昨天（美國時間10月29日日），很多人都在說見證歷史。英偉達市值突破5萬億美元，全世界僅此一家。
5萬億美元，什麼概念？
如果對比市值，相當於7個騰訊，13個阿里，26個拼多多。
如果折現，能買下全球前十的芯片公司後，還能剩下不少。
如果刮彩票，天天刮，天天中，一天一億美元，大約要137年。
但英偉達的市值增長，比刮彩票還要快。 2023年5月，破萬億。 9個月後，破2萬億。 3個月後，破3萬億。從3萬億到4萬億，用了410天。而從4萬億到5萬億，只用了113天。同時，英偉達CEO黃仁勳也身價暴漲，成為全世界第八有錢的人。
你看，前後不到3年，英偉達就創造了新的歷史。真的，真的讓人震撼不已。
震撼之餘，一個巨大的困惑隨之而來：
既然AI芯片這行業這麼賺錢，為什麼我們好像只看到英偉達在賺錢？那些本該瓜分這塊大蛋糕的對手呢，又在哪兒？
帶著這些疑惑，我做了些研究。越來越有種強烈的感覺。
英偉達能有今天的成就，不是偶然。而是一家企業，用近20年時間，從零構建起堅實的護城河，成為全球第一的史詩故事。
看懂英偉達的故事，或許也能給很多企業家和創業者，一些啟發和思考。
就讓我們先從那個最基礎的問題開始。
01
英偉達到底有沒有對手？
有。非常多。而且，個個都是頂尖高手。
放眼望去，我們至少可以數出三位重量級的“競爭對手”。
比如，AMD。它和英偉達在半導體領域，是幾十年的老對手。論技術、論經驗，都絕對是最有資格和英偉達掰腕子的玩家。
比如，英特爾。它是曾經的“芯片霸主”。製造能力強，客戶基數大。
比如，谷歌。它幾乎有無限的資源，和世界頂尖的AI團隊。而且，還在研發自己的專用AI芯片。
你看，這三家巨頭，哪個的名頭不是響徹全球？
但是，這也讓問題變得更尖銳了：牌桌上明明都是高手，但籌碼，卻似乎都在一個玩家手裡。
到底是為什麼？
02
為什麼好像英偉達“一家獨大”？
先說答案，因為英偉達用一套系統，以極高的“遷移成本”，牢牢鎖住了它的客戶。
你可能會說，那是因為英偉達的芯片，最快最好。
嗯，通常來看，“英偉達的GPU芯片最快最好”，很符合大眾的直覺。但實際上，這個回答不夠嚴謹。
什麼意思呢？我想請你跟我一起開個腦洞，想像這樣一個場景。
AMD的CEO，蘇姿豐。走進了OpenAI的辦公室，給CEO薩姆·奧特曼，提出了一個非常誘人的提議。 AMD有一款全新的GPU芯片，比英偉達的B200，性能高出30%，價格還便宜一半。
如果你現在是薩姆·奧特曼，這份“訂單”，你簽還是不簽？
要我猜，大概率，薩姆·奧特曼不一定會簽。至少他會非常、非常地猶豫。
為什麼呢？一個更便宜、更高效的選擇擺在眼前，都不能讓他心動呢？
因為價格只是整個環節裡一小部分。在商業技術投資裡，要從TCO框架（總體擁有成本）考慮。不光包括最直接的標價，還有各種間接和隱藏成本。
如果光比較價格，AMD優勢很大。
比如英偉達的高端芯片A100、H100，單個成本25000美元到40000美元，而AMD高端芯片價格在25000美元左右。
但更重要的，是隱藏成本。它們才是影響OpenAI決策的關鍵因素。
假如，OpenAI真的從英偉達換到了AMD，會發生什麼？
直接說結論，最主要的人力成本、代碼遷移成本、運營成本，和機會成本，都會大幅增加。而任何一項變化，都可能直接決定生死。
你想想，換了平台，那上千名頂尖工程師怎麼辦？他們過去十多年的經驗，難道要一夜清零，從頭再學嗎？這得是多大一筆培訓賬？還有那數百萬行代碼，怎麼辦？那可不是簡單的“複製粘貼”啊。
可能，你會問，這換個平台能有多難呢？我不太懂專業技術，請允許我試著打個比方來解釋一下。這就像你要把南方的荔枝種到北方。不是說你挖走就行，還要做大量的研究、測試，花上大量的時間。 AI就是這樣，而最後能不能成，還說不准。
另外，換平台期間，意味著要同時運營維護兩套完全不同的平台。這裡面的成本，很可能翻倍上漲。
最要命的，也是最大的風險，是機會成本太高。
AI這個賽道，分秒必爭。如果為了換個平台，而導致研發落後，或是模型發布晚了幾個月。那麼，很可能就從行業領導者變成追隨者。這裡面，還沒算上遷移出問題的情況。完全不敢想像。
所以，在把各種直接成本、間接成本相加後，就達成了“鎖定供應商”的結果。
說白了，就是我從軟件到硬件，全部跟你牢牢綁定。長遠看，反而是AI公司的最優解，因為它在未來的合同時間內，不用為硬件擔憂。
現在，再回頭看AMD那份“性能高30%，便宜一半”的訂單，還覺得香嗎？
答案是否定的。硬件上省下的幾百萬美元，比起可能高達數十億美元的遷移成本和潛在戰略風險，微不足道。
到這，你應該發現了，英偉達真正鎖住客戶的，並不是它的硬件。而是一個看不見摸不著的“牢籠”。
那就是被稱為“英偉達護城河”的CUDA。
03
被叫作“英偉達護城河”的CUDA，是什麼？
CUDA全名叫Compute Unified Device Architecture（統一計算設備架構）。說白了它是一套讓程序員更好用英偉達GPU的編程工具。
對於不太懂技術的人來說，這部分有點複雜。下面我盡量簡單說清楚。
要理解CUDA，得先知道什麼是“編程模型”。
我打個比方。
過去的計算機，主要靠CPU（中央處理器）運算。 CPU像一個米其林三星大廚。手藝高超，什麼菜式都能做。但問題是，他一次只能炒一道菜。如果遇上飯點高峰期，爆單是常有的事。
這叫“串行計算”。程序編程必須按順序執行，上一個任務完成才能做下一個，適合邏輯直觀、小規模的任務。遇到復雜的任務，效率就會不足。
而GPU（圖形處理器）不同，他不像大廚，而像一個擁有成千上萬個小工的“超級廚房”。每個小工負責的東西不一樣，可能A切菜，B洗菜，C炒菜，D甜品……最後匯總到超級廚房。如果要給一萬斤土豆削皮，那個大廚可能要削到手斷，而這邊上萬個小工可以同時開工，瞬間完成。
這叫“並行計算”。能同時處理多個任務，整體縮短時間，大大提高運行效率。
但是，這裡還有個問題。
這成千上萬個小工，雖然人多力量大，但是他們很“笨”。必須要有人告訴他們，A你去切菜，B你去洗菜，C你去炒菜……否則，廚房會亂成一團。說白了，必須要有一個統一的指揮，能命令那些小工高效協作幹活。
而英偉達的CUDA，就是那個總指揮。有自己的一套指揮語言，精準協調每個核心，完成任務。
做個類比，就像一台相機，硬件非常厲害。想要用好，你要懂光圈、快門、ISO等專業知識，對大多數人來說，門檻太高了。於是，廠商想出了“智能場景模式”，比如運動模式、延時模式等等。你拿到相機，再也不用懂那些專業知識，只要會按一個鍵，就能拍出好照片。
CUDA就是GPU的“智能場景模式”。開發者不用專門研究GPU的架構，也能高效完成編程任務。簡單來說，就是讓更多人能用上GPU的強大算力。
2006年，CUDA的問世，直接改變了英偉達的命運。
以前，GPU主要被看作用來渲染畫面的“遊戲顯卡”。 CUDA出現後，顯卡就能被用在科學運算、物理模擬等領域。
這就意味著，以後的客戶不光是遊戲公司，各種搞科學研究、技術研發的，都可以服務。
黃仁勳的心裡堅定著一個想法：使用CUDA的人越多，這項技術成為標準的速度就越快，就越可能找到新的應用。
於是，英偉達在過去近二十年裡，專心做了一件事：圍繞CUDA建立了一個龐大、繁榮的生態系統。
跟競爭對手相比，英偉達做這件事，早了將近十年。
如果說，英偉達的GPU是AI時代的“電腦主機”。那麼，CUDA就是AI時代的“Windows系統”。
想想看，幾十年來，為什麼技術上可能更優秀，還免費的Linux，始終不能在個人桌面市場撼動Windows的統治地位呢？
答案，不是系統本身，而是生態。
因為Windows上那個龐大的應用生態太強大了。從微軟的office，到Adobe，再到各種行業專用的軟件，都跟整個生態密不可分。試想一下，一家需要用到很多專業軟件的企業，在買Windows許可證，和重新培訓員工的成本之間，會做怎樣的選擇呢？答案，不言而喻。
CUDA，就是這樣，它有著無比龐大的應用生態。對很多企業和個人來說，這是必選項，
有過統計，到目前，全球有超過450萬開發者在用CUDA開發。而在2020年的時候，這個數字還是180萬。 CUDA工具包每月的下載量，高達數十萬次。
現在，我們再來复盤下整個邏輯：開發者使用CUDA，創造更多項目和應用，推動CUDA成為行業標準，高校教授CUDA，畢業生掌握技能，企業把CUDA列為招聘條件，更多開發者學習CUDA。
到這，你應該看明白，CUDA為什麼能成為英偉達的護城河？因為佈局夠早，逐漸產生強大的生態慣性。而這也是競爭對手無法撼動。
你看，企業真正的護城河，往往是靠標準、習慣和社區共同搭建。
如果我們現在再回頭看AMD給OpenAI的那份提議，你就會發現，壓根就不是成本問題。說白了就是風險太大，根本沒必要換。
現在，大家是不得不用。而在一開始，英偉達面臨的卻是“沒人想用”。
04
一場無人看好的“豪賭”，成就今天的英偉達
2006年，CUDA問世後，無人在意，矽谷和華爾街都不看好。
到了2008年，受到金融危機的影響，英偉達股價曾暴跌80%以上，市值40億左右。就連英偉達內部，都對CUDA的未來存在分歧。是不是所有GPU都要支持CUDA？
同時，研發CUDA付出的代價也很大。
英偉達第一款支持CUDA的GPU，是G80。為了開發這款芯片，英偉達花了整整4年時間，成本高達4.75億美元，佔了那4年總研發預算的三分之一。
這還只是“一個”支持CUDA的GPU。
那時候，真的是生死存亡之際。
怎麼辦？
黃仁勳想了個辦法：砸錢。重點往學校和科研機構砸錢。
他通過捐錢、捐設備的方式，讓CUDA進入高校，先培養教育和科研領域的用戶。另外，還在全球設立各種CUDA研發中心、教學中心、開設教學課程等。那時候，每年砸在CUDA上的研發成本有5億美元之多。
儘管費盡人力、物力、財力，CUDA在很長一段時間內都不被看好。 2013年初，很多投資分析師都認為，只有放棄CUDA，回歸PC遊戲核心業務，英偉達股價才能漲。甚至，有人質疑，黃仁勳這CEO還能不能乾了。
現在來看，英偉達的CUDA，就是在賭。何況，他還賭對了。
為什麼CUDA能從無人看好，變成香餑餑？因為學過CUDA的畢業生畢業進了科技企業，CUDA的社區資源和代碼庫越來越豐富。到2015年，全球已經有800家大學開設CUDA課程。隨著時間推移，CUDA的使用場景，從高校普及到了醫療、商用等更多場景。
至於跟人工智能領域“牽手”，可以說，純屬“巧合”。
2012年，斯坦福大學發起的一場全球性AI圖像識別競賽上，多倫多大學的一個三人小組，交出了一個叫AlexNet的AI神經網絡，贏得冠軍。而且，準確率比第二名高出41%。
怎麼做到的？這個團隊說，用的是2塊NVIDIA GTX 580 GPU，而他們也是整個比賽里，唯一一個用CUDA訓練神經網絡的隊伍。
那時候，谷歌也注意到這個團隊。他們發現，AlexNet之前只用兩塊GPU顯卡，得到的效果跟谷歌用16000個CPU訓練出來的幾乎相同。
很快，整個行業都意識到，GPU是支撐AI的最佳硬件。而英偉達，很可能將成為AI發展的關鍵。
現在我們都看到了，英偉達確實成了AI發展的最大核心。
05
英偉達的對手們，一點辦法都沒有嗎？
一旦理解了CUDA，再看英偉達的那些競爭者，就會發現，他們的每一步都被英偉達死死限制。
我舉幾個例子。
比如AMD，它選擇開源。
它研發了一個名為ROCm的開源平台，目標就是取代CUDA。但是沒，它就像是“AI時代的Linux”，免費，開源，有技術潛力，更便宜。但對用戶來說，遷移成本太高。
比如英特爾，它選擇細分賽道。
英特爾很聰明，直接承認英偉達在AI高端市場遙遙領先。所以，英特爾把它的Gaudi系列芯片，定位在企業級推理和中小型模型訓練這些細分市場。但這也意味著，英特爾放棄了AI芯片市場裡最賺錢的部分。
比如穀歌，它選擇正面硬剛。
Investopedia有過報導，英偉達在賣GPU中的毛利率大約為80%，業內叫它“英偉達稅”。為了不交高溢價，谷歌從2015年開始自研，內部使用名為TPU的算力生態。相比之下，TPU跟谷歌內部平台深度綁定，影響不了英偉達的地位。
所以你看，那些巨頭對手們，都不是簡單的比拼性能，而是拼戰略。都在想辦法繞過CUDA，繞過英偉達。
但至少目前看來，無人能撼動。
所有挑戰者都在繞著山走，這本身，就是對這座難以攀登的高山，表達最崇高的敬意。
最後的話
呼。說完了。英偉達從無人看好，走到今天的萬眾矚目。這一路，真的讓人無比震撼。
我看到網上有人表示擔心：英偉達漲這麼高，太誇張了，會不會是泡沫？它會不會是第二個思科。
這裡簡單提一下，2000年有個互聯網泡沫時期。當時的思科是互聯網硬件供應商，最高時，估值超過其遠期市盈率的150倍。但在泡沫破滅後，一落千丈。
實際上，他們有根本差異。
思科面對的是“一次性”的建設市場。當早期互聯網完成“鋪設管道”，思科的增長自然停止。而英偉達面對的，是一個不斷增長的市場。至少在現在看來，AI還在成長，那麼這場“軍備競賽”還看不到終點。
更重要的是，英偉達的客戶，是微軟、谷歌、Meta等全世界最不差錢的巨頭。對他們來說，購買英偉達的芯片，不是選擇，而是在AI時代活下去的必需品。
這說明，英偉達有著一個需求持久、客戶穩定、護城河更深的長期市場。
當然，未來會發生什麼，我們誰也無法預料。可能某一天，突然有種新的算法出現，可能讓GPU也變得不重要，從而改變整個遊戲規則也說不准。
但至少在當下，我們可以從英偉達身上，學到非常重要一課。
你的護城河，是什麼？
不是在糾結，“我的產品是不是比對手更好、更快、更便宜？”而是要問：“我的產品，有沒有一個讓客戶離不開的生態系統？”
其實，英偉達的五萬億美元市值，就是對這個問題最響亮的回答。
它證明了那個在商業世界，最簡單，也最重要的核心邏輯。
最深的護城河，不是用價格和性能堆出來，而是要讓你變得無可替代。
祝你，早日找到你的護城河。
參考資料：
1、《吳軍·矽谷來信》第244封信丨凡事都要專注——AlphaGo的核心芯片TPU解析
2、《蔡鈺·商業參考3》072 | 英偉達如何成為AI芯片巨頭
3、Nvidia 正式成為一家價值 5 萬億美元的公司/隨著該芯片製造商繼續在人工智能領域取得重大進展，其股價已突破 211 美元。
4、AMD提高AI芯片價格，有信心與Nvidia競爭
5、儘管開發者計劃得分較低，為何 NVIDIA 仍然佔據主導地位，
6、200萬註冊開發者，突破無數
7、超越 Nvidia，英特爾推出 Gaudi 3 芯片以實現具有成本效益的 AI
8、無與倫比的基礎設施優勢可以推動谷歌在人工智能開發領域領先於 OpenAI
9、從思科到英偉達：過去科技泡沫的教訓
10、英偉達革命
11、使用深度卷積神經網絡的 ImageNet 分類”（NIPS 2012）
觀點/ 劉潤主筆/ 海鹽/ 歌平版面/ 黃靜這是劉潤公眾號第2760篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用於訓練AI大模型等用途
