在這個“萬物皆AI”的時代，你是否也曾心動於輝達那令人咋舌的市值增長？作為一名長期關注人工智慧技術（AI）的軟體工程師，我曾無數次被輝達的“神話”所震撼。

但越是深入技術一線，越是清楚一件事：技術的狂熱之下，往往潛藏著理性該提出的問題。輝達，真的還能一路狂飆嗎？

當然，這兩天，在Trump的關稅鐵拳下，全球股市一片“綠”，NVIDA也未能倖免，4月7號，最低點為$87.47，跌幅超7%，今天8號，又強勢上漲到$105.33，漲幅超7%。

最近讀到一篇由 Jeffrey Emanuel 撰寫的文章《The Short Case for Nvidia Stock》，讓我對輝達的未來估值有了更多冷靜的思考。

Emanuel 結合自己在避險基金的投資分析經驗和對深度學習的深入研究，探討了輝達（Nvidia）的當前估值和未來前景。

他回顧了市場對輝達的樂觀預期，認為深度學習和人工智慧是自網際網路以來最具變革性的技術，輝達在訓練和推理基礎設施方面幾乎處於壟斷地位。

然而，他也指出了一些可能影響輝達未來增長的因素，包括：

• 硬體層面的競爭：新興公司如 Cerebras 和 Groq 開發了創新的晶片架構，可能挑戰輝達在資料中心的主導地位。
• 客戶自研晶片：大型科技公司如Google、亞馬遜、微軟等正在開發自己的定製晶片，可能減少對輝達產品的依賴。
• 軟體生態的變化：新的軟體框架和驅動程式的出現，可能削弱輝達 CUDA 的主導地位，降低客戶的轉換成本。
• 訓練和推理效率的提升：如 DeepSeek 等公司在模型訓練和推理效率方面取得了重大突破，可能減少對高性能 GPU 的需求。

Emanuel 總結認為，儘管輝達在人工智慧領域佔據主導地位，但上述因素可能對其未來的增長和利潤率構成挑戰，投資者應謹慎評估當前的高估值。

這篇文章並非否定 NVIDIA 的技術實力或市場地位，而是從市場和投資的角度，提出了一些值得我們這些身處行業內的技術人員思考的觀點，結合我的工程師視角，想與你聊聊我從這篇文章中提煉出的幾個核心觀點。

一、為什麼市場看好輝達？

我們都知道，AI大模型離不開算力，而輝達在GPU領域幾乎形成了壟斷。它既掌握了硬體製造的王座（H100, A100等資料中心等級GPU），又牢牢繫結了軟體生態的護城河（CUDA 程式設計框架幾乎是AI研究和部署的“作業系統”）。

市場認為，在AI成為網際網路以來最重要的技術革新的當下，輝達是“賣鏟人”中的最強者。只要AI持續發展，輝達就穩如磐石。但真的是這樣嗎？

二、輝達：不只是硬體巨頭，更是AI“基礎設施”

1. GPU霸權的形成：不僅僅是算力強

輝達的成功，不只是因為它的GPU計算能力出色，還因為它從早期就意識到軟體生態的重要性。

• CUDA：自2006年發佈以來，一直是AI工程師與研究人員使用GPU的主要介面，涵蓋了底層程式設計庫（cuBLAS, cuDNN）到上層框架（TensorRT, Triton）。
• 深度學習框架的適配優先順序：PyTorch 和 TensorFlow 的許多新特性和最佳化，首先落地的就是 Nvidia 平台。

這種軟硬一體化戰略，形成了令人敬畏的“技術鎖定效應”：模型訓練、部署、最佳化——每一步幾乎都繞不開Nvidia。

2. 市場地位：AI晶片中的“台積電 + NVIDIA”

• 輝達在AI訓練市場的份額接近90%。
• 資料中心產品（如A100、H100）營收已成為公司核心，佔比超60%。
• 它已經是美國市值排名前三的公司，躋身“科技巨頭”俱樂部。

在這種情況下，市場自然給予了極高的溢價。但問題也隨之而來。

三、“不可撼動”的輝達，真的沒有威脅？

Emanuel 的文章提出了幾個值得警惕的趨勢，從技術角度看，這些擔憂非常有邏輯：

1. 晶片創新者正在挑戰輝達的地位

新創公司如 Cerebras、Groq 正在用完全不同的架構來建構AI晶片。

他們不是傳統意義上的“GPU加強版”，而是從底層硬體出發，針對AI任務做極致最佳化，推理效率甚至能領先幾倍。

這意味著，“買GPU等於買Nvidia”這個等式，可能不再成立。

2. 科技巨頭開始造自己的“鏟子”

Google有TPU，亞馬遜有Trainium和Inferentia，微軟最近也推出了自研晶片Maia。這些客戶從“買GPU”變成“自己造GPU”，不僅壓縮了輝達的市場，也意味著依賴正在被打破。

這就像 AWS 不再用 Oracle 資料庫，而是自己搞 Aurora。結果你知道的。

3. CUDA 生態的統治力在被削弱

CUDA 雖強，但 AI 研究界和開源社區早已不再死死繫結它。新一代框架如 PyTorch XLA、OpenXLA、HuggingFace Optimum 正在推動相容更多硬體後端。

而一旦生態變得“去Nvidia化”，GPU 換芯將不再痛苦，客戶切換的門檻就下降了。

4. 效率革命將減少對“重型GPU”的需求

像 DeepSeek、Mistral、OpenHermes 等新模型團隊正在不斷提高推理效率，用更少的參數做到更強的能力。

未來的模型或許不再需要那麼多H100，也可能跑在更加輕量、便宜的晶片上。

四、冷靜視角：為什麼現在要重新審視輝達的護城河？

結合我的技術理解，我們可以從硬體、軟體、需求結構、行業趨勢四個方面展開：

1. 硬體替代威脅加劇：新興晶片架構來了

過去幾年，AI晶片領域出現了大量垂直整合型創業公司，例如：

這些晶片的一個共同點是：不再遵循通用GPU的架構，而是直接面向AI workload 定製化最佳化。

雖然短期內它們還無法威脅 Nvidia 的大客戶份額，但隨著模型從“訓練一次、推理萬次”向“即時微調、A/B測試”遷移，低延遲、高吞吐的AI專用晶片將越來越重要。

2. 大客戶“去依賴化”：科技巨頭的自研潮

Google TPU 是先行者，但這幾年真正爆發的是 AWS 和微軟的進展：

• AWS Trainium / Inferentia：完全相容 PyTorch + TensorFlow，未來將與HuggingFace深度整合。
• 微軟 Maia / Cobalt：部署在Azure內部用於運行Bing Chat 和 Copilot，將逐步減少對H100採購的依賴。
• Meta Training Accelerator：已組建上百人硬體團隊，目標就是對抗Nvidia。

這類“去輝達化”的趨勢，將逐漸改變其營收結構。以AWS為例，它過去每年可能向Nvidia採購幾十億美元的GPU，但未來可能轉為自研+合作。

3. CUDA 優勢正被中和：軟體框架正在變得“平台中立”

CUDA 是Nvidia的一把利刃，但也是雙刃劍。
為了突破這種“生態繫結”，開源社區和跨平台廠商正在全力推動 硬體抽象層（HAL） 和 中間表示（IR）標準：

• MLIR / OpenXLA：Google 提出的多後端編譯基礎，支援多種晶片（TPU、AMD ROCm、Intel Xe等）。
• PyTorch 2.0 的 TorchDynamo / TorchInductor：可以將程式碼編譯為 Triton IR，不再依賴 CUDA 核心。
• HuggingFace Optimum：可將Transformer模型最佳化成 ONNX / TensorRT / XLA 可執行程式碼，平台可切換。

也就是說，未來的開發者可能寫一次程式碼，就能部署到非輝達平台。

4. AI成本結構的變化：模型參數不再無限膨脹

2023年之前，模型的成功幾乎繫結在“大=好”這個公式上。但現在：

• Efficient Models 正在興起：如Mistral-7B、DeepSeek-V2、Phi-2 等模型參數量小但性能極強。
• 推理需求下沉：越來越多企業希望在邊緣端、終端裝置部署AI模型，不再需要堆疊H100的算力怪獸。
• 訓練次數 vs 推理頻率失衡：很多模型訓練一次、推理億次，這將提高對高性價比推理晶片的需求。

這將壓縮對輝達“高毛利、高溢價GPU”依賴的廣度與深度。

五、從投資熱潮到理性思考：技術人也要問一個問題

輝達現在的估值已經高度反映了市場對AI前景的樂觀——但一家公司是否值得如此溢價，還要看它能否持續維持自己的技術與商業護城河。

作為一個軟體工程師，我更關心這些基礎設施是否還能持續提供獨佔價值。如果不是，晶片只是另一個容易被替代的計算資源。

AI浪潮當然還會繼續，但“賣鏟人”是否永遠是輝達，也許我們應該保留一點技術冷靜和商業理性。 (星星AI派對)