英伟达 2023 年市值突破 1 万亿美元，但真正让它坐稳 AI 算力王座的，不是更快的芯片，而是从 2006 年开始铺、二十年没人敢换的那套软件。理解这件事，是看懂 AI 时代算力为什么这么贵的前提。

这是什么

英伟达 1993 年在加州一家 Denny's 快餐店诞生，最初做的是给个人电脑画 3D 图形的显卡。1999 年在纳斯达克上市，发布 GeForce 256，并首次把这类芯片命名为 GPU（图形处理器）。

真正的转折在 2006 年推出 CUDA（一套让程序员用显卡做通用计算的软件平台）。当时投资人觉得这是烧钱，黄仁勋坚持了十年。2012 年，多伦多大学用两块英伟达游戏显卡训练图像识别模型 AlexNet，成绩远超对手。AI 研究者意识到：训练神经网络正需要 GPU「大量简单计算同时做」的能力，CUDA 这笔十年伏笔被点燃。

2017 年加入 Tensor Core（张量计算单元），2020 年收购网络公司 Mellanox，从「卖芯片」转向「卖整套算力系统」。2022 年底 ChatGPT 引爆全球，H100 一卡难求，公司 2023 年市值冲破 1 万亿美元。

行业怎么看

主流叙事是「CUDA 生态无敌」：近二十年积累，全球 AI 代码几乎都跑在 CUDA 上，换平台的迁移成本极高。配合芯片、互联（NVLink）、整柜系统的协同，英伟达卖的是整套「算力工厂」。

但编辑部也听到不同的声音。

一种担忧是客户集中度。全球买英伟达 GPU 最多的是微软、谷歌、Meta、亚马逊、甲骨文五家云厂，它们恰好都在自研芯片——谷歌 TPU、亚马逊 Trainium 已经能用，OpenAI 也在和博通合作。一旦自研芯片成熟，「CUDA 锁定」可能被绕过。

另一种风险是台积电依赖。英伟达自己不生产芯片，全部交给台积电代工，地缘政治的变化是悬在头顶的变量。还有一种冷静判断：CUDA 的护城河本质是「当下最优」，一旦开源替代（比如 AMD 的 ROCm、Triton）成熟，或模型架构再次变革（比如推理取代训练成为主战场），护城河可能被改写。

对普通人的影响

对企业 IT：AI 产品迭代速度越来越取决于能否拿到 GPU 算力，对多数企业，租用云算力比自建数据中心更现实。

对个人职场：你正在用的 AI 工具（聊天、翻译、写作助手）背后是稀缺的 GPU 资源，一些公司内部 AI 项目延期，问题往往不是模型不行，而是「卡不够」。

对消费市场：游戏显卡的供应和价格仍受 AI 需求挤压，玩家可能要为云端 AI 的繁荣间接买单。