輝達在幹什麼？
它試圖為AI產業鏈融資。2026年8月，輝達聯合Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR，擬建立融資平台，長期撬動超過5000億美元第三方資金。
它為上游托底。資料顯示，截至2026年7月，輝達採購承諾從上一季度的1190億美元升至2790億美元，主要增量來自記憶體。
它還向下游注入信用。資料顯示，截至7月26日，輝達應收帳款631億美元，應付帳款151億美元，差額480億美元。銷售回款天數由上一季度的45天升至60天。公司披露，對部分投資級客戶提供90天至一年的付款期限，以配合大型資料中心建設。這一操作與中國大廠完全相反。
對上游記憶體廠商承諾高價採購和需求擴張，對下游雲廠商提供照付不議和最低收入承諾，輝達為此犧牲部分利潤率。公司預計毛利率將從二季度的75%降至四季度的71%—72%，之後隨著已執行提價生效，回到72%—73%。
具體事件：輝達為SB Energy俄亥俄州項目提供分階段生效的擔保，最大名義敞口1050億美元；購買聯發科發行的35億美元可轉債，合作範圍覆蓋雲端AI、端側計算和汽車。
輝達像是一個AI產業鏈的組織者和“准央行”。它正在利用自己的信用為產業鏈創造流動性，將融資信用傳遞給供應商、AI實驗室、雲廠商和資料中心項目；同時，它提供長期訂單、信用和技術標準，提高產業鏈的穩定性。
不過，市場一直為輝達的“循環融資”和過度擔保感到擔憂。
問題來了，這樣的輝達，更強大還是更脆弱？這樣的AI產業鏈，更安全還是更危險？
本文將黃仁勳與楊小凱聯絡起來，從理論上探索全球AI產業鏈極致分工下的脆弱與反脆弱、外部化與內部化。
本文邏輯
一、分工的悖論：效率深化與單點脆弱
二、邊界的選擇：市場交易與內部組織
三、治理的演進：風險內化與分工深化
分工的悖論：效率深化與單點脆弱
首先我們要從亞當·斯密講起。
斯密在《國富論》第三章中提出，分工受到市場範圍的限制。市場規模太小，分工難以精細化。為什麼要來大城市找工作？大城市分工精細，形成很多彼此交易的工作崗位。如果想找一份搬運工作，不能去小村莊，小村莊的市場規模養不活一個搬運工。
反過來，在控制其他條件的情況下，市場規模越大，分工越精細，技術越先進。
斯密舉例說，倫敦與愛丁堡之間的海運和河運成本比陸運低得多，拓展了市場範圍，因此沿海和通航河流地區能夠服務更大的市場，也更早形成精細分工。
大航海把全球連接成一個最大的市場。這個全球市場將專業分工推至極限。以全球AI產業鏈為例，從EDA、晶片設計、晶圓製造、光刻、先進封裝、HBM，到互聯、伺服器、資料中心和雲服務，每個環節都由來自不同國家的高度專業化企業承擔。
但是，更大市場不一定帶來更多供應商。相反，市場越大，專業分工越強，可替代供應商反而越少。在一個分工精細的全球產業鏈中，每一個關鍵環節的固定成本極高、學習成本極高、進入壁壘極高。市場擴張獎勵最領先的幾家供應商擴大規模，同時容易排斥新進入者，結果是關鍵節點只剩一家或幾家企業。
經濟合作與發展組織（OECD）2025年的研究顯示，先進光刻、先進AI晶片製造和AI計算GPU三個環節，最大供應商的全球份額均超過80%；HBM則由SK海力士、三星和美光三家佔據超過60%。OECD另一項研究估計，台積電佔全球先進邏輯晶片產量的90%以上。
由此，這就出現了我之前文章提出的全球AI產業鏈悖論：市場規模巨大，分工極深，單點脆弱也極高。
節點的脆弱性，主要指高度集中、不可替代、庫存不足和恢復周期長同時出現。分工越細，節點就越多；不可替代的節點越多，單點脆弱也就分佈得越廣。
例如艾斯摩爾與蔡司。艾斯摩爾是全球唯一能夠批次供應先進EUV裝置的企業，但它高度依賴唯一的關鍵光學供應商德國蔡司。艾斯摩爾也承認，如果蔡司長期無法供應光學系統，公司事實上將無法繼續經營。
企業該如何控制風險？壓縮分工，自建供應鏈？
艾斯摩爾的應對方式不是降低專業分工，而是選擇性內部化。
什麼意思？艾斯摩爾收購光源企業Cymer、電子束檢測企業HMI和光學模組企業Berliner Glas；同時持有德國蔡司的24.9%權益，並支援其研發和資本開支。
同樣，今天的輝達也面臨全球AI產業鏈極致分工帶來的脆弱性風險。
輝達採取的策略更多元，它沒有收購台積電或記憶體廠商，而是為上游提供現金流和技術支援、為下游注入信用，即以長期採購、產能承諾和聯合開發鎖定上游；以延長帳期、最低收入承諾、股權投資和擔保穩定下游。
具體來說：
其一，市場缺錢，輝達通過自己的信用為AI產業鏈融資。
如果美國幾家科技公司把過去十年的利潤花掉了（假設整體儲蓄不足），沒有這筆巨額投資建設算力中心，很難想像，今天的AI會變成什麼樣子。儘管如此，今年AI依然需要大規模借錢融資。如今美國長債收益率居高不下，說明AI的私人融資對政府融資產生了擠出效應。如果不是主要國家管控債務能力增強，這次AI融資推高利率，足以引發一場政府債務危機。
在高利率之下，AI融資成本高、風險大，怎麼辦？看誰有錢，誰有錢，誰擔保。雲廠商的巨額利潤通過資本開支輸送給了半導體廠商，輝達將這筆巨額收入轉化為AI產業鏈信用資產，與金融機構合作，為AI產業鏈注入流動性。輝達與Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR合作，計畫長期動員超過5000億美元第三方資金建設AI基礎設施。
其二，輝達用現金為上游托底。
去年下半年開始，記憶體晶片持續大漲；到今年下半年，價格漲到雲廠商難以承受。市場開始擔心AI投入的可持續性，這導致記憶體晶片股價回呼。不過，輝達提高對記憶體廠商的採購承諾，以支援記憶體廠商繼續擴張產能。
資料顯示，截至2026年7月，輝達的採購承諾從上一季度的1190億美元升至2790億美元，主要增量來自記憶體。
其三，輝達將自己的信用注入下游。
具體怎麼做？
首先是為AI雲廠商提供收入保障。輝達對上游記憶體廠商承諾高價採購和需求擴張，對下游雲廠商提供照付不議和最低收入承諾，為此犧牲部分利潤率。公司預計毛利率將從二季度的75%降至四季度的71%—72%，之後隨著已執行提價生效，回到72%—73%。
其次是為資料中心建設提供融資擔保。輝達為SB Energy俄亥俄州項目提供分階段生效的擔保，最大名義敞口1050億美元。
第三是採購債券為合作商提供融資與計算合作。輝達購買聯發科發行的35億美元可轉債，合作範圍覆蓋雲端AI、端側計算和汽車。
第四是大規模投資AI生態。9月3日，黃仁勳宣佈，輝達已同意以129.3億美元的價格收購全球最大的AI開源社區與平台Hugging Face。後者是全球最大的AI模型、資料集和應用倉庫，目前匯聚了超過1800萬名開發者，分享了超300萬個模型、50萬個資料集和100萬個應用。如果加上該項目，輝達股權投資超過1000億美元，其中接近500億美元投向前沿AI實驗室。
第五，向客戶延長帳期。部分投資級客戶獲得90天至一年的付款期限，以配合大型資料中心建設。前五大客戶佔應收帳款約70%。
資料顯示，截至7月26日，輝達應收帳款631億美元，應付帳款151億美元，差額480億美元。銷售回款天數由上一季度的45天升至60天。
中國大廠的應付帳款遠大於應收帳款，帳期不斷延長，持續向供應鏈融資。輝達的操作相反，應收帳款遠大於應付帳款，延長客戶回款期限，為產業鏈注入信用。我將發佈一份專業報告分析。
輝達為什麼要做這些事情？
當前，AI處於技術革命周期中的高回報階段，控制關鍵單點的企業掌握了強大的議價權，他們乘機大幅度提價。這就是上面講的單點脆弱風險。而在極致分工的AI產業鏈中，單點分佈廣泛，其中輝達和三大記憶體廠商是最具議價能力的企業，台積電、艾斯摩爾和部分裝置、材料廠商也掌握議價權。今年以來，AI產業鏈上游價格大漲，但是下游token價格快速下跌。AI革命如何進行下去，是一個問題。我之前說過，如果產能不釋放，AI革命是沒辦法進行下去的。這就是單點脆弱的風險暴露。
輝達正在做的事情就是，在單點完全掌控定價權的極端階段，同時組織技術、訂單、產能和信用，以平衡整個產業鏈，避免單點突然脆斷。為上游保障現金流和提供技術支援，促進記憶體廠商擴產放量；為下游注入信用，可以降低雲廠商的現金流壓力，提升AI大模型的技術能力和應用能力，持續拓展並穩定整個產業鏈。
可見，輝達的角色，正從晶片供應商轉向AI產業鏈的信用和技術組織者。
邊界的選擇：市場交易與內部組織
這事為什麼跟楊小凱有關係？這是新制度經濟學中非常重要且成熟的研究議題，下面作簡要闡述。
先說羅納德·哈里·科斯。
科斯的洞察力超越一般的經濟學家，他提出一個問題：如果市場是有效率的，為什麼還需要企業？反過來，如果企業是有效的，那麼企業為什麼不會吞噬市場？
他在1937年發表了一篇論文《企業的本質》，在論文中，科斯用交易費用來識別企業的邊界。反過來，也就是識別了市場的邊界。
科斯提出，價格機制不是免費的，尋找價格、談判、簽約、監督和反覆適應變化都需要成本。這些成本統稱為交易費用。當交易費用達到一定程度，市場就不會進一步擴張、不會進一步分工。確實，如果市場被切分成一個個極為細小的環節，交易費用是驚人的，市場也就變得低效。當市場的交易費用大到一定程度，企業會將部分交易環節內部化，通過內部組織來降低交易費用。
但是，企業內部組織同樣不免費。企業組織規模擴大後，不同業務之間的異質性增加，內部協調成本也會上升。當內部協調成本達到一定程度，企業就不再進一步擴張，企業不會大到吞噬整個市場。
所以，企業擴張和市場擴張的共同邊界就是：再內部化一筆交易的成本等於通過市場完成這筆交易的成本。
科斯通過交易費用和內部組織費用識別了企業與市場之間的邊界，也就是識別了市場分工的邊界。企業通過評估這兩項成本來確定外部交易與內部組織的邊界。如一家企業可以外包晶圓製造，內部化技術介面；無數企業按這一理性原則來操作，也就在邊際上確定了市場分工的邊界。
再說楊小凱。
楊小凱因其特殊經歷以及將“後發劣勢”引入中國討論而廣為人知。但是，很少人知道，楊小凱到底做了什麼學問。
楊小凱的重要理論是超邊際分析。什麼叫超邊際分析？
先說邊際分析，它研究的是在既定結構下，微小變數帶來的效果，例如你有1000元，多買一單位的蘋果，還是多買一單位的香蕉。
超邊際分析研究的就是結構本身——所以叫“超邊際”，研究選擇結構本身帶來的跳躍性變化。例如，你不是在多買一單位蘋果和香蕉之間選擇，而是選擇自己種水果，還是在市場上買水果。前者是自給自足，後者是加入市場分工和交易。
所以，邊際分析是連續的“內點解”，超邊際分析是非連續的、跳躍式的“角點解”。
楊小凱跟科斯有什麼關係？
科斯將交易費用引入經濟學，開創了新制度經濟學這條道路，後來者沿著這條路繼續推進。楊小凱則用交易費用分析斯密和楊格的專業分工理論。
簡單來說，一個人選擇自己做飯吃，還是去餐館吃飯。前者有點像自給自足（做飯環節），後者參與市場分工與交易。你如何選擇？如果你的時間價值高，傾向於去餐館吃飯或者叫外賣；如果你的時間價值較低，同時做飯效率高、做飯好吃，則傾向於自己做飯。這就是超邊際分析。
楊小凱的優勢在於數學建模。他把交易成本變成模型裡的交易效率參數——每個人在多個角點解之間做超邊際選擇，均衡的分工水平由交易效率決定。這就把斯密和楊格的理論數學化。
有人提出，企業內部組織生產，其實也是參與市場分工與交易，只是把商品交易變成服務交易，即僱傭勞動者。
楊小凱與黃有光（1993）合著的《專業化與經濟組織》回應了這個問題，他們把勞動力的交易效率與中間品的交易效率進行比較：當勞動力的交易效率高於中間品的交易效率時，人們會去交易“勞動”而不是“產品”，企業制度由此內生出現；相反，則是市場拓展邊界和分工。
所以，輝達的超邊際分析，不是多生產一塊GPU還是少生產一塊GPU（這是邊際分析），而是那些自己生產，那些外部交易，那些部分分工，那些完全分工，比較各個角點的總收益與總成本，實現企業—市場組合效率和效益最大化。
例如，輝達收購台積電好，還是選擇外部交易？晶圓製造具有極強規模經濟，如果把製造內部化，輝達的資本開支、良率管理和半導體周期風險也會增加，內部化的“勞動”交易效率可能低於中間品的交易效率。
但是，CUDA、GPU架構、NVLink、網路和系統設計不同，這些環節需要高頻聯合調整。如果使用外部交易，跨企業談判與協調的成本極高，內部化的“勞動”交易效率高於中間品的交易效率，輝達選擇把這些環節留在內部組織。
奧利弗·威廉姆森又把研究推進了一步。
威廉姆森是交易成本經濟學的主要奠基者之一，也是“新制度經濟學”這一名稱的提出者。威廉姆森的主要貢獻是把科斯的交易費用具體化，把交易拆成資產專用性、“敲竹槓”風險、交易頻率和需求適應，並主張根據交易特徵來選擇治理方式。
什麼叫資產專用性？比如，鐵軌專門為火車設計，這種資產就是專用性很強的資產。大模型是通用模型，屬於通用資產，但是專門為大模型訓練或GPU叢集定製的裝置，是專用性資產。
通常，產業鏈分工越精細，技術專用性越強，專用資產就越多。例如，在AI產業鏈中，一套為2奈米晶片定製的精密裝置；一條為特定GPU建設的封裝產線，一座圍繞特定系統設計的資料中心，一座為特定資料中心設計的園區和廠房，這些都是專用性很強的資產。
這些分佈在產業鏈上的專用資產存在一個巨大風險：一旦投資完成，就難轉作他用，客戶一旦違約，巨額的專用性資產可能化為泡影。這就存在“敲竹槓”問題。客戶會利用專用資產的不可轉移風險和巨大的沉沒成本，對供應商“敲竹槓”，趁機壓價。
如果你是供應商，該如何應對？你可能會選擇採取長期採購、預付款等方式來降低被“敲竹槓”的風險。這就是極端分工對專用性資產交易的治理模式。
AI產業鏈更為複雜，除了存在大量的單點脆弱、專用性資產，技術路線、晶片迭代、算力租金和終端需求都可能變化，合同無法窮盡所有，需要確立更多彈性條款，如誰有權調整設計、交付、價格，以及損失如何分擔。
楊小凱更關注效率，威廉姆森更關注風險，並將其落實為治理模式。
按照威廉姆森的主張，標準化程度高、供應充分的一般電子元器件，適合市場交易；HBM、先進封裝等稀缺而專用資產，使用長期採購、預付款、產能承諾和聯合開發；GPU架構、CUDA和系統互聯等需要持續適應、高頻聯合調整的環節，則由企業內部化組織和控制。
總結一下，科斯解釋企業和市場的邊界；楊小凱解釋分工結構為何發生躍遷，比較勞動力的交易效率和中間品的交易效率；威廉姆森解釋交易中不同資產與環節面臨的風險，並因此形成混合多元的治理模式。
把三套理論疊加，來看輝達。
全球AI產業鏈分工極為精細，單點脆弱分佈密集，專用性資產巨大，輝達等大型企業該如何降低單點脆弱，保護專用性資產，實現效率最大化？
輝達採用的是混合多元的治理模式。對AI生態，選擇直接股權投資和收購，採取內部化策略，此時內部勞動力交易效率高於外部中間品交易效率。對晶圓製造，選擇外部市場交易。對上游提供現金流和技術支援，對下游提供投資、最低收入承諾、擔保和延長帳期，這些屬於中間狀態，也可以稱為選擇性內部化。
中間狀態最為複雜。輝達並非直接收購上下游，而是通過信用和契約提高控制力，降低項目中途斷裂的機率。
例如，購買聯發科發行的35億美元可轉債，一方面是為聯發科融資，另一方面與其共同開發技術。又如，為SB Energy俄亥俄州項目提供分階段生效的擔保，這是為算力中心項目提供融資，同時增強下游的購買力。
可以看出，輝達正在推進複雜而多元的治理模式，重塑其與供應商、開發者、雲廠商和資本市場的邊界。
但是，我們不能假設，輝達所做的都是正確的。實際上，今年以來，資本市場對輝達的行為，尤其是循環融資，感到擔憂。
治理的演進：風險內化與分工深化
實際上，面對同樣的產業鏈分工，不同企業採取不同的策略。
蘋果一直採用的是封閉式策略。蘋果將軟硬體一體化，把做得好的全部納入內部組織，做不好的選擇外部市場交易。這就是蘋果的超邊際選擇。
於是，蘋果形成了一個強大的系統，尤其是硬體優勢特別大。為了增強這個體系的穩定性，蘋果對整條供應鏈採取選擇性內部化。庫克是供應鏈管理大師，他用蘋果的理念和技術對富士康的供應鏈進行改造，二者高度繫結，可以說富士康就是蘋果的專用資產。富士康是一家擁有幾十萬名工人的企業，居然能夠對蘋果產品的設計、技術等資訊嚴防死守，這讓人感到震驚。蘋果產業鏈遷移到印度後，蘋果的機密資訊被洩露至暗網。
但是，在AI產業鏈中，蘋果就是一個“局外人”，它沒有大規模投入晶片，也沒有像微軟、Google一樣押注雲服務，而是死守硬體和入口。今年以來，蘋果成為了AI股的反向指標。儘管承擔記憶體晶片成本上漲的壓力，但蘋果依然是AI的受益者，AI大幅度提升了硬體裝置的需求，蘋果乘機升級、坐享其成。蘋果賭的是，未來的“AI手機”難以攻破其硬體護城河。
Google的策略則完全不同，它是一家全端式的網際網路和AI企業。
從治理上來說，Google採取的是典型的中間治理模式，即開放式的選擇性內部化。Google是一個開放生態，它在內部投資了很多實驗室和創新項目，其中一些項目和人才又向外流動；它還在外部投資了不少科技企業，如SpaceX。同時，從應用、大模型到雲服務、晶片，Google擁有全端式AI。所以，在AI整個產業鏈中，Google江湖地位很高，技術和產品也很豐富，但又沒有掌握行業定價權和領導權。
輝達無疑是當前AI產業鏈的領導者，掌握著充分的定價權。
它正在建構的多元治理模式，至少有幾個好處：
第一，在行業定價最極端階段，輝達選擇性內部化，可以降低產業鏈脆弱性和不確定性，有助於擴大供給和需求。這個行業運行下去，輝達自然是最大的受益者。
第二，輝達以GPU為核心進行內部化，形成包含GPU、CPU、HBM、網路、軟體的整機系統，可以提高AI產業鏈“發動機”的穩定性，提升行業效率，同時提高自身的護城河。這類似於寧德時代為行業提供電池動力總成系統，汽車廠商只需要安裝一個外殼、一個Logo以及彩電冰箱大沙發，大大降低造車難度。我也因此戲稱造車像搞裝修。
第三，輝達把技術資產變成金融抵押品和行業信用創造者，為行業引入長期機構資本，降低了融資風險和成本。
但是，市場的擔心不無道理。輝達採用更複雜的治理模式，試圖降低產業鏈風險，也可能催生新的風險：
第一，需求真實性風險。如果客戶的購買能力依賴輝達投資、擔保或延長帳期，市場不容易識別，當前的銷售是否反映了市場的真實需求。市場不得不高度關注終端收入，如果終端收入不能提升形成獨立現金流，那麼這個循環融資就無法持續。
第二，風險集中且疊加。輝達延長客戶帳期、承諾採購、為下游擔保、進行股權投資和購買債券，都是將風險轉移到自身，甚至犧牲部分利潤率和現金流。如果市場突然生變，這些風險可能會集中暴露。算力租金、利用率和客戶現金流下降，應收帳款、擔保、投資估值和供應承諾同時承壓，這個時候穩定器就會變成放大器。目前來看，這種情形發生的機率不高。
反壟斷審查風險。輝達推進的複雜治理模式，容易引發監管的警惕。
當然，治理模式不是一成不變。
市場分工與治理模式，二者相互演進。
市場分工中的一個關鍵變數是技術成熟度。當技術快速突破時，軟硬體高度耦合，替代供應尚未形成，需要採用選擇性內部化，把最難交易、最難協調的介面暫時收入自己的控制範圍；當技術趨於成熟，工藝趨於標準，質量容易驗證，且擴散性增強，其他供應商也會出現，單點脆弱下降，外部交易效率就會提高。這個時候，原有的選擇性內部化安排就會逐步轉為外部交易，市場分工因此進一步擴大。
另一個變數就是產業鏈信用的成長。當AI應用收入、雲算力租金和利用率持續上升，客戶形成獨立現金流，輝達就可以逐步退出信用支援，市場分工重新深化。
楊小凱還強調投資與專業化學習之間的關係。合作商需要經歷學習期和虧損期，輝達的長期採購、預付款和產能承諾，也在為專業化學習提供跨期融資，積累新的產能、技術和信用。
最後，科斯用交易費用識別了企業組織和市場分工的邊界；楊小凱用數學模型告訴我們市場分工如何形成；威廉姆森指出市場分工程度不同、風險不同，應該採用合適的治理模式；黃仁勳所做的就是，在AI產業鏈分工走到極致時，選擇合適的治理模式，防止整個體系被最脆弱的節點打斷。
用一句話概括：在當前AI需求高速增長、技術尚未完全成熟、硬體單點極端定價、產業分工超過市場協調能力的階段，輝達用自己的技術資產、訂單和信用注入整條產業鏈，正在形成一套組織全球AI專業化資源的多元治理體系。 (智本社)