在在地接住了对成本最敏感的那部分推理市场。

但要看清它对 NVIDIA 的威胁性质：在可见的未来，只要 CUDA 生态的惯性还在，AMD 很难从"挑战者"真正变成"取代者"。它对 NVIDIA 最现实的威胁，不是抢走多少份额，而是把 NVIDIA 那 71% 的恐怖毛利率，往下压几个百分点——通过给客户一个"出得起的替代方案"，限制 NVIDIA 漫天要价的能力。这对 NVIDIA 是真实的、但远非致命的压力。对 AMD 自己而言，"AI 第二供应商"这个定位即便只做到 10%–20% 的市场份额，也已经是一门体量巨大、足以重塑 AMD 自身估值的好生意了。这也是为什么市场愿意给 AMD 一个"AI 受益者"的估值，哪怕它永远当不了老大。

竞品二：定制 ASIC 阵营（谷歌 TPU / 亚马逊 Trainium / 微软 Maia / Meta MTIA）—— 真正的结构性威胁

6.1 为什么这条线比 AMD 更值得 NVIDIA 警惕

如果说 AMD 是从正面攻城，那么定制 ASIC（专用集成电路）这条线，动的是 NVIDIA 的命根子——它最大的客户群本身。

逻辑朴素得近乎残忍。NVIDIA 收入里最大的一块，来自少数几个超大规模云厂商（hyperscalers）：微软、谷歌、亚马逊、Meta。这几家每年合计向 NVIDIA 输送数千亿美元，而它们为此支付了大约 70% 的毛利——也就是说，它们买的每一块芯片里，有七成是 NVIDIA 的利润。对这些手握全球最顶尖芯片设计人才、且体量大到任何降本都值得做的巨头来说，一个念头无法不浮现：我为什么不自己造芯片，把这 70% 的利润省下来？

于是它们都这么干了。这就是定制 ASIC 阵营的由来。它和 AMD 有本质区别：AMD 造芯片是为了"卖给所有人"，而云厂商造芯片是为了"自己用、给自己省钱"。这意味着它们不需要赢得整个市场，只需要把自家内部那部分最大、最标准化的 AI 负载从 NVIDIA 手里迁走，就能省下天文数字的开支。这是一种从内部、从最大客户处发起的侵蚀，比外部竞争更难防。

6.2 四家的进度：谷歌 TPU 已经证明"绕开 NVIDIA 可行"

这个阵营里，进度差异很大：

• 谷歌 TPU（张量处理单元） 是迄今最成熟、最有说服力的样本。谷歌早在 2015 年前后就开始自研 TPU，如今已迭代到第六、七代。最关键的事实是：谷歌自家的旗舰大模型 Gemini，主要就是在 TPU 上训练和运行的，几乎不依赖 NVIDIA。 这件事的象征意义极大——它向全世界证明了，一家技术足够强的公司，完全可以建立一条绕开 NVIDIA 的、端到端可用的算力路线。谷歌甚至开始把 TPU 算力通过云对外出租，从"自用"向"外供"试探。
• 亚马逊 Trainium / Inferentia：亚马逊 AWS 自研的训练芯片（Trainium）和推理芯片（Inferentia）正在快速迭代，目标是把 AWS 上越来越多的 AI 负载迁到自家硅片上，并以更低价格吸引云客户。亚马逊还深度投资了 Anthropic，并推动其使用 Trainium，等于在培育"自家芯片的大客户"。
• 微软 Maia：微软作为 OpenAI 最大的算力提供方，自研 Maia 芯片的动机极强——它每年给 OpenAI 的算力账单大到任何自研降本都划算。但 Maia 起步相对晚，目前更多是补充而非替代。
• Meta MTIA：Meta 自研芯片主要服务其庞大的推荐系统和内部 AI 负载，是典型的"先从自己最懂、最标准化的负载下手"。

6.3 这条路上的三道坎

定制 ASIC 听起来是 NVIDIA 的噩梦，但它有三道结构性的坎，决定了它是"慢性侵蚀"而非"一击致命"：

第一道坎：只能服务自己，没有生态。 云厂商的自研芯片是为自家负载量身定做的，它没有 NVIDIA 那种"卖给全世界、被全世界优化、有海量第三方软件支持"的通用生态。这意味着它的研发成本只能由自己一家摊销，且很难吸引外部开发者为它做优化。它的灵活性也差——为今天的模型架构优化的芯片，未必适配明天冒出来的新架构。

第二道坎：设计一代成功的 AI 芯片，极难。 它需要顶级的芯片设计团队、数年的周期、以及一次次流片试错的巨额投入。谷歌 TPU 走到今天用了近十年。多数厂商的自研芯片，目前只能覆盖自家负载里"标准化程度最高、最不变"的那一部分（典型是推理和推荐），而把最前沿、最多变、最吃灵活性的训练任务，仍然交给 NVIDIA。

第三道坎：永远在追一个移动靶。 这正是 NVIDIA"一年一架构"策略的威力所在。云厂商好不容易设计出一代对标 H100 的芯片，等它量产时，NVIDIA 的 Blackwell、Rubin 已经领先一两代。自研芯片永远在和"过去的 NVIDIA"竞争，这让"完全替代"在节奏上几乎不可能实现。

6.4 真正的赢家可能是"卖铲子的人"：博通与 Marvell

这里藏着整个 AI 硬件格局里一个最精妙、也最容易被忽视的判断：定制 ASIC 这条赛道真正稳赚的，可能不是云厂商自己，而是帮它们设计芯片的博通（Broadcom）和 Marvell。

云厂商虽然想自研，但它们大多没有完整的芯片设计能力，需要博通、Marvell 这样的专业公司提供核心的设计 IP、网络互联和工程服务。这就形成了一个经典的"淘金热里卖铲子"的生态位：无论最终是谷歌 TPU 赢、还是亚马逊 Trainium 赢，只要"自研 ASIC 替代 NVIDIA"这个趋势在走，博通和 Marvell 就稳定地从每一个项目里抽成。所以在资本市场上，博通近年的故事，本质上是被当成"定制 AI 芯片浪潮的总承包商"在重估的——它是这场对 NVIDIA 的围攻里，少数几个无论谁攻城成功都能分到好处的角色。

对 NVIDIA 而言，这意味着它面对的不只是几个客户的自研项目，而是一个有专业军火商（博通/Marvell）持续供血、会长期存在的结构性对手阵营。

6.5 生态位与趋势判断

把定制 ASIC 阵营放回整个版图：它的生态位是在"蛋糕的边缘和内层"切肉——拿走云厂商内部那些最大批量、最标准化、最可预测的负载（尤其是推理）。这部分负载恰恰是 NVIDIA 利润里"最肥但也最容易被标准化替代"的一块。

但趋势判断是清晰的：在可见的未来，这是一场份额的慢性侵蚀，而非颠覆。前沿训练、需要快速试错灵活性的新模型研发、以及所有买不起、养不起自研芯片团队的第二梯队公司和初创公司，仍然会、也只能回到 NVIDIA。换句话说，定制 ASIC 会慢慢压低 NVIDIA 在"推理"这块的统治力和增长斜率，但很难撼动它在"训练"和"通用前沿算力"上的标准制定者地位。

对投资者来说，真正要紧盯的信号是：自研 ASIC 哪一天开始在"前沿训练"——而不只是推理——上拿下实质份额。 那将是侵蚀从"边缘"走向"核心"的拐点。我们会在最后的"横纵交汇"里，把这个信号列进监控清单。

竞品三：Intel —— 一个提醒"领先不是永恒"的样本

7.1 掉队者

如果说 AMD 是势均力敌的对手、定制 ASIC 是结构性威胁，那么 Intel 在这场 AI 算力战里的角色，基本可以用"掉队"两个字概括。

Intel 的数据中心 AI 加速器（Gaudi 系列，来自其 2019 年收购的以色列公司 Habana Labs）在过去几年的市场存在感始终微弱。它陷入了一个最尴尬的位置：硬件竞争力既不如 NVIDIA，也追不上 AMD；软件生态更是无从谈起——它既没有 CUDA，也没有 ROCm 那样哪怕在追赶的体系；而它本可以依仗的、曾经无敌的芯片制造能力，这些年也在被台积电反超。Gaudi 既没有性能优势，也没有生态优势，更没有云厂商那种"非自研不可"的内在动机，于是它在客户的采购清单上长期排在很靠后的位置。

7.2 Intel 的真正价值：一面镜子

但 Intel 在这份报告里值得占一节，不是因为它是 NVIDIA 的威胁——它几乎不是——而是因为它是一面极其重要的镜子。

不要忘记，Intel 曾经就是半导体行业里那个"定义标准、定义节奏、定义生态"的绝对霸主。在 PC 和服务器时代，"Intel Inside" 就是计算的代名词，x86 架构就是不可撼动的标准，它的 "Tick-Tock"（一年工艺、一年架构）迭代节奏让所有对手望尘莫及——这几乎就是今天 NVIDIA 在 AI 领域所处位置的翻版。 Intel 当年拥有的生态锁定、标准制定权、节奏优势，和今天的 NVIDIA 惊人地相似。

然而，Intel 从巅峰到掉队，用了还不到十年。它错判了移动时代（错过了智能手机芯片）、在制造工艺上连续失误、被自己的成功路径锁死而对新范式反应迟缓。一个曾经看起来固若金汤的标准制定者，就这样在一两个范式转换里失去了王座。

7.3 这面镜子照出什么

Intel 的故事给这份报告提供了一个必要的清醒剂：在半导体行业，没有不可撼动的王座，护城河再深也会被时代的范式转换抽干。

NVIDIA 今天的统治地位有多稳？部分答案恰恰藏在"Intel 是怎么丢掉自己几乎一样稳固的统治地位的"里面。Intel 的衰落不是因为某个对手造出了更好的 x86 芯片，而是因为：① 计算的范式从 PC 转向了移动和云，需求的形态变了；② 它在制造这个曾经的核心优势上掉了链子。把这两条平移到 NVIDIA 身上，就是它最该警惕的两个长期风险——计算范式的下一次转换（比如某种全新的、不依赖现有 GPU 范式的 AI 计算方式），以及它对台积电先进制程的高度依赖（一个它无法完全掌控的外部环节）。

这不是说 NVIDIA 会重蹈 Intel 覆辙——它的 CUDA 生态比当年 Intel 的 x86 锁定更深、对范式转换的警觉性也更高（黄仁勋本人正是靠"押注范式转换"起家的）。但 Intel 这面镜子提醒我们：评估 NVIDIA 时，真正的风险从来不在"谁能造出更快的芯片"，而在"会不会出现一个让现在这套游戏规则失效的新范式"。带着这个视角，我们就该去看下一节——那道护城河本身，正在被怎样地围攻。

竞品四：CUDA vs 一切试图绕开它的东西 —— 真正的战场

8.1 这不是一家公司，而是护城河本身在被围攻

严格说，这一节的"竞品"不是某一家公司，而是 NVIDIA 最深的那道护城河——CUDA 的统治地位——正在被一群人从不同方向围攻。这是整份报告里，对 NVIDIA 长期价值最关键、也最值得持续跟踪的变量。没有之一。

回顾纵向部分的结论：NVIDIA 真正不可替代的，不是芯片，而是"做 AI 就默认用 CUDA"这个深入一代工程师肌肉记忆的事实。那 71% 的毛利率，根基就在这里。所以，任何能削弱"必须用 CUDA"这个默认设定的东西，都是在动 NVIDIA 的命根子。

8.2 围攻者们：抽象层、编译器与框架

这场围攻有几股力量，方向不同但目标一致——让 AI 代码不再被绑死在 CUDA 上：

• 更高层的框架在"屏蔽"硬件差异。 今天绝大多数 AI 工程师其实不直接写 CUDA，而是用 PyTorch 这样的高层框架。而 PyTorch 等框架近年在努力支持多种硬件后端——理论上，如果框架层把底层硬件的差异完全抹平，那么开发者写一份代码，就能在 NVIDIA、AMD、甚至自研芯片上无痛运行。这会从根本上削弱 CUDA 的锁定。
• OpenAI Triton 等"中间编译层"。 Triton 这类项目，试图让开发者用一种更高层、硬件无关的方式写高性能算子，再由编译器翻译到不同硬件上。如果它成熟到能逼近手写 CUDA 的性能，那"只有 CUDA 工程师才能榨干硬件"这个 NVIDIA 的隐性优势就会被瓦解。
• 行业联盟的"去 NVIDIA 化"努力。 一些由 NVIDIA 的对手和大客户组成的行业联盟，在合力推动开放标准的软件栈，目标直白——降低整个行业对单一供应商的依赖。它们有钱、有动机、也有最强的工程团队。

8.3 为什么截至 2026 年，城墙还在

这些围攻是真实的、且方向正确的。但要客观判断它的进度——截至 2026 年年中，这道墙还远没有被攻破，原因有三：

其一，惯性以"十年"为单位。 CUDA 积累了近二十年的优化、文档、社区和人才。要让替代方案在"成熟度 + 性能 + 生态覆盖"上全面追平，不是一两个版本能完成的，是一个以十年计的工程。

其二，NVIDIA 不会站着不动。 它每年不仅迭代硬件，也在疯狂加固软件栈。当对手好不容易在某个抽象层逼近 CUDA 时，NVIDIA 往往已经把 CUDA 和最新硬件做了更深的协同优化，重新拉开身位。你打的永远是"去年的 CUDA"。

其三，性能损耗的现实。 硬件无关的抽象层，通常要以牺牲一部分性能为代价。而在算力即金钱的当下，哪怕 10%–15% 的性能损耗，对一个要烧几十亿美元算力的前沿实验室来说，都可能是不可接受的——它宁可继续吃 CUDA 的锁定，也要那最后的性能。

8.4 趋势判断：最该长期盯住的那根弦

所以这一节的趋势判断是：CUDA 护城河在被持续侵蚀，但侵蚀速度慢、且 NVIDIA 在主动对冲，短期内不构成威胁。但是——

如果有一天，把一个模型从 NVIDIA 迁到别的硬件，变得像换一家云服务商一样无痛，那么 NVIDIA 那 71% 的毛利率将瞬间失去根基。 这是悬在 NVIDIA 估值之上、最根本的那把剑。它今天还高高悬着、没有落下，但每一个关心 NVIDIA 长期价值的人，都应该把"CUDA 替代方案的成熟度"当成最重要的一根弦，长期、持续地盯住。这根弦一旦真的绷断，前面讲的所有护城河故事都要重写。

我们会在"横纵交汇"里，把这一条放在判断的最核心位置。

竞品五：中国与出口管制 —— 一个被地缘政治"亲手培育"的对手

9.1 一个特殊的"竞品"

把中国列为一个"竞品"维度，是因为这里的竞争逻辑和前面四个完全不同——它不是市场自然演化的结果，而是地缘政治亲手制造、并加速的。

过去几年，美国持续收紧对华先进 AI 芯片的出口管制：从最初限制最高端的 H100/A100，到不断下调可出口芯片的性能红线，再到对"特供版"芯片也层层加码。NVIDIA 的应对，是一次次为中国市场设计性能被刻意阉割、以踩在管制红线之下的"特供版"芯片（如 H20 及其后续）。但管制红线本身在不断移动，这让 NVIDIA 在中国市场陷入一种极其被动的处境：每设计一款合规特供芯片，都可能在不久后被新一轮管制打回原形。

对 NVIDIA 的财务而言，中国曾经是一个举足轻重的市场（高峰时贡献其数据中心收入的相当一部分）。出口管制直接、且持续地侵蚀着这块收入——这是一个完全不由公司自身经营决定、纯粹由政策决定的风险变量。

9.2 真正的代价：亲手催生了华为

但出口管制对 NVIDIA 最深远的伤害，不是损失的那部分中国收入，而是它在中国市场留下的真空，正在被一个本土对手——华为——以前所未有的速度填补。

这里的逻辑很反讽：在正常的市场竞争下，华为的昇腾（Ascend）AI 芯片，要从零追赶 NVIDIA 成熟的硬件 + CUDA 生态，几乎是不可能完成的任务——它会面对和 AMD 一样的"硬件能追、生态难撬"的困境，而且起点更低。但出口管制改变了这个博弈：当中国客户买不到最好的 NVIDIA 芯片时，"生态惯性"这个 NVIDIA 最强的武器突然失效了。一个买不到 CUDA 顶配的中国大模型公司，与其用被阉割的特供版，不如咬牙迁移到华为昇腾——既然横竖都要忍受不便，不如忍一个能持续供货、不受美国政策卡脖子的本土方案。

换句话说，出口管制相当于强行替华为清空了它最大的本土竞争对手，给了昇腾一个在受保护的市场里追赶生态、积累客户、迭代产品的窗口期。 华为也确实在抓住这个窗口，快速推进昇腾芯片和它自己的软件栈（CANN，对标 CUDA），并整合自家的网络和整机能力——它走的，几乎是一条中国版的"NVIDIA 全栈路线"。

9.3 生态位与趋势判断

把这一维度放回全局：中国市场对 NVIDIA 来说，短期是确定的收入损失，长期是一个被政策催熟的、独立于西方生态之外的平行对手的崛起。

趋势判断有两层：第一，在中国境内，NVIDIA 的份额会被昇腾持续替代，这块市场的"流失"在政策不逆转的前提下，基本是单向的。第二——也是更值得长期警惕的——如果华为昇腾在中国这个巨大且受保护的市场里把生态养成熟，它未来有可能向其他对美技术依赖敏感的市场（如部分新兴市场、一带一路沿线国家）外溢，形成一个"非 NVIDIA、非西方"的算力阵营。那将是对 NVIDIA 全球标准制定者地位的、一种地缘层面的长期挑战。

不过要保持分寸：截至 2026 年，昇腾在硬件先进性、生态成熟度、以及最关键的先进制程产能上，与 NVIDIA 仍有显著代差，它的崛起更多局限在中国境内。它对 NVIDIA 全球基本盘的威胁，目前仍是"远期的、地缘性的"，而非"当下的、商业的"。但这是一个会随政策和时间持续演化的变量，值得放进长期监控清单。

横向对比总表

在进入最终的交汇判断前，先把五类对手放在一张表里对照：

读这张表的正确方式不是"NVIDIA 全面领先所以高枕无忧"，而是看清它面对的是一个分工明确的围攻联盟：AMD 压它的价，云厂商蚕食它的推理份额，博通们给围攻者供血，CUDA 替代方案磨它的根基，华为在地缘的另一侧另起炉灶。没有任何一个能单独击败它，但它们合起来，构成了一种"NVIDIA 的超额利润终将被时间磨平"的长期引力。问题只是：磨多快。

第三部分 · 横纵交汇：站在 4.7 万亿美元的山顶，往哪看？

把纵向的发展史和横向的竞争格局叠在一起，会得到三个比单看任何一边都更清楚、也更重要的判断。这一部分不是前面内容的缩写，而是把两条线拧成一股，得出新的结论。

判断一：护城河的真身是"标准"，而标准的天敌是"范式转换"

纵向史反复证明：NVIDIA 真正赢的那一仗，不是任何一款芯片，而是 2006 年开始、烧了近十年才见效的 CUDA——它把整整一代工程师的肌肉记忆，变成了自己资产负债表上看不见、却最值钱的那一项。横向看，五类对手在硬件上要么逼近（AMD）、要么自用够用（ASIC、华为），但没有一个能在"生态惯性"这件事上正面突破。

所以第一个交汇判断是：短期内能动摇 NVIDIA 的，绝不会是某一款更快的芯片，而只可能是"软件抽象层成熟到让底层硬件不再重要"——也就是竞品四（CUDA 之争）里讲的那把悬剑。 而 Intel 这面镜子（竞品三）进一步提醒我们：标准制定者的真正死法，从来不是被对手用同样的游戏规则打败，而是被一次"让旧规则失效的范式转换"掀翻。对 NVIDIA 来说，这个范式转换可能来自软件（硬件无关的抽象层成熟），也可能来自某种全新的、不依赖现有 GPU 范式的 AI 计算方式。这是它最根本、但也最慢的风险。

判断二：增长的下一个问题不是"卖不卖得动"，而是"谁来为算力买单"

这是把纵向的财务曲线和横向的客户结构交汇后，得出的最现实、也最紧迫的判断。

FY2026 营收已达 2159 亿美元。要维持高增长，意味着它的客户——主要就是那几个云厂商和大模型公司——每年要再多投入数千亿美元买算力。而横向部分告诉我们，这些客户同时也在拼命自研芯片（竞品二）来摆脱对 NVIDIA 的依赖。这就引出了整个 AI 投资逻辑里最大的悬念：

这些买芯片的天量资本开支，最终要靠 AI 应用真正赚回来的钱来支撑。 如果未来一两年，大模型的商业变现速度追不上算力投入的速度，那么云厂商的资本开支增速一旦放缓——哪怕只是从"疯狂增长"变成"温和增长"——NVIDIA 会是整条产业链里第一个、也是最剧烈地感受到寒意的那个。回看纵向部分的那段加密货币插曲（3.4 节）：NVIDIA 的高增长，历史上从来都绑定在某个外部需求来源的景气度上，曾经是游戏、是挖矿，如今是 AI 资本开支。需求来源的可持续性，永远是这家公司最该被追问的问题。它今天的繁荣，本质上绑定在整个行业"对 AI 未来的信心"上——而信心，是会波动的。

判断三：估值的张力，恰恰是市场把上面两个判断"定了价"

这是最后、也是把一切收束起来的交汇判断。

本报告开篇引用的那个《Motley Fool》标题——"为什么 NVIDIA 这么便宜"——指的是一个表面矛盾：它市值高达 4.74 万亿美元、是全球最值钱的公司，但前瞻市盈率只有约 15 倍、PEG 仅 0.61。按传统标准，一家还在以 60%+ 增速增长的公司给这个估值，是"便宜"得不可思议的。

但市场不傻。这个"便宜"不是市场的疏忽，而是市场的定价——它在用估值，把判断一和判断二里的担忧明明白白地标了出来：市场预期 NVIDIA 这种历史罕见的超高增速无法持续，未来几年增长会显著放缓（来自判断二的"算力买单"之忧），且超额毛利率终将被竞争和生态替代磨低（来自判断一的护城河之忧）。换句话说，NVIDIA 当前 15 倍的前瞻市盈率里，已经预设了"派对总会降温"。

于是，对这家公司的核心博弈，就不再是"它好不好"——它显然是一家伟大的公司，三十三年三次豪赌、全球最赚钱、护城河最深。核心博弈变成了三个更精确的问题：降温会来得多快？会有多猛？以及，今天这个"看起来便宜"的价格，对这场降温已经定价得够不够充分？ 这才是站在 4.74 万亿美元山顶上，真正该盯着看的东西。乐观者会说"15 倍前瞻市盈率给这种公司是白送"；谨慎者会说"15 倍是因为市场知道这个 E（盈利）的增速不可持续，分母随时会失速"。两边都对——他们只是对"降温速度"下了不同的注。

关键数据快照（截至 2026-06-26）

数据源：Yahoo Finance。市值与股价为当日盘中口径；财务数据为 FY2026 年报口径，TTM 指标为滚动十二个月。

几个值得在表里多看一眼的点：① 负债权益比仅 6.6%、净现金充裕、自由现金流 463 亿美元——这是一张极其干净、极其抗压的资产负债表，给了它在任何行业降温里都能继续疯狂投研发、回购、扛周期的底气。② Beta 高达 2.2——它的股价波动是大盘的两倍多，这意味着它既是 AI 牛市里弹性最大的标的，也会是情绪逆转时跌得最狠的那个，与"判断三"里的高博弈性完全吻合。③ 59 家分析师均价目标 $298.9、较现价约有 50% 空间，且无一家给卖出之外的强烈看空——卖方共识极度乐观，但要记得，卖方共识在"派对"阶段往往是顺周期的、滞后的，它本身不构成安全边际。

核心风险矩阵

该跟踪什么信号（什么会强化 / 证伪上面的判断）

会强化逻辑（多头剧本继续）的信号：

• 几大云厂商的资本开支指引继续上修，且明确指向 AI；
• Blackwell / Rubin 如期放量，且毛利率守在 70% 上下没有明显滑落；
• CUDA 生态没有出现可规模化、低损耗的替代层，PyTorch 多后端仍以 CUDA 为事实默认；
• AI 应用侧出现清晰、可规模化的变现（让"谁为算力买单"有了答案）。

会证伪逻辑（要高度警惕）的信号：

• 大客户资本开支增速首次出现环比放缓——这是判断二里那根最敏感的弦；
• 自研 ASIC 在前沿训练（而不只是推理）上拿下实质份额——侵蚀从边缘走向核心；
• 某个"硬件无关"的软件层突然被前沿实验室广泛采用，迁移成本骤降；
• 出口管制进一步收紧，或华为昇腾生态在中国境外开始外溢；
• 毛利率出现持续的、非一次性的下滑——这是定价权松动最直接的体温计。

横纵交汇 · 一句话收束

纵向看，NVIDIA 用三十三年、三次豪赌，把"算力"从一种采购品，变成了一种由它定义标准、节奏和生态的基础设施——它赢的从来不是芯片，是标准。横向看，五类对手从五个方向围攻这座算力之城，没有一个能单独攻破，但合起来构成了"超额利润终将被时间磨平"的长期引力。而把两者交汇、再投射到那 15 倍的前瞻市盈率上，市场其实已经给出了它的判断：这是一家伟大的公司，站在一个伟大的、但可能正接近顶点的周期上；它今天的价格里，写满了"派对会降温"的预期。 真正的分歧，从来不在 NVIDIA 好不好，而在降温会多快、多猛，以及现在的价格对此定价得够不够——这道题，没有人能替你回答，本报告也只负责把题目和变量摆清楚。

免责声明：本报告基于公开信息与第三方行情数据整理，所有关键数据均标注了口径与时间点，部分历史叙述为基于公开资料的还原，可能存在偏差或时效性问题。本报告仅供信息参考与研究学习之用，不构成任何投资建议、要约或买卖指令，亦不构成对任何证券价值的判断。市场有风险，投资需谨慎，任何决策请咨询持牌专业人士并自行承担风险。

— 全文完 —

常见问题

NVIDIA（NVDA）的多头逻辑是什么？

它赢的是标准，而非芯片。CUDA 锁定了一代工程师，带来对手更快或更便宜的芯片也难以撼动的定价权——约 71% 的毛利率。只要 AI 算力需求继续推动云资本开支上行，NVIDIA 就拿走其中大部分。

市值 4.7 万亿，为何 NVIDIA 前瞻市盈率只有约 15 倍？

因为盈利增长太快——三年营收约涨 8 倍——前瞻倍数被压低。这个低倍数其实是市场在为增速放缓定价，也就是“派对终会降温”。

NVIDIA 最大的风险是什么？

AI 资本开支放缓（“谁为算力买单”之问）、CUDA 被硬件无关的软件层替代、云客户自研 ASIC 抢走推理份额，以及股价对任何增速失速的高度敏感。