NVIDIA（英伟达）：从游戏GPU公司到全球AI计算基础设施巨头
NVIDIA（英伟达，NASDAQ：NVDA）是全球最重要的AI芯片与加速计算企业之一，也是当前人工智能基础设施产业的核心公司。
如果把今天的AI产业比作一座正在疯狂扩建的城市，那么OpenAI、Anthropic、Google、Meta等公司在训练和开发“人工智能”，而NVIDIA更像是在出售这座城市所需要的发电机、机器、道路和基础设施。
从ChatGPT等生成式AI爆发开始，GPU已经从传统的数据中心加速卡，逐渐演变成大型AI数据中心最关键的计算基础设施之一。
而NVIDIA也不再只是一家“GPU公司”，而是在向一家覆盖GPU、CPU、网络、交换芯片、DPU、服务器、AI软件和整套AI数据中心架构的平台型企业转变。
截至2026年，NVIDIA的技术路线已经从Hopper、Blackwell、Blackwell Ultra发展到新一代Vera Rubin平台，公司的竞争重点也从“卖一块GPU”，升级到了“建设一整座AI Factory（AI工厂）”。
NVIDIA是谁？
NVIDIA成立于1993年4月5日，由黄仁勋（Jensen Huang）、Chris Malachowsky和Curtis Priem共同创立。
公司最初的目标并不是人工智能，而是为PC游戏和多媒体市场开发3D图形处理技术。
1999年，NVIDIA推出GeForce 256，并开始推广GPU，也就是Graphics Processing Unit——图形处理器这一概念。
真正改变NVIDIA命运的另一个关键节点出现在2006年。
这一年，NVIDIA推出CUDA并行计算平台，使开发人员可以不再只把GPU用于画游戏画面，而是把GPU内部数量庞大的并行计算单元用于科学计算、工程计算和后来迅速发展的深度学习。
2012年，AlexNet利用NVIDIA GPU在ImageNet比赛中取得突破性成绩，GPU开始成为现代深度学习革命的重要计算平台。
此后十几年，NVIDIA完成了一次极为罕见的企业转型：从游戏显卡公司，变成GPU计算公司，再变成AI芯片公司，最终开始向整个AI计算基础设施平台发展。
为什么GPU特别适合人工智能？
传统CPU最擅长执行复杂的串行程序。
CPU拥有数量相对较少、但功能非常强大的处理核心，非常适合运行操作系统、数据库、Web服务器和大量通用程序。
人工智能模型的计算模式却非常不同。
神经网络内部需要进行海量矩阵乘法和向量计算，而且其中大量运算可以同时执行。
这正是GPU的强项。
GPU内部拥有数量庞大的并行计算单元，可以同时处理大量类似的数学运算。
因此：
CPU更像几个非常聪明的工程师。
GPU则更像几千甚至几万名工人同时进行计算。
深度学习模型越大，这种大规模并行计算的优势就越明显。
CUDA：NVIDIA真正的护城河
很多人认为NVIDIA最大的优势是GPU性能。其实这只说对了一半。
NVIDIA真正难以复制的优势之一，是CUDA。
CUDA是NVIDIA推出的GPU并行计算平台和软件生态。开发人员可以通过C++、Python、Fortran以及大量GPU加速库调用GPU计算能力，PyTorch等主流AI框架也长期围绕CUDA进行了大量优化。
经过近二十年的发展，围绕CUDA已经形成极其庞大的开发生态。
其中包括：
CUDA Toolkit
cuDNN
cuBLAS
TensorRT
TensorRT-LLM
NCCL
CUDA-X Libraries
Triton Inference Server
NVIDIA NIM
NeMo
以及大量针对科学计算、机器学习、机器人、汽车和工程仿真的软件库。
例如TensorRT主要用于优化AI推理，可以通过量化、算子融合、内核优化等方式提高神经网络推理速度；TensorRT-LLM则专门针对大型语言模型进行优化。
这意味着企业购买NVIDIA产品时，购买的不仅仅是一块芯片。
实际上购买的是：
CUDA
AI软件库
开发工具
服务器系统
高速网络
大量已经存在的软件和开发人员生态。
这也是竞争对手即使设计出性能不错的AI芯片，也很难迅速取代NVIDIA的重要原因。
NVIDIA AI芯片的发展路线
早期Tesla系列开始推动GPU通用计算。之后出现Pascal、Volta和Ampere。
其中2020年推出的A100成为AI训练市场非常重要的一代产品。
随后真正把NVIDIA推到全球AI产业中心位置的，是Hopper架构。
H100：生成式AI时代的明星芯片
H100采用Hopper架构，在ChatGPT以及大型语言模型快速发展的过程中成为全球最热门的AI GPU之一。
大型模型训练需要的GPU数量越来越庞大。几十块GPU已经远远不够。
大型AI企业开始使用 几千块GPU，几万块GPU，甚至建设拥有十万级GPU规模的AI集群。
随后NVIDIA推出H200，在Hopper架构基础上进一步增加高带宽内存容量和带宽，从而改善大型模型训练和推理能力。
但是NVIDIA并没有停在Hopper。下一步就是Blackwell。
Blackwell：NVIDIA开始从GPU走向“AI工厂”
2024年NVIDIA发布Blackwell架构。
其中最受关注的产品包括：
B100
B200
GB200 Grace Blackwell Superchip
以及GB200 NVL72。
GB200 NVL72已经不再是一块传统意义上的“GPU卡”。
一套GB200 NVL72系统将36颗Grace CPU与72颗Blackwell GPU连接起来，并通过NVLink构成一个高速GPU计算域。
整套系统拥有高达130 TB/s的NVLink带宽。
这代表NVIDIA产品设计思路出现了非常重要的变化。
过去竞争的是 谁的GPU更快。
现在竞争的逐渐变成 谁能够让几十、几百、几千乃至几十万块GPU像一台机器一样高效工作。
因此NVLink、NVSwitch、高速以太网、InfiniBand、DPU以及系统软件的重要程度越来越高。
Blackwell Ultra：为AI推理而来
随着大型语言模型的发展，AI产业又出现了一次变化。
过去最大的计算任务是Training，也就是训练模型。
但是当ChatGPT、AI Agent和各种AI服务拥有数亿用户之后，Inference——推理所消耗的算力开始迅速增长。
特别是Reasoning Model，也就是推理模型，会在回答问题过程中进行更长时间的计算。
因此2025年NVIDIA进一步推出Blackwell Ultra。
代表系统之一就是GB300 NVL72。
GB300 NVL72由 72颗Blackwell Ultra GPU 和 36颗Grace CPU 组成。系统采用液冷设计。
一套GB300 NVL72拥有20TB GPU HBM3e显存，并拥有130TB/s NVLink带宽。
与此前Blackwell GPU相比，Blackwell Ultra针对FP4 AI计算以及Attention运算进行了进一步增强，重点瞄准Reasoning AI、Agentic AI和大规模推理。
这意味着AI芯片产业正在发生一个非常明显的变化：训练模型需要大量GPU，让几十亿用户每天真正使用AI，同样需要更加庞大的GPU基础设施。
推理可能成为未来AI算力需求中越来越重要的一部分。
Vera Rubin：NVIDIA的新一代AI平台
到2026年，NVIDIA已经开始把重点转向Blackwell之后的新一代架构——Rubin。
NVIDIA把这一代完整平台称为：Vera Rubin。其中Vera是CPU，Rubin是GPU。
2026年3月，NVIDIA宣布Vera Rubin平台的七种核心芯片进入全面生产阶段。
整个平台不仅包括Rubin GPU，还包括：
Vera CPU
Rubin GPU
NVLink 6 Switch
ConnectX-9 SuperNIC
BlueField-4 DPU
以及后来加入平台的Groq 3 LPU。
这已经清楚地说明NVIDIA未来真正竞争的对象并不仅仅是AMD的一块GPU。
CPU负责控制和数据处理，
NVLink连接GPU，
ConnectX连接服务器，
Spectrum-X/Spectrum系列连接整个AI数据中心，
BlueField处理网络、存储和基础设施任务，
最后再通过CUDA和AI软件栈统一管理。
一块GPU，正在变成一整座计算工厂。
NVLink：为什么连接GPU越来越重要？
现代大型AI模型已经大到一块GPU根本无法完成训练。模型必须被拆分到很多GPU中运行。
这时候，一个非常严重的问题出现了：GPU计算可能非常快，但是GPU之间交换数据却可能成为瓶颈。
因此AI超级计算机的性能并不仅仅由单块GPU决定，GPU之间通信速度同样关键。
NVIDIA为此持续发展NVLink和NVSwitch。
GB200和GB300 NVL72可以让72块GPU组成高速NVLink计算域。
到了Rubin时代，NVIDIA又进一步发展NVLink 6。
这就是为什么未来评价一家AI芯片企业，已经不能只看：TOPS是多少？FLOPS是多少？
还必须看：GPU之间怎么连接？显存多大？内存带宽是多少？网络速度是多少？软件如何调度？十万块GPU能不能稳定运行？
这也是NVIDIA的系统优势所在。
NVIDIA同时也是一家网络芯片公司
实际上今天的NVIDIA已经是全球重要的高性能网络设备和网络芯片厂商。
2020年，NVIDIA完成对Mellanox的收购。Mellanox长期拥有强大的InfiniBand和高速Ethernet技术。
随着AI集群规模不断扩大，这笔收购的战略意义越来越明显。
一座拥有10万块甚至更多GPU的AI数据中心，GPU只是其中一个组成部分。如果GPU之间无法高速传输数据，再强的GPU也会等待网络。
因此NVIDIA今天同时发展：
InfiniBand
Spectrum-X Ethernet
ConnectX SuperNIC
NVLink
NVSwitch
BlueField DPU
2026财年，NVIDIA数据中心网络收入同比增长142%，其中一个重要原因就是GB200和GB300系统推动NVLink Compute Fabric，以及Ethernet和InfiniBand业务快速增长。
它卖的已经不是单纯的“AI加速器”。
Grace和Vera：NVIDIA为什么还要自己做CPU？
NVIDIA传统上主要依赖Intel和AMD服务器CPU配合GPU工作。
但是随着AI系统规模越来越大，CPU和GPU之间的协同也越来越重要。
第一代重要产品就是Grace。
Grace与Blackwell结合形成：Grace Blackwell Superchip。
到了Rubin时代，NVIDIA进一步推出Vera CPU。
Vera主要负责GPU系统中的Host CPU任务，包括数据移动、内存管理和系统控制，并针对AI Agent、强化学习和大型AI基础设施进行优化。
NVIDIA的目标越来越清楚：尽可能把整个AI服务器当作一个统一系统来设计。
DGX：NVIDIA甚至直接卖AI超级计算机
企业不一定需要自己购买GPU、CPU、网卡然后组装服务器，可以直接购买NVIDIA设计的DGX系统。
例如：DGX H100，DGX GB200，DGX B300，DGX Station，DGX Rubin等产品。
DGX的意义不仅是销售服务器，它更像NVIDIA整个AI平台的“参考设计”。
Dell、HPE、Supermicro、Lenovo、Gigabyte等服务器厂商也可以围绕NVIDIA平台开发自己的系统。
因此NVIDIA通过GPU、参考架构和软件生态影响整个AI服务器产业。
从芯片公司变成AI Factory公司
黄仁勋近年来不断强调一个概念：AI Factory。
传统数据中心主要处理和存储数据。
AI数据中心则把：
电力
数据
转换成：
Token。
而Token最终代表AI生成的文字、图片、视频、代码、语音、机器人动作或者其他智能输出。
因此NVIDIA越来越喜欢把大型GPU数据中心称为“AI Factory”。
如果未来AI成为几乎所有软件的一部分，那么全世界都需要建设大量AI计算基础设施。
而是建设AI Factory需要的大量核心设备和软件。
NVIDIA的商业模式
NVIDIA是一家典型的Fabless，也就是无晶圆厂半导体公司。
NVIDIA负责：芯片架构，芯片设计，系统设计，软件，开发工具，市场 以及生态建设。
但是它自己并不拥有大规模先进晶圆制造厂。芯片制造交给外部晶圆代工厂。
NVIDIA在2026财年的年度报告中披露，公司使用TSMC和Samsung等晶圆代工厂，并从SK Hynix、Micron和Samsung采购存储器，同时使用CoWoS先进封装技术。
NVIDIA还与鸿海、纬创以及其他供应商合作完成系统组装、测试和封装。
这种Fabless模式让NVIDIA可以把更多资源集中在芯片设计和软件研发上。
尤其是：
先进制程
HBM高带宽存储器
CoWoS先进封装
高端基板
高速网络器件
以及数据中心电力和液冷设备。
NVIDIA究竟有多赚钱？
2026财年，NVIDIA全年收入达到2159亿美元，同比增长65%。
其中Data Center收入达到1937亿美元，同比增长68%。
相比之下：
Gaming收入约160亿美元，
Professional Visualization约32亿美元，
Automotive约23亿美元。
换句话说，今天决定NVIDIA命运的已经不是GeForce游戏显卡，而是AI数据中心。而且这种变化到2026年仍然在继续加速。
2026年最新财报：AI需求仍然非常强劲
截至目前最新公布的财报，是NVIDIA于2026年8月26日发布的2027财年第二季度业绩。
这一季度截至2026年7月26日，
NVIDIA季度收入达到 962亿美元。
同比增长 106%。
其中数据中心收入达到 890亿美元。
同比增长 117%。
数据中心已经贡献公司超过九成的季度收入。
NVIDIA同时预计2027财年第三季度收入约为1080亿美元，上下浮动2%。
这组数字说明，至少到2026年中期，全球AI基础设施投资仍然处于快速扩张阶段。
Vera Rubin已经开始进入AI数据中心
更加值得注意的是，NVIDIA在2026年8月的最新财报中确认，Vera Rubin已经进入全面生产阶段。
CoreWeave、Google Cloud、Microsoft Azure、Oracle Cloud Infrastructure和Nebius等合作伙伴已经开始运行Vera Rubin机架。
这说明NVIDIA非常激进的年度产品更新节奏正在继续。
AI芯片市场已经进入一种过去服务器芯片产业很少见的更新速度：
Hopper
↓
Blackwell
↓
Blackwell Ultra
↓
Vera Rubin
几乎每一代都伴随着GPU、CPU、网络、内存、交换芯片以及系统架构的大规模更新。
这对竞争对手形成了非常大的压力。
NVIDIA最大的优势：软硬件一起做
如果只比较AI芯片参数，AMD、Google、Amazon甚至许多AI芯片创业公司都可能在某些工作负载上提供具有竞争力的产品。
但是NVIDIA真正强大的地方，在于Vertical Integration，也就是高度垂直整合。
它同时拥有：
GPU架构
NVLink
NVSwitch
InfiniBand
Ethernet
DPU
AI服务器
CUDA
AI开发库
编译器
推理软件
模型工具
数据中心管理软件
以及庞大的开发者生态。
因此NVIDIA越来越像 AI时代的计算平台公司，而不是一家单纯的半导体企业。
NVIDIA最大的竞争对手是谁？
NVIDIA面临的竞争可以分成几个不同层面。
首先是传统GPU竞争。
最直接的竞争对手是AMD。AMD通过Instinct系列GPU与NVIDIA争夺大型AI训练和推理市场，同时不断发展ROCm软件生态。
Google拥有TPU。
Amazon AWS拥有Trainium和Inferentia。
这些公司的目的并不一定是向全世界出售芯片。更重要的是减少对NVIDIA GPU的依赖。
第三类竞争来自专用AI芯片企业。例如：Cerebras，Groq，Tenstorrent，SambaNova 以及其他AI加速器公司。
第四类竞争来自ASIC。随着大型AI公司的计算规模达到几十亿美元甚至数百亿美元，一些企业可能为固定AI工作负载设计专用芯片。
ASIC在特定任务上的成本和能效可能优于通用GPU，因此未来AI芯片市场未必永远由GPU独占。
NVIDIA为什么仍然很难被取代？
问题就在于生态。
一家企业如果已经拥 几千名CUDA开发人员，几万块NVIDIA GPU，大量基于CUDA的软件，NCCL通信库，TensorRT推理系统，CUDA优化模型 以及整套NVIDIA服务器和网络基础设施，那么把所有软件迁移到另一种AI芯片并不是简单地“换一张卡”。
企业需要重新 修改代码，重新优化模型，重新测试，重新部署，重新培训开发人员 并承担新平台稳定性的风险。这就形成了强大的平台粘性。
所以CUDA对于NVIDIA的意义，有一点类似：
Windows对于微软，
iOS对于苹果，
Android生态对于Google。
芯片只是入口，平台才是真正的护城河。
NVIDIA面临的最大风险之一：中国市场
NVIDIA面临的一个重要问题是美国不断变化的先进AI芯片出口限制。
过去NVIDIA曾针对中国市场推出H20等符合出口规定的产品。但是相关政策变化已经对公司业务产生实际影响。
NVIDIA在2026财年因为H20相关库存和采购承诺确认过约45亿美元费用。
更值得注意的是，在2026年8月发布的最新业绩展望中，NVIDIA预计2027财年第三季度收入约1080亿美元，但这一预测明确没有假设来自中国的数据中心计算收入。中国拥有庞大的AI市场。
因此中美科技竞争和出口管制仍然是NVIDIA未来非常重要的不确定因素。
另一个风险：供应链高度复杂
Blackwell和Rubin已经不再是传统意义上的一颗简单芯片。
一套AI系统可能需要：
先进GPU
Grace或者Vera CPU
HBM
先进封装
NVLink芯片
网卡
交换芯片
高速光模块
液冷系统
以及极其复杂的服务器机架。
任何一个环节供应不足，都可能影响整个系统交付。
NVIDIA自己也在年度报告中明确指出，其Fabless制造模式意味着公司依赖第三方晶圆厂、存储器企业、先进封装厂和系统制造商。
因此先进制程、HBM和CoWoS产能仍然是整个AI芯片产业需要关注的重要瓶颈。
AI芯片正在变成一个系统工程
NVIDIA的发展历史实际上揭示了整个AI芯片行业未来的方向。
早期AI加速器竞争可能主要看：
芯片性能。
后来变成：
芯片性能
显存。
随后变成：
HBM
高速互联。
现在已经进一步发展成为：
HBM
NVLink
Ethernet / InfiniBand
DPU
交换机
液冷
服务器
CUDA
AI软件。
AI芯片已经不再是一颗芯片的问题。它正在成为一个数据中心级系统工程。
而NVIDIA目前最大的优势，恰恰是它已经提前进入了这个阶段。
NVIDIA未来真正要卖的可能不是GPU
未来几年，NVIDIA真正销售的产品单位可能越来越大。
过去卖的是 一块GPU。
后来卖 一台GPU服务器。
现在开始卖 一个NVL72机架。
未来可能越来越接近 整座AI数据中心的核心计算架构。
从这个角度看，NVIDIA真正想成为的并不是“AI时代的显卡公司”。而是 AI时代的计算基础设施平台。
总结
1999年GPU出现。
2006年CUDA出现。
2012年前后GPU成为深度学习的重要计算平台。
随后A100推动大型AI训练。
Blackwell开始把GPU、CPU和高速互联整合成为机架级AI计算系统。
Blackwell Ultra开始重点解决Reasoning AI和大规模推理。
到了2026年的Vera Rubin，NVIDIA已经把GPU、CPU、NVLink、网络、DPU、交换芯片、存储基础设施和AI软件整合成完整平台。
这也是今天理解NVIDIA最重要的一点：NVIDIA已经不能简单地被定义为一家GPU公司。
它正在成为一家覆盖芯片、服务器、网络和软件的AI基础设施企业。
而AI产业未来最大的竞争，也可能不再是：谁能造出最快的AI芯片？
真正的问题会变成：谁能用最低的成本、最低的能耗和最高的可靠性，把几十万甚至上百万颗AI芯片连接起来，让它们像一台巨大的计算机一样工作？
目前，NVIDIA正试图成为这个问题的答案。