AI底层课 第15讲|GPU登顶：英伟达如何从游戏卡变身AI霸主

AI 底层课 · 第 15 讲

上一讲我们聊到封装测试，特别是 CoWoS 把 GPU 和 HBM 紧挨着堆叠在一起，直接决定了 AI 芯片的出货能力。但所有封装最终指向的，都是那颗「大脑」——GPU。缺少 GPU 提供的大规模并行算力，大模型训练根本无法跑起来，前面提到的先进制程、光刻机、材料、封测，也都失去了最大的需求源头。

这一讲，我们终于触及 AI 算力的心脏。英伟达（Nvidia）从一家做游戏显卡的厂商，一路成长为 AI 时代最显赫的算力霸主，市值一度突破万亿美元。它的壁垒究竟在哪里？是那颗芯片本身，还是某种更柔性的东西？我们从「CPU 和 GPU 的差异」这个最基础的话题切入。

先建立一个最简单的模型。我们日常电脑里的 CPU（中央处理器），就像一间「博士后工作站」：它只有少量极其聪明、能干的「核」，擅长一件接一件地处理复杂且有先后依赖的任务——比如操作系统调度、逻辑判断、顺序运算。它追求的是「单核够强、样样精通」。

GPU（图形处理器）则完全相反，它最初为解决「图形渲染」而生：屏幕上数百万个像素需要同时计算颜色，相互之间没有先后依赖，正好可以「一哄而上」。所以 GPU 内部堆满了成千上万结构更简单的「小核」，擅长同一时刻处理海量雷同任务。它追求的是「核数够多、一齐开火」。

用一句通俗的话讲最明白：CPU 像 8 位教授坐着解高等数学题，一人一道挨着做；GPU 像 1 万个小学生，每人只做一道极简单的加减法，但万人同时动手。处理「一道难题」CPU 占优；处理「一亿道简单题」GPU 完胜。而 AI，恰好属于后者——无论是训练还是推理，本质都是海量矩阵乘法，全是「简单却海量」的活。

为了支撑这种「海量并行」，GPU 在硬件设计上做了大量取舍：它砍掉了 CPU 大量用于分支预测、复杂缓存逻辑的面积，把省下来的晶体管全用来堆「计算单元」和「高带宽显存接口」。代价是它不擅长处理充满「如果……否则……」这类复杂逻辑跳转的任务，但换来的是单位面积内惊人的算力密度。这是一种典型的「为一类任务舍弃另一类」的设计哲学，而 AI 恰好是它押中的那一类。

理解这个取舍至关重要：GPU 不是「万能芯片」，而是「为并行而生的专用芯片」。它的威力，源于对特定计算方向的极致聚焦。这也提醒我们，评估算力不能只看「总算力指标」，还要看「这算力是否契合你的任务形态」。场景对了，GPU 是神器；放错地方，它只是个昂贵的发热元件。

CPU 串行 vs GPU 并行：少量强核 vs 海量弱核，对应不同任务

英伟达 1993 年创立，最初就是做游戏显卡的。游戏画面需要实时渲染数百万像素，是 GPU 天然的练兵场。第一阶段，GPU 是「游戏卡」，靠玩家购买显卡盈利。第二阶段，有人意识到 GPU 的并行算力同样适合计算比特币、以太坊的哈希，于是「矿潮」兴起，显卡被大量用于挖矿，需求剧烈波动。第三阶段，也就是今天的主角——AI。深度学习所需的矩阵运算，与图形渲染在数学结构上高度雷同，都属于大规模并行浮点运算。

于是，一次「意料之外的大跨界」上演了：原本为游戏设计的硬件，因为并行算力的通用性，恰好成了训练神经网络的理想工具。2012 年那篇著名的 AlexNet 用 GPU 训练图像识别模型、精度飙升，被许多人视为 AI 拥抱 GPU 的开端。此后大模型规模持续膨胀，对并行算力的渴求越来越猛，GPU 从「游戏配件」升级为「战略资源」。

这里蕴含一个投资启示：技术红利常常源自「为 A 场景开发的能力，恰好被 B 场景放大」。英伟达的运气，在于它提前几十年把并行计算硬件打磨成熟，等 AI 这个 B 场景爆发时，它已是唯一能举起铲子的人。但这「运气」背后，是下文要讲的、主动埋下的伏笔。

把这三次跳跃连起来看，会发现一条规律：GPU 的每一次「跨界」，本质都是「并行算力」找到了新的海量需求。游戏要渲染像素、挖矿要算哈希、AI 要乘矩阵——看似无关，底层都是「一亿道简单题同步处理」。英伟达的价值，在于它没有把 GPU 局限于游戏，而是持续把通用并行能力向外拓展。能力是通用的，需求是一个个场景累积起来的，这才有了今日的地位。

对观察者来说，这提醒我们：寻找「被低估的通用能力」是个好视角。许多技术今天只服务于小众场景，但一旦撞上海量需求，价值会被瞬间重估。判断一家硬科技公司，不妨多问一句：它掌握的能力，除现有用途外，还能贴上哪个更宏大的需求？

英伟达最关键的远见，是 2006 年推出的 CUDA（Compute Unified Device Architecture）。CUDA 问世之前，GPU 主要听命于图形 API，普通开发者很难直接拿它做通用计算。CUDA 做了一件事：为程序员提供一套软件和工具，让他们能用熟悉的 C 语言，直接把计算任务「派发」到 GPU 的上万个核心上运行。

这一步的意义，等于把 GPU 从「只会画图的专用工具」升级为「人人可编程的通用并行计算机」。研究者写一个矩阵乘法、训练一个神经网络，不必再碰底层图形指令，直接调用 CUDA 即可。于是围绕 CUDA，慢慢长出一片庞大的软件生态：深度学习框架（如 PyTorch、TensorFlow）底层都对接 CUDA，无数论文、教程、工程项目默认「用英伟达的卡 + CUDA」。

值得注意的是，CUDA 发布后的前五年，市场并不买账，质疑声不断——「谁会用显卡搞科学计算？」英伟达坚持投入、不赚钱也继续供养它。等 AI 浪潮来临，这套提前十年的软件基础，瞬间成为他人无法追赶的护城河。这再次印证我们反复强调的：底层能力的长期投入，会在某个拐点撬动整条产业链。

软硬一体：芯片 + CUDA + 框架 + 开发者，构筑英伟达的护城河

许多人以为英伟达的强大在于那颗芯片。芯片确实强，但对手也能设计出优秀的 GPU。英伟达真正难以复制的，是「芯片 + 软件 + 生态」的一体化体系。买英伟达的卡，买的不仅是一块硅片，而是一整套「立即能跑 AI 的工作流」：驱动、CUDA 库、深度学习框架适配、调优工具、集群管理，全部为你准备好。

这构成了极强的「转换成本」和「网络效应」。开发者在 CUDA 上积累了几十年经验、写下了海量代码，切换供应商意味着重写和重新调优，风险与成本都极高。而开发者越多，生态越丰富；生态越丰富，新开发者越倾向于选择英伟达——正反馈一旦形成，后来者极难打破。

所以从投资结构看，英伟达赚的不只是「卖硬件」的钱，更是「卖标准 + 卖生态位」的钱。它处于 AI 算力链条最贴近「使用者」的位置，下游无论谁做模型、谁做应用，大多都要经过它的硬件和软件。这种「离需求最近、且被生态锁定」的位置，是它高估值的核心支撑。

还可以换个角度理解它的「定价权」。在传统硬件生意里，芯片容易陷入同质化价格战；但在「硬件 + 软件 + 服务」打包后，客户购买的其实是「让 AI 跑起来的确定性」。这种确定性越关键、越难替代，厂商的溢价空间就越大。英伟达卖的，某种程度上是「省心」和「不掉链子」——对企业客户而言，这点往往比价格更重要。

当然，护城河也会被时间侵蚀。十年前没人能撼动，不代表十年后依旧。真正的变量是：当客户自身掌握了足够的软件适配能力，或出现了真正好用的跨平台生态，英伟达的「不可替代性」会下降。跟踪它，要持续观察「开发者是否还在用 CUDA、新项目是否还默认英伟达」——这是比任何跑分都更真实的护城河温度计。

当然，垄断利润总会吸引挑战者。AMD 推出了对标 CUDA 的 ROCm 软件栈，力图在数据中心 GPU 市场分一杯羹；英特尔也在 GPU 和加速卡上持续加码。它们的硬件能力正在逼近，真正的短板在软件生态和开发者习惯——CUDA 十几年积累的工具链和社区，不是一颗性能接近的芯片就能一夜补齐的。

另一条路线是「绕开 CUDA」：一些公司和开源社区在推动可移植的编程模型，让同一份代码能在不同厂商的芯片上运行；还有客户出于供应链安全和成本考虑，主动扶持第二供应商。这些都会缓慢侵蚀英伟达的独占性，但进程大概率漫长。

对观察者来说，判断英伟达地位是否松动，别只看「谁家芯片跑分更高」，要看「谁的软件生态开始被主流框架默认支持、谁的开发者社区在壮大」。生态才是那个慢变量，也是真正的护城河。

还有一个值得关注的现象：大客户自研芯片（如各家云巨头自研的 AI 加速器）正在分流一部分需求。它们往往找晶圆厂代工、搭配自研或第三方软件栈，目标是在关键负载上降低成本、减少对单一供应商的依赖。短期看，这动摇不了英伟达的主流地位——因为生态太厚；长期看，它会一点点抬升「第二选择」的存在感，尤其在特定、标准化的负载上。

所以「竞争」对英伟达而言，不是突然冒出一个全面碾压的对手，而是「需求被慢慢分流、生态被慢慢稀释」。这种慢刀子，比正面硬刚更难防，也更值得长期追踪。护城河再深，也怕日复一日的细水长流。

William的笔记 | 大白话

CPU 像 8 位教授，坐那儿一道一道解高等数学题，擅长「难且少」的活；GPU 像 1 万个小学生，每人只做一道极简单的加减法，但万人同时动手，擅长「简单却海量」的活。AI 训练就是典型的大量简单运算——几亿次矩阵乘法同步进行。所以 GPU 天生适合 AI。而英伟达厉害之处，不止是造了这 1 万个小学生，还早在 2006 年就发了一套「教学大纲」（CUDA），让全球程序员都能指挥这 1 万个小学生。等 AI 爆发，别人还在教小学生认字，英伟达的学生已排好队开工。芯片能抄，十几年的「教学体系」抄不动。

把英伟达放进投资框架，它是「AI 淘金热里卖铲子」最典型的标的：无论最终哪家模型公司胜出、AI 应用如何演变，训练算力大多要先经过它的 GPU 和 CUDA。这种「竞争中性 + 需求刚性」，让它享受了全行业资本开支的红利，订单可见度高、议价能力强。

但高光之下也有争论。第一，估值是否已透支未来增长？市值反映的是「AI 算力持续高增」的强假设，一旦下游资本开支放缓、或大客户自研芯片（如各家科技巨头自研 AI 加速器）放量，预期就可能回摆。第二，周期性。半导体和 AI 资本开支都存在周期，热潮退去时，高估值资产的波动会被放大。第三，地缘与出口管制，对其最大市场之一的影响，是长期悬在头上的变量。

所以看待英伟达，最稳妥的姿势是：把它当作观察「AI 算力景气度」的核心仪表——它的业绩、指引、产能（别忘第 14 讲提到的 CoWoS 封装约束）和下游资本开支，几乎就是 AI 产业链的体温计。本文只讲产业逻辑，不构成任何买卖建议；它适合作为「理解 AI 的钱往哪流」的入口，而不是投资建议本身。

再补一个容易被忽略的视角：英伟达的业绩，高度依赖「少数大客户」的资本开支节奏。几家头部云厂商和模型公司贡献了相当比例的采购，这意味着它的增长既是「AI 普惠」的故事，也带着「大客户集中」的脆弱。一旦几家巨头同步削减预算，订单的回撤会比想象中快。高估值资产最怕的，往往不是竞争，而是大客户自己变谨慎。

最后用一句话收尾这一讲：英伟达的崛起，是「通用并行算力 × 提前十年的软件生态 × 碰上 AI 海量需求」三者叠加的结果。它告诉我们，真正的寡头往往不是靠一款产品胜出，而是靠「把能力沉淀为生态、再被时代需求放大」胜出的。读懂这一点，比预测它下个季度涨跌更具长期价值。

把这一讲和前面串起来看，一条「算力炼成链」就清晰了：第 12 讲的光刻机刻出裸片，第 13 讲的材料保证良率，第 14 讲的封装把 GPU 与 HBM 拼成可用芯片，第 15 讲我们终于站到了这颗 GPU 面前——它之所以能成为 AI 引擎，是因为并行架构 + CUDA 生态，把前道所有环节攒出的算力，真正变成了开发者手中的生产力。下一讲，我们要往下钻一层，看喂给 GPU 的那口「粮」：HBM 高带宽内存，为何又成了被韩国把持的咽喉。算力再强，没内存喂，也是空转。

细节彩蛋

1. 黄仁勋（Jensen Huang）1993 年与同伴共同创立英伟达，公司名源自拉丁语「invidia」（羡慕），早年也只是家游戏显卡公司，谁能想到三十年后成了 AI 算力的代名词。

2. CUDA 2006 年推出后的前五年，市场普遍不看好「拿显卡搞通用计算」，英伟达在质疑声中持续烧钱供养，才换来后来的护城河。远见和耐心，往往要等十年才被确认。

3. 业界有人总结「黄氏定律（Huang's Law）」：GPU 的性能提升速度，比摩尔定律的芯片密度翻倍更快。意思是依靠架构 + 互联 + 软件协同，GPU 算力的实际年增幅能超过单纯制程进步。

下篇预告 ｜第 16 讲，GPU 算得再快，也得有「粮食」喂——那块紧贴在 GPU 旁边的 HBM 高带宽内存，为何成了又一条被韩国把持的咽喉？我们下一讲拆解「竖起来喂 GPU 的垂直内存」。

本文仅为产业科普与学习笔记，不构成任何投资建议。文中提及公司仅作产业逻辑说明，不代表推荐买卖。