
作者 | 董必政
编辑 | 丁萍
头图 | AI 制图
近日,英伟达交出了一份超预期的季度财报。尽管新任管理层高调亮相给出明确的业绩指引,却依然未能挽回二级市场的颓势。
自创始人黄仁勋辞任 CEO 的消息曝光以来,英伟达股价已累计下挫约 13%,相较 52 周高点的回撤幅度更达 37%。
妙投认为,黄仁勋的辞职仅仅是表层诱因,真正的灰犀牛在于,资本市场已开始重新审视英伟达底层护城河的稳固性与长期的投资价值。
一、护城河变窄
英伟达之所以无敌,不仅因为芯片强,更因为 CUDA 生态锁死了开发者。
英伟达通过 " 卖硬件、送软件 " 的策略,把底层的数学库(如 cuDNN)做得极好,让开发者产生了极强的路径依赖。
此外,网上教程是 CUDA 的,招聘要求是 CUDA 的,工程师学的也是 CUDA 的。切换系统,等于整个团队重新学开车。这种 " 人的成本 " 看不见,但比改代码贵得多。
英伟达的 CUDA 护城河的本质是,迁移成本太高。
然而,AI 编程智能体打破了这一局面,有让 CUDA 迁移成本趋近于零的迹象。
2026 年 11 月,Anthropic 在 IPO 路演中披露,借助 Claude,团队仅用约 3 天便将核心 GPU 算子(kernel)完整移植到了 AMD MI355X 平台上并稳定跑通(但仅为 prefill 阶段达 " 可用性能 ");而在过去,这一工程通常需要数十名顶尖工程师耗费 6 至 12 个月。

早在同年 7 月的 AMD Advancing AI 大会上,行业便见证了戏剧性的一幕:一名工程师尝试将 Claude 接入 MI355X 集群,仅经过一个周末,系统性能曲线便自动收敛爬升。据称苏姿丰亲口确认 AMD 原本准备的现场工程支援根本没派上用场。
适配底层软件栈,曾是亚马逊 Trainium、谷歌 TPU 等外围算力平台最难逾越的高山。这正是过去亚马逊的 Trainium、谷歌的 TPU 劝退外部用户的门槛。
Anthropic 的案例等于证明了 " 新芯片底层适配(bring-up)从数月压到数天 ",这意味着自研定制化的处理器的最大隐性成本(生态从零起步)被 AI 大幅压缩了。
很明显,CUDA 的迁移成本已经有了下滑的迹象。
过去客户即使认为英伟达的 GPU 价格偏高,也可能因为软件迁移成本太高而不愿更换。现在,随着 AI 编程降低部分软件适配门槛,客户至少有机会以更低的成本尝试其他芯片。
当客户有了更多选择,英伟达过去依靠 CUDA 生态建立的定价权,就可能受到挑战。
二、战场重心迁移
如果说模型训练是 CUDA 最难攻破的堡垒,那么推理场景则是其防线中最脆弱的一环。
大模型训练阶段的目标一直在变化、架构每周在换、错误还悄悄发生,所以它需要一块 " 什么都能干、随时能改、还能精确调试 " 的通用并行的平台。
因此,软件栈必须灵活、易于调试且可扩展。
而一个前沿大模型的训练任务,组合起来可能要调用成百上千种不同的算子实现,每一种都要在特定形状、特定精度下跑满带宽。本质上,是需要一整套都能跑满的算子库。
这个库没法速成,只能靠积累和沉淀。这正是 CUDA 库栈中 cuDNN、NCCL 和内核工具在过去约 20 年中不断完善的原因所在。
相比之下,云厂商自研的专用芯片(ASIC)因流片固化,很难兼顾训练场景对底层架构频繁调整的极端弹性。
但推理侧的逻辑截然相反。
所谓推理是将固定模型部署至生产环境,追求的是全天候运行下的极致能效比与经济性。它不需要 CUDA 过剩的灵活性,只需在特定计算模式下跑出最高性价比。
当然,专用定制芯片的短板也很明显。算法一旦发生范式变化(比如从 CNN 到 Transformer 的切换),专用硬件可能面临过时风险。其软件生态极其贫瘠,没有 CUDA 那样成熟的工具链,开发调试成本高;而且只有用量足够大的厂商才摊得开研发成本。
不过,全球算力结构正在从训练向推理倾斜,放大了 ASIC 的比较优势。
根据德勤数据,全球 AI 推理算力占比正快速攀升,从 2023 年的约 1/3,到 2025 年的 1/2,预计 2026 年将进一步提升至约 2/3;根据 Gartner 预计,2026 年 AI 优化型 IaaS 支出中 55% 用于推理、2029 年将超过 65%。
而真正决定选择通用的 GPU 还是 ASIC 芯片,仍需用成本来衡量。
此前,英伟达前 CEO 黄仁勋曾表示,英伟达的竞争优势在于总拥有成本(TCO)。
他认为,即使竞争对手的 ASIC 芯片免费提供,其整体系统在运营成本上依然无法与英伟达的解决方案抗衡。
根据 SemiAnalysis 和 Bernstein 估计,在大规模推理部署中,ASIC 相比通用 GPU 的总拥有成本(TCO)优势达 40% 至 65%;AI 图像生成平台 Midjourney 在迁移至谷歌 TPUv6e 后,月度计算成本从 210 万美元降 70 万美元。
当然,英伟达最近推出新一代处理器 Rubin Ultra 也有可能重新挽回这一局面。
也就是说,黄仁勋此前说的总拥有成本(TCO)的竞争优势并非牢不可破,也有可能被抹平或反超。
但是,专用芯片不等于只能推理。
前沿模型训练侧的验证同步出现,谷歌 Gemini3 主要基于自研 TPU 训练并在多模态领域登顶,Anthropic 亦公开披露其模型训练采用 TPU、Trainium、GPU 并行的多元算力策略。
此外,OpenAI 向 Cerebras 下达超 200 亿美元采购单、微软 Maia200 进入数据中心,头部 AI 公司正把 " 算力多样化、避免单点依赖 " 作为明确战略。
摩根大通分析师 Michael Cembalest 在最新研报指出,前沿 AI 实验室正将采购重心向 AMD、谷歌、亚马逊等多家供应商分散,英伟达在 2026 年后计算协议中的份额仅占 28%。
三、定价权松动与毛利率的 " 向下重估 "
从英伟达的商业模式来看,CUDA 的工具链免费但闭源,公司不赚软件授权费,而是将生态黏性转化为硬件议价权。
CUDA 构筑的极高迁移成本,最终全部兑现为 GPU 的超额溢价,即极高的毛利率。
相较之前,英伟达的护城河已经有收窄的迹象。那么,这是否会影响到英伟达的盈利能力和毛利率呢?
盈利能力方面,英伟达第三财季非 GAAP 调整后毛利率为 74.9%,较上一财季的 75.0% 略有下降。
不过,在毛利率的指引上,2027 年财年 Q4 英伟达的毛利率预计为 71%-72%,2028 财年其毛利率为 72%-73%。
在近期的电话会上,瑞银分析师直接把这个问题摆到了台面上:前沿实验室越来越激进地押注 ASIC、把算力效率当成新 KPI,那你们为了保护竞争地位,能接受多大幅度的毛利率压缩?
英伟达临时 CEO Kress 对当期的解释是成本与旧订单:供应成本大幅上涨,公司选择自行吸收一部分、按原价履约,新价格明年生效,Q4 就是底部。
但对 " 长期毛利率能守在哪 ",她只留下一句 " 定价是深思熟虑过的,但那是未来的事 ",没有给出任何区间。

尽管 Kress 没有正面回答这个问题,但资本市场仍会关注英伟达的定价权和长期增长的确定性。
一位投资分析师向妙投表示," 黄仁勋走了,其实影响还挺大。这种公司如果是职业经理人管,很容易走下坡路。当年英特尔也是换职业经理人后面搞成这样。
不过,短期对技术和业务应该没啥影响。我现在比较担心后面硬件要给下游让利来保证生态平衡。现在硬件利润这么高,下游现金流和利润都没有转正,这个还是不可持续。"
" 如果下游没有改善,资本投入肯定也会放缓 ",该分析师分析道。
这样一来,英伟达很有可能面临 " 降价让利 " 和 " 缩量保利 " 的选择题。
此外,英伟达董事会没有让黄仁勋重回英伟达的打算,黄仁勋的一些战略并不会延续。
比如:此前黄仁勋为新兴云服务商站台融资,而 Kress 表示英伟达在支持新兴云客户时将变得更加 " 克制和挑剔 "。
真正值得警惕的是下一轮订单。
ACIE 板块(AI 云、工业与企业客户)在 2027 财年 Q2 占数据中心收入的 45.3%。这类客户的扩张高度依赖债务融资,若融资环境持续收紧,这一板块的增速存在明显回落风险。
再加上,北美很多州已经表示要对数据中心的建设要从严审核,整体 AI 算力资本开支的下降的可能性。
而这些潜在风险因素并不会在这个季度或下个季度直接体现,但会在未来 1 到 2 年开始体现。
按照算力产品营收口径,半导体研究机构 SemiAnalysis 将英伟达 2027 年至 2030 年的出货预测分别下调 22%、39%、56% 和 66%;若按照包含整个系统在内的总功耗口径计算,下调幅度分别为 14%、35%、50% 和 59%。
SemiAnalysis 认为,除了 HBM 成本下降带来的影响,英伟达还需要降低产品加价幅度,接受更低的毛利率,才能维持竞争力。
但妙投认为,长期来看,英伟达的竞争力的确存在减弱的可能性。一旦出货不及预期,毛利率开始下调,英伟达的 " 稀缺性 " 定价也将减弱,其估值会有回调的风险。
当下,英伟达虽是一枝独秀,但难题会在后面出现。
