•
澤平宏觀—輝達之路：四次進化與AI未來
摘要
“抓住風口”並非簡單的運氣，而是技術在長期積累後達到奇點，並與市場需求爆發形成的共振。輝達完美詮釋了這一規律。自ChatGPT問世後，其股價上漲10倍以上。
在人工智慧的數千家企業中，輝達之所以能一騎絕塵，源於其在早期逆境中形成的深刻憂患意識、扁平化的高效管理文化，以及通過全端模式形成的強大市場心智。這使其在AI時代的浪潮中歷經四次關鍵進化，牢牢抓住了機遇。
第一次進化始於2008年金融危機，在巨大的經營壓力和質疑下，力排眾議投入研發CUDA。這建構了輝達最核心的護城河，為其日後成為AI生態基石奠定了基礎。
第二次進化以2012年AlexNet模型的成功為標誌，輝達敏銳地捕捉到GPU在AI訓練中的巨大潛力，果斷“All in AI”。
第三次進化由2022年ChatGPT的發佈引爆，大模型領域的算力需求呈指數級增長，輝達成為這場“算力軍備競賽”中獨家的“賣鏟人”。
第四次進化發生在2025年初，DeepSeek等低成本、高效率AI模型的出現一度引發市場對輝達邏輯的質疑。然而，訓練成本的降低反而促進了AI的普及和部署，最終擴大了對算力的總需求。
解讀輝達的崛起之路，是為了尋找大牛股的底層邏輯：唯有那些能參透技術本質、勇於開拓市場、擁抱科技進步的企業，才能立於浪潮之巔。
在AI時代，中國力量——國產替代與產業鏈自主化正成為中國市場的核心趨勢。建立獨立自主、安全可控的國產算力體系已成為必然選擇，以華為昇騰等為代表的核心晶片層正在突破，同時帶動了從高規格晶圓代工到AI伺服器等整個配套產業鏈的重構。未來，具身智能、AI超級應用以及由AI賦能的醫藥等領域科研是潛力最大的三大領域。
1 為什麼是輝達？
2024年6月18日，輝達市值超越微軟成為全球市值最高公司。2025年7月28日，輝達成為第一家市值超4.3兆美元公司，自1999年IPO以來復合年均增長率超過37%。
輝達的成功和人工智慧密不可分，但AI產業上下游企業千余家，為什麼跑出來的是輝達？
許多投資者認為輝達勝在技術。從技術的角度看，AI訓練投入資源越多效果就會更強，這是大模型發展的定律Scaling Law（縮放定律），而要支撐起海量的運算就離不開算力。輝達恰好是世界上最大的GPU廠家和算力硬體裝置供應商。
但另一方面，顯示卡並非輝達獨有。ChatGPT爆發後自研算力晶片也成趨勢，特斯拉（Tesla）一直在推進 D1 晶片和 Dojo 超算平台的研發， Google的 TPU（張量處理單元）在 AI 訓練領域是輝達最強勁的競爭對手之一，許多大型模型（包括Google自己的 Gemini）都是在 TPU 上訓練。
這樣看來，輝達的技術優勢只是成功的結果，但不是成功的核心。輝達的成功和一個人的成功一樣，除了技能一流，更關鍵是具備一些獨特的“品質”。
在經營哲學上，輝達極為強調憂患意識。由於險些在30天內破產的早期經歷，“被對手超越只是瞬息之間”，這樣的意識促使員工無法安於現狀，CEO也不斷自我鞭策和學習，避免陷入“創新者窘境”。
在管理上，輝達非常扁平化。這確保了員工在自己的工作上有極大的自主權和獨立性，但同時，CEO又以最嚴格、最快速、和最高品質的標準要求員工，強調每個人都追求極致，展現出超人的努力和韌性。
輝達的市場策略和蘋果相似，重視客戶的心智建設，採用“全端”銷售模式，最佳化配套的各方面來提升體驗。輝達深知低成本競爭對手是最大威脅，因此從高端旗艦到中低端衍生產品全部覆蓋，防止競爭對手復刻輝達的翻身之路，以“老黃刀法”的精準定價鎖住市場需求。
輝達獨特的經營哲學、管理文化、市場策略將其打造成一艘“堅船”，在時代的浪潮中，輝達歷經四次進化，牢牢把握住了人工智慧革命兆市場的機遇。
2 輝達的四次進化
大多投資者瞭解到輝達這家公司是在2022年ChatGPT興起之初，其股價一路高歌在三年內登上三兆美元。如果將投資視角拉長，站在價值增長的角度看，輝達嶄露頭角則可以追溯到2008年，一共經歷了四次“進化”。通過復盤其四大歷史性投資機遇，輝達為我們詮釋了價值演變的黃金法則。
2.1 金融危機價值窪地，CUDA技術穿越周期
2008年11月，輝達的投資者迎來了“最黑暗”的時刻，股價跌破6美元，在一年內下跌近80%。彼時正值美國次貸危機爆發，市場處於極度恐慌，輝達這類科技股作為高風險資產被大量拋售。
對於輝達而言，雖然財務上最艱難的時期已經度過，台積電也與輝達聯手，但還面臨著兩大新的危機。一是美國次貸危機演變為全球金融危機，抑制了消費者對高端電子產品的需求，輝達的營收端面臨未知的挑戰。真正讓輝達倍感壓力的是一項名為CUDA的新任務，2007年6月輝達發佈第一款CUDA程式設計模型，隨後投入了大量資源，成本端的壓力增加，三年內毛利率下降了10%，大多數投資者也轉向悲觀，股價一路下行。而輝達低谷期研發的CUDA，也正好是今天造就輝達帝國最核心的壁壘。
CUDA全稱“統一計算裝置架構”，能夠讓GPU進行圖形以外的計算。1999年輝達推出了世界上首款GPU（圖形處理器），彼時的CPU（中央處理器）承擔了複雜的核心計算任務，而GPU只用於電腦圖形渲染。
2002年，輝達的一位客戶另闢蹊徑，將氣象領域的問題通過程式設計“翻譯”成GPU可以理解的語言，再用GPU強大的平行計算能力模擬了氣象變化。這便是早期基於GPU的通用計算，採用軟體拓展GPU的能力邊界，讓GPU不再侷限於圖形計算，而是可以用於其他複雜領域的模擬。輝達看到了這種嘗試的潛力，並聘用了這位客戶，進一步開發了讓GPU更容易訪問非圖形應用的程式設計軟體，將其命名為CUDA。
CUDA的出現讓圖形程式設計之外的領域也能最大程度利用GPU——比如科研、金融、工程領域用GPU高效運算CPU難以獨立完成的任務，由此GPU具備瞭解決現實世界問題的潛力。
當時輝達面臨兩種選擇：
一是讓CUDA聚焦於服務高端科學和技術的工作站，他們的需求是清晰存在的，且價格承受能力也高，CUDA為公司帶來盈利的路徑明朗。
二是讓CUDA對所有人可用，這樣做的風險極大，不僅是提供軟體支援的成本會驟增，還有定價過高導致的付費意願降低、市場需求不清晰等多種因素都可能讓輝達血本無歸。
2006年，在GPU計算市場幾乎是零的背景下，CEO黃仁勳確立了“將CUDA技術推向所有領域，成為基礎性技術”的方針。推行該計畫的成本巨大。同年11月推出的G80晶片為了支援CUDA功能，研發成本佔到了輝達研發總預算的1/3，開發周期比以往晶片多出了三倍，而這還只是一款產品。G80發佈後華爾街幾乎一致認為輝達誤判了市場，走上了不歸路。
在巨大的壓力下，輝達從零開拓起新市場，在時代助力和自身的堅持下完成了CUDA三步走變革。
第一步，輝達早期先和高校達成特定捐贈的合作，提供顯示卡和財務支援來換取學校支援GPU程式設計教學，預先培養了輝達的潛在使用者和未來的開發者生態。
第二步，在學術界建立起CUDA的灘頭陣地後，輝達繼續推動CUDA在消費市場的普及，老本行——電腦遊戲。個人電腦的興起和遊戲行業爆發讓GPU的通用能力嶄露頭角，從越來越逼真的物理現象、到光影細節的表現、複雜粒子效果等，遊戲消費升級的需求和複雜科研的演算法原理不謀而合，CUDA在消費級市場迎來了用武之地。
第三步是2012年的深度學習革命，AlexNet團隊用四塊輝達GPU訓練的AI模型擊敗了16,000塊CPU訓練的Google貓，轟動學術界的同時，也標誌著歷時三十年的深度學習“冰河期”結束，人工智慧研究復甦，而輝達GPU和CUDA軟體也成了AI工作者的不二之選。
截至今日，CUDA生態已有超過500萬開發者，服務於全球85%以上的資料中心，90%的AI框架基於CUDA開發，95%的AI訓練任務依賴CUDA工具鏈。誕生於20年前的CUDA儘管面臨巨大的市場壓力和投資者質疑，但先發優勢讓輝達打造了成功的第一印象，使用者黏性快速形成、並呈指數級增長。開發者一旦依賴CUDA工具鏈平台，遷移成本極高，從而形成輝達的核心護城河。
2007-2009年的下跌構成了輝達投資的最佳窪地，但少有投資者抓住這一波機會，一方面是對金融危機的恐慌，另一方面是忽視了這家上市9年卻“業績平平”的科技公司正在推動的技術變革。輝達在CUDA技術上的堅持可謂最重要的決策，CUDA不僅是輝達的護城河，稱其為AI發展的生態基石也不為過。
2.2 深度學習復興，輝達打造AI引擎
輝達並非“天生贏家”，黃仁勳意識到AI機遇來自一場偶然。1956年達特茅斯會議首次提出人工智慧概念，但在經歷短暫的黃金期後發展陷入停滯。1982年，約翰·霍普菲爾德提出新的深度學習網路，可以模擬人類的學習、記憶和資訊處理方式，但卻受限於當時的算力條件，AI發展再次進入冰河期。
直到20年後，深度學習和輝達走向交集，AI發展迎來了轉折點。2012年，傑佛瑞·辛頓牽頭訓練的AlexNet模型打破了第三屆電腦視覺挑戰賽記錄。挑戰賽規則很簡單，參賽團隊訓練的視覺識別模型要對來自資料庫隨機輸入的圖片進行分類。前兩屆的冠軍精準率不到75%，而AlexNet模型精準率高達84%，比第二名“Google貓”高出近十個點，後者是實力雄厚的Google團隊投入16,000塊CPU訓練的大規模神經網路，而前者只有三個人和四張輝達遊戲顯示卡。這一顛覆式的結果震動了AI界，讓沉寂20年的深度學習領域逐漸復甦。
AlexNet的勝出帶來了三項影響後世的改變：
一是產業界掀起了人工智慧的技術競賽，AI進入提速發展期。科技大廠Google、微軟、百度、DeepMind圍繞傑佛瑞·辛頓教授團隊展開競標。辛頓加入Google，剩下三家也擴大AI研究陣容。辛頓團隊中的一位學生伊利亞更是成為了後來OpenAI的首席技術官和ChatGPT的締造者。
二是算力在AI三要素中脫穎而出，GPU成為了算力代名詞。2007年前，深度學習普遍認為演算法越優秀結果越準確，而李飛飛團隊提出了資料集是訓練關鍵，並贊助了電腦視覺挑戰賽。辛頓團隊在此之上驗證了GPU高效運算能讓精準率再上一個高度，GPU掀起了AI革命浪潮。
三是輝達走上“All in AI”，專注於支援AI發展。AlexNet的成功是輝達的最好的商業宣傳，GPU從此和人工智慧訓練深度繫結。黃仁勳和辛頓團隊多次交談後認為GPU驅動深度學習的潛力巨大，雖然多位核心高管認為AI前景不明、反對大力投入，但黃仁勳力排眾議，促成輝達轉向全面支援AI研究。
股價方面，輝達在AI領域的先登也被一些投資者敏銳地捕捉到，2012～2015年底輝達股價從14.3美元到33美元，復合年均增長率達到24.18%，同期標普500回報率是12.84%，納斯達克綜指是17.8%。三年翻倍的股價在美股並不算是大新聞，許多投資者會就此滿足，畢竟AlexNet的影響力還只是在AI圈內，輝達的真正潛力還未被市場發掘。
2016年3月，AlphaGo以4:1的成績擊敗李世石，標誌著人類最後的棋類運動被AI攻克。對於許多人而言，這也是AI首次進入大眾視野。AlphaGo由Google旗下的DeepMind團隊開發，是深度學習復甦後的劃時代產物。此前，IBM的“深藍”超級電腦在1997年擊敗國際象棋冠軍，其算力相當於每秒110億次的計算能力，而AlphaGo的算力是前者的三萬倍，達到每秒3.386千兆次。賦予AlphaGo跨時代算力的正是280塊輝達GPU。
深度學習訓練幾乎完全依賴GPU，再加上CUDA生態和硬體性能的極高壁壘，輝達成為毋庸置疑的AI算力領導者。人工智慧前景明朗、加密貨幣的興起、遊戲市場的繁榮，三重利多因素使得輝達股價在2016年迎來了首次大爆發。從1月的33美元漲到292美元僅用時兩年半，即便2018年10月加密貨幣泡沫破滅，輝達新款顯示卡的定價過高導致股價回呼，結果看，投資輝達的收益仍十分可觀，年化回報率達92.5%，三年漲幅達到540%。
2.3 ChatGPT橫空出世，大模型領域需求爆發
人工智慧的機遇是意識到AI大模型的通用潛能及其對算力的海量需求。而捕捉到這一投資機遇，就是挖掘輝達的估值根本從一家遊戲顯示卡龍頭轉變為“AI淘金獨家賣鏟人”的時刻。
2022年3月，輝達發佈了革命性的Hopper架構（H100 GPU）和Ada Lovelace架構（RTX 40系列），用於AI訓練和遊戲的顯示卡性能都實現了飛躍。但這沒能阻止投資者繼續拋售輝達，由於加密貨幣暴跌和遊戲市場疲軟，年初至9月，輝達的跌幅達到62.8%。誰也不會想到，兩個月後輝達的估值邏輯將徹底改變，促成科技股載入史冊的投資機會。
同年11月30日，OpenAI發佈了世上第一款大語言模型ChatGPT。這是人們可以用到的第一款聊天AI，和6年前的AlphaGo相比，前者只是下棋的演算法，而後者更像是具有智慧的個體。僅一年時間，ChatGPT的每周活躍使用者（WAU）就達到1億人，達到2億又用了9個月，到2024年12月，ChatGPT的周活躍使用者已經有3億人。
OpenAI是AI浪潮的主角，但市場很快發現輝達才是最大贏家。輝達股價一路反彈，率創新高，一年漲幅達到246.73%。相比之下，OpenAI最大出資方——微軟的股價在這段時間上漲僅為65.14%。這是因為，ChatGPT成功的核心在於大規模訓練。它基於的3.0版本參數量高達1750億，是2019年GPT2.0的110多倍，進行如此大規模訓練需要足夠的算力支援。分析師測算下來OpenAI訓練用了至少一萬塊輝達A100顯示卡。
ChatGPT打開了前景廣闊的AI藍海，一方面是上千家初創公司加入戰局，另一方面是科技大廠鞏固陣地，一場“算力軍備競賽”不可避免。2023年，輝達H100全球出貨規模達到500億美元，微軟、Meta、Google、亞馬遜、甲骨文、特斯拉、沙烏地阿拉伯主權基金、CoreWeave採購佔比超80%。2024年，AI算力競賽升級，科技巨頭以近乎不計成本的方式加大投入，輝達新的BlackWell架構一上市就得到微軟、Meta、Google價值百億級訂單。據測算，輝達全年H100/H200出貨量約400萬張，A100等其他產品出貨月200萬張，BlackWell架構因良率低出貨僅10萬張，台積電將80%產能分配給輝達而市場仍供不應求。
只是提供“鏟子”還不夠，輝達全方位精準把控了市場需求。在ChatGPT發佈的三年前，黃仁勳就預見了人工智慧發展下資料中心負載和性能提升的巨大需求。2019年3月，輝達以69億美元收購了網路互聯裝置市場第一梯隊公司邁絡思。四年後，數以千計的AI公司加入大模型領域，它們不僅需要輝達顯示卡，還離不開邁絡思的InfiniBnad技術來高效地拓展計算能力。在 2024-2025 年，輝達成功將其護城河從單一的‘計算晶片’延伸到了‘叢集連接’。當成千上萬顆 GPU 協同工作時，通訊效率成為了系統的真瓶頸。通過 NVLink 和 InfiniBand 這種‘卡與卡、櫃與櫃’的超強連接，輝達實際上定義了‘叢集即電腦’（Cluster as a Computer）的行業標準，使得競爭對手即便能造出單顆性能相近的晶片，也無法在萬卡叢集的效率上與其抗衡。
AI訓練的需求爆發讓輝達估值邏輯徹底轉變，抓住這一投資機遇的關鍵節點在2023年初。2022年12月，市場起初對ChatGPT維持將信將疑的態度，在發佈後的45天內，輝達漲幅僅25%，還經歷了25%的最大回撤。但在2023年1月底，形勢開始反轉，輝達發佈2023財年業績（2022年），其智算業務收入首次超過了遊戲顯示卡成為第一大營收來源，達到150億美元，這意味著ChatGPT發佈前智算訂單就大幅增長，外部AI需求前景已經明朗，而輝達作為GPU領域龍頭，未來業績極有可能迎來爆發。
果然，2023年，輝達營收同比增長125.85%，2024年同比增長114.2%，營收突破1300億美元。在市場主力猶豫時，勇於買入輝達的投資者也收穫了驚人的回報，兩年內，輝達的股價上漲925.24%，年化收益率達到205.63%。
2.4 DeepSeek衝擊估值回呼，產業擴容再創新高
2024年末，輝達被買成了全球最受歡迎的公司，不僅市值超越微軟成為第一，兩年來的總成交額也達到14.13兆美元，相當於同年的日本、德國、英國、法國GDP之和。市值屢創新高的同時，輝達面對的質疑也越來越多，主要來自三方面：
一是輝達業績高速增長的可持續性存疑。2023到2024年，主要科技大廠都完成算力基建部署，2025年之後訂單實現翻倍式增長很難。
二是輝達的技術壁壘可能在鬆動。算力軍備競賽也掀起了自研AI晶片的趨勢，輝達的市場份額可能在未來被後發者蠶食。
三是輝達估值的整體想像空間或已見頂。從常規的企業發展周期來看，“成功者困境”無法避免，許多龍頭企業在到達巔峰後都面臨著成長困境，輝達的進步空間似乎不多了。
2025年1月20日，DeepSeek R1模型開源，引發美國科技股震動，一度跌去一兆美元。其中，輝達股價跌去近17%，市值蒸發近6000億美元，創下美股史上最大單日市值下跌紀錄。DeepSeek的出現似乎印證了投資者對輝達的質疑。
為何市場擔心這會撼動輝達的市場根基？
DeepSeek出現前算力是第一要素。AI能力的提高依賴於參數量的增加，而更大參數量的訓練則需要匹配的算力規模。在2023～2024年，AI巨頭通過堆算力來堆大模型性能，形成了“打造比GPT更好的AI等同於比OpenAI有更多算力”的共識，比如，馬斯克為了xAI彎道超車，建構了全球最大的20萬張GPU算力群。
DeepSeek跨越了算力壁壘，實踐了以低成本達成高效率的全新架構。其V3模型與GPT-4o和Llama-3.1表現不相上下；而R1模型達到了ChatGPT-o1級的表現，但訓練成卻僅相當於後者的十分之一。DeepSeek在GPU數量和質量上都落後於美國企業，卻通過演算法最佳化、架構創新打造了實力相當的模型，顛覆了“AI訓練必依賴強大算力”的認知。
這場AI訓練變革削弱了算力的重要性。當AI訓練不再需要高成本、大規模的算力投入，輝達GPU需求預期減少，資本市場也快速改變了對輝達的估值，在歷史高點的輝達股價十分脆弱。
“擊敗”輝達的不是業績減速，也不是更先進的GPU，而是AI訓練的變革，但變革自身也在發展中變化。舊的壁壘被瓦解，新的藍海在湧現。從長期維度看，DeepSeek出現是對輝達的一次空前利多。
一是訓練變革會帶來AI部署降本，市場總量擴容。AI的訓練成本下降會在短期內造成上游的營收下降，但也意味著AI部署和使用成本同步下降，更多的廠商加入賽道，促進AI技術迭代。同時，更多使用者能以低成本使用AI服務，訪問增加推動需求總量增加，加速AI商業化和大規模普及處理程序，這是產業生態迎來爆發的前兆。
二是訓練變革只是降低現階段成本，無法提高上限。DeepSeek模型在性能和當代主流模型不相上下，但沒有突破現有邊界。換言之，“再造一個GPT”對算力的需求大幅下降，但超越GPT在根本上還是離不開更強大的算力支援。因此，那些希望掌握行業主導權的AI科技巨頭對輝達GPU的需求依然會穩定增長。
事實也確實如此，DeepSeek的火爆後，雲端和本地部署需求激增，推理服務的火爆引發了對輝達GPU的更大需求。同時，科技巨頭一邊效仿DeepSeek開源和最佳化，另一邊卻並未停止算力軍備競賽。DeepSeek 的邏輯在於：它證明了‘重演算法、輕訓練’的可行性，這標誌著 AI 產業正式從‘算力密集型訓練階段’轉向‘規模化推理應用階段’。雖然單次訓練成本降低了，但隨著 AI Agent（智能體）和超級應用的普及，全社會對推理算力的總需求量呈幾何級數增長。輝達通過推出專為推理最佳化的晶片和軟體棧（如 TensorRT-LLM），精準吃掉了這一增量市場。
市場對輝達的判斷很快迎來反轉。2025年1～4月輝達跌去18.9%，5～7月反彈漲幅達到64.13%，市值突破了2024年底來到4.3兆美元，超過特斯拉、AMD、英特爾和帕蘭提爾四家市值的總和。
輝達的這次逆境反轉是重要的一課：投資是動態的過程，對行業和公司投資邏輯的推導不能停留在短期事件的後果上。2025年初，許多分析師將DeepSeek描述成輝達的“掘墓人”，但卻忽視了訓練效率的提升是行業進化的催化劑，輝達從估值瓦解到登上新高不過半年。
3 AI浪潮：未來十年有那些機會？
3.1 AI時代的關鍵能力
AI在許多領域的工作效率已經遠超人類，直覺上，人工智慧似乎必定會勝任各種職業和場景，逐漸取代人類。
事實上，淘汰與否的關鍵在於“主動價值原則”：一個人產出價值的過程越主動，意味著自主決策佔比高、思考多、創造性強，越難以被新工具所替代。
歷史上，雖然每次技術進步的方向不同，但無一例外都遵循這一原則。第一次工業革命，船伕被蒸汽機替代，但舵手卻保留了下來。即便在今天，舵手也無法被AI取代，AI可以協助觀測等任務，但決策核心仍在船長（首席舵手）手中。
技術革命中，最容易被淘汰的是價值創造被動的人。在AI時代，價值創造被動的人無法主導決策，使用AI越多就會越依賴AI系統，逐漸失去自主思考能力。
而那先原本就擅長思考、創新、自主判斷的人，只會因為使用AI變得思維更迅捷、效率更高。黃仁勳本人也分享：他用AI不是讓AI替自己思考，而是用AI教會他新東西。
這也引出了一項AI時代的重要能力——提問和引導的能力。
人和AI互動靠的是幾行提示語、提問句還有後續的引導詞。雖然AI能快速寫文案、做視訊、編程式碼，但產出的質量高低完全取決於人的水平。同樣一類AI畫作，在業餘愛好者和專業畫師的提示詞下生成的作品差距極大，AI實際上是折射了不同人的想像力和對藝術理解深度。
換言之，人要擁抱“建構想法的創造力”，放下“把事情做出來的能力”。
AI時代，人們要更多的閱讀、學習技能、深度思考，以此拓寬創造力邊界。因為向AI提要求，本質上也是對自身能力深淺的檢驗。比如，AI程式設計的出現讓一些初級程式設計師如獲至寶，但隨即而來的是面臨失業。與此同時，成熟的軟體工程師卻在新鮮感後抱怨AI程式設計的“愚蠢”，因為AI程式設計的能力十分基礎，遠達不到成熟開發的要求。
由此可見，AI篩選的不是崗位，而是人。同一崗位、同一工作，也存在價值創造的主動和被動之分。有的人主動學習，提升自己，參透了規律和本質，善於向AI提問，充分發揮AI的效率優勢。還有的被動依賴AI投喂答案，缺乏自主思考，雖然短期產出提升，但也終將被淘汰。在瞬息萬變的AI時代，投資者抓住風口的核心也是在於學習，否則只會在時代的篩選中退場。
3.2 國產替代和產業鏈自主化潛力
對於晶片這個特殊行業，必須注重外部供應的特殊性和產業本土化安全性權衡。比如美方或通過試圖在出口晶片中加入“追蹤定位”和“遠端關閉”等功能，這未來對資料安全是一種威脅。另一方面，H20確實作為“特供版”晶片，有性能被削弱的問題，從技術和經濟效益角度看，無法支撐中國兆級大模型訓練的長遠需求。
這雙重壓力共同將一條路清晰地擺在了所有中國科技企業和投資者的面前：建立獨立自主、安全可控的國產算力體系。這也正是未來幾年中國最重要的產業趨勢和投資機遇。
機會一：國產替代
國產替代已是在中國晶片領域的“必答題”。這不僅是政策驅動，更是市場求生的內在需求。圍繞國產晶片的生態正在加速形成：
比如在核心晶片層，以華為昇騰、寒武紀、海光資訊等為代表的ASIC和GPU廠商，正在從不同技術路線進行突破。特別是華為昇騰910B在部分場景下據稱已達到輝達A100的80%性能，並正通過全端的軟硬體生態CANN、MindSpore等建構護城河。
在配套產業鏈方方面，從中芯國際的晶圓代工，浪潮資訊的AI伺服器，到兆易創新等的儲存環節，整個產業鏈條正在圍繞國產核心進行重構。關注國產替代，就是要尋找那些技術領先、生態建構能力強、且已經獲得頭部廠商驗證的。
機會二：尋找“下一個輝達”
必須客觀認識到，輝達的護城河不僅僅是一塊GPU晶片，而是其耗費十餘年心血打造的CUDA生態系統。全球絕大多數AI開發者、深度學習框架如TensorFlow, PyTorch都深度繫結CUDA。這是一個贏者通吃的網路效應。中國公司想要突圍，不能僅僅是硬體性能的追趕，更關鍵在於軟體生態的建構。
目前來看，華為昇騰是中國最有可能率先突圍的。正建構從底層硬體、晶片使能、AI框架到應用使能的全端解決方案。通過與國內高校、科研機構和企業的合作，昇騰正在努力擴大其“朋友圈”，培養開發者習慣，這是追趕CUDA生態最現實的路徑。
在後摩爾定律時代，通過Chiplet芯粒結構、存內計算等新架構創新，有可能在特定領域實現對傳統GPU架構的性能超越。這是技術驅動型的顛覆機會。尋找“下一個輝達”的邏輯，要求具備更長遠的眼光和對技術生態更深刻的理解。
3.3 AI潛力最大的三大領域
從第一性原理來出發：人工智慧是資料驅動的機率關聯，目標是完成對自然法則和因果規律的掌握。理論上AI適用於所有行業和領域。但在不同領域存在落地先後之分。
將AI應用潛力最大的領域分為三大類：
一是具身智能，讓AI擁有感知世界能力的路線。從多模態大模型、到自動駕駛、人形機器人和無人機等，賦予AI物理形態和感知學習能力的具身智能會加速落地。長期看，具身智能的商業化鋪開需要多方面技術進步來實現，主要是資料訓練演算法的周期長、硬體成本高、工程設計的難度大。
當下智能駕駛的技術離成熟應用最接近，在監管適配的過程中大規模普及只是時間問題。
人形機器人在2025年概念火熱，但受限於續航、靈巧手、環境資料等因素還難以滿足大規模落地條件。
二是超級應用，在C端開啟新互動革命，在B端打造高效率工具。比如，消費電子端的AI眼鏡、AI手機、AI PC等升級成為互動載體。在此基礎上，AI Agent、AI作圖、AI助力等原生AI應用構成AI生態，AI功能融入日常生活。
在B端也賦能專業領域，AI教育上實現遠端教學，AI醫療輔助手術，工程領域協助設計搭建等，比如B端AI賦能的半導體設計行業。晶片工程師在AI的幫助下可以僅用高級抽象概念來設計和模擬晶片。
三是AI科研，解決傳統科研處理程序中的瓶頸。相比於傳統科研，AI在探索廣度、計算深度、實驗速度、跨學科能力四個方面都更強，因此在科研上極具優勢。比如AI用於對環境要求嚴苛的氣象領域，研究耗時長的分子領域；成本高、涉及跨學科多的生物醫學、以及人類還在攻堅的量子系統領域。
黃仁勳也曾在2023年預測數字生物學是未來方向。AI使得人類可以首次對生物學進行數位化設計，科學界可以更深入地模擬生物系統的結構，開發非自然形成的新分子結構和蛋白質藥物。
此外，AI上游的關聯產業也充滿機遇。比如半導體製造，中國的自主化處理程序在加快，而國際上先進製程也在2025年迎來了2nm突破，新一輪半導體革命未來可期。再比如能源領域，全球資料中心增長正面臨供需錯配問題，一方面擴大綠電體系建設為AI基建保駕護航，同時提高能源利用率，降低能耗成為共識。
輝達的崛起是一場長達 20 年的“非對稱競爭”的勝利——用全端的軟體生態鎖死硬體競爭，用極度的憂患意識跑贏摩爾定律。
在大航海時代，財富流向了擁有指南針和堅船的一方；在 AI 時代，財富正流向那些能定義算力標準、並不斷突破自然科學邊界的企業。對於我們，國產替代不是為了重複造輪子，而是為了在新的技術高地上，拿回屬於我們的數字主權。 (澤平宏觀展望)