英伟达30年沉浮：押错路线、熬出CUDA，最终等来AI时代

2026财年，英伟达收入达到2159亿美元，净利润接近1170亿美元。

到了2027财年第一季度，单季收入又升至816亿美元，其中数据中心收入752亿美元。

二十多年前，它上市时卖的还是个人电脑图形芯片。

今天，英伟达已经把业务延伸到服务器、网络、软件和整套数据中心。

这段变化常被写成黄仁勋提前三十年看见了人工智能，真实情况没有那么传奇。

英伟达早年押错技术路线，第一款产品很快被行业标准淘汰，CUDA多年没有明显回报，手机芯片业务冲进去后又主动撤退。

它没有自己的晶圆厂，GPU制造、先进封装和高带宽内存都依赖外部供应商。

它真正厉害的地方，不是每次都猜对，而是犯错后敢停，方向没错时又能忍受多年没有回报。

后来人工智能需要的，恰好是它一点点拼出来的那套东西。

- 01 - 差点被一种图形标准埋掉

1993年4月，黄仁勋、克里斯·马拉科夫斯基和柯蒂斯·普里姆创办英伟达。

三个人都是芯片和图形技术出身，他们看到个人电脑正从办公工具变成大众消费品，游戏和多媒体会需要更强的3D图形能力。

这条判断没有问题，问题出在实现方式。

当时3D图形还没有统一标准。

英伟达的第一款产品NV1，把图形、视频和音频功能塞进一颗芯片，试图用自有技术建立一套标准。它主要面向游戏和多媒体市场，技术思路却与后来成为主流的路线不同。

到了1996年前后，微软Direct3D和SGI OpenGL逐渐成为行业标准，三角形建模成为开发者和硬件厂商共同采用的语言。

NV1与主流标准不兼容，销售迅速下降。英伟达停止销售NV1，也终止了为游戏主机开发的NV2。

这不只是一次产品失败。

芯片公司通常要提前投入研发，产品做出来后才能收钱。前一代卖不动，下一代又被取消，现金便会很快见底。

黄仁勋后来多次回忆，公司当时已经接近破产。

英伟达承认路线错误，向世嘉求助，世嘉的支持让公司获得继续开发新产品的时间。

英伟达随后把全部资源转向RIVA 128。

新产品不再试图教育市场，而是直接兼容微软Direct3D，并把目标从游戏主机转到销量更大的个人电脑。

1997年8月，RIVA 128开始商业出货，很快成为公司的翻身产品。

英伟达官方历史资料显示，它在上市后的四个月内卖出100万颗。

这次失败留下了一个很深的习惯，技术可以激进，但不能脱离开发者和客户正在采用的标准。

后来英伟达做CUDA，也不只卖硬件，而是让程序员真正能用，让软件长期留在平台上。

- 02 - 靠显卡活下来，也靠上市加快速度

RIVA 128把英伟达从死亡线上拉回来，却没有让竞争变轻松。

上世纪90年代末，3D图形芯片市场挤满了公司。

3dfx依靠Voodoo显卡占据高端市场，ATI拥有完整产品线，英特尔也在进入。

图形芯片更新很快，一款产品晚几个月，性能和价格就可能同时落后。

英伟达选择把产品节奏拉快。

RIVA 128之后，公司连续推出RIVA 128ZX、RIVA TNT和TNT2。

1998年前九个月，英伟达收入达到9270万美元，而1997年全年只有2907万美元。公司仍有亏损和良率问题，但已经进入戴尔、康柏、IBM等大型电脑厂商的供应体系。

1999年1月，英伟达在纳斯达克上市，股票代码NVDA。公司发行350万股，发行价每股12美元，公开募资总额4200万美元，扣除承销费用和预计支出后获得约3726万美元。

对今天的英伟达来说，这笔钱并不显眼。对当时一家要不断开发新芯片的公司而言，它提供了继续扩充研发和周转资金的底气。

同年8月，英伟达推出GeForce 256，并把它称为GPU。

此前很多3D计算仍依靠CPU完成，GeForce 256把几何转换和光照等工作放到图形芯片上。

玩家得到更复杂、更流畅的画面，英伟达也开始与普通显卡芯片厂商区分开。

英伟达采用无晶圆厂模式，自己负责架构、设计和软件，制造交给台积电等代工厂。

它不用投入巨资建厂，可以把更多资金压在研发上，代价是产能、良率和交货时间不完全掌握在自己手里。

2000年，英伟达收购昔日强敌3dfx的部分资产。

此后GeForce逐渐成为PC游戏显卡的重要品牌，游戏市场给了公司稳定出货，也迫使它持续提高性能、控制功耗、完善驱动。

但如果英伟达一直只做显卡，它会是一家不错的半导体公司，很难成为今天的AI基础设施公司。

真正改变边界的，是一项长期不赚钱的软件工程。

- 03 - CUDA不是神来之笔，而是一场长期亏本的建设

GPU和CPU的工作方式不同。

CPU擅长处理复杂而连续的任务，核心数量较少，但每个核心能力很强。GPU里面有大量相对简单的计算单元，适合把同一种运算同时做很多遍。画面渲染本来就需要反复计算大量像素和几何数据，因此GPU天生适合并行处理。

科学计算和人工智能也包含大量并行任务，但早期程序员想用GPU做这些工作，往往要把计算伪装成图形指令，门槛很高。

2006年，英伟达推出CUDA，允许开发者用较熟悉的编程方式调用GPU进行通用计算。

简单说，英伟达不再只告诉客户这块显卡跑游戏很快，而是开始告诉研究人员和软件公司：“你可以把自己的计算任务搬到GPU上。”

这个决定很贵。

CUDA要配套编译器、驱动、数学库、调试工具和文档，还要适配一代又一代GPU。开发者数量少时，这些投入很难直接变成收入。

黄仁勋后来提到，公司决定让所有GPU支持CUDA后，多年业绩表现并不理想，股东更希望它少花钱、提高利润。

英伟达没有退出。

2007年，公司推出面向高性能计算的Tesla产品线，2009年发布Fermi架构。CUDA逐渐进入高校、实验室和超级计算中心，代码、函数库和开发经验开始沉淀在英伟达平台里。

这里形成了英伟达最难复制的一层优势。

竞争对手可以设计出性能接近的芯片，却很难迅速复制软件工具、开发文档和程序员习惯。企业迁移平台，不只是更换硬件，还要重写代码、重新测试并承担风险。

CUDA不是一套普通驱动，而是英伟达把硬件客户变成长期开发者的基础设施。

最初没有人知道，这套基础设施会在哪个市场突然爆发。

答案直到2012年才真正出现。

- 04 - AlexNet让游戏芯片找到了更大的市场

2012年，多伦多大学团队用两块英伟达GPU训练AlexNet，并在ImageNet图像识别竞赛中大幅领先传统方法。

这件事后来被反复提起，是因为它证明了两件事。

第一件是神经网络可以通过海量数据自行学习图像特征，第二件是GPU的并行计算能力，能够把原本极其耗时的训练压缩到可接受范围。

AlexNet论文显示，模型在两块GPU上训练了约五到六天。

对英伟达来说，这不是突然得到的一笔订单，而是CUDA多年投入第一次找到了足够大的应用方向。

公司随后把资源逐渐转向深度学习。

2016年，英伟达推出DGX-1，把多块GPU、互联、软件和整机放在一起销售。

过去客户买GPU后，还要自己选择服务器、配置驱动、搭建训练环境，而DGX把这些步骤做成一台可以直接部署的AI计算机。

2017年发布的Volta架构加入Tensor Core，专门加速神经网络矩阵运算。

此后，英伟达又把AI能力带入RTX显卡、图像增强和专业设计。

这段时间，英伟达也走过弯路。

公司曾推出Tegra处理器，大举进入手机芯片市场，却没能建立足够优势。

它后来收缩手机业务，把相关能力转向汽车、机器人和边缘计算。

这种退出很重要。

英伟达没有因为手机市场大就长期消耗资源，而是把擅长的图形、并行计算和AI能力重新组合，去寻找传统CPU难以解决的问题。

2012年至2022年，人工智能不断进步，但英伟达并非一路顺风。

加密货币曾推高显卡需求，市场降温后又留下库存压力，外界一度担心公司增长见顶。

几个月后，ChatGPT出现，大模型训练和推理对算力的需求迅速放大。

英伟达等了十多年的CUDA生态，终于遇到了足够大的市场。

- 05 - 收购Mellanox后，英伟达开始卖整座“AI工厂”

大模型并不是把更多GPU装进机房就能训练。

当成千上万块GPU一起工作时，芯片之间要持续交换数据。

网络速度不够，GPU就会停下来等数据。

数据中心的竞争因此从单颗芯片，变成计算、网络、内存、封装和软件共同配合。

2019年，英伟达宣布收购以色列网络公司Mellanox，2020年完成交易，交易价值约70亿美元。

这是英伟达历史上最重要的收购之一。

Mellanox带来的InfiniBand高速网络、网卡和交换机，让英伟达能够把大量GPU连接成一台更大的计算机。

收购之后，英伟达不再满足于销售加速卡。

它陆续补齐NVLink高速互联、BlueField数据处理器、Grace CPU、DGX整机、网络交换机和企业AI软件。

到Blackwell架构，英伟达销售的已是一整套机柜级系统：GPU负责计算，CPU承担通用任务，高速网络连接集群，CUDA和软件库让应用跑起来。

这套打法改变了赚钱方式。

只卖GPU，客户可以自由选择网络和软件。卖整套系统，英伟达能参与数据中心更多环节，并共同优化芯片、互联和软件。

客户采购的不再只是最快的一颗芯片，而是完成训练或推理所需的总时间、耗电量和成本。

2026财年，英伟达收入2159亿美元，同比增长65%，数据中心全年收入1937亿美元。

2027财年第一季度，公司收入816亿美元，数据中心收入752亿美元。

英伟达已经把曾经的副业变成绝对主业。

Mellanox还让英伟达获得了另一层主动权。

云计算公司正在开发自有AI芯片，单颗GPU的竞争会越来越激烈，但无论使用哪种加速器，大规模集群都需要高速网络、互联和软件调度。

英伟达开始允许客户把自研CPU或其他加速器接入NVLink体系，试图让自己的平台留在数据中心中心位置。

英伟达希望把数据中心变成一台巨型计算机，也就是黄仁勋常说的AI工厂。

- 06 - 最深的护城河，也带来最重的依赖

英伟达的核心竞争力常被简单归结为GPU性能，这只说对了一部分。

芯片性能决定客户是否愿意试用，CUDA决定客户用了以后是否容易离开。Mellanox网络、NVLink和机柜系统，又把优势从一颗芯片放大到整个数据中心。

英伟达2026财年年报披露，公司累计研发投入超过767亿美元，超过一半工程师从事软件工作，平台支持约6000种应用。

这套体系的正循环很强。

更多开发者使用CUDA，软件公司便更愿意优先适配英伟达。

更多应用在英伟达上运行，云厂商和企业就更愿意采购其硬件。

出货规模扩大后，公司又有资金更快推出新架构、购买先进产能，并把研发投入分摊到更大的收入上。

但护城河越深，业务也越集中。

2026财年，英伟达一个直接客户贡献了22%的收入，另一个贡献14%。

到了2027财年第一季度，三个直接客户分别贡献21%、17%和16%的收入。

这些直接客户多为代工厂商、系统集成商和渠道商，背后的终端需求仍集中在少数云计算公司和模型厂商。

只要它们推迟数据中心建设，或提高自研芯片比例，英伟达的订单就会受到影响。

制造端同样不是完全可控。

英伟达采用无晶圆厂模式，晶圆主要交给台积电和三星，AI芯片还需要高带宽内存、CoWoS封装和服务器组装。

任何一环缺货，整套系统都可能无法交付。提前下单和预付产能，也会放大需求误判和换代库存风险。

出口限制则是另一项现实约束。

2022年以来，美国持续收紧先进AI芯片出口规则。

2025年，H20对华销售需要许可，英伟达为相关库存和采购义务计提45亿美元费用。

技术再强，也不能脱离政策进入所有市场。

竞争也在变化。

AMD、英特尔和华为继续开发AI加速器，谷歌、亚马逊、微软等大客户则设计自有芯片。

它们未必需要在所有场景击败英伟达，只要在内部某些固定任务上做到成本更低，就能减少对GPU的采购。

英伟达目前仍握有非常完整的AI计算平台。它的优势不是AI热潮突然送来的，而是显卡、CUDA、开发者生态、网络收购和系统设计共同累积的结果。

三十年前，英伟达因为押错图形标准差点消失。

今天，它反过来成为AI计算事实标准的重要制定者。

只是标准制定者也不能停下来。

GPU更新周期越来越快，客户投入越来越大，供应链和政策风险越来越重。英伟达必须一边维持CUDA的黏性，一边证明每一代新系统确实能降低客户的总成本。

过去它靠不断推出更快的显卡活下来。

现在，它要保证全球最昂贵的一批数据中心，继续围绕自己的平台建设。