芯片之外的 Nvidia：开源、AI 工厂与基础设施优势
Nvidia 销售的是基础设施，而不只是一枚芯片
分析 | 2026年11月13日。Nvidia 是数据中心用于训练和运行 AI 模型的高端芯片的主导供应商，行业估计其全球份额约为80%。其重要性超越处理器本身，延伸至软件、开发工具、云服务和工程实践。替换这样一套正在运行的计算平台，比设计一款竞争处理器复杂得多。市场份额衡量的是特定市场，并非对所有 AI 企业的逐一统计，也不证明排他性依赖。
从检索存储信息转向实时生成与上下文相关的回答，改变了计算的经济角色。AI 系统通过计算产生输出，而不是仅仅交付预先录制的文件。AI 工厂的概念由此而来：基础设施成为数字服务生产过程的一部分。商业检验在于，输出是否足够有用，能够赚取超过交付成本的收入。
开源是引擎的一部分，但 CUDA 并非全部开源
开源让研究人员和开发者能够按照许可证检查、修改和分享软件，使跨企业、跨国家合作成为可能。PyTorch 体现了这种共同基础：它加入 Linux Foundation 时，成员包括 AMD、AWS、Google Cloud、Meta、Microsoft Azure 和 Nvidia。因此，开放的 AI 软件并非一家芯片公司的独有财产或单独成就。
Nvidia 参与这一体系，同时保留专有组件。CUTLASS 库采用 BSD 许可证，其 Linux GPU 内核模块采用 MIT/GPL 双重许可。但内核模块开放，不等于整个驱动、固件或 CUDA Toolkit 都开源。Toolkit 有自己的许可和限制。免费下载、开源和开放权重是不同概念，每个组件都必须分别核查。
开放模型服务于三个相关目标：理解未来模型架构，让 AI 超越少数专有供应商而普及，以及支持生物、物理和机器人等领域，而不只是语言。Nemotron 3 Super 是具体例子。Nvidia 将其描述为混合 Mamba-Transformer 的混合专家模型，总参数1200亿、活跃参数120亿，并发布了检查点、数据集和构建方法。这些材料体现了特定形式的开放，并不意味着所有 Nvidia 产品都没有限制。
优势在于从想法到可运行系统的整条路径
CUDA 为 GPU 加速应用提供编程平台、编译器、库和工具。研究人员可以使用高层框架，不必直接用 CUDA 编写每项操作。但框架之下的实现选择仍会影响工作负载如何使用内存、执行计算以及在设备间通信。
CUDA 的既有部署基础是核心竞争优势。受到支持的软件、受过训练的工程师、调试工具和熟悉的部署路径，降低了模型投入生产的不确定性。对手竞争的是这套可用组合，而不只是芯片规格表上的数字。替换它可能需要适配软件、验证结果和重建运维经验。困难确实存在，但成本因工作负载而异，并非永久锁定。
OpenAI 与云：显著依赖，不是普遍垄断
ChatGPT 是 OpenAI 的服务，在这里不是另一家独立的芯片买家。OpenAI 在2025年9月的公告中，将 Nvidia 称为优先的战略计算与网络合作伙伴，并宣布部署至少10吉瓦 Nvidia 系统的意向书。公告还说明 Nvidia 打算逐步投资最多1000亿美元。这些是当时公布的计划，并不证明全部容量已经投运或全部投资已经支付。
云基础设施让客户不必购买自己的服务器，也能使用 Nvidia 硬件。例如，AWS 文档列出了采用 H100 GPU 的 EC2 P5 实例，以及采用 H200 的 P5e/P5en 实例，用于训练、推理和高性能计算。云供应商围绕硬件提供网络、容量管理等服务。这种关系远不止一笔芯片交易。
Nvidia 主导更广泛的市场，但替代平台已经承担重要工作。Google 使用自家 Trillium TPU 训练 Gemini 2.0。AWS 已报告 Anthropic 工作负载在 Project Rainier 的 Trainium2 基础设施上运行。这些是真实替代方案，不代表任何竞争平台在每项任务上都更便宜、更快或同样容易获得。现实是 AI 行业对 Nvidia 的显著依赖与选择性替代并存，而非所有企业都只依赖它。
不止聊天：医疗、机器人和传感器附近的计算
Nvidia 有文档支持的平台涉及医学影像、基因组学、药物发现研究和机器人。医疗资料介绍了用于影像 AI 的 MONAI、用于基因组学的 Parabricks，以及面向工业、机器人和医疗边缘应用的 IGX。这些是产品能力与预期用途，不是治愈疾病、获得临床批准或在所有医院部署的证据。
数据中心和边缘系统的区别很重要。中心系统可以提供庞大共享算力，边缘系统则靠近摄像头、机器或其他传感器处理信息。这可能让本地响应和选择性数据传输更有价值。但不同环境仍有不同的供电、可靠性和安全要求。同一种架构出现于多个领域，并不意味着完全相同的设备适用于所有地方。
Nvidia 已进入太空，但轨道 AI 工厂是另一回事
太空应用有具体文档依据。Jet Propulsion Laboratory 在2023年6月的演示资料中，列出国际空间站 HPE Spaceborne Computer-2 设备包内有四块 Nvidia Tesla T4 GPU。同一项目也研究其他处理器。这支持 Nvidia 硬件用于轨道计算实验的事实，并不证明它驱动所有卫星，也不证明它们是最早进入太空的 GPU。
NASA 对 Spaceborne Computer 项目的介绍说明了辐射问题，以及 HPE 用软件监测并在必要时降低系统速度的方法。这表明轨道计算是工程难题，不是把服务器搬到大气层之外那么简单。辐射、冗余、电力和散热都很重要。靠近卫星传感器处理影像，与建设大型轨道 AI 工厂不同。后者仍应视为未来方向，而不是已解决的冷却问题或确认的交付时间表。
估值：区分市场价格与预测
本篇核查的市场数据将 Nvidia 在2026年11月12日美国收盘附近的股权市值估为约4.01万亿美元。这是有日期、经过取整的估计，不是11月13日美国交易时段的实时报价。市值衡量股权价值，不等于年度营收、银行现金或 AI 对社会的全部价值。
未来10万亿美元估值或3万亿美元年营收，属于雄心很大的增长情景，而非已经实现的业绩。扩张逻辑在于 AI 工厂创造新需求，而不仅是争夺现有市场份额。需求能否盈利，取决于客户是否为有用输出付费、基础设施成本和持续技术进步。这些是长期展望中的可能性，不是本分析认可或保证的目标。
下一个约束是整座工厂
相关计算单位已从 GPU 扩展到计算机、集群乃至整个 AI 工厂。OpenAI 公布的基础设施计划与 AWS 对 GPU 集群的描述，说明网络和部署为何与处理器一样重要。电力、冷却、软件可靠性和利用率必须一起评估。购买加速器不等于运营高效服务。行星尺度计算仍是长期方向，而非已经完成的能力。
开源可以扩大参与并提高软件适应性，但不能提供电力、消除硬件成本或保证应用自行收回成本。同样，专有硬件和软件可以提供有效性能，而不让客户依赖永久化。共享工具与商业平台之间的平衡仍在竞争之中，并非已经确定的行业规律。
结论：难以替代不等于无法替代
Nvidia 的重要性在于组合：加速计算、成熟软件平台、开发者信任、云端接入，以及从实验室延伸到轨道实验的应用。其开放工作帮助更多人基于这些设施构建产品，专有层仍有商业价值。正确问题不是竞争者能否复制 GPU，而是替代平台能否交付特定客户所需的完整可靠系统。
这使 Nvidia 在许多场景下难以替代，但不是在所有场景下都不可替代。Google TPU 和 AWS Trainium 已经否定这种绝对说法。Nvidia 的未来取决于能否持续把工程与生态覆盖转化为成本可接受的有用工作。高估值反映未来预期，不保证未来实现。本文是编辑分析，不构成投资建议。