特朗普来了又回去了。随行的美国工商界代表中，最引人关注可能就是英伟达的老板黄仁勋。

目前，黄仁勋已经成为目前全世界最富有的华人。他到底有多富有？英伟达究竟有多成功？我觉得，这值得放在资本市场的视角下进行观察。

这十多年来，英伟达（NVIDA）的在股市上的价格可谓一路狂飙。早期的英伟达的产品GPU主要是用于图形渲染的处理，服务于电子游戏厂商。2016年之后，市场逐渐认识到GPU对于深度学习的价值，特别是2017年Attention机制的发现，使得ai模型的训练掀起了Transformer革命，对GPU的需求开始爆炸。截止到2026年5月17日，英伟达的总市值达到：5.46万亿美元，已经成为全球市值最高的公司。十年前，其市值仅仅300亿美元。也就是说，若是十年前购买了英伟达的股票，现在财富已经翻大约180倍。

由于英伟达这家企业处于整个AI产业链的上游，对整个AI生态有基础性影响，我决定这个系列写三篇文章，和读者朋友们整体观察一下当前AI产业的发展，解答这三个问题：

• 为什么市场愿意给英伟达如此高的股市估值？
• 为什么英伟达需要中国？
• 英伟达的增长神话还能持续吗？

第一篇文章介绍近几年英伟达强劲增长的情况和原因。第二点分析英伟达和GPU生产在未来可能遇到的挑战。最后一点是针对当前的股市提出一点预测和看法。本文是这个系列第一篇，我将试着说明，近十年来，英伟达为什么成为美股的增长神话？

其实主要有三个方面：

• 强劲的市场需求
• 开发生态构成的护城河
• 算力需求的增长预期

接下来就一点一点介绍一下这三点。

一、AI需求长期爆炸

第一个原因，也是最重要的原因是，市场相信：AI需求将导致长期、持续、巨额的算力资本开支（AI CapEx）。

英伟达的大客户其实并不是普通消费者和小AI创业公司，而是hyperscalers（超大云厂商）以及frontier AI labs（前沿AI实验室）。

大家熟知的OpenAI本身并不直接购买GPU，而是通过Microsoft Azure、CoreWeave、Oracle获得GPU算力的。所以真正疯狂采购GPU的，是Microsoft、Meta、Amazon、Google等超大云厂商。

在2024年，科技咨询公司Omdia的分析师估计，Microsoft今年购买了485,000颗Nvidia的“Hopper”芯片。这使Microsoft远远领先于英伟达的下一个美国最大客户Meta，后者购买了224,000颗Hopper芯片，以及其云计算竞争对手亚马逊和谷歌。Omdia估计，字节跳动和腾讯各自订购了约23万颗英伟达芯片，包括H20型号，这是为满足美国出口管制而改进的Hopper版本。分析师表示，亚马逊和谷歌与Meta一起加大了自家定制AI芯片的部署，作为英伟达的替代方案，分别购买了196,000颗和169,000颗Hopper芯片。

只是说需求爆炸，还不能直观地说明为什么英伟达的股票受到追捧，这里的关键是，需求增长直接抬升了英伟达的营收。以下两张图分别是英伟达的总营收和数据中心的营收增长曲线：

后者的盈利直接来自AI产业的需求。可以看出，市场之所以愿意给予 NVIDIA 极高估值，并不仅仅因为AI叙事，而是因为AI需求已经转化为真实、持续且超高速增长的数据中心收入。

但是也应当看到，虽然2025年英伟达的营收已经达到720多亿美元，而它的市值足足有5.46万亿。市盈率（PE）已经达到70+的水平，这在科技股中也是最高的一档（仅仅逊于特斯拉）。这意味着，当前的估值要想维持甚至还要继续上涨，还需要营收的继续上涨才能做到。而这就是第二点和第三点将要介绍到的内容：英伟达的持续增长预期从何而来？

二、技术与开发生态垄断：英伟达的护城河

这点又分为两个方面，一方面是技术上的，另外一方面是开发生态上的。

1. GPU的技术优势

我们先来说技术上，为什么英伟达的GPU成为“版本答案”？在这里觉得枯燥的朋友可以跳过。你只需要知道一点：当前，训练AI就是离不开GPU。

目前的AI训练依赖Transformer模型。这也就是Chat-GPT中的那个“T”。这是一种处理“序列信息”的神经网络架构。

无论是文本、图像序列还是音频，都可以被看作“token序列”。而AI可以被认为是在预测最后一个尚未被生成的token是什么。为了做到这一点，需要计算Token与Token之间的Attention，也可以理解为文本中，词与词之间的相关关系。

Transformer模型之前的ai模型在处理语言时，是一个词一个词顺序处理。Transformer可以同时处理整个句子，这就是Attention机制。Attention机制本质上是让模型判断：在一个句子中，“哪些token应该关注哪些token”，也就是“词与词之间关系强度的计算”。

Transformer会不断地计算句子中每个token与其他token之间的关系，这带来了大量的矩阵乘法运算，这尤其适合GPU。

不仅如此，GPU还有一个优势，那就是更适合分布式并行训练。

Distributed Parallel Training（分布式并行训练）的本质，是让大量GPU同时训练，这时候，GPU之间的通信、HBM带宽和数据中心网络都会变得很关键。

Transformer 的核心优势在于它极大地提升了模型的并行化能力。 在 Transformer 的编码器中，输入序列中的每个单词（或向量）都有自己独立的处理路径。虽然自注意力（也就是Attention）层存在路径间的依赖，但在随后的前馈神经网络层中，这些路径是完全独立运行的，因此可以在不同的计算节点上并行执行。自注意力的计算最终被简化为矩阵形式，这种形式天然适合在分布式系统的多个处理器上进行高速、大规模的并行处理。

GPU和CPU不同，特别适合重复、相似和大规模进行的运算任务。应该认为，Transformer + Attention目前是最成功、最可扩展（scalable）、最适合大规模并行训练的大模型架构。这也就是为什么AI行业的军备竞赛需要大量的GPU供给，谁掌握更多的GPU，谁就能训练出更优质的AI，谁就能抢占市场领导地位。

2. CUDA生态构成的护城河

但是英伟达并非唯一的GPU供应商，他建立自己护城河的关键还是：CUDA构成了完整的开发生态系统。

CUDA（Compute Unified Device Architecture）是NVIDIA开发的一套GPU并行计算平台 + 软件生态系统。它想要解决的问题是：“程序员怎么让 GPU 工作？”毕竟CPU 和 GPU 是完全不同架构。GPU 有成千上万个核心和并行结构，普通程序无法直接高效利用。于是NVIDIA 推出了CUDA。

注意，这并不简单——因为CUDA诞生的时间是2006年！此时人工智能还没有具体的方向，基本上仅仅停留在理论设计中，这一轮提前布局才是决定今天英伟达通知地位的关键。

2012年，AlexNet使用 NVIDIA GPU赢得 ImageNet。这是AI历史关键时刻。研究人员突然发现：神经网络训练特别适合 GPU，而当时CUDA 已经成熟。由此，形成了一个良性循环：更多研究者使用CUDA致使更多AI论文基于CUDA，然后又致使更多框架支持CUDA、更多公司部署CUDA，最终将导致更多开发者继续使用CUDA。至此CUDA已经形成自己的生态护城河。

这还没完，到Transformer时代 ，CUDA生态成为AI开发默认标准，这是真正关键的地方。Transformer 模型的技术特征意味着，ai模型的开发，需要依据Attention机制，进行矩阵运算和分布式并行训练，这都特别依赖GPU并行计算。

可以说，对ai开发者而言，使用英伟达的GPU是一种“路径依赖（Path Dependence）”。因为CUDA 的统治地位并不是靠技术优势建立的，而是因为历史积累和生态网络构建的自我强化系统。这使得英伟达不仅是一家出售工具的公司，而类似于Windows、iOS、和Android，它们的共同特点是：搭建通用平台。

三、算力需求的持续增长

技术和生态上的优势，使得英伟达相对于竞争对手具备不可替代性。短期来看，基本上没有能代替英伟达GPU的技术方案——有关这些技术方案我们可以保持关注，以后有机会再讨论，比如：专为AI任务涉及的ASIC、新的模型架构、推理优化带来的需求减弱等。但不论怎么说，目前的市场已经给出了他们的答案。

而且，如此之高的PE说明：市场对英伟达的持续增长有信心。换一个角度，如果英伟达的营收无法持续增长，它当前的市值就要打一个问号。现如今，支持英伟达业务继续增长的理由，主要有以下三点：

1. Scaling Laws规模法则

在 Transformer 架构下，大量研究发现：更大的模型参数、更多训练数据、以及更高计算量，往往能够带来更强的模型能力。这意味着：AI能力提升，并不只是算法优化问题，而是一种“工业化扩张”过程。模型越强，通常意味着：更多 GPU、更长训练时间、更大的数据中心、更高电力消耗。因此，算力开始成为 AI 发展的核心生产资料。

未来只要还存在ai训练的需求，GPU的需求扩张几乎是肯定的。

2. 推理（Inference）需求

在AI发展的上一个阶段，人们更多关注：“训练一个 GPT-4 需要多少 GPU”。但长期来看，真正巨大的计算需求，可能来自数十亿用户每天不断调用 AI 模型。每一次的AI 对话、AI 搜索、AI 办公、AI Copilot的背后都需要 GPU 完成实时推理计算。AI 越普及，推理需求越可能呈指数级增长。

并且，AI Agent 的出现，还可能进一步强化这一趋势。传统聊天机器人，往往只是一次性回答问题。但未来的 AI Agent，可能需要：长时间推理、自动调用工具、多步骤规划与持续执行任务。这意味着：单次 AI 请求消耗的计算资源，可能远高于传统 Chatbot。基于这种预测，算力需求的增长还会持续。

3. 多模态AI（Multimodal AI）

目前的很多通用AI聊天应用，大部分业务仅仅涉及到文本生成，而这就已经需要大量矩阵运算。在未来，很可能有极大业务需求的视频生成、实时语音、图像理解等所需要的计算量，远高于传统文本任务。

可以看出，视频生成任务所需要的算力按照电能计算，是文本生成的1000到2000倍。如果在未来，AI在应用层继续发展，大特别是用AI生成视频得到发展，GPU的算力需求还会增长。

四、总结

本文是AI产业观察这个系列的第一篇。我希望给大家介绍英伟达增长奇迹背后的故事和逻辑。简单来说就是：

• AI训练对GPU的需求
• 英伟达技术和生态护城河
• 未来算力持续增长

但是本文并不构成任何形式的投资建议，特别是考虑到目前英伟达的超高市值，未来的增长究竟还有多少空间？这是值得怀疑的。紧接着的下一篇我希望介绍算力增长的限制，以及具体和大家一起探讨一下英伟达的增长具体可能性。