在我们上学的时候，英伟达只是一家游戏显卡公司，在PC游戏玩家的小圈子里被熟知。2018年加密货币崩盘后，股价腰斩过，市场质疑其增长天花板。而现在，几位已经形成了全球莟，英伟达是全球AI基础设施的绝对核心，市值突破5万亿美元，成为科技史上增长最快的公司之一（Anthropic增长最快，没有之一）。我之前没有研究过英伟达，英文财报看不懂，偶尔看看别人写的文章，也是当热闹布局。「英伟达护城河极深」恐怕是全球共识，但也许，一些人有fomo心态，一些人又恐惧AI泡沫。看多者认为AI革命刚刚开始，英伟达是新时代的“石油公司”；看空者认为估值已透支未来五年增长，泡沫随时会破。1、从游戏显卡到AI数字石油
（1）GPU的起源与CUDA生态的建立
1993年，黄仁勋在硅谷，与2个联合创始人创立英雄伟达。1999年，英伟达推出GeForce 256，首次提出“GPU”（图形处理器）概念。当时这只是一款游戏显卡，但黄仁勋的远见在于，他看到了图形处理芯片的通用计算潜力。2006年，英伟达发布CUDA平台，这是一个战略性的转折点。当然，最终做决断的是CEO黄仁勋，但其实：
2002 年就有科学家把 GeForce 可编程着色器改造成做矩阵计算，叫 GPGPU。
2003 年，John Nickolls（之前创过几家并行计算公司都不成功）给黄写信，核心论点是"登纳德缩放 2005 年终结 → CPU 串行到顶 → 并行计算的春天"。
英伟达首席科学家 David Kirk 提出"GPU 通用化"思路——把 GPU 从纯 3D 渲染拽出来做通用计算。
CUDA的本质是什么？简单说，它是一套让GPU干“非图形活”的编程体系。在CUDA之前，GPU只能处理图形渲染；CUDA之后，开发者可以用熟悉的C语言编写程序，让GPU执行通用计算任务。这个决策在当时看来有些疯狂——英伟达投入巨资开发一个当时几乎没有市场需求的技术平台。自2006年开始，黄每年烧 5 亿美元养 CUDA 软件栈，占当时年收入 1/5，连续烧 10 年。
但黄仁勋多个场合说过：“我们是市场的创造者，不是市场份额的攫取者。”这句话现在回头看，精准得可怕，但当时，谁又能提前看到「现在」。CUDA的早期采用者是科研机构，他们发现用GPU做科学计算比CPU快几十倍。辛顿团队（印象中当时辛顿是加拿大哪个大学的教授）在2012年用GPU训练深度神经网络，横扫李飞飞创立的 ImageNet比赛，准确率大幅提升，这成为AI深度学习的转折点。辛顿（Geoff Hinton）带 Alex Krizhevsky 和 Ilya 用 GTX 580 跑 AlexNet，GPU 训练 CNN 横扫 ImageNet——CUDA 突然从"学术玩具"变成 AI 刚需。
黄在 2023 年演讲里说："我们为 AI 发明了 CUDA，那段旅程塑造了我们的品格——承受痛苦和苦难是在追求愿景路上必经之痛。"
今天，CUDA生态有600万开发者、4万家公司、4000多个应用、400-900个软件库。全球大学AI课程默认使用CUDA，新一代开发者从学习阶段就被锁定在这个生态里。黄仁勋在2026年财报电话会上说：“CUDA不是我们的产品，CUDA是我们的护城河。”这是共识，CUDA平台生态才是护城河，高转换成本，而GPU，只是赚钱的手套，变现的把戏，这跟腾讯“社交护城河+游戏/广告变现”本质上是类似的。
（2）业务结构的清晰变化
看英伟达的业务演变，就像看一家公司如何抓住时代脉搏。我用FY2022-FY2026的数据做了个表格：此处配了一张英伟达业务结构演变图，展示数据中心业务占比从40%到90%的变化数据来源：英伟达FY2026 10-K年报
这个表格说明了一切。数据中心业务从配角变成绝对主角，五年营收从269亿美元增长到1943亿美元，年复合增长率126%。游戏业务从现金牛变成稳定现金流，虽然绝对额还在增长（从129亿到173亿），但占比大幅下降。CFO Colette Kress 在 FY2026 Q4 电话会中明确，数据中心是英伟达核心增长引擎，游戏业务提供稳定现金流，专业可视化与汽车业务具增长潜力但目前规模有限。我理解这种业务结构变化背后的逻辑。游戏GPU是“现金牛”，每年稳定的升级需求为英伟达提供研发资金和制程迭代的规模效应。数据中心是“明星业务”，吃掉了绝大部分研发资源和供应链优先级。这种“现金牛养出明星”的模式，在很多成功科技公司中都出现过，比如meta的Reels，字节的抖音。（3）商业模式的本质解剖
英伟达的商业模式可以概括为：Fabless设计 + CUDA生态 + 全栈方案。首先是Fabless轻资产运营。英伟达不建晶圆厂，所有制造外包给台积电。这种模式资本效率极高——FY2026英伟达ROIC（投入资本回报率）达到85%，意味着每投入1美元资本，产生0.85美元的税后回报。对比一下，英特尔因为要维持晶圆厂，ROIC只有15%。毛利真高，即使面对台积电及sk、三星这样的上游垄断巨头加价，英雄伟达依然能达到70%+的毛利，并且还在增长，确实整个AI产业链上游，在巨大的时代红利之中。
但Fabless模式也有代价（好像代价也不大）。英伟达100%依赖台积电代工，HBM内存70%依赖SK海力士。黄仁勋在2026年GTC大会上承认：“台积电是我们不可或缺的合作伙伴，这种依赖是双向的——我们需要他们的先进制程，他们需要我们的订单规模。”这种与其说是「依赖」，我理解，不如说成是「共生」。其次是软件生态锁定。英伟达不是卖芯片，是卖“芯片+软件+生态”的全栈解决方案。从CUDA编程语言，到cuDNN、TensorRT、NCCL等优化库，再到NVIDIA AI Enterprise软件套件，每一层都增加客户切换成本。头部 AI 企业将主流大模型训练栈从 CUDA 迁移至 AMD ROCm/Intel 等平台，适配周期 6–18 个月，等效成本可达目标算力集群投入的 28%–42%，早期估算在数千万至上亿美元量级。这不是技术问题，是经济问题。CUDA平台，已经形成了网络效应，越多人用，越好用，然后又吸引越多人用。第三是从芯片供应商到系统供应商的升级。Blackwell架构发布后，英伟达开始卖“系统”而不是“芯片”。一个完整的DGX GB200 NVL72系统，包含72颗B200 GPU、NVLink互连、InfiniBand网络、液冷散热，售价超过300万美元。这种全栈方案进一步加深了客户绑定。毛利率略有下降，因为还要绑定相对低毛利的网络、散热、液冷，但赚的钱更多了，客户的转换成本更高了，形成了更强的「客户锁定效应」。黄仁勋有个经典比喻：“我们不是在卖锤子，我们在卖整个建筑队。”这个比喻很形象——客户买的不是单个工具，是完成AI基础设施建设的完整能力。2、产业链中的位置
（1）上游供应链的共生关系
英伟达的供应链是个“铁三角”：英伟达 × 台积电 × SK海力士。理解这个三角关系，就理解了英伟达的供应链风险与优势。台积电负责晶圆代工和CoWoS先进封装。英伟达所有AI GPU都用台积电4nm/3nm制程，CoWoS封装将GPU die和HBM内存封装在一起，这是性能的关键。问题在于，CoWoS产能长期供不应求。英伟达通过数百亿美元采购承诺锁定产能，但这也意味着100%依赖。SK海力士供应HBM（高带宽内存）。HBM占GPU物料成本从30%升到近50%，这是利润向上游转移的信号。每颗B200 GPU需要8颗HBM3E芯片，SK海力士是主供应商。2026年6月，英伟达与SK海力士签了多年期战略协议，预付款数十亿美元。这个铁三角是技术锁死+产能锁死+经济锁死。英伟达GPU架构与台积电CoWoS深度耦合，HBM4从设计阶段就三方联合优化。交付链条是：GPU设计 → 海力士交HBM → 台积电CoWoS封装 → 鸿海/纬创组装 → 出货给云厂。任何一环卡住，整个AI集群就延期。黄仁勋曾经大体讲过：“我们和台积电、SK海力士的关系不是简单的买卖，是战略共生。他们需要我们的订单规模，我们需要他们的技术能力。”这话很坦诚。（2）下游客户的无奈选择
看英伟达的下游客户，就像看一群“不得不买”的土豪。微软、谷歌、Meta、亚马逊，这些全球最赚钱的公司，都在排队给英伟达送钱。为什么？CUDA生态的转换成本太高。将训练代码从CUDA迁移到其他平台，需要重写数百万行代码，成本数亿美元，时间是6-18个月。在AI竞赛中，0.5-1.5年意味着生死。算一笔经济账。假设一家云厂商要建10万张卡的数据中心：英伟达方案：B200系统，单卡$40,000，总投入40亿美元AMD方案：MI400，单卡$25,000，总投入25亿美元看起来AMD便宜15亿美元（实际 CSP 集采折扣会让差缩小）。但考虑CUDA代码重写成本5亿美元（含隐性机会成本），训练效率低20%，0.5-1.5年时间成本（假设年收入100亿，延迟损失10亿），总成本反而更高。这就是转换成本的经济学。更关键的是定价权测试。英伟达H100定价25,000−30,000，B200定价35,000-40,000，毛利率75%+。客户抱怨贵，但照买不误。这种定价权让我想起茅台——客户知道贵，但宴请时还是得用茅台。不同的是，茅台是面子消费，英伟达是生产力工具。（3）生态效应的放大机制
① 开发者用CUDA → AI框架默认CUDA优化 → 更多开发者用CUDA② ISV基于CUDA开发应用 → 客户只能选英伟达GPU → ISV更多投入CUDA③ 客户需求反馈驱动产品迭代 → 产品更好用 → 更多客户采用ISV = Independent Software Vendor（独立软件开发商 / 独立软件供应商）。在 NVDA CUDA 语境下特指，不生产硬件、专门开发基于 NVIDIA GPU + CUDA 加速的行业应用软件公司，它们接入 NVIDIA 的 ISV Partner Program，获得 SDK、认证和技术支持，然后把软件卖给最终客户（比如 ANSYS 用 Fluent 做流体仿真、Dassault Systèmes 做 CAD/CAE、Siemens 做 EDA、医学影像软件商做 CT/MRI 重建等）。
它揭示 NV 护城河的一个隐藏维度——NV 不只锁住 AI 实验室和 CSP，还通过 ISV 锁住千行百业的垂直软件（EDA/CAE/医学/油气/金融）。
这个飞轮转了18年，现在惯性极大。黄仁勋说：“生态不是规划出来的，是长出来的。我们只是提供了土壤。”We should do as much as necessary, as little as possible. We provided the platform/soil (CUDA)，ecosystem grew.
3、竞争优势
（1）网络效应的真实价值
晨星护城河框架将英伟达评为“宽阔护城河”，核心是CUDA生态。这不是技术护城河，是时间护城河。CUDA的建立用了18年，600万开发者，数亿GPU装机量。AMD的ROCm生态追赶了8年，差距依然巨大。这不是AMD不努力，是时间无法压缩。就像微信的社交关系链，不是技术问题，是时间积累问题。CUDA的护城河不在代码行数，在数百万开发者18年积累的经验、调试记录、最佳实践。这些隐性知识无法文档化，只能通过时间传递。品牌认知也有溢价。“AI芯片=英伟达”的认知已经建立。当企业CTO要采购AI训练芯片时，第一个想到的是英伟达，这是降低决策风险的默认选择。当然，我认为，「真实价值」其实有一个前提，那就是英伟达始终站在技术的前沿，而我觉得以公司历史上的「专注」而言，就应该是个大概率事件。（2）转换成本的量化理解
转换成本可以量化。我参考了 Bernstein Research 2026年的报告：转换成本类型 | 量化估算 | 影响 | Bernstein Research |
代码重写成本 | 5亿美元（大型云厂商） | 一次性支出 | Bernstein 给的是总包 28–42% 集群投入，不是分项。10 万卡 NV 集群 Capex $25–40 亿 → 28–42% ≈ $7–$16.8 亿 |
模型重训练成本 | 2-5亿美元（已训练模型） | 时间成本+算力成本 |
系统重建成本 | 3-8亿美元（基础设施） | 停机时间+人力投入 |
效率损失 | 20-30%（初期） | 持续成本 | 15–35% |
适配周期 | 6–18 个月 | 一次性 | 6–18 个月 |
全栈方案是转换成本的倍增器。英伟达卖的不是GPU，是“GPU+NVLink+InfiniBand+软件+服务”的完整解决方案。每增加一层绑定，客户切换成本就翻一倍。4、理性审视增长天花板
（1）竞争格局的动态变化——风险不大，但有，好比deepseek就强行适配华为升腾
AMD MI400是最大威胁。MI400采用CDNA 4架构，320亿晶体管，对标B200。预计FY2027量产，可能侵蚀英伟达中端市场10-15%份额。但CUDA生态差距依然巨大。Bernstein Rasgon 等分析师指出 ROCm 生态在开发者采用上仍 lag CUDA 约 10x，AMD 需借 OpenAI/Meta 认股权证绑定换规模；Lisa Su 在 FY2026 Q1 电话会称 ROCm7 已实现新模型首日支持、客户迁移体验顺畅，但未松口「不寻求全面替代」。Lisa Su 在 FY2026 Q1 电话会称：ROCm7 在性能提升及支持的框架范围方面实现了重大突破。对我们而言，确保对所有最新模型的'首日支持'(day-zero support)至关重要。目前大多数新采用 AMD 的客户在迁移工作负载时都能获得非常顺畅的体验。
自研芯片趋势值得关注。谷歌TPU v6、Amazon Trainium3、微软Maia，这些芯片主要替代推理场景。训练市场英伟达依然无可替代，但自研芯片限定了英伟达的定价上限。黄仁勋对此的回应很直接：“数据中心电力固定，竞争单位是每瓦 token 产出而非芯片标价，即便对手芯片定价为零，若每瓦性能差一档，同样电力下客户收入差数倍，故'免费芯片也不够便宜。”BG2 Pod《NVIDIA: OpenAI, Future of Compute》（2025.9）：黄说 "Blackwell 相比 Hopper 性能提升约 30x，在一吉瓦电力里放弃 30x 产出机会成本太高，对手芯片白送也补不回来"——这是"电力/每瓦产出"论证的真出处。
All-In 播客（2026.3，GTC 后）：黄原话 "如果你无法跟上技术发展的步伐，即使芯片是免费的，它的成本也同样不低"——这是"免费也不够便宜"的真出处。
（2）供应链与地缘政治风险——伪风险
① 台海局势：系统性风险，无法对冲。台积电产能中断将导致英伟达完全停产。这是伪风险，因为竞争对手并不会因此而受益。
② HBM产能瓶颈：SK海力士扩产需要时间，可能制约英伟达交付能力。这个也是伪风险，三巨头「战略共生」，会通过长协价，优先保供英伟达，无非就是涨涨价，利益重分配一下，不影响英伟达的护城河。
③ 出口管制：中国区收入从20%降至9%，FY2026因H20芯片计提45亿美元减值。伪风险。这是事实，不是风险。
（3）商业模式的潜在挑战——伪风险
① 从芯片向系统转型：毛利率可能从75%+降至65%+。伪风险。这就好比茅台除了做「茅台酒」，还选择做大「系列酒」，一个意思。英伟达这个系统转型，其实是在增加客户的转换成本，在加强自身的护城河。
② HBM成本占比持续攀升：从30%到近50%，利润向上游转移。伪风险，已经是事实。上游HBM供不应求，涨价涨了几轮了，但英伟达依然有超过70%的毛利率，超过50%的净利润。
③ 增长曲线自然放缓：任何技术扩散曲线都有S型规律，英伟达已过最陡峭阶段。伪风险。只解释现象，未解释原因，不构成风险。
（4）估值层面的客观压力——与英伟达的风险无关，是投资者出价，只涉及投资风险
当前股价$193，市值$4.67万亿，对应FY2026 PE 39.4倍（如果考虑动态PE，则为19，TTM PE则为30）。这个估值隐含了怎样的增长预期？我做了个简单测算：假设英伟达FY2031营收达到4000亿美元（从2159亿增长），需要年复合增长率13%。如果市场要求25% CAGR（当前股价隐含的），则FY2031营收需达6600亿美元，对应AI基础设施市场规模需超1万亿美元。问题是，AI基础设施市场真能到1万亿吗？IDC预测2030年全球AI基础设施支出约8000亿美元，英伟达维持80%份额就是6400亿，接近但不够。如果增速放缓到15-20%，当前估值就偏高。摩根士丹利及部分机构指出 NVDA 主要下行风险来自增长预期下修引发的估值倍数压缩（而非竞争失地），若市场从成长股 PE 40x 重估至成熟股 PE 20x 量级，理论上有大幅回撤空间。以上只是简单口算，当不得真。
反正英伟达处于AI风口，护城河极深，这应该是共识，于是，股价也不会被「错杀」。
小结
整体阅读下来，我觉得英伟达的生意模式极好，长坡厚雪，这其实应该是业内共识。CUDA生态护城河极深，全栈方案转换成本极高，产业链咽喉位置稳固。黄仁勋和团队的执行力经过30年验证，从游戏显卡到AI心脏的转型堪称教科书级。财务数据更是漂亮——FY2026营收2159亿美元，净利润1201亿美元，毛利率71%，经营现金流1087亿美元。这是印钞机级别的盈利能力。当前股价$193，市值4.6万亿美元，PE 39倍。假设英伟达未来五年保持25% CAGR，2031年净利润约3600亿美元，给20倍PE就是7.2万亿美元市值，年化回报约7%。如果增速放缓到15%，年化回报可能接近零。问题是我给不出估值。英伟达的生意并不复杂，但需要花时间去理解——要理解CUDA生态的技术细节，要跟踪台积电CoWoS产能扩张，要预判AMD MI400的市场接受度，要估算全球AI基础设施总规模。这需要时间与精力，而且分析完后，未必能下手，主要是增速只能保守预估，所以我暂时只是保持观察，不上车。作为个人投资者，我的学习时间太短。虽然看了些资料，感觉只懂了皮毛。这种复杂度的公司，需要长期跟踪，不是个人投资者能轻易把握的。所以我的结论很矛盾：英伟达是家伟大的公司，但我无法出价。就像看到一件绝世艺术品，知道它价值连城，但不知道具体值多少钱。这种情况下，理性选择是观望——继续学习，等待市场给出更清晰的价格信号，或者等自己认知足够深时再决策。芒格说：“反过来想，总是反过来想。”如果英伟达会失败，会是什么原因？我想不是竞争，不是技术，而是AI投资周期见顶后的增速断崖（不影响英伟达的护城河，但影响其未来自由现金流折现，从而影响出价的判断）。这个风险当前股价已经反映了多少？我不知道。但我知道，在不知道的时候，最好的投资是不投资。 
