晶片以外嘅 Nvidia：開源、AI 工廠同基建優勢
Nvidia 唔只係賣晶片，佢賣緊一套基建
分析 | 2026年11月13日。Nvidia 係數據中心用嚟訓練同運行 AI 模型嘅高階晶片主要供應商，業界估計佢嘅全球份額大約80%。佢嘅重要性超越處理器，涵蓋軟件、開發工具、雲端服務同工程做法。要換走一套已經運作緊嘅計算平台，比設計一款競爭處理器複雜得多。市場份額量度特定市場，唔係逐間點算所有 AI 公司，亦唔證明排他性依賴。
由提取儲存資料轉向即時生成配合情境嘅答案，改變咗計算嘅經濟角色。AI 系統要計算先產生輸出，唔只係交付預先錄好嘅檔案。AI 工廠概念由此而來：基建成為數碼服務生產過程嘅一部分。商業考驗係輸出有冇足夠用途，賺取多過交付成本嘅收入。
開源係引擎一部分，但 CUDA 唔係全部開源
開源容許研究人員同開發者按授權條款檢查、修改同分享軟件，令跨公司、跨國合作成為可能。PyTorch 反映呢個共同基礎：佢加入 Linux Foundation 時，成員包括 AMD、AWS、Google Cloud、Meta、Microsoft Azure 同 Nvidia。所以開放 AI 軟件唔係一間晶片公司獨有嘅財產或者成就。
Nvidia 參與呢套體系，同時保留專有組件。CUTLASS 庫採用 BSD 授權，Linux GPU 核心模組採用 MIT/GPL 雙重授權。但核心模組開放，唔等於成個驅動程式、韌體或者 CUDA Toolkit 都開源。Toolkit 有自己嘅授權同限制。免費下載、開源同開放權重係唔同概念，每個組件都要分開核查。
開放模型有三個相關用途：理解未來模型架構、令 AI 唔限於少數專有供應商，同埋支持生物、物理、機械人等領域，而唔只係語言。Nemotron 3 Super 係具體例子。Nvidia 形容佢係混合 Mamba-Transformer 嘅混合專家模型，總參數1200億、活躍參數120億，並公開檢查點、數據集同構建方法。呢啲材料展示特定形式嘅開放，唔代表所有 Nvidia 產品都冇限制。
優勢係由想法行到可運作系統嘅整條路
CUDA 為 GPU 加速應用提供編程平台、編譯器、程式庫同工具。研究人員可以用高階框架，唔使每項操作都直接用 CUDA 寫。但框架下面嘅實作選擇，仍然影響工作負載點用記憶體、計算同跨裝置通訊。
CUDA 既有部署基礎係核心競爭優勢。受支援軟件、受訓工程師、除錯工具同熟悉嘅部署流程，減低模型投入生產嘅不確定性。對手要同成套運作緊嘅組合競爭，唔只係規格表上嘅數字。替換可能要適配軟件、驗證結果同重建運維經驗。困難係真實嘅，但成本因工作負載而異，唔係永久鎖定。
OpenAI 同雲端：顯著依賴，唔係全面壟斷
ChatGPT 係 OpenAI 嘅服務，喺呢度唔係另一間獨立晶片買家。OpenAI 喺2025年9月公告中，將 Nvidia 列為優先戰略計算同網絡合作夥伴，並公布部署至少10吉瓦 Nvidia 系統嘅意向書。公告亦講到 Nvidia 打算逐步投資最多1000億美元。呢啲係當時公布嘅計劃，唔證明全部容量已經投運或者全部投資已支付。
雲端基建令客戶唔使自己買伺服器，都可以使用 Nvidia 硬件。例如 AWS 文件列出用 H100 GPU 嘅 EC2 P5，以及用 H200 嘅 P5e/P5en，用於訓練、推理同高效能計算。雲端供應商圍繞硬件提供網絡、容量管理等服務，關係遠超一單晶片交易。
Nvidia 主導較廣泛嘅市場，但替代平台已經做緊重要工作。Google 用自家 Trillium TPU 訓練 Gemini 2.0。AWS 報告 Anthropic 工作負載喺 Project Rainier 嘅 Trainium2 基建上運行。呢啲係真實替代方案，唔代表每個競爭平台喺每項任務都更平、更快或者同樣容易取得。現實係業界對 Nvidia 嘅顯著依賴，同選擇性替代並存，唔係人人淨係靠佢。
唔止聊天：醫療、機械人同感應器附近嘅計算
Nvidia 有文件支持嘅平台涵蓋醫學影像、基因組學、藥物發現研究同機械人。醫療資料介紹用於影像 AI 嘅 MONAI、基因組學嘅 Parabricks，同面向工業、機械人及醫療邊緣應用嘅 IGX。呢啲係產品能力同預期用途，唔係治癒、臨床批准或者每間醫院都有部署嘅證據。
數據中心同邊緣系統嘅分別好重要。中心系統提供龐大共享算力，邊緣系統就近攝影機、機器或者其他感應器處理資訊。咁樣可能令本地回應同選擇性傳送數據更有價值。但各種環境有唔同供電、可靠性同安全要求。同一架構喺幾個領域出現，唔代表同一裝置適合所有地方。
Nvidia 已經上太空，但軌道 AI 工廠係另一回事
太空應用有具體文件依據。Jet Propulsion Laboratory 喺2023年6月簡報列出，國際太空站 HPE Spaceborne Computer-2 設備包有四塊 Nvidia Tesla T4 GPU。同一項目亦研究其他處理器。呢個支持 Nvidia 硬件用於軌道計算實驗，唔證明所有衛星都靠佢，亦唔證明佢哋係最早上太空嘅 GPU。
NASA 對 Spaceborne Computer 嘅介紹講解輻射問題，同 HPE 用軟件監測、必要時降低系統速度嘅方法。軌道計算係工程難題，唔只係將伺服器搬到大氣層上面。輻射、備援、電力同散熱都重要。喺衛星感應器附近處理影像，同起大型軌道 AI 工廠係兩回事。後者仍然係未來方向，唔係冷卻已解決或者交付日期已確認。
估值：市場價格同預測要分清楚
本文核查嘅市場數據顯示，Nvidia 喺2026年11月12日美國收市附近，股權市值約4.01萬億美元。呢個係有日期、經過取整嘅估計，唔係11月13日美國交易時段嘅即時報價。市值衡量股份價值，唔等於全年營收、銀行現金或者 AI 對社會嘅全部益處。
未來10萬億美元估值或者3萬億美元年營收，屬於進取增長情景，唔係已經做到嘅業績。擴張論點係 AI 工廠創造新需求，唔只係爭現有市場份額。能唔能夠賺錢，要睇客戶肯唔肯為有用輸出付費、基建成本同持續技術進步。呢啲係長期展望嘅可能性，唔係本分析認可或者保證嘅目標。
下一個限制係成座工廠
計算單位由 GPU 擴展到電腦、叢集，以至成座 AI 工廠。OpenAI 公布嘅基建計劃同 AWS 對 GPU 叢集嘅介紹，顯示網絡同部署點解同處理器一樣重要。電力、冷卻、軟件可靠性同使用率要一齊評估。買加速器唔等於營運有效益嘅服務。行星級計算仍然係長期方向，唔係已經完成嘅能力。
開源可以擴大參與同提高軟件適應性，但唔會供應電力、消除硬件成本或者保證應用回本。同樣，專有硬件同軟件可以提供實用效能，而唔令依賴永久化。共享工具同商業平台嘅平衡仍然喺競爭當中，唔係已經定咗嘅行業定律。
結論：難以取代唔等於無法取代
Nvidia 嘅重要性來自組合：加速計算、成熟軟件平台、開發者信任、雲端接入，同由實驗室到軌道實驗嘅應用。開放工作幫更多人喺基建上開發，專有層仍有商業價值。問題唔係對手可唔可以複製 GPU，而係替代平台可唔可以提供特定客戶需要嘅完整可靠系統。
所以 Nvidia 喺好多場景難以取代，但唔係所有場景都無可取代。Google TPU 同 AWS Trainium 已經否定呢種絕對講法。未來要睇 Nvidia 可唔可以持續將工程同生態覆蓋轉化成成本可接受嘅有用工作。高估值反映預期，唔保證實現。本文係編輯分析，唔構成投資建議。