【英伟达的核心竞争力全栈Co-Design】英伟达的护城河并非CUDA、Blackwell甚至不是黄仁勋本人而是将整个公司当作单一优化函数运行的能力其源头可追溯到1980年的斯坦福。即便英伟达芯片免费送也未必能生产出更便宜的AI。2026年3月黄仁勋在播客上被追问客户为何不直接用更便宜的ASIC替代英伟达他表示 Even when the chips are free, its not cheap enough. 即“就算芯片免费送也未必便宜”这一反直觉的观点在大模型时代得到印证。【计算范式的变革从RISC到英伟达式Co-Design】1980年前后斯坦福的John Hennessy和伯克利的David Patterson认为计算机工业方向有误当时主流CPU设计哲学CISC让硬件复杂但编译器利用率低。他们提出RISC即精简指令集计算让硬件简单、把复杂性交给编译器联合设计“芯片 编译器”。IBM的对照实验证明性能是“芯片 编译器”整体属性各自局部最优不如联合最优。Hennessy和Patterson因此在2017年获图灵奖黄仁勋记住了这一思想。现代AI产业最赚钱公司的方法论根源是1980年代的学术论文英伟达过去十年所做是其放大版联合设计从算法到电网的“十一层”。【通用计算的困境与英伟达的突破】20世纪后半叶计算机产业发展靠摩尔定律和Dennard Scaling前者使晶体管数量增加后者使芯片在不增加功耗下变快。但2005年左右Dennard Scaling失效CPU主频停滞摩尔定律也放缓。黄仁勋指出通用CPU路径过去十年物理上限是10倍而英伟达做到了10年100万倍。这一差距源于Amdahl定律即分布式系统性能由最弱环节决定单纯优化GPU不够。英伟达单卡十年性能跃迁制程改进贡献最小真正杠杆在制程之上的系统复利“单层优化”幻觉破灭。【英伟达的成本优势与独特逻辑】2025年下半年英伟达公布Blackwell和上一代Hopper在同一工作负载上的数据研究机构验证了单GPU的tokens/秒提升约65倍、单兆瓦的tokens/秒约50倍、每百万tokens成本下降约35倍。MLPerf Inference v6.0显示同一台GB300 NVL72系统软件优化后吞吐提升2.7倍、cost per token降60%以上。英伟达卖出去的GPU会随时间变便宜原因在于软件优化。英伟达与ASIC公司逻辑不同前者让硅片灵活、软件挖掘潜力客户买的是会长大的资产。500亿美元工厂比300亿美元工厂便宜因其能产出更多token且能力不断提升芯片价格是账单token成本是利润表。【英伟达的组织能力Co-Design的关键】Co-Design不是技术是组织。黄仁勋管理方式独特不做一对一会议而是让60个工程负责人一起解决问题实现信息共享。传统管理追求清晰分工Co-Design组织追求高质量碰撞前者KPI是部门做好自己的事后者是系统做好同一件事。英伟达产品是AI Factory公司运作方式也应如此组织结构由产品形态倒推。AMD、Intel、Broadcom难以复制英伟达因其组织仍停留在芯片公司形态。黄仁勋还亲自向HBM供应商解释AI需求与台积电靠“rough justice”维持关系。【英伟达的四条护城河】1. CUDA硬件创新的输电网大部分人认为CUDA开发者锁定是因迁移成本实则CUDA是由英伟达控制节奏、向开发者开放能力的平台是把硬件创新输送到全产业的输电网。英伟达新硬件能力会通过库传导到开发者生态变成下游应用吞吐而ASIC公司缺乏此传导链。2. Mellanox网络即计算2019年英伟达收购Mellanox七年后看这是伟大并购。大模型训练和推理是多GPU同步通信问题Mellanox让英伟达联合设计计算拓扑带来惊人财务后果网络业务营收增长。在大模型时代网络决定GPU集群价值。3. 供应链主动塑造的信念普通公司供应链是成本控制英伟达的供应链是产品一部分且被主动塑造。GB200 NVL72机架需在供应链端整装英伟达下一代Vera Rubin Pod更是复杂。黄仁勋提前向HBM供应商科普AI需求GTC是产业协调机制让产业链同步投资未来其他芯片公司难以复制。4. 迭代节奏芯片产业的定价权竞争对手以为追上一代芯片就能赢但英伟达每年更新一代。黄仁勋称客户可指望英伟达每年降低token成本客户资本开支决策周期长英伟达的节奏让“今年便宜”无意义迭代速度就是定价权客户为未来的英伟达付钱。四条护城河叠加复制英伟达需十年时间英伟达卖给客户的是确定性。【ASIC的适应性陷阱】市场上有观点认为自研ASIC会颠覆英伟达Google、Amazon、Meta等超大规模客户都在“去英伟达化”。但ASIC对稳定、封闭、规模大的内部workload可能更便宜高效在AI workload变化快和外部生态需灵活性的条件下其优势会被削弱。黄仁勋指出Anthropic是TPU与Trainium增长的特殊变量ASIC有适应性风险。AI workload在过去四年不断演化英伟达架构为当时主流workload做Co-Design而ASIC公司会因workload变化被困住。Google TPU和AWS Trainium只为内部使用无第三方流动性Anthropic的特殊条件不可复制。ASIC公司“押注一种workload”是赌博英伟达“押注workload会一直变”是制度。【中国的两难与Co-Design路径】中国面临出口管制和DeepSeek胜利的两面夹击。黄仁勋担心中国用算法优化弥补硬件差距改变AI产业估值逻辑。中国不应机械模仿英伟达全栈Co-Design也不应押注国产GPU“对标Blackwell”。值得投资的方向有算法 - 硬件协同设计能力复制和升级DeepSeek模式工程效率层压榨已有硬件的中间件等应用层的垂直Co-Design将AI能力嵌入特定行业workflow算力网络与共享层在受限算力下做调度等。出口管制虽带来约束但可能逼出不同类型的算法 - 系统协同能力中国机会在DeepSeek延长线上。【结尾被低估的范式】回到开篇问题500亿美元工厂可能比300亿美元工厂便宜是因为衡量维度错误。英伟达故事是计算工业的范式迁移第一次迁移让软件工业爆发第二次让互联网工业爆发第三次让智能工业爆发。Co-Design将分割的变量放回同一优化问题1980年的学术思想如今重新定义计算工业。反对孤岛式分工的规律过去四十年未变未来大概率也不会变。中国AI产业需思考自己的Co-Design路径这比复制英伟达更重要。