2025年10月29日，英伟达创造了历史，成为了人类商业史上首家突破5万亿市值的公司。天文数字般的市值固然有AI狂热的泡沫存在，但是1300多亿美元年营收、730亿美元净利润、超50%净利润率的恐怖财务数据，又让这个市值看起来合情合理。

而同在AI赛道的其他玩家就没这么滋润了。大模型头号种子选手OpenAI在2025年的第三季度，仅仅一个季度就亏掉了115亿美元，而其上半年营收也就43亿。在全球的AI产业链中，大部分企业仍处在烧钱探路的阶段。

能有今天的江湖地位，怕是英伟达自己也没预料到的。

早在1993年黄仁勋成立英伟达的时候，最初的构想是专注于图形处理芯片的研发生产。在度过了有惊无险的初创阶段之后，1999年，英伟达上市了，并在业内率先提出了GPU的概念。

与CPU相比，GPU最大的优势是并行计算能力。用人才来类比CPU与GPU的区别，CPU就好比是公司的CEO，个人能力出众，逻辑思维强，可以处理非常复杂的决策，但是每次就只能同时处理几件事；而GPU就好比工厂里成千上万的流水线工人，虽然每个人能力都不太强，只能处理诸如拧螺丝、钉钉子这样的简单工作，但优点在于所有人可以同时进行工作，能够在瞬间完成海量产品的组装。这样的信息处理方式非常适合画面的渲染，英伟达逐渐在游戏显卡领域奠定了优势地位。

不过阶段性的胜利并没有让英伟达停止对未来发展方向的探索。黄仁勋曾在一次采访中说到，在2000年前后，公司内部逐渐意识到，作为单一功能的图像处理器，GPU将来会有被市场淘汰的风险。这里面最大的问题在于，GPU的功能太过单一，只能用来处理3D图形渲染，并且还经常处于闲置状态，非常的不经济。英伟达如果想未来持续做这门GPU的生意，就一定要想办法让GPU出现在更高频、更刚需的应用场景中。

GPU所具备的大规模并行计算能力，让英伟达看到了其在通用科学计算领域的巨大潜力。以首席科学家David Kirk为首的技术团队建议公司开发一个平台，使开发者可以对GPU编程，以便于直接调动GPU的计算能力。

这一构想一经提出就遭到了董事会的强烈反对，反对者给出的理由是，当时英伟达几乎所有的收入都来自于游戏显卡市场，GPU也是专门为图形渲染所设计的硬件。生意做的好好的，为什么要投入巨额资源去开发一个让GPU处理通用计算任务的平台呢？这跟公司主业有什么关系？并且这不仅仅是推出一个平台的事情，未来英伟达的芯片也要为了这个平台而重新设计硬件架构，芯片成本上升了怎么办？良率下降了怎么办？对于大部分普通用户来说，开发平台这种冗余功能他们不愿意买单怎么办？

站在当时的视角来看，用公司的核心业务去赌一个并不明确的未来，风险是极大的。但是黄仁勋则坚信未来的计算一定是并行的，而GPU天生适合并行处理，必然会赢来极其广阔的市场前景。于是他力排众议，在2006年11月推出了如今被视为英伟达商业帝国最核心的那一根支柱——CUDA。

套用前文的类比，如果说流水线工人们是GPU里一个个独立运作的工作单元，那么CUDA就是员工管理手册，它能告诉使用者应该如何让这个万人团队分工协作。在CUDA平台上，开发者可以使用类似于C语言等高级编程语言，直接调用GPU的并行计算能力，将原本专用于图形渲染的GPU转变为通用计算引擎。

黄仁勋的前瞻性布局在2012年遇到了历史性的转折点。那一年，深度学习三巨头之一的Geoffrey Hinton和他的学生Alex，仅用了两块GTX580显卡，花了6天时间就训练出了深度神经网络AlexNet，然后带着这个模型去参加了计算机视觉领域最受瞩目的赛事——ImageNet挑战赛，在全球顶级的人工智能比赛中一战成名，以比第二名低了10.8%的错误率夺得冠军。那一天之后，全世界都意识到了GPU在深度学习上的巨大威力，英伟达的GPU成为了现代AI基础设施的核心。

这里解释一下为什么GPU能够完美适配训练人工智能所需的算力需求。

GPU渲染图像的原理就是涂格子，也就是把一张图片拆解成成千上万个小格子，也就是像素点，然后GPU里无数个核心单元在同一时刻对这些小格子分别上色，把涂好颜色的小格子拼起来，这就成为一张图了。

而目前人工智能的工作原理，就非常适合GPU的能力。以横扫围棋界的AlphaGo为例，AlphaGo下围棋的原理简单总结下来就是：AlphaGo在决定走一步棋的时候，会去推演在棋盘上的每一个点上落子的赢棋概率分别会有多大，然后再选出其中的最优解作为下一步落子的决策。而GPU的并行计算能力，就好比为AlphaGo提供了成千上万个小棋手，每个小棋手都在同一时刻、分别推演每一个落子决策之后的对弈走势，最终可以快速的选出赢棋概率最大的那个落子方案。当然AlphaGo的实际推理过程比我描述的要复杂的多，但是原理就是这么个原理，目前生成式AI的基本工作原理也是类似的，而GPU无疑就是最适合人工智能的芯片了。

在CUDA出现之前，开发者如果想用GPU做图形渲染之外的计算，就只能按照图形渲染的规则，把其他类型的计算模拟成图形渲染，但是有了CUDA之后就简单的多了。AI大神吴恩达曾说过，在CUDA之前，全世界能用GPU编程的人可能不超过100个，有了CUDA之后，通过编程调度GPU算力就变得容易的多了。英伟达搭建了一套软硬件结合的生态标准，在生态内搞开发，效率倍增，但如果要离开这个生态，你就寸步难行。AMD后来也搞出了类似的开发平台，但是足足晚了10年，已经几乎无法再撼动英伟达的统治力了。

如今，在CUDA的生态圈里，已经聚集了超500万的开发者和超百万款的适配应用，全球95%的AI大模型开发都基于该平台。这种生态粘性产生的迁移成本极高，后来者几乎难以赶超，更何况CUDA也一直在迭代，一直在向着AI适配的方向上进化。竞争对手虽然能在硬件性能上缩小差距，但在软件生态的完整性上落后很多。可以说，CUDA的存在，为英伟达构建了当今计算机产业最深、最宽的护城河之一。

而在硬件方面，英伟达采用的是"一代研发、一代量产、一代预研"的梯队布局策略。

2017年，英伟达推出了基于Volta架构下的V100芯片，这款芯片被称为"AI第一芯片"，其AI算力达到了前代产品的12倍，一经推出便迅速成为了OpenAI等初创公司的首选。

2020年，生成式AI的突破为英伟达打破了增长天花板。OpenAI训练GPT-3所用的1024块A100芯片全部来自英伟达，而这款芯片的持续缺货状态让英伟达的营收数据翻着倍的增长。

而2024年发布的Blackwell架构则成为了英伟达技术领先的标志性产品。该架构采用了4nm制程，集成了2080亿个晶体管，推理吞吐量较上一代Hopper架构提升了30倍，成本降至原来的4%。这一突破完美契合了大模型从训练向推理延伸的需求，上市首季度即贡献110亿美元营收，成为科技史上增速最快的产品之一。

截至2025年10月，Blackwell芯片已出货600万片，在手订单达1400万片，预计未来5个季度Blackwell与Rubin架构合计销售额将达5000亿美元。这种技术领先使竞争对手始终落后英伟达1-2个产品周期。

除了软件和硬件之外，英伟达的盈利模式也从单纯地卖硬件，向提供全栈解决方案转型，旨在向客户提供即买即用的整合服务包，以提升客户部署AI的效率。

英伟达目前可提供三类网络技术，分别对应纵向扩展、横向扩展和跨域扩展三种场景：NVLink技术专注于构建功能强大的虚拟GPU；InfiniBand和定制化Spectrum以太网解决企业横向扩展的需求；而Spectrum XGS则是面向吉瓦级场景的技术，可将多个数据中心连接成超级数据工厂。

这种商业模式的转变，带来的最直接的好处便是毛利率的显著提升。2025年第二季度的财报显示，英伟达整体业务的毛利率已经突破70%，远高于半导体行业40%的平均毛利水平，体现了公司极强的定价能力。

随着全球AI基础设施建设的竞争越来越激烈，英伟达所处赛道的行业天花板也被越顶越高。单个超大规模AI数据中心的算力规模，已从2023年的百兆瓦级，跃升至2025年的吉瓦级，1吉瓦大致相当于100万个GPU芯片，建设1吉瓦AI数据中心的成本高达350亿美元，这其中，芯片的采购成本占比就要超过60%，不用细想也能知道，这块儿业务里最大的肥肉大概率是属于英伟达的。

回顾英伟达的创业史，公司起家于细分赛道的硬件设计，但真正奠定其行业龙头地位的关键转向，毫无疑问要归功于黄仁勋孤注一掷的推出了CUDA。2016 年，黄仁勋在接受福布斯采访时说过，他一直都知道，英伟达图形芯片的潜力，远不止于为视频游戏提供动力，但他也没想到GPU会在深度学习领域里大放异彩。但即便没有完全看清前路，也依然敢于下重注，这就是梦想家与企业家之间的区别。