宇宙纪事深度专研 · 2026.04.16
【重磅】万字长文：电子到Token的中间商，黄仁勋亲述Nvidia护城河的五层结构
Kocher周 · 2026.04.16 · 原载微信公众号「可荐」
电子到Token的中间商 黄仁勋亲述Nvidia护城河的五层结构
一、核心隐喻：“输入是电子，输出是Token，中间是 Nvidia”
访谈开场，主持人 Dwarkesh Patel 抛出了一个尖锐的简化论的质疑：Nvidia 本质上只是把一个 GDS2 设计文件发给 TSMC，TSMC 制造逻辑芯片和封装，SK Hynix 和 Micron 生产 HBM 存储，台湾的 ODM 组装机架。Nvidia 本质上是在做软件，别人在制造。如果 AI 让软件被商品化，Nvidia 会不会也被商品化？
黄仁勋没有直接反驳，而是给出了一句极为精炼的自我定义：
| “ 输入是电子，输出是Token。中间是 Nvidia。我们的工作是用尽可能少的自身介入，完成从电子到Token的转化。“尽可能少”的意思是：凡是我不需要亲自做的，我就交给生态伙伴。但我必须做的那部分，实际上难得离谱。我不认为它会被商品化。 — Jensen Huang |
这句话同时包含了两层信息。前半句是商业模型描述——Nvidia 的产品是“电子到Token的转化效率”，而不是芯片本身。后半句是竞争策略原则——凡是别人能做的，就交给生态；只把自研资源集中在“只有 Nvidia 能做”的环节。这个原则贯穿了103分钟访谈的每一个话题。
黄仁勋进一步展开：“从电子到Token的转化是一段难以置信的旅程。让一个Token比另一个Token更有价值，就像让一个分子比另一个分子更有价值一样——其中涉及的艺术、工程、科学和发明的量级，我们正在实时目睹它发生。这段旅程远没有结束。”
用这个隐喻来组织整篇访谈，可以抽出五层护城河结构：
| 五层护城河结构总览 第一层：供应链锁定 第二层：CUDA 生态飞轮——数亿块GPU安装基础 × 可编程性 × 全云覆盖 × 框架生态。 第三层：推理市场分层——通过 Groq $200亿 acquihire 把推理市场从单维度吐吐量拓展为“高吐吐量 + 低延迟”双前沿。 第四层：生态投资组合——$600亿+外部投资（OpenAI + Anthropic + CoreWeave + Groq），以“做必须做的、能不做就不做”为原则。 第五层：地缘政治与市场边界——对华出口管制的争论，本质上是关于“飞轮的边界应该画在哪里”的战略辩论。 |
以下逐层展开。
⁂
二、第一层护城河：供应链锁定——“谁拥有产能，谁拥有未来”
Nvidia 2026年2月提交的 10-K 年报中，长期采购承诺余额从上年同期的约161亿美元暴增至约952亿美元——主要驱动力是为 Blackwell 及后续架构向 TSMC、SK Hynix、Micron 等上游做出的数年期产能预定。SemiAnalysis 的外部估算认为，加上隐性承诺，实际规模可能达到 2500亿美元。
这个数字本身就是一道护城河。即使竞争对手设计出同等性能的加速器，它们也面临一个物理级的约束：先进制程的晚圆产能、CoWoS 先进封装产能、HBM 存储产能，已经被 Nvidia 提前数年预定了绝大部分。这不是钱的问题，是物理产能的问题——有钱也买不到。
但黄仁勋强调，显性合同只是供应链锁定的一半。另一半是他个人花大量时间做的一件事——“需求信号教育”：
| “ 我向上游供应链的CEO们说：“让我告诉你这个行业会有多大，让我解释为什么，让我和你一起推演，让我给你看我看到的东西。”他们为什么愿意为我而不是其他人投资扩产？因为他们知道我有能力买下他们的产能，并通过我的下游卖出去。 — Jensen Huang |
翻译成投资语言：上游供应商的扩产决策不是基于 Nvidia 的合同付款，而是基于对 Nvidia 下游出货能力的信任。这种信任是通过每年一度的 GTC 大会、CEO层面的归纳性推演、以及 Nvidia 下游客户的实际订单流量建立起来的。对手即使有钱，也很难复制这套“信任基础设施”。
瓶颈攻克史：CoWoS、光互连、水管工
黄仁勋在访谈中详细回顾了几个供应链瓶颈的攻克过程：
CoWoS 先进封装。两年前这是行业最大瓶颈，Nvidia “连续几轮翻倍”地推动扩产。现在 TSMC 已经把 CoWoS 从“特种工艺”升级为“主流制造”，产能扩张速度与逻辑芯片保持同步。“你注意到现在已经没什么人谈论 CoWoS 瓶颈了，”黄仁勋说，“因为我们花了两年拼命地解决它。”
HBM 存储。黄仁勋特别提到 Micron CEO Sanjay Mehrotra，称他还清晰地记得当年那场会议：“我清清楚楚地告诉他将要发生什么、为什么会发生、以及我对今天的预测。他们真的加倍押注了。”这段叙述揭示了一个细节：上游厂商的扩产决策，在很大程度上是基于对黄仁勋个人判断力的信任，而不仅仅是合同条款。
光互连。Nvidia 与 Lumentum、Coherent 以及硅光生态的合作已经持续数年，“彻底重塑了供应链”。黄仁勋提到 Nvidia 在 TSMC 上合作开发了 COUPE 技术（硅光封装），发明了一系列专利并将其许可给供应链，“保持生态的开放性”。这是 Nvidia “预取瓶颈”策略的典型体现——在瓶颈实际出现之前几年就开始投入解决。
水管工和电工。这是整场访谈中最意想不到的一个瓶颈。当被问及“哪个瓶颈最难解决”时，黄仁勋回答：“水管工。”建设数据中心需要大量的物理基础设施施工人员，而这些工人的供给不能通过下订单来扩张。黄仁勋半开玩笑地说：“水管工们已经被邀请参加明年的 GTC。”
尽管有这些瓶颈，黄仁勋的核心判断是：
| “ 没有任何一个供应链瓶颈会持续超过2-3年。只要有需求信号，一旦你能造一台，你就能造十台；一旦能造十台，就能造一百万台。真正让我担心的不是上游，而是下游——能源政策。你不可能在没有能源的情况下创建一个新产业。 — Jensen Huang |
三、第二层护城河：CUDA 生态飞轮——三个维度的回应
CUDA 是 Nvidia 被讨论最多的竞争壁垒，也是被最多人质疑“是否还重要”的一个。Dwarkesh 的质疑很直接：60%的收入来自五大超大规模云厂商，这些客户有能力自己写内核——OpenAI 用 Triton，Google 用 TPU，连 Anthropic 也主要跑在 TPU 和 Trainium 上。如果大客户都能绕过 CUDA，它的壁垒还在吗？
黄仁勋给出了一个三维回应。
维度一：开发者生态的丰富度
Nvidia 全球已有数亿块 GPU 构成的存量安装基础，横跨从 A10 到 H200、从 L 系列到 P 系列的各种型号。任何开发者写出的软件，一经在 CUDA 上编译，就能在全球每一朵云、每一个数据中心、每一台工作站上运行——包括机器人本体上的嵌入式芯片。“写一次、跑遍全球”的属性，是 TPU 和任何定制 ASIC 无法提供的。
更具体地说，Nvidia 支持所有主流框架——Triton（Nvidia 对其后端有大量技术贡献）、vLLM、SGLang、verl、NeMo RL——以及正在爆发的后训练和强化学习新框架。“如果你想在任何架构上先构建，在 CUDA 上先构建是最聪明的，”黄仁勋说，“因为当出了问题时，你更可能确定是你的代码的问题，而不是底层计算的问题。”
维度二：可编程性带来的算法迭代速度
Dwarkesh 提出了一个很有代表性的质疑：AI 本质上就是可预测的矩阵乘法，一遍又一遍。TPU 是一个为矩阵乘法优化的巨大脉动阵列，不需要为 warp 调度器、线程切换、内存库让出片上面积。GPU 的灵活性在 AI 训练中是否真的必要？
黄仁勋的反驳逻辑是：矩阵乘法是 AI 的一部分，但不是全部。如果你想发明新的注意力机制、创建混合 SSM 架构、将扩散模型与自回归融合、或者做 MoE 的细粒度并行化拆分，你需要的是一个通用可编程系统。CUDA 的价值在于允许研究者在不更换硬件的前提下，每年发明完全不同的算法。
他给出了一个极有力的数据点来支撑这个论点：
| 架构创新 vs 制程迭代 Blackwell 相对于 Hopper 的能效提升是 50 倍 “摩尔定律每年推进约25%。但通过伟大的计算机科学，我们仍然可以实现10倍的算法性能提升。所有人都应该承认：AI 的大部分进步来自算法，不仅仅是硬件。” |
维度三：“赛车手”服务——为什么即使大客户能自己写内核，仍然需要 Nvidia
黄仁勋用了一个精彩的比喻：
| “ CPU 像一辆凯迪拉克。很舒适，谁都能开，有定速巡航，一切都很简单。但 Nvidia 的 GPU 像 F1 赛车。每个人都能开到每小时100英里，但要把它推到极限，需要相当多的专业技能。 — Jensen Huang |
黄仁勋他还公开挑战了 TPU 和 Trainium 的性价比声明：
| “ Dylan（SemiAnalysis 的 Dylan Patel）的 InferenceMAX 基准测试摆在那里，任何人都可以用。TPU 不敢来，Trainium 不敢来。我欢迎他们用 InferenceMAX 来展示他们声称的40%成本优势。从第一性原理上看，这完全说不通。 — Jensen Huang |
四、TPU 与 ASIC 的竞争：“Anthropic 是孤例，不是趋势”
访谈中最尖锐的竞争讨论焦焕在 Anthropic 身上。Dwarkesh 指出，全球排名前三的模型中，有两个（Claude 和 Gemini）是在 TPU 上训练的；而且 Anthropic 刚刚宣布了与 Broadcom 和 Google 的多 GW 级 TPU 部署协议。这是否意味着 Nvidia 的放量地位正在被侵蚀？
黄仁勋的回应非常直接：
| “ Anthropic 是一个独特的个例，不是一个趋势。没有 Anthropic，TPU 会有增长吗？完全是 Anthropic 一家贡献的。没有 Anthropic，Trainium 会有增长吗？也完全是 Anthropic 一家。这不是一个“ASIC 机会丰富”的局面。只有一个 Anthropic。 — Jensen Huang |
然后他罕见地承认了自己的一个重大失误：
| “我没有深刻意识到他们没有其他选择” Google 和 AWS 在早期投入了巨额资金，作为交换条件，Anthropic 使用了他们的计算基础设施。“但我不会再犯同样的错误了。”黄仁勋表示，这正是 Nvidia 后来投资 OpenAI $300亿、Anthropic $100亿的根本原因。 |
关于 ASIC 的成本优势句号，黄仁勋提出了一个被广泛忽视的事实：
| “ Nvidia 的毛利率是70%。但 ASIC 的毛利率也是65%！你算算你真正省了多少？你总得付给某个人（Broadcom 等）。我觉得 ASIC 的利润率相当好，从我能看到的数据来看。他们自己也很自豪。 — Jensen Huang |
这个细节对投资者很重要：如果 ASIC 的利润率也在 65% 的水平，那么“用 ASIC 代替 Nvidia 可以省很多钱”的叙事就需要质疑——你节省的只是从 70% 到 65% 的那 5 个百分点，但失去的是整个 CUDA 生态、每年一次的架构迭代、以及“Nvidia 工程师帮你把模型加速 2-3 倍”的服务。
五、第三层护城河：Groq 收购与推理市场的分层革命
2025年末，Nvidia 以约 200亿美元 完成了对 Groq 的 acquihire——获取其 LPU 技术的非排他许可，并吸收了约80%的工程团队。这是 Nvidia 历史上最大的一笔收购，远超过 2019 年 $69亿收购 Mellanox。
2026年 GTC 上，Nvidia 发布了 Groq 3 LPX 推理加速器，整合进 Vera Rubin 平台。黄仁勋的解释：
| “ 过去推理市场只有一个维度——“吐吐量越高越好”。但现在Token的商业价值上升了，出现了一个新的细分市场。比如软件工程师的实时交互，他们愿意为更快的响应时间支付溢价。我们可以在同一个数据中心里，用高吐吐量 GPU 服务批量 API 请求，用 Groq LPU 服务愿意付溢价的实时交互请求。 — Jensen Huang |
| 推理分层的投资含义 |
六、第四层护城河：“做必须做的，能不做就不做”
Dwarkesh 问了一个很多投资者也在问的问题：Nvidia 有大量现金流（年化自由现金流约 $770亿），为什么不自己做云服务商，直接把 CapEx 转化为 OpEx 租给 AI 实验室？这不是比把芯片卖给中间商（CoreWeave）更赚钱吗？
黄仁勋的回答回到了他的核心哲学：
| “ 世界上有很多云服务商。如果我不做，会有人出来做。但如果我不做 NVLink、不做 CUDA、不花 20 年在亏钱的状态下持续投入加速计算——这些事情，如果我不做，没有任何人会做。所以我应该把公司所有力量集中在只有我能做的事情上。 — Jensen Huang |
这个哲学直接解释了 Nvidia 过去两年的所有重大资本配置决策：
合计超过 $600亿 的外部投资组合。但黄仁勋反复强调，这不是“做尽可能多的事情”，而是“做尽可能少的事情”。“我们不是在试图做金融生意，”他说，“我们不挑选赢家。我投资一家的时候，我投资所有人。”
当被问及“为什么不挑选赢家”时，黄仁勋回到了 Nvidia 自己的历史：
| “ Nvidia 刚创立时，有3D图形公司60家。我们是唯一幸存下来的一家。如果你当时问那 60 家公司里谁会成功，Nvidia 会被排在最不可能成功的名单最前面。我们的图形架构是“精确地错误的”。所以我有足够的谦卑来认识到这一点：不要挑选赢家。 — Jensen Huang |
⁂
七、第五层：对华出口管制——访谈中最紧张的30分钟
这是整场访谈中最具张力的段落。Dwarkesh 和黄仁勋围绕对华芯片出口管制展开了将近30分钟的激烈交锋，双方均未让步。以下均为黄仁勋在访谈中表述的个人观点，不代表本刊立场。
论点一：中国已经有足够的算力
黄仁勋的判断是：中国拥有全球60%以上的成熟制程芯片产能、50%的 AI 研究人员、丰富的能源供给。“它们有大量完全空置的、已经通电的数据中心——鬼城有之，鬼数据中心也有之。”
他提出的核心论证是：AI 是并行计算问题。如果能源无限，可以用4倍、10倍数量的低代差芯片来弥补单芯片性能差距。“7nm 芯片大致相当于 Hopper 一代——而今天的前沿模型大部分就是在 Hopper 上训练的。”他以华为 2025 年出货量创历史新高为例，“它们出货了几百万片——几百万片比 Anthropic 拥有的多得多。”
论点二：算法 > 硬件
黄仁勋反复强调：摩尔定律每年仅推进约25%，但通过计算机科学的进步，算法性能可以实现 10倍 跃升。“AI 的大部分进步来自算法，不是硬件。”他的推论是：如果算法是真正的杠杆，那么中国的 AI 研究者队伍才是最需要担忧的战略资产，而不是芯片。
“我们必须承认，MoE 是一个伟大的发明。所有不可思议的注意力机制都在减少计算量。DeepSeek 不是一个无足轻重的进展。”
论点三：失去市场 = 失去生态 = 失去标准
这是黄仁勋最核心的战略论证，也是他情绪最激动的部分。他的论证链条是：
| 黄仁勋的三步论证 第一步： 第二步：目前这些开源模型都建立在 CUDA/Nvidia 技术栈上。这对美国是好事。事实。 第三步：一旦美国芯片公司被迫退出中国市场，中国 AI 生态将被迫全面转向本土硬件栈。未来的开源模型将被优化为首先在非美国技术栈上运行。当这些模型扩散到全球南方、中东、东南亚时，美国技术栈的全球标准地位将被侵蚀。 |
| “ 你描述的政策方向，实际上已经加速了中国芯片产业的发展，并迫使他们的整个 AI 生态转向内部架构。如果全世界最大的开源 AI 生态系统运行在非美国技术栈上，你要告诉我这对美国是好事？这根本说不通。 — Jensen Huang |
Dwarkesh 从国家安全角度反驳：Anthropic 的 Claude Mythos 已经能发现所有主流操作系统和浏览器的零日漏洞，如果中国实验室用美国芯片先训练出类似能力的模型，这不就是在资助对美国的网络攻击吗？
黄仁勋的回应：“Mythos 是用非常普通的算力、非常普通的量级训练的——只不过是由一家杰出的公司来做。这种算力在中国已经大量存在。”他进一步反问：“你的逻辑如果成立，你用同样的逻辑也可以套用在微处理器和 DRAM 上。你也可以套用在电力上。”
Dwarkesh 提出：“我们的确对制造先进 DRAM 的技术有出口管制。”黄仁勋的回应几乎是在叫喊：“我们向中国卖了大量的 DRAM 和 CPU，我认为这是对的。”
双方最终没有达成共识。Dwarkesh 试图让黄仁勋承认“边际算力的增加对中国的威胁能力有边际贡献”，黄仁勋拒绝承认这个前提，并反复强调“美国应该去竞争并赢得全世界，而不是放弃全球第二大市场”。
| 对投资者的政策风险提示 |
⁂
八、投资框架：五层飞轮的强化逻辑与脆弱点
把上述五层整合，Nvidia 的护城河不是任何单一因素，而是五层之间的相互强化回路：
| 飞轮循环 CUDA 生态 → 开发者粘性 → 框架/模型都优先在 Nvidia 上开发 → 运营商/云厂商优先采购 → 安装基础扩大 → 新开发者更倾向 CUDA Groq + 推理分层 → 扩展 TAM → 更多下游营收 → 更多现金流 → 更多生态投资 → 更强的生态锁定 |
但任何飞轮都有脆弱点。基于访谈内容，以下是几个需要持续监测的变量：
其中“为什么不同时跑多个完全不同的芯片架构”这个问题值得展开。Dwarkesh 问：为什么不同时做一个 Cerebras 式的晋圆级芯片、一个 Dojo 式的巨型封装、一个不用 CUDA 的架构？Nvidia 有资源和人才并行做这些事。黄仁勋的回答很直接：
| “ 我们可以做所有这些事。只是都不更好。我们在模拟器里跑过所有方案，证明了更差。所以我们不会做。如果我有更多钱，我会把更多钱投到 Nvidia 现有架构上。 — Jensen Huang |
但他也承认，如果工作负载的形态发生剧变（“我说的不是算法，是工作负载的形状，这取决于市场的形状”），可能会加入新的加速器类型。“Groq 就是第一次扩展。”
九、路线图、“反事实”与结语
架构路线图
黄仁勋确认了未来的芯片发布节奏：
| “ 你去找世界上任何一个 ASIC 团队，问问你能不能赌上身家，赌他们每一年都会准时交付，每一年 Token 成本都下降一个数量级。我刚刚说了 TSMC 做到了。现在 Nvidia 也做到了。全世界没有第三家公司能让你说出同样的话。 — Jensen Huang |
一个有趣的“反事实”
访谈最后，Dwarkesh 问了一个假设性问题：如果深度学习革命没有发生，Nvidia 会在做什么？
黄仁勋的回答：“加速计算。跟我们一直在做的一样。”他强调，即使没有 AI，Nvidia 的使命仍然是“将通用计算无法高效处理的工作负载转移到专用加速器上”——分子动力学、粒子物理、流体力学、计算光刻、数据处理、图像生成。“即使没有 AI，Nvidia 也会非常庞大。”
这个回答对投资者的含义是：AI 是 Nvidia 当前增长的主要引擎，但加速计算本身是一个更广泛、更长期的结构性趋势。即使 AI 的增长曲线在某个时点放缓，Nvidia 的加速计算平台仍然有多个域的应用作为底部支撑。
结语：中间商的终极壁垒
把 103 分钟的访谈压缩成一句话，黄仁勋想说的是：Nvidia 之所以难以被替代，不是因为它的芯片最好，而是因为它的供应链、生态、客户关系、推理分层、以及年度架构交付节奏，五者同时运转、相互强化，构成了一个竞争对手需要同时在五个维度上追平才能动摇的系统。
对配置型投资者而言，这份访谈最有价值的信息不在于“Nvidia 多好”，而在黄仁勋自己指出了飞轮的核心假设——只要下游需求持续增长、能源供给不成为硬约束、中国市场没有被政策永久关闭，这台机器可以继续以当前的速度运转。反过来，如果这三个假设中的任何一个被打破，飞轮的减速将不是线性的，而是系统性的。
所有中间商的终极壁垒都是同一个问题：你在多大程度上不可绕过？黄仁勋用了 103 分钟来回答这个问题。答案是否令人信服，每一位投资者需要自己判断。
本文核心素材来源：Dwarkesh Patel Podcast 对 Jensen Huang 的访谈（2026年4月发布），访谈全文由播客方公开发布。文中引用的具体财务数据均经 SEC 文件、CNBC、Motley Fool、Seeking Alpha、VentureBeat、NextPlatform 等公开来源独立核实。涉及中国市场出口管制的段落均为黄仁勋个人观点的中性呈现，不代表本刊编辑立场。本研报仅供研究交流，不构成投资建议。
《宇宙纪事 · AI投资研究》· 在电子与Token之间寻找定价。