黄仁勋的大摩路演，让大厂逃离“英伟达税”的梦碎了吗？

文/单挑社

过去大半年，围绕英伟达，市场里一直有两种隐秘的担忧。

一种担忧是，它的体量已经太庞大，单季营收正加速向千亿美元迈进，业绩的高速增长是不是快摸到天花板了？另一种担忧更深层，那就是各大云厂商和AI巨头都在拼命做自研定制芯片（ASIC），试图摆脱“英伟达税”。很多人觉得，随着大厂自研算力的大规模铺开，英伟达的护城河早晚会被一点点挖开。过去两年，这种硬件市场从一家独大走向四分五裂的趋势似乎确实存在。

不过，最近这几天传来了一个新消息，打消了这种线性猜测。

本周，黄仁勋亲自带着高管团队，去了加州参加摩根士丹利的投资者路演。在这场交流中，除了明确否认新一代产品Rubin Ultra的延期传闻、确认它明年正常出货之外，最值得关注的一个变化是：一家原本重度使用自研定制芯片的前沿AI实验室，近期把它算力池里英伟达GPU的采购占比，反弹拉高到了接近50%。

这其实是一个长期趋势正在变得更清楚的信号。

这件事本身只是一次大厂内部采购比例的调整，但它背后指向的问题很大。如果只把它当成一次偶发的商业订单波动，就会看浅了。它说明，在当下的技术周期里，定制芯片和通用GPU并不是简单的平替关系。只要AI的底层模型还没有完全收敛，那种试图靠自研低成本替代的逻辑，就还跑不通。

先把最直接的现实原因拆开看。为什么会有大厂放着自己更便宜的定制芯片不用，还要回头买昂贵的GPU？

这跟AI模型极快的架构迭代直接相关。定制的芯片就像是“专车专用”，只要算法固定下来，它的单项效率极高，成本也便宜得多。但问题在于，大模型领域几乎每隔几个月就有新动向，从最初的生成式大模型，到强化推理能力的新版本，再到如今复杂的智能体，计算逻辑不断在变。一旦模型算法发生突变，硬接线做出来的定制芯片就可能直接被淘汰。而在CUDA生态加持下的GPU，最突出的特点就是通用性和灵活性，它能用软件层的调优立刻接住这种底层变化。

这件事其实很容易理解，就像一个普通人去买电脑。

如果你非常明确自己这台电脑未来五年只用来敲字看剧，那你花低价买一台基础款的轻薄本是最划算的。但如果你不知道自己下个月是不是需要学视频剪辑、做3D渲染，或者在本地跑一个语言大模型，那最稳妥的办法，就是咬咬牙买一台配置拉满、带有独立显卡的性能怪兽。你买的其实不是当下的性能过剩，而是应对未来不确定性的冗余。现在的科技巨头们，面临的就是同一种不确定性。

为什么偏偏是那些最前沿的AI实验室率先发生了这种比例上的转向？

因为他们的工作性质决定了，他们是探索人类技术边界的排头兵，承担着路线试错的最高风险。对普通的应用层厂商来说，算力成本可能是一个需要精打细算的大项；但对前沿实验室来说，时间成本远比算力成本昂贵。如果为了省点买卡的钱，用了不够通用的自研芯片，导致模型在架构切换时训练卡壳，几个月的心血可能就白费了，这个落后的责任谁也担不起。在未知的探索期，效率和灵活性永远排在第一位，成本只能排在第二。

如果把时间拉长，放到算力设施的演进周期里看，这并不是孤立事件。

历史上任何新技术的爆发期，一定是通用性优先。从早期的个人电脑，到后来云计算底层的演变，只要技术没有彻底成熟、应用场景没有完全固化，灵活通用的设备总是能吃到最大的红利。只有当技术彻底被探明、场景完全成为日用品时，定制化才会占据绝对主导。所以，英伟达当前的护城河，其实建立在大模型技术自身的“狂飙突进”上。只要通往AGI的路线还在不断试错，这种向通用算力的回调就会反复发生。

未来判断算力市场的这个演进趋势，至少要看两个核心条件。

第一，前沿大模型的底层架构什么时候开始真正固化。也就是什么时候大家发现，模型不再需要推倒重来了，只需要在现有架构上做微调。第二，算力中心的电力供应和物理建设速度，还能否跟得上GPU算力扩张的胃口。只有这两个条件发生质变，算力市场的竞争逻辑才会真正从“拼灵活性”转向“拼性价比”。

这件事现在还不能下最终的结论，自研芯片依然是一条会持续发展的长期路线，但底层的方向已经比较清楚了。

真正值得看的，不是这家前沿实验室这次又买了多少块显卡，而是下一代AI模型会把人类的技术边界推向哪里。只要这群最聪明的大脑依然在未知领域摸黑前行，科技巨头们就不会在买“铲子”这件事上过度精打细算。哪个地方能提供最稳定、最通用、最能兜住不确定性的算力支持，哪个地方就依然是这个周期的绝对中心。