芯片免费，也未必便宜：英伟达的第二条性能曲线

英伟达的护城河不是CUDA，不是Blackwell，甚至不是黄仁勋本人——而是一种把整个公司当作单一优化函数来运行的能力——这种能力的源头，可以追溯到1980年的斯坦福。

如果有一天，英伟达的芯片免费送给你，你就能生产出更便宜的AI吗？

答案很可能是：不能。

2026年3月，黄仁勋在Dwarkesh Patel的播客上，被反复追问同一个问题：为什么客户不直接用更便宜的ASIC替代英伟达？

他最后说了一句话：

"Even when the chips are free, it's not cheap enough."

“就算芯片免费送，也未必便宜。”

这话不仅反直觉，甚至有点冒犯。因为半导体行业的基本常识是，芯片越便宜，系统越便宜；算力单价越低，AI成本越低。但在今天的大模型时代，这个逻辑已经开始失效。

同一时期，黄仁勋在All-in podcast上被问到一个更尖锐的问题——市场分析师正在传一种说法：你的500亿美元AI工厂会输给一座300亿美元的ASIC工厂，所以英伟达会丢失份额。

他没有正面反驳，只是慢慢说了一句话：

“你不应该把工厂的价格和token的成本等同起来。”

那座500亿美元的工厂，会生产全世界最便宜的token。50亿美元和30亿美元之间的价差，对一个有10倍吞吐量的500亿美元数据中心来说，根本不是一个大的百分比。

在AI时代，更贵的工厂可以产出更便宜的算力。这听起来违反所有商业直觉，但却是当下最重要的产业事实。

一周后，MLPerf的公开数据证明了黄仁勋的反问：同一座Blackwell工厂在DeepSeek-R1推理上，每生产一百万个token的成本，比上一代Hopper低了35倍。

这不是芯片更快的故事。这是一场关于“什么是计算、什么是公司、什么是护城河”的范式重写。

而它的源头，要追溯到1980年的斯坦福。

请你注意，当芯片公司的产品是芯片，价格是首要变量；当它的产品是工厂，token成本才是首要变量。

一个被遗忘了四十年的赌注

1980年前后，斯坦福的John Hennessy和伯克利的David Patterson在做同一件事——他们觉得整个计算机工业都搞错了方向。

那个时代，主流CPU设计哲学叫CISC：复杂指令集计算机。IBM 370、DEC VAX、Intel x86都 信奉这个理念——为了 让程序员省事， 给硬件加越来越多的指令。结果是，芯片越来越复杂，硬件团队越做越累，编译器团队却用不上其中的大部分。

DEC自己的工程师在1984年的一篇论文里写道：VAX 11/780这台旗舰机器，20%的指令占用了60%的微码空间，却只贡献了0.2%的运行时间。

计算机工业最复杂、最贵的部分，是从来不被使用的部分。

Hennessy和Patterson的提案非常激进：与其让硬件团队埋头搞复杂指令，不如反过来——硬件做简单一点，把复杂性交给编译器。让硬件团队和编译器团队坐到同一张桌子上，一起设计。

这就是RISC——精简指令集计算。

IBM内部的John Cocke团队做了一个对照实验：他们用RISC风格的简化指令集子集来编译IBM 370的程序，结果比原本的全指令集编译器快了3倍。

那一刻，整个计算机架构学界明白了一件事：性能不是芯片单独的属性，而是“芯片+编译器”作为一个整体的属性。各自局部最优，加起来一定不如联合最优。

Hennessy和Patterson在2017年因为这个思想拿了图灵奖。颁奖词写得很克制：他们“用系统性的、量化的方法奠定了现代计算机架构”。

但黄仁勋记住了这件事。

四十六年后，他在斯坦福CS153的讲台上对学生说：

“John Hennessy当年那项工作的美妙之处在于——你必须把编译器和微处理器架构和谐地协同设计。一台简单的机器与编译器协同设计，会比两个各自优化的系统创造更好的性能。”

所以，现代AI产业最赚钱的公司，它的方法论根源不是2012年的AlexNet，不是2017年的Transformer，而是1980年代的一篇学术论文。

英伟达过去十年所做的一切，本质上都是这句话的放大版——只不过这次被联合设计的，不是“芯片+编译器”两层，而是从算法到电网的“十一层”。

英伟达式 Co-Design 的十一层：

应用场景 → 模型结构 → AI框架 → 编译器/运行时 → 算子库 → 数值格式 → GPU/CPU/DPU → NVLink/NIC/交换机 → 机架系统 → 数据中心运维 → 电力与冷却。

这十一层在大多数公司里分属十一个完全独立的团队、十一种不同的KPI、十一份相互不通的路线图。在英伟达，它们被放进同一个优化函数里。

在工业分工最严密的领域，反对孤岛式分工的人会赢。RISC证明过一次，英伟达正在再证明一次。

通用计算的体面失败

要理解为什么“反对孤岛式分工”突然又变得重要，你得先理解一件事：物理学背叛了我们。

整个20世纪后半叶，计算机产业之所以能高速发展，靠的不是一个，而是两个定律。

第一个是摩尔定律，所有人都知道——晶体管数量每18到24个月翻倍。

第二个叫Dennard Scaling，知道的人少得多——晶体管尺寸缩小时，电压和电流按比例下降，单位面积的功耗保持不变。

这两个定律配合起来产生了一个魔法：芯片不仅变密，还能在不增加功耗的前提下变快。这是过去四十年CPU频率从1 MHz飙升到3 GHz、PC变得越来越便宜的物理学基础。

然后，2005年左右，Dennard Scaling悄悄死了。

晶体管的阈值电压逼近物理极限，再降下去漏电流会指数级增加。结果是CPU主频在3 GHz附近卡了整整二十年。研究数据显示，1986到2001年间单核CPU性能年均增长52%，2001到2018年掉到3.5%——几乎停滞。

摩尔定律本身也在放缓。Intel前CEO 2015年公开承认，工艺迭代周期从两年延长到两年半。台积电的N5到N3，整整走了三年。

所以，摩尔定律没死，但它的"双胞胎兄弟"Dennard scaling先死了。这才是过去十年计算机产业真正的转折点——大部分人到现在都没意识到。

黄仁勋在斯坦福那场演讲里，把这件事算得很清楚：

“摩尔定律好时光的口径是10年100倍。但Dennard scaling失效后，如果你不动软件，只靠微处理器自然演进，过去十年大概只能给你10倍。”

10倍。这就是通用CPU路径在过去十年的物理上限。

而英伟达呢？

“我们做到了10年100万倍。”

这件事的物理学根源还有一个更深的层面，叫Amdahl定律。它说的是：如果计算只占总工作负载的50%，哪怕你把计算部分加速到无限快，整体也只能快2倍。换句话说，任何分布式系统的性能，都不是由最强的那一环决定，而是由最弱的那一环决定。

这就是为什么单纯优化GPU不够。当模型大到必须分布在几千、几万颗GPU上，真正拖慢你的可能不是算术单元，而是内存带宽、网络通信、同步调度、供电散热。

100万倍这个数字本身有公开口径上的争议，但即使按最保守的拆解，也至少是10万倍以上的量级。英伟达首席科学家Bill Dally在Hot Chips 2023上把单卡的提升账算给所有人看：

• 数值精度从 FP32 降低到 FP16 以及 Int8/FP8 ，贡献16倍
• 复杂指令（ Tensor Core 那些专用矩阵乘加），贡献12.5倍
• 制程从 28nm 到 4nm ，贡献2.5倍
• 结构化稀疏，贡献2倍

这四项乘起来，正好是约1000倍——这就是单卡十年的性能跃迁。再叠加机架级互联的10倍、软件栈优化的10倍、数据中心调度的另外10倍——百万倍不是奇迹，是十一层联合优化的乘法效应。

最让人意外的是这张表里最小的那一项：制程改进只贡献了2.5倍，是所有要素中最弱的。

真正的杠杆从来不在台积电。这句话听起来对台积电不公平，所以需要立刻补一句修正：制程当然仍然重要——没有台积电的N4P和未来的N3，Blackwell和Rubin根本不可能存在。但它不再是性能跃迁的单一解释变量。在过去十年AI算力提升的故事里，先进制程只是十一层联合优化里的一个因子，而且是贡献最小的那个。真正的杠杆，在制程之上的系统复利。

所以，摩尔定律没有死，死的是“单层优化”的幻觉。

黄仁勋的反事实

让我们把“100万倍”这个抽象的数字翻译成一个更具体、更接近读者钱包的东西。

2025年下半年，英伟达在GTC上公布了一组数据，对照的是Blackwell和上一代Hopper在同一个工作负载（DeepSeek-R1推理）上的表现。研究机构SemiAnalysis用自己的InferenceMax基准独立验证了这组数字：

• 单 GPU 的 tokens/ 秒：从 90 提升到 6000 ，约65倍
• 单兆瓦的 tokens/ 秒：约50倍
• 每百万 tokens 的成本：从 4.20 美元降到 0.12 美元，约35倍下降

更让人意外的是接下来发生的事。MLPerf Inference v6.0显示，同一台GB300 NVL72系统，在仅仅六个月的软件优化之后，吞吐又提升了2.7倍，cost per token又降了60%以上。

注意这句话：同一台机器。芯片没换，硬件没动。

英伟达卖出去的GPU会随着时间变得更便宜——但不是因为折旧，而是因为它跑得更快了。这违反所有人对硬件资产的直觉。在传统芯片世界里，硬件出厂那一刻就开始贬值；在Co-Design世界里，硬件出厂后还在升值。

这是怎么做到的？

答案藏在一个不性感的层级：软件。

TensorRT-LLM的kernel融合、attention层的数据并行、prefill和decode的解耦合、KV-cache aware routing、wide expert parallel、multi-token prediction——这一长串名词每一个都不会让普通读者激动，但每一个都在让你的Blackwell卡在静悄悄地跑得更快。

这就是英伟达和ASIC公司最根本的不同。ASIC公司的逻辑是：把一种已知的workload硬编码到硅片里，跑得最快。英伟达的逻辑是：让硅片足够灵活，让软件不断重新发现这块硅片的潜力。

客户买的不是一颗芯片，是一个会自己长大的资产。

现在我们可以回答开篇那个反问了。500亿美元的工厂为什么比300亿美元的工厂便宜？

因为前者的每一度电、每一平方米机房、每一秒运行时间，能够产出更多的token；而且这个产出能力还在每六个月翻一倍。

后者只是一座更便宜的工厂。前者是一座会增值的工厂。

芯片价格只是账单，token成本才是利润表。

一种新的公司能力

到目前为止我们一直在讲技术、讲架构、讲数字。但所有这些都还没触及最核心的那个问题：

为什么是英伟达，而不是别的公司？

CUDA从1.0开始就有公开的文档和工具链；Tensor Core的论文公开十年了；NVLink的协议规格各家芯片公司都能研究；连机架级Co-Design的思路，AMD的Helios、Google的TPU Pod也都在做。

如果Co-Design只是一种技术方法，那它早就应该被复制了。

但它没有。

因为Co-Design不是技术，是组织。

黄仁勋在Lex Fridman那场访谈里，难得地袒露了一段他自己的管理方式：

“我的直接幕僚有60个人。我不和他们做一对一谈话——你不可能和60个人都做一对一。”

注意他接下来这句话：

“没有任何对话只有一个人。我们呈现一个问题，所有人一起攻击它。因为我们做的就是extreme co-design，整个公司一直在做extreme co-design。”

一个5万亿美元市值公司的CEO，居然不做一对一会议。这不是管理偷懒，而是一种刻意的组织设计——因为一对一这件事本身，就违反了Co-Design的逻辑。

想象一下你是英伟达的内存系统专家。在传统芯片公司里，你会先和你的VP沟通，VP再和CTO沟通，CTO再和负责架构的VP沟通，架构VP再和他下面的人沟通。一个跨层的设计决定，要在层级里走七八步。

在英伟达，这60个工程负责人——内存、CPU、光互联、GPU、算法、芯片设计、网络、机架——坐在同一个会议室里。黄仁勋抛出一个问题：今年我们做不做下一代NVLink？所有人立刻同时开始攻击这个问题，从各自的角度发现彼此的盲点。

这套机制的核心不是平等，是信息共享。当算法工程师能直接告诉网络工程师“如果你能把延迟降到200纳秒以下，我可以重新设计整个MoE路由”，这种洞察永远不会出现在一个层级清晰的公司里。

这里有一个管理学上的反共识：传统管理追求清晰分工，Co-Design组织追求高质量碰撞。前者的KPI是“每个部门做好自己的事”，后者的KPI是“整个系统做好同一件事”。如果Co-Design的问题被拆进不同部门的KPI，最后得到的一定是局部最优的灾难。

黄仁勋还说了一句更深的话：

“公司架构应该反映你要输出的产品和你所处的环境。”

这句话在管理学上是革命性的。我们大部分公司的组织架构，是根据“职能”设计的：研发部、销售部、市场部、财务部。但黄仁勋的逻辑反过来——英伟达的产品是AI Factory，所以公司本身的运作方式必须是一座AI Factory的形状。

每个层级、每个团队、每个决策流程，都是为了让“从算法到电网”的十一层联合优化能够实时发生。

组织结构不应该是先验设计的，应该是被产品形态倒推出来的。如果你的产品是一颗芯片，你应该有一个芯片公司的组织；如果你的产品是一座AI Factory，你必须有一个AI Factory形状的组织。这就是为什么AMD、Intel、Broadcom很难真正“复制”英伟达——他们的组织还停留在芯片公司形态。

这一点甚至延伸到供应链。黄仁勋花了大量时间，亲自向HBM三大供应商（三星、海力士、美光）的CEO反复解释AI的未来需求曲线，三年前就说服他们大规模投资HBM——当时HBM还被视为“小众内存”。

他和台积电做了将近30年的生意，至今没有一份合同。靠的是黄仁勋说的那句话：“rough justice”——大致的公平。有时候我占便宜，有时候我吃亏，但整体上，关系是“incredible”的。

现在我们终于可以回答最关键的那个问题——

英伟达真正的护城河，不是Blackwell、不是CUDA，甚至不是黄仁勋本人。而是一种把整个公司当作单一优化函数来运行的能力。这种能力本身无法被收购、无法被招聘、无法被工业间谍偷走，因为它不是一个技术，是一种二十年时间长出来的组织肌肉。

英伟达不像一家芯片公司，更像一个产业操作系统。这种能力，长出了四条具体的护城河。

护城河的真正形状

第一条：CUDA不是开发者锁定，是一张输电网

大部分人对CUDA的理解停留在“迁移成本”上：你的代码写在CUDA上，换到AMD的ROCm就要重写，所以开发者迁不走。

这个理解是对的，但很浅。

需要先澄清一件事：CUDA不是开源，而是一个由英伟达控制节奏、却向开发者充分开放能力的平台。

CUDA真正的价值，是一张把硬件创新输送到全产业的输电网。

英伟达每推出一项新硬件能力——Tensor Core、FP8、FP4、NVFP4、Transformer Engine、新内存层次——这些能力会在6到12个月内，通过cuDNN、TensorRT、TensorRT-LLM、NCCL、Dynamo这些库，自动传导到PyTorch、Hugging Face、vLLM、SGLang整个开发者生态。也就是说，硬件创新会自动变成下游应用吞吐。

对ASIC公司来说，这条路是断的。AMD的MI300X在硬件规格上已经能匹敌H100，某些维度甚至更强。但SemiAnalysis在2024年底的独立benchmark里发现了一个残酷事实：AMD的“out-of-the-box training experience几乎是不可能的”——硬件可用，软件不可用。

没有这张输电网，硬件创新会卡在硅片上；有了这张输电网，硬件创新才会变成应用吞吐。AMD每次硬件追赶，都要重新爬一遍这条软件传导链——而这条链需要十年时间。

CUDA最厉害的地方不是难以替代，而是英伟达每发布一项硬件创新，CUDA生态会自动把这项创新变成客户的真实ROI。

第二条：Mellanox把“网络”变成“计算”

2019年3月，英伟达宣布以69亿美元收购Mellanox。当时市场的反应是平淡的——“英伟达买了一家HPC网络公司，嗯，挺合理”。

七年后回头看，这是科技史上最伟大的并购之一。

为什么？因为大模型训练和推理根本不是单GPU问题，是成千上万GPU同步通信的问题。没有高速低延迟互联，多花十倍的钱买GPU只会换来五倍的真实算力——因为利用率会掉下去。

Mellanox让英伟达可以把GPU、CPU、NIC、交换机、InfiniBand、Ethernet、NVLink、NVSwitch放进同一个计算拓扑里联合设计。这件事的财务后果是惊人的——英伟达FY2026（时间范围是2025.02.01至2026.01.31）的网络业务营收318亿美元，Q4单季度网络营收同比增长263%。

在大模型时代，决定一个GPU集群价值的不是GPU本身，是把GPU串起来的那些铜线和交换机。一颗GPU的算力是确定的，但一万颗GPU能不能跑出一万倍算力，取决于网络。

第三条：供应链不是被服务的对象，是被塑造的信念

普通公司的供应链是“成本控制”。英伟达的供应链是“产品的一部分，并且是被主动塑造的信念”。

先说“产品的一部分”：GB200 NVL72机架的密度太高，导致一件事情：它无法在数据中心组装。每台机架两到三吨重，里面装着一千多颗核心芯片，必须在供应链端整装完成，然后整体运输到客户机房。

让这件事的尺度更具体一点：英伟达在2026年3月GTC发布的下一代Vera Rubin Pod，涉及7种芯片类型、5种专用机架类型、40个机架、超过1100个Rubin GPU、60 Exaflops算力、10 PB/s scale bandwidth；单个NVL72机架就有130万个组件、1300颗芯片、约4000磅重量（接近2吨）。黄仁勋称之为“世界上制造过的最复杂的计算机”。

这件事说出来很轻描淡写，做起来需要整个上下游一起重新设计制造流程、测试流程、运输流程、机房接入流程。机架内部密布着盲插的液冷管线和海量铜线背板，根本无法在客户现场拼装，只能在富士康、广达这样的供应链伙伴端整装出厂。

但更深的一层是“主动塑造信念”。

黄仁勋三年前就花了大量时间，亲自向HBM三大供应商的CEO反复“科普”AI的未来需求曲线。当时HBM还是边缘产品，整个DRAM行业的主力是DDR服务器内存。黄仁勋告诉他们：未来三年，HBM会变成主流。他们信了，投了。

这就是为什么GTC每年都那么长、那么“教育性”。黄仁勋自己在Lex访谈里说，他的keynote经常被批评像在上课——因为它就是在上课。他需要让上游看到下游需求，让下游看到上游能力，让开发者看到路线图，让资本市场看到未来。

GTC不是一场产品发布会，是一个产业协调机制。英伟达真正在做的事情，是让整个产业链同步相信同一个未来，然后协调所有人按这个未来去投资。这件事即使一家芯片公司能造出和Blackwell一样强的GPU，也复制不了——因为他没有用三年时间提前说服全球供应商的能力。

第四条：迭代节奏即护城河

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。

Hopper（2022）→ Blackwell（2024）→ Blackwell Ultra（2025）→ Rubin（2026）→ Rubin Ultra（2027）→ Feynman（2028）。

黄仁勋在播客里讲过一句让所有ASIC公司心寒的话：

“去找另一个ASIC团队，问问他们能不能做到这件事——你可以指望我们每年都在这里。你的token成本将每年降低一个数量级。这一点你可以拿到银行去抵押。”

为什么这件事是护城河？因为客户的资本开支决策周期是5到10年。如果你告诉一个超大规模客户“我的ASIC今年比英伟达便宜30%”，他会立刻问你：“那明年呢？后年呢？”

英伟达的每年一代节奏，让“今年便宜”这件事变得毫无意义——因为明年英伟达就会推出一个比你便宜不是30%、是10倍的下一代。

在芯片产业，迭代速度本身就是定价权。客户不是为今天的英伟达付钱，是为明年、后年、大后年的英伟达付钱。只要英伟达的节奏不停，竞争对手永远在追"已经过时的英伟达"。

四条护城河叠加起来，复制英伟达的真正成本不是一颗芯片的研发，是十年时间。

在一个高度不确定的产业里，英伟达卖给客户的不是产品，是确定性。每年一代的节奏、五年路线图的清晰、供应链对未来的共同信念——这是只有一家把整个产业链都协调好的公司才能交付的商品。

ASIC的"适应性陷阱"

到现在为止，我们一直在解释英伟达为什么强。但市场上最尖锐的反方观点是：自研ASIC会颠覆英伟达。

Google有TPU，Amazon有Trainium，Meta有MTIA，Anthropic刚和Amazon签了5GW的Trainium合同。OpenAI据说在和Broadcom合作做自研芯片。每一家超大规模客户都在“去英伟达化”。

这难道不是英伟达的末日吗？

先把话说清楚：这并不是说ASIC没有价值。对于稳定、封闭、规模足够大的内部workload——比如Google搜索排序、Meta的推荐系统、Amazon某些固定的推理任务——ASIC当然可能更便宜、更高效。问题在于，AI workload的变化速度太快，而且外部生态需要跨云、跨模型、跨框架的灵活性。在这两个条件下，ASIC的优势会被结构性地削弱。

黄仁勋在Dwarkesh的访谈里直接回应了这个问题。他把Anthropic描述为TPU与Trainium增长中的特殊变量——意思是，这两条ASIC路线的近年增长，很大程度上是被Anthropic这一个客户带起来的。这种说法当然带有竞争立场，但它提示了ASIC路线的一个硬约束：愿意长期、大规模绑定某一条ASIC路线的客户，其实并不多。

但他没说出来的、更深的那一层是：ASIC有一个结构性的陷阱，叫适应性风险。

让我们看看AI workload在过去四年里是怎么演化的：

• 2022年

主战场是预训练 ，需要的是大量稠密矩阵乘法

• 2024年

主战场切换到推理 ， 预填充阶段 和解码阶段 的特性完全不同，需要的是高带宽内存和 KV-cache 管理

• 2026年

主战场再次切换到A gentic Workflow—— 长期记忆、工作记忆、工具调用、 CPU 低延迟、 GPU fabric 全部都要

黄仁勋自己在斯坦福把这条曲线讲得很清楚：

"Hopper是为预训练设计的。Grace Blackwell的NVLink72是为推理和解码设计的。Vera Rubin是为智能体设计的。"

每一代英伟达架构都是为当时主流的workload做Co-Design。但这件事对ASIC公司是一个致命问题——你越是为某一代workload做ASIC，下一代workload到来时你越被困住。

更狠的一组数字：黄仁勋在All-in podcast里说，从生成式AI到推理型AI所需的算力大约增加了100倍；从推理型AI到agentic AI所需的算力又增加了100倍。两年时间里，单位任务的算力需求增长了10000倍。

如果你是一家ASIC公司，在2022年看着GPT-3的workload做了一颗优化得无比精致的预训练专用芯片，2026年你会发现：你的客户的workload已经变成“一个agent调用十个子agent，每个子agent调用五个工具”的复杂调度问题。你那颗为稠密矩阵乘法优化到极致的芯片，用都用不上。

这意味着，“便宜的ASIC”在两年的workload迭代周期里，可能比“贵的GPU”贵得多——因为它不能跑下一代任务。固定功能芯片的真正成本，不在硅片，在适应性损失。

那为什么Google TPU和AWS Trainium看起来还活得不错？

因为它们只为内部使用。Google TPU只在Google Cloud内可用，AWS Trainium只在AWS内可用——市场上没有第三方流动性。一个外部AI创业公司要选基础设施，他不会选只能在AWS用的Trainium，因为他可能下一秒就要在GCP上跑同样的模型。

这是Anthropic之所以特殊的原因——它愿意把自己绑定在某个云厂商上，作为交换拿到几十亿美元的算力投资。但这种特殊条件不可复制：因为，全世界没有第二个Anthropic。

所以，ASIC公司在做的是“押注一种workload”；英伟达在做的是“押注workload会一直变”——前者是赌博，后者是制度。

中国的两难，与第二条Co-Design路径

讲完英伟达的胜利，作为一个中国的AI风险投资人，最重要的问题不是“英伟达赢了什么”，而是——在英伟达定义了Co-Design之后，中国应该怎么办？

中国面对的是两面夹击。一面是出口管制——最先进的Blackwell、Rubin进不来，连阉割版的H800、H20都有进一步收紧的可能。另一面是DeepSeek的胜利——一家中国公司用受限的硬件，通过算法-硬件协同设计（MLA、MoE、FP8 mixed-precision、DeepSeek Sparse Attention），把单token推理成本压低了25倍到50倍。

黄仁勋在Dwarkesh的访谈里说过几句让中国人应该认真听的话：中国有50%的世界AI研究员、有大量能源、有华为，还有过去几年AI算法进步的主要贡献者。他甚至直接说：

"DeepSeek在华为上首发的那一天，将是我们国家的可怕结果。"

黄仁勋最怕的不是中国造出“中国版英伟达”——他知道那几乎不可能。他怕的是中国走出一条“绕开英伟达”的路：用算法的极致优化，弥补硬件的代际差距。这条路一旦走通，会改变AI产业的基本估值逻辑。

那么中国应该怎么做？

第一个不要做的事，是机械模仿英伟达的全栈Co-Design。CUDA二十年、Mellanox三十年、台积电三十年的供应链关系——这些东西不能通过堆人头和堆资本追上。

第二个不要做的事，是把希望全部押在国产GPU“对标Blackwell”上。当英伟达把工作负载从预训练推到Agentic推到下一个还没出现的范式，固定时点的“对标”本身就是错的——你对标的对象在加速跑。

那真正值得投的方向，我列四条：

第一，算法-硬件协同设计能力——DeepSeek模式的复制和升级。在受限硬件上用算法创新创造系统级优势。

第二，工程效率层——把已有硬件压榨到极致的中间件、推理框架、调度系统。这是中国工程师传统上最擅长的事。

第三，应用层的垂直Co-Design——把AI能力深度嵌入特定行业workflow的公司。行业Know-how是英伟达难以渗透的领域。

第四，算力网络与共享层——在受限算力总量下，做调度、复用、降本的中间层。

这种“约束条件下的Co-Design”在历史上不是没有先例。日本汽车工业之所以在1970年代崛起，恰恰是因为石油危机和资源受限——他们被逼着发明了精益生产、丰田模式、JIT——约束创造了发明。

出口管制首先是约束，但约束会改变工程优先级。在算力充裕条件下没人会研究怎么用一张卡跑两张卡的事；在算力受限条件下，这变成了必须研究的问题。在某些层面，它可能逼出不同类型的算法-系统协同能力——而这种能力一旦被研发出来，反过来在算力充裕的市场上也是一种降维优势。

英伟达证明了Co-Design在算力充裕条件下的极致。DeepSeek正在证明Co-Design在算力受限条件下的极致。中国的机会不在英伟达的延长线上，在DeepSeek的延长线上。

结尾：被低估了四十年的范式

写到这里，我们可以回到开篇那个反问了。

为什么500亿美元的工厂可能比300亿美元的工厂更便宜？

因为我们一直在用错的维度衡量它。

英伟达的故事，表面上是一家芯片公司的逆袭。但更深一层，它是计算工业的一次范式迁移。

第一次迁移，是通用计算把硬件细节隐藏起来，让软件工业爆发。第二次迁移，是云计算把服务器抽象成资源，让互联网工业爆发。第三次迁移，是AI工厂把电力、芯片、网络、软件和模型组织成token生产线，让智能工业爆发。

Co-Design的意义，就在第三次迁移里。

它不是让某个程序跑快一点。它是把过去被分割在不同公司、不同部门、不同学科里的变量，重新放回同一个优化问题里。

1980年Stanford的John Hennessy可能不会想到，他在写MIPS架构手册时提出的一个学术思想，会在四十六年后变成一家5万亿美元的市值，会重新定义一个时代的计算工业。

但他可能想到了一件事：在物理极限到来时，反对孤岛式分工的人会赢。

这条规律，过去四十年没有变过。未来四十年，大概率也不会变。

而对中国AI产业来说，这意味着一个更尖锐的问题：在英伟达定义了“全栈Co-Design”之后，我们的Co-Design路径，应该在哪一层、用什么资源、以什么节奏被设计出来？

这个问题，比“如何复制英伟达”重要一万倍。

图片来源：

ian-xiaohei-illustrations Skill

.cls-1{fill: #001e36 ;}.cls-2{fill: #31a8ff ;}

.cls-1{fill: #001e36 ;}.cls-2{fill: #31a8ff ;}

本文来自微信公众号“零售威观察”，作者：零售威观察，36氪经授权发布。