NVIDIA 第二部：机器学习公司（2006—2022）

Ben：欢迎收听 Acquired 第 10 季第 6 集。这是一档讲述伟大科技公司及其故事和经营方法的播客。我是 Ben Gilbert，西雅图 Pioneer Square Labs 及其风险投资基金 PSL Ventures 的联合创始人兼董事总经理。

David：我是 David Rosenthal，一名常驻旧金山的天使投资人。

Ben：我们是节目主持人。David，我小时候常盯着后院的篝火，琢磨火焰的跳动到底是完全随机的，还是说，如果我知道世界上的每个输入，比如所有空气、木头的具体结构以及环境中的所有变量，它其实可以预测？

我那时候也许还不知道这个概念叫“可建模”，但它确实可以建模。如果我知道所有输入，就能预测火焰的形态。如今我们知道，它确实可预测；只是要准确掌握所需的数据和计算资源非常困难。而这正是 NVIDIA 今天正在做的事。

David：Ben，这个开场太棒了。我当时还在想：“Ben 要把话题带到哪里？”

Ben：我看 Jensen 推介 NVIDIA 的 Omniverse 愿景时想到这一点，意识到 NVIDIA 基本上已经建成了所有基础模块：硬件、供开发者使用这些硬件的软件、面向用户的软件，以及服务。它们能通过极高效、强大的 GPU 架构模拟我们物理世界的一切。

听众朋友，这些基础组件早已不只为玩家服务。它们可以构建现实世界的数字孪生，例如预测机翼周围的气流、模拟细胞相互作用以快速发现新药而无需碰培养皿，甚至精确建模并预测气候变化的发展。

这里有太多内容值得深入探讨，尤其是 NVIDIA 如何从生产标准化显卡，发展到在游戏、企业数据中心、科学计算等行业掌握完整技术栈，如今甚至向汽车制造商提供几乎现成的自动驾驶架构。

他们现在处理的规模，已经超出人类直觉可以理解的范围。举个例子：如今训练一个语音识别机器学习模型——只训练一个模型——所需的加法、乘法等运算次数，竟然超过地球上的沙粒总数。

David：我知道你在研究材料里的哪一段，因为我也读到了，当时我想：“开什么玩笑？”

Ben：这不是很疯狂吗？在我们两人读过的资料里，没有比这更好的例子，能说明训练模型所需的数据和计算规模有多惊人，也说明单块显卡完成的工作竟有多么庞大。

David：是的，真棒。

Ben：很多人已经知道这个消息，也已经报名了；如果你还没有，我们很希望在西雅图的 The Arena 现场见到你。演出将在 5 月 4 日下午 5 点举行，一定很精彩。我们刚宣布还会请到 Brooks Running 的 CEO Jim Weber。Brooks 现在是伯克希尔旗下年收入达十亿美元的优秀业务。之后还会有其他嘉宾消息。可访问 acquired.fm/arena，或点击节目说明中的链接报名。

所有门票收入都将捐给慈善机构。特别感谢赞助方 PitchBook Data。报名地址是 acquired.fm/arenashow，希望到时见到你。

David：你每次说这个网址，我都很兴奋。

Ben：没错，活动是真的。听完这一集后，欢迎加入 acquired.fm/slack，和我们一起讨论。

如果你想听更多 Acquired，可以在下一集播出前，到常用的播客应用搜索 Acquired LP Show。最近一期我们做了个非常有趣的深入访谈，邀请了和我关系很近的 Nick、Lauren，也就是 TrovaTrip 的创始人，聊创作者经济中的旅行。他们介绍了一个很有意思的商业模式，David 和我也熟悉创作者行业。

David：没错。

Ben：好了，David，我们进入正题。听众朋友，本节目不构成投资建议。David 和我可能持有本期提及的证券，请自行研究。

David：我本来想提醒你一定要说这句话，因为我们会大量谈到 NVIDIA 的投资者和股票。这真是一段跌宕起伏的旅程。上次讲 NVIDIA 时，我们把故事停在 GPU 公司阶段，大约是 2004、2005 或 2006 年。我们的主角 Jensen Huang 和 NVIDIA 已经两次躲过灭顶之灾。

第一次是在刚创业时，他们身处极其拥挤的显卡市场；第二次是他们刚从一个火坑跳进另一个火坑，Intel 开始针对他们，想像其他 PCI 芯片一样把 GPU 商品化。NVIDIA 勇敢地守住了阵地，与 Microsoft 合作，让 GPU 具备可编程能力。他们推出搭载可编程着色器的 GeForce 3，给 Xbox 提供 GPU，还和 Microsoft 一起创建了 CG 编程语言。

现在到了 2004、2005 年，公司已经很了不起，是上市公司，互联网泡沫破裂后股价表现也很好。他们占据了显卡市场，当然还有 ATI，这之后还会再出现。我认为公司最初十年建立了三项很重要的能力。

第一，我们上期谈过他们每六个月推出一款芯片的节奏，但没具体说出货频率。我列了个清单：1999 年秋，第一款 GeForce 显卡 GeForce 256；2000 年春推出 GeForce 2，2000 年秋推出 GeForce 2 Ultra；2001 年春推出 GeForce 3——也就是搭载可编程着色器的关键产品；六个月后又推出 GeForce 3 Ti500。

Ben：我们上次好像说过，竞争者的正常周期是两年，或者 18 个月左右；他们大多因此被甩在后面。

David：我刚才还在想，这时竞争者基本已经消失了。不过我想到的是 Intel。Intel 多久推出一次新产品，更别说全新架构？他们先有 286、386、Pentium，后来又有 Pentium 5 之类的产品。

Ben：David，我觉得 Intel 的产品周期和汽车改变车身款式的周期差不多。

David：对，没错。

Ben：大概每五六年才有一次明显的架构更新。

David：Intel 推动了摩尔定律的发展。而 NVIDIA 以极快速度推出新架构，直到今天也一直如此。第二点是上次我们漏掉的一件事，它对后来 NVIDIA 的发展是个关键基础：他们自己为显卡编写驱动。

这一点以及其他许多信息，都要感谢一位热心听众 Jeremy。他在 Slack 联系我们，推荐了很多资料，其中包括 Asianometry 的 YouTube 频道。

Ben：太棒了，我这周可能看了 25 个 Asianometry 视频。

David：真的很棒，特别感谢他们。那时其他显卡公司和大多数外设公司都会让更下游的合作伙伴编写驱动。NVIDIA 第一家站出来说：“不，我们要控制驱动，确保使用 NVIDIA 显卡的顾客在不同系统上都能获得良好体验。”这让他们既能保证质量，也在这家芯片公司内部培养起一批非常熟悉底层软件的工程师；当时不多见这样的芯片公司。

Ben：对，他们愿意承担更高的固定成本。雇人给各种操作系统、OEM、不同显卡板卡编写兼容驱动很贵。但他们带着一种有点像 Apple 的理念：尽量控制用户体验，确保消费者用产品时体验良好。他们愿意承受短期费用，换取产品体验长期改善的好处。

David：NVIDIA 的用户是高端玩家，他们愿意花 300、400、甚至 500 美元买顶级显卡，再装进自己组装的电脑里。他们希望插上就能用。

我记得以前折腾驱动，很多时候都不能正常工作，所以这事非常重要。公司第三项优势是可编程着色器，ATI 也复制了，但 NVIDIA 是创新者。这些技术在当时都服务于游戏市场。

Ben：David，你提到可编程着色器时，还有一件值得播下种子的事：那时还没有 NVIDIA 开发者这个概念。开发者会写能在操作系统上运行的软件，计算任务或许会卸载给显卡，但不是在使用专门针对某块显卡的语言或库来开发 GPU 程序。

从那时起，他们开始和开发者建立直接关系，让开发者知道，针对 NVIDIA 的硬件开发会带来实际优势。

David：不过那时都是游戏显卡，一切都服务于游戏开发者。他们是上市公司，与 Microsoft 有很好的合作，共同推出 CG，为 Xbox 提供显卡，华尔街也很喜欢他们。互联网泡沫破裂后，他们的市值从不到 10 亿美元升至 50 亿到 60 亿美元。

2004、2005 年股价一直飙升，到 2007 年年中市值接近 200 亿美元。成绩非常好。媒体会把他们看作一家纯粹的游戏公司，已经在一个庞大且持续增长的市场中建立了令人羡慕的优势。

Ben：即使只做游戏，这也是很好的增长浪潮。我想今天游戏市场规模是 800 亿或 1,000 亿美元。采访帮助开创游戏产业的 Trip Hawkins 或 Nolan Bushnell 时，他们说那时市场规模是零。NVIDIA 正好赶上一波巨大拐点，完全可以只靠游戏业务发展，成为重要公司。

David：这波浪潮看起来不会很快停下来。作为创始人，你不只是满意，甚至会非常满足。你已经成为这个大市场的领先企业，市场还在不断扩张。99.9% 的创始人，即使雄心勃勃，也会觉得这已经很好了。

Ben：但 Jensen 不会满足。

David：是啊，不会。与此同时，他已经在思考：如何进入下一阶段并继续主导市场？他想继续增长，也不希望 NVIDIA 只是一家游戏公司。

上期结尾讲了一个可能不完全真实的故事：一位斯坦福研究人员给 Jensen 发邮件，说：“多亏了你，我儿子劝我去 Fry's Electronics 买几块 GeForce 显卡，装进工作电脑里跑模型。好像是量子化学研究员。”他用显卡跑模型，速度比实验室里的超级计算机快十倍，说这样终于能在有生之年完成研究。

Ben：Jensen 很喜欢这个故事，每次 GTC 大会都会讲。

David：持怀疑态度的听众可能会有两个问题。第一个是实际问题：刚才说 NVIDIA 的一切都是为了游戏，那位化学研究员是怎么用 GeForce 显卡建模的？他用什么来写程序？

Ben：可编程着色器，对吧？

David：对。他们把为图形设计的 CG 勉强挪来用，把所有事情都转换成图形术语，即使目标根本不是图形。他们用 CG 编程，这并不适合所有人。

Ben：所有东西都变成了隐喻。他是量子化学研究员，却得告诉硬件：“把我提供的数据想象成一个三角形，把我想做的数据转换想象成给三角形打光。”之后让显卡输出一块它认为颜色合适的像素，再把结果翻译回量子化学所需的计算。可想而知，这样很不理想。

David：Jensen 觉得这是有意思的市场，也希望 NVIDIA 服务这个市场。如果要做好这件事，就是一项巨大的工程。这家公司花了十多年才发展到当时的水平，而 CG 只是开发者以通用方式使用 GPU 所需技术栈中的一小部分。

比如他们和 Microsoft 合作开发 CG，但这和 Microsoft 为 Windows 开发完整的 .NET 框架，或 Apple 为 iOS 和 Mac 开发者提供的一整套工具，完全不是一个级别。

Ben：这个类比并不完全准确，但 Apple 不只是说：“我们的平台用 Objective-C 编程，祝你好运。”它还会提供 UI 框架，比如 AppKit 和 Cocoa Touch，以及 ARKit、StoreKit、HomeKit 等 SDK 和框架。要让热门领域的开发者轻松为硬件编写软件，必须在编程语言之上构建完整的抽象层。

David：没错。Jensen 决定让公司全力投入这件事，承担了巨大的任务。前面说过，他们有相当多低层次的基础设施人才——不是能力低，而是接近底层、困难、偏系统工程的编程能力。

这让他们可以从这里起步，但这是一件大事。如果你是谨慎的投资者，特别是 NVIDIA 的投资者，此时会问：“Jensen，你要把公司押在这项重大工作上。商业理由是什么？市场在哪里？”Don Valentine 这时大概会坐在那里对 Jensen 说：“把市场给我看看。”

Ben：还不止市场在哪里，也要问市场何时出现？我们需要花多少时间、投入多少资金和资源，才能在市场成熟时做出有用的产品？CUDA 于 2006 年开始开发，但 NVIDIA 花了六年多才打造出一个真正实用、可用的平台。

David：这比 NVIDIA 以前做的事情，更像 Microsoft 的开发环境或 Apple 的开发环境。他们以前只是说：“我们做了几个 API，和 Microsoft 合作，让你可以为我们的硬件编程。”

Ben：我先跳到后面，用一个例子说明这项工程有多庞大。我在 LinkedIn 搜索 NVIDIA 员工的职位名称里包含 CUDA 的人，发现现在专门负责 CUDA 平台的员工有 1,100 人。

David：我还以为会有 11,000 人呢。

Ben：是啊。

David：好，市场在哪里？Ben，你问的第三个问题是：要投入多少时间、资金和资源，才能赶上市场？就算先不考虑这些，第一步还是：这个市场是否存在？当时的答案可能是不存在。

Ben：他们的目标是科学计算。研究人员目前需要超级计算机，或预约超级计算机，来运行某个可能要花数周或数月的科学计算。能不能更便宜、更快地完成？这就是他们瞄准的市场吗？

David：是的，他们要进入的是 Cray 超级计算机之类的市场。Cray 是家很好的公司，但那和今天的 NVIDIA 还差很远。NVIDIA 当时已经占据市场。它瞄准科学研究计算、药物发现，还可能想进入专业影视、建筑等专业图形领域。

把这些市场加起来，总规模可能也就几十亿美元。任何理性的人都会认为，不足以支撑为此建立完整平台所需的时间和投入。

不过，Jensen 和 NVIDIA 还是全力投入了，Jensen 已经坚信这条路。2006、2007 和 2008 年，他们投入大量资源建设后来被称为 CUDA 的平台；当时它就叫 CUDA。

Ben：我觉得 Jensen 的动机有两方面。一方面，他迷上了这个市场，喜欢开发能加速特定计算任务的硬件，也喜欢让计算机帮助人类完成更多有意义的事情。另一方面，他看到了商业模式的机会：过去 13、14 年来，NVIDIA 一直遭遇商品化压力，而这个方向可能形成持久的差异化优势。他觉得：“哇……”

David：可以掌握整个开发平台。

Ben：有点像 Apple：不仅靠软件，还靠与开发者的关系，把硬件做出差异化。这样我就能建立一家在行业里具有影响力的公司。

David：百分之百正确。我不知道他当时是否用过这句话，因为可能会被人嘲笑，但他后来确实说过。Jensen 的思路不只是“只要做出来，他们就会来”，当时确实有人这么想。他的说法是：“如果我们不把它做出来，他们就根本没有机会来。”这不是“我确信他们会来”，而是“如果不做，他们甚至不能来。”

2006、2007、2008 年，华尔街大体上愿意忽略这件事。公司继续快速增长，市值一路攀升，直到金融危机前。但随后发生了我们上期提过的事：AMD 收购了 ATI。ATI 是很有实力的对手，几乎是 NVIDIA 全程唯一真正站得住脚的竞争者。

AMD 收购 ATI 时，我想花了 60 亿或 70 亿美元，金额很大。它还投入大量资源，不只是为了收人才，而是要把 ATI 作为一条重要产品线，全力发展。

Ben：我们没有像研究 NVIDIA 那样研究 AMD，但 Radeon 系列原来属于 ATI，现在属于 AMD。人们会通过主要面向游戏的 GPU 来认识 AMD。

David：是啊。我高中或大学刚开始时组的第一台电脑，可能装了 Radeon 显卡。我想当时 NVIDIA 市场占有率更大，但不知为什么我喜欢 ATI，所以它们确实是强劲对手。

此时 NVIDIA 专注于全新的方向，而 AMD 则凭借大量资源继续进攻游戏市场。正如我们说的，游戏是持续增长的大浪潮。2008 年年中，NVIDIA 公布的业绩不佳。这也正常，他们把注意力从游戏上移开了。股价因此遭到重创。

Ben：CUDA 及其支持的应用还没有带来收入，公司却把注意力从游戏上转移开了。

David：没错。前面说过，市值高点大概是 200 亿美元，后来股价跌了 80%。这并不只是金融危机导致的。我回想起来觉得很难理解：以前人们会因为道琼斯或标普一天跌 5% 而恐慌，而现在我们录节目这天，道指一天跌 5% 也很常见。

Ben：没错，正好就是我们录音的星期四。

David：一家科技公司股价跌 80%，即使发生在金融危机期间，也说明它不只是进了罚站区，而是被整个行业踢出局了。

Ben：对。是不是彻底没救了？当时的新闻标题都在问：“NVIDIA 已经完了吗？”

David：如果换成大多数 CEO，此时可能会打电话给 Goldman Sachs、Allen & Company 或 Frank Quattrone，准备出售公司。公司该怎么恢复？

Ben：但 Jensen 不会。

David：当然不会。他继续建设 CUDA。这段背景很重要。我们在 Acquired 谈过很多令人兴奋的事，但我觉得 CUDA 是近十年、二十年最伟大的商业故事之一。Ben，你怎么想？

Ben：我会说，这是我们讲过最大胆的赌注之一。可编程着色器也是大胆赌注，NVIDIA 最初试图围绕四边形构建更高效图形计算能力，也是赌注。

David：是的，那些都很大胆。但我觉得这次的赌注规模更大，是我们在 Acquired 不常讲到的那种赌注。

Ben：那些赌注相对于当时公司的规模已经很大了，但这次就像 iPhone 级别的赌注。

David：没错，正是 iPhone 级别的赌注。

Ben：公司已经是数十亿美元规模，却还要押注这么大的项目。

David：是啊。他们要创造一种新东西；一旦成功，市场又如预期出现，就能成为一家跨世代的公司。

CUDA 是 NVIDIA 的统一计算设备架构（Compute Unified Device Architecture）。正如我们一直所说，它是一套完整的开发框架，让开发者可以在 GPU 上执行各种计算。

Ben：有意思的是，我听 Jensen 有时把 CUDA 叫编程语言，有时叫计算平台。它兼具这些属性。它是 API，也是 C 或 C++ 的扩展，因此有语言的一面；但更重要的是，它上面有一整套框架和库，能让数百个行业使用很高层次的抽象开发应用，再通过 CUDA 调用 GPU 及 NVIDIA 其他组件。

David：这就是它的精妙之处。我们推出第一期 NVIDIA 节目当天，Ben Thompson 在 Stratechery 发布了对 Jensen 的精彩访谈。Jensen 在访谈中对 CUDA 的性质和重要性解释得比我见过的任何地方都清楚。

Jensen 对 Ben 说：“我们不断推进 CUDA 和它的生态系统，至今已有 15 年。我们对 GPU、加速库、系统和应用进行全栈迭代，同时拓展平台能加速的新应用领域。我们从出色的芯片开始，但对每个科学、行业和应用领域，我们都会打造完整技术栈。我们有超过 150 套 SDK，服务从游戏和设计，到生命与地球科学、量子计算、AI、网络安全、5G 和机器人等行业。”

然后他谈到为此做了什么。他说：“必须认识到，这是一种全新的编程模式，因此作为程序处理器公司或计算平台公司所需的一切都要从头创建。我们必须组建编译器团队、开发 SDK、建立库、联系开发者、推广我们的架构并帮助人们理解它的好处。我们甚至得帮助他们推广愿景，让他们在我们平台上编写的软件能够产生需求，等等，等等。”

Ben：太疯狂了，太了不起了。他说这是全新编程方式，甚至可能是新范式，这完全属实。到那时为止，大多数编程语言和计算平台都主要考虑串行执行程序。

CUDA 的做法是：GPU 上有大量核心，可以同时执行任务，这就是并行编程和并行架构。如今他们最新的消费级显卡上有超过 10,000 个核心，具有令人难以置信的并行性；CUDA 从设计之初就适用于并行执行。

David：行业里只有“embarrassingly parallel”这个说法最特别。

Ben：它其实是技术术语。

David：我不懂，为什么会“令人尴尬”？

Ben：意思是软件可以高度并行化：所有计算相互独立，不必等上一步结果出来才开始下一步。若你按顺序执行而不是并行处理，反而会显得很可笑。

David：所以尴尬的不是并行，而是明明可以并行，却还用 CPU 串行执行旧方法。

Ben：我想这就是这个说法的含义。

David：明白了。

Ben：这种任务非常明显可以并行处理。

David：现在讲最关键的一点。我们花几分钟谈它有多么精妙。这项工程就像建造埃及金字塔，规模极其庞大。它完全免费。直到今天，NVIDIA 从未为 CUDA 收过一分钱——虽然这可能会改变，我们在本期末会谈到。任何人都可以下载、学习和使用它。所有成果建立在 NVIDIA 之前所做的一切之上。但 Ben，这里有个“但是”。

Ben：CUDA 是闭源的专有技术，只能用于 NVIDIA 的硬件。

David：没错。你用 CUDA 开发的软件，不能部署在 NVIDIA 以外的芯片上。这甚至不是条款里写着“不能在 AMD 芯片上部署”。

Ben：而是它在技术上就无法运行。

David：对，它是全栈集成。就像你为 iOS 开发应用，却要试图放到 Windows 上运行一样。它和硬件深度集成。

Ben：OpenCL 当时算是主要竞争者，它能让应用运行在 NVIDIA 芯片上，但 CUDA 里的东西无法移植到别的平台。

David：太好了。这就像 Apple 的商业模式：Apple 把自己打造的平台生态免费提供给开发者，再通过销售高毛利硬件赚钱。

Jensen 在 2006 年决定走这条路时非常有远见，实际上之前就开始布局了。那时还没有 iOS 或 iPhone。当时多数人不觉得这是好模式，反而觉得 Apple 输了，Mac 不行，开放生态里的 Windows 和 Intel 才是赢家。

Ben：不过，Windows 和 Intel 也有专属开发环境和完整开发工具。

David：对，这里面有不少细节。它们并非开源，但可以运行在不同硬件上。

Ben：不过也不能运行在所有硬件上，只能运行在 Intel、IBM、Microsoft 联盟的平台上，不能运行在 PowerPC 或 Apple 的硬件上。

David：确实。

Ben：有趣的是，NVIDIA 有时像 Apple，有时又像 Microsoft、Intel、IBM 联盟，只不过几家公司被整合在一起。

David：这么说可能不错，也许它介于两者之间。还记得 Clayton Christensen 在 iPhone 刚推出时批评 Apple 吗？他觉得开放模式会赢，Android 会赢，Apple 会失败；封闭模式行不通，公司必须模块化。Clayton 是极出色的战略家，但这个例子说明当时大多数人都认为 Apple 的模式很糟。

Ben：是啊，除非你已经达到一定规模，否则这种模式很难成立。当时没有多少理由相信 NVIDIA 能达到足以支撑这笔投入的规模，也看不出有足够大的市场让它发展到那个规模。

David：正是如此。即使你说：“Jensen，我相信你，也认同只要做成，这就是好模式。”投资人仍然会环顾四周问：“市场在哪里？市场能大到足以支撑这种模式吗？”

Ben：好，你要带我们跳到 2011、2012 年吗？还是先讲中间的过程？

David：如果世界像小说一样，故事能直线发展就好了，但现实不是直线。后面的事会救活 NVIDIA、让这条路走通，但中间还有不少挫折。2008 年股价重创。我纯属猜测，但他们可能觉得自己身处行业冷板凳，同时仍承诺持续投资 CUDA，让通用 GPU 计算成为现实。

我不禁想，他们是不是觉得需要做点什么来安抚股东，证明自己也在追求商业机会。那是 2008 年，科技行业在发生什么？移动计算。NVIDIA 在 2008 年推出 Tegra 芯片平台。

Ben：这可能不是拯救公司的项目。

David：的确不是。这更像一辆失控碰碰车。Tegra 是一款完整的手机系统芯片，直接和 Qualcomm、Samsung 竞争。它把 ARM 架构 CPU 和 Android 手机所需的其他组件组合起来，偏离了 NVIDIA 的大部分核心能力，除了图形处理在手机里确实有用。

Ben：对，它功耗低，体积也小。

David：是啊。我研究时最喜欢发现的一点是：你知道第一款搭载 Tegra 的产品是什么吗？

Ben：不知道。

David：Microsoft Zune HD 媒体播放器。基本上这就说明了一切。不过 Tegra 后来也有用途：它驱动了第一代 Tesla Model S 的触摸屏信息娱乐系统，在 Autopilot 之前就已开始帮 NVIDIA 进入汽车市场。Tegra 也成了 Nintendo Switch 至今使用的主处理器。

Ben：哦，他们后来把它改作 Switch 用了。

David：是的。我想 NVIDIA Shield 自有游戏设备也还在，只是不知道还有多少人买。

Ben：这就说得通了。NVIDIA 基本在 PlayStation 3 后退出了其他主机市场。它的游戏业务依然兴旺，但除 Nintendo Switch 外并没有为主机供货。我一直想知道他们为什么接 Switch 的业务，原来 Tegra 已经现成可用。

David：对，这也是 Tegra 的一个用途。

Ben：顺带一提，GPU 公司转向移动领域似乎都不太顺利。ATI Radeon，后来归 AMD 所有的桌面显卡系列，也试图开发移动 GPU，但效果不好，最后把相关知识产权卖给了另一家公司。你猜是哪家？

David：我不知道，是 Apple 吗？

Ben：是 Qualcomm。它成了 Qualcomm 的移动 GPU 部门，Qualcomm 很擅长移动芯片，正好适合。你知道这条移动 GPU 产品线叫什么吗？

David：不知道。

Ben：Adreno。

David：这个名字有点耳熟，但不知道来由。

Ben：它是把 Radeon 的字母重新排列而成的。

David：哈，这真有意思。

Ben：所以你是说 NVIDIA 的移动图形业务没有成功？

David：我们在 Sony 那期没怎么谈 Android 价值链。我对它的印象是没人能在里面赚钱，而且 Google 还刻意维持这种状态。

Ben：不过现在 Google 靠 Play Store 赚了很多钱。

David：是啊，还有广告。

Ben：我觉得它主要是通过不用向别人支付搜索流量获取费用来变现。

David：对。对生态合作伙伴来说，如果你从芯片一直做到 Android 硬件，可能很难赚钱。规模足够大也许可以，但这些设备本来就是低价销售的商品，几乎没有利润空间。

Ben：没错。

David：还有件事。你刚才提到 AMD 的移动显卡，我也想起 NCS 团队告诉我们的另一段故事：NVIDIA 为了进入移动市场，于 2011 年收购了英国移动基带公司 Icera。你知道我想说什么了。

Ben：哦，知道了。

David：这太有趣了。

Ben：这是一个值得以后再讲的伏笔。

David：他们押注移动市场，觉得 Tegra 会成功。几年后，业务基本关停，Icera 的业务也被关闭，员工遭到裁撤。Icera 创始人在 NVIDIA 收购时赚了不少钱，之后创办了 Graphcore。我们会在节目末尾略谈它。它可能是……

Ben：NVIDIA 可能遇到的主要威胁之一。

David：对，潜在的 NVIDIA 挑战者。Graphcore 已融资约 7 亿美元，也涉足移动芯片。

Ben：这有点像 Bezos 和 Jet.com 的关系，只不过假如 Jet 成功了，大概就是 Graphcore 与 NVIDIA 的类比。

David：是啊。目前还不知道有没有公司能真正挑战 NVIDIA，不过市场也许大到足以让多家大型公司共存。

Ben：对，市场很大。

David：回到故事。NVIDIA 在 2000 年代末和 2010 年代初进展缓慢，有些年份增长约 10%，有些年份持平。公司几乎停滞。2011 年又一次业绩不佳，股价再度腰斩。这都快成套路了。

我本来想说 Jensen，但都不知道怎么形容。公司又一次陷入困境，其他人可能早就放弃，但他们没有。随后几乎像奇迹一样发生了转机。我不知道有没有别的说法。也许这不是一个很好的 Jensen 战略案例，因为它需要奇迹。

Ben：Jensen 会说这是有意为之，他们知道市场时机、战略和投资方向都是对的，并且一直坚持。Ben Thompson 的访谈中，Ben 问了这么多看似不可思议的事情如何恰好在正确时间发生，Jensen 回答：“是啊，我们早就计划好了，全都是有意的。”

David：Jensen 并没有预见 AlexNet，因为当时没人预见到。2000 年，普林斯顿计算机科学教授 Fei-Fei Li 开始一个图像分类项目 ImageNet。她是普林斯顿校友，专攻人工智能和计算机科学。

这个项目受到普林斯顿 20 世纪 80 年代 WordNet 项目的启发。WordNet 分类词语，ImageNet 则分类图像。她希望建立一个包含数百万张图片的数据库，每张图片都有正确标签，比如狗或草莓。

有了这套数据库，人工智能图像识别算法就能接受测试。给算法一张草莓图片，但不告诉它答案，看看它能否自行判断图片里是草莓、狗还是其他物体。

她和合作者开始这个项目，并用 Amazon Mechanical Turk 标注数据库。后来有人想到，既然已经建好数据库，也希望大家使用，不如办一场竞赛。

这在计算机科学界很常见：举办算法竞赛，每年开放给任何团队提交算法，在 ImageNet 数据库上测试，比较哪队错误率最低、识别的图片最多。

这个项目很成功，让她声名大噪，也在 AI 研究社区里流行起来。第二年她被斯坦福挖走。我也在斯坦福读过书，所以没关系。她现在仍在那里。我觉得她和我挺像的。你知道她在斯坦福担任的冠名教席是什么吗？你肯定知道，但我猜大多数听众不知道。

Ben：知道，她是 Sequoia 讲席教授。

David：没错，是斯坦福计算机科学系的 Sequoia Capital 教授。太酷了。她为什么会成为红杉资本冠名教授？这和 NVIDIA 有什么关系？2012 年，多伦多大学团队提交的算法赢得 ImageNet 竞赛，而且领先幅度很大。评估方式是看数据库中有多少图片被错分。他们的错误率大约 15%，下一名在 25% 左右。

Ben：此前最好的结果都在 25% 多一点。

David：没错。

Ben：这就像有人打破了四分钟跑完一英里的纪录。甚至可能更厉害，因为他们没有沿着旧方法继续蛮干，而是换了一条完全不同的路径，突然实现了远超预期的准确率。

David：他们用了什么方法？团队以 Alex Krizhevsky 为首，他是博士生，与 Ilya Sutskever 和自己的博士导师 Geoff Hinton 合作。他们的方法名为 AlexNet，是卷积神经网络，属于深度学习这一人工智能分支。

深度学习用于这个场景是新的，但它本身并不新。神经网络算法已存在几十年，只是训练它们需要极大的计算能力，工作量几乎相当于地球上的沙粒数量。传统计算机架构无法在实际应用中有效运行这些算法。

Ben：人们还试图预测要等摩尔定律发展多久才能实现这一点。它看起来仍遥不可及，因为不但需要摩尔定律继续进步，还需要 NVIDIA 这种高度并行架构。性能提升不只是因为单位面积塞进更多晶体管，还因为程序能并行执行。

David：AlexNet 将这些旧想法用于 GPU，更具体地说，是在 NVIDIA GPU 上通过 CUDA 实现。这个时刻的重要性无论对 NVIDIA、计算机科学、科技、商业，还是对我们今天每天盯着手机屏幕的生活，都无法夸大。这是人工智能的大爆发，NVIDIA 和 CUDA 正好站在现场。

Ben：没错。接下来几年，也就是 2012、2013 年，NVIDIA 继续追求通用计算。他们曾考虑要不要把 GPU 重新命名为 GPGPU，也就是通用图形处理单元。最后没这样做，而是直接开发 CUDA。

David：换句话说，他们找这个产品的市场找了好几年，没找到，于是就说：“你们可以拿它做任何事。”

Ben：对。AlexNet 竞赛让深度学习受到关注。2013 年，NVIDIA 研究科学家 Bryan Catanzaro 和包括 Andrew Ng 在内的斯坦福研究人员发表了一篇论文。他们把 Google Brain 团队已经公开的一种无监督学习方法改进了；Google Brain 当时用了 1,000 个节点。

这是早期神经网络热潮里的一个重要进展。这个团队只用了三个节点，但采用完全不同、高度并行的模型，在很短时间内完成大量计算，达到高性能计算水平。它后来成为 cuDNN 的核心。cuDNN 是集成在 CUDA 里的深度神经网络库。

这让各地的资料科学家和研究人员不必成为硬件或软件工程师，也能轻松在 NVIDIA 硬件上编写高性能深度神经网络。AlexNet 加上 Bryan 和 Andrew Ng 的论文，把过去看似不可能跨越的门槛一下子降低了，后续团队也更容易、更高效地完成同类任务。

David：尤其是深度学习。大家都知道它重要，但如果计算机能自己识别图片，那也能训练它自己看路、自动驾驶、下棋，或在新款 iPhone 上改善照片，即使拍摄时没把一切都设好。

Ben：甚至你描述一个场景，Transformer 模型就能把它画出来，逼真得让人难以相信不是人画的。

David：没错。而对 Jensen 和 NVIDIA 寻找的市场来说，最重要的是，同样的 AI 可以预测你在内容信息流里想看什么，以及哪种广告最可能打动你。刚才提到的许多研究人员后来都被 Google 挖走，Fei-Fei Li 也去了 Google。

Ben：Bryan 去了百度，后来又回到 NVIDIA 从事应用 AI。

David：Bryan 去了百度，Jeff 去了 Facebook。就算你不相信自动驾驶或其他应用会成功，也没关系；这套技术支持的数字广告市场本身就有数万亿美元规模。

Ben：有趣的是，广告看起来像最重要的应用，实际上只是最简单的。数据已经标注好，模型不必表现得极其出色，因为它不是生成全新内容，而是辅助工作、提高效率。

再往后十年，我们就进入拥有数亿甚至数十亿参数的 Transformer 模型时代。机器正在做我们曾认为只有人类能做的事，而且进展越来越快。神经网络和深度学习确实催生了广告业务这台现金机器，但那只是比较容易的部分。

David：没错，但这很重要，因为这是终于能形成规模、建设相关技术的市场。Ben Thompson 在采访 Jensen 时谈到，互联网边际成本接近零、内容海量增长，价值就会流向帮助用户找到内容的人。他指的是聚合理论。

他接着对 Jensen 说：“价值确实流向帮助用户发现内容的人，但必须有人制造芯片和软件，让他们能有效地完成这项工作。过去 Windows 面向消费者，Intel 是 Wintel 垄断的另一部分。现在有 Google、Facebook 等许多面向消费者的公司，而它们都依赖 NVIDIA。NVIDIA 所处的位置听起来很好。”事实也的确如此。

Ben：真是个绝佳的位置。

David：天啊。市场很多年都没意识到这一点，我没看出来，你可能也没看出来。我们当时都是科技行业里的风险投资人，本应该看懂。

Ben：你知道 Marc Andreessen 那段话吗？

David：不知道。

Ben：太棒了。几年后情况更明显了。2016 年 Marc Andreessen 接受采访时说：“我们投资了很多把深度学习应用到不同领域的公司，它们基本都基于 NVIDIA 平台。这就像 90 年代大家都在 Windows 上开发，2000 年代末大家都在 iPhone 上开发。”他还说：“我们公司有个游戏：假设自己是对冲基金，会投资哪些上市公司？我们会把所有钱都投 NVIDIA。”

David：他曾在基金里集中配置，把钱都投进比特币，当时每枚大约 3,000 美元。我们也曾考虑过类似做法。那时是 2012 至 2015 年，NVIDIA 股价一直没超过 5 美元；如今录节目时约 220 美元，过去一年的高点超过 300 美元。当时如果看懂这一趋势，机会大得惊人。

Ben：2017、2018 年加密货币带来一波股价暴涨，NVIDIA 一度涨到每股约 65 美元。即使到了 2019 年初，也曾跌到 34 美元左右。把走势图拉远后，那次回落几乎看不出来，后来的涨幅实在太惊人。

David：还有件事令人惊讶：AlexNet 出现在 2012 年，但 NVIDIA 到 2016 年才重新达到 2007 年的 200 亿美元市值高点。那时候它还只是游戏公司。中间差不多十年。

Ben：我之前没这样想过。突破发生在 2010、2011、2012 年，很多人都有机会看到，尤其 Jensen 一直在演讲和财报电话会上谈这件事。

David：他没有把它保密。

Ben：没错，他一直告诉大家这是未来。但投资者没有立即买入。我们看着这些神奇的事情发生，也看着公司用自己的硬件和软件推动它们。即使半导体分析师认真研究 Jensen 的讲话，也觉得他像疯了一样：他说未来是神经网络，公司要全力投入。虽然他没正式把业务转型，但财报会上对神经网络的关注越来越多，远远超过游戏，于是大家都怀疑他是不是疯了。

David：我想大家已经失去兴趣和信心了。CUDA 很早就推出，许多年里没人知道 AlexNet 会出现。Jensen 相信 GPU 能做到 CPU 无法实现的事，并且相信某种市场终会出现。他不知道具体会是这个市场，只是多年来坚持“先建好，顾客就会来”。

Ben：具体来说，GPU 已经把图形工作从 CPU 上卸载出来。CPU 很灵活，适合各类通用任务；图形运算则需要独立的环境、散热和风扇，也需要矩阵变换。底层的数学运算是矩阵乘法。

人们开始想：既然有研究者能用矩阵变换做科学计算，也许矩阵运算还适用于其他工作。后来深度学习真正成功，关键正是大规模并行矩阵运算。NVIDIA 看着自己的 GPU，发现它恰好适合这类任务。

David：是的。Bryan Catanzaro 在同一访谈里说：“深度学习恰好是所有需要高吞吐计算的应用中最重要的一个。”这真是世纪级的轻描淡写。NVIDIA 一旦意识到这一点，整个公司几乎立刻都投入其中。

Jensen 有很多值得称赞之处。他不仅描绘未来愿景，也密切关注实际发展。公司持续观察一切，一旦发现深度学习正在崛起，便没有在开关旁睡着错过机会。

Ben：完全同意。有时看起来像历史偶然，有时又像计划之中。图形运算天然适合高度并行，因为屏幕上每个像素都不同。最新 NVIDIA 显卡有一万多个核心，但屏幕像素远远更多，所以每个核心每个时钟周期不可能各自负责一个像素。

结果很适配：神经网络也可以高度并行，因为每个计算都独立于其他计算。它们同样能在一组并行核心上运行。

David：没错。把问题归结为数学后会发现，图形和神经网络都是大规模矩阵乘法应用。未来还有哪些问题能靠并行矩阵乘法解决？也许还有更多，甚至更大的市场。

Ben：我想这也是 Jensen 现在为 NVIDIA 描绘的愿景的一部分，后面会谈到。眼前这只是开始，还有机器人、自动驾驶和 Omniverse。回想起来很有意思，大家都说 2016、2017 年股价大涨之前没人看懂，但 Marc Andreessen 早就知道了。我很想问问他个人账户有没有因此获利。

到了 2018 年，又出现了一类非常适合并行处理的任务：加密货币挖矿。2016、2017 年，许多人买消费级 NVIDIA 显卡搭建矿机。2018 年加密货币寒冬到来、ICO 热潮结束，矿机需求崩塌，严重到 NVIDIA 的收入都下降了。

Ben：解释一下挖矿的技术原理：它大致就是不断猜测和验证，类似暴力破解加密问题。你要找到一个很难找到的答案；猜错了就增加一点，再猜一次。这是过度简化、技术上不完全准确的解释，但这样理解大体没错。

假设一个数学问题需要尝试几百万次才有可能找到答案，第一次就猜中的概率很低，可能一生也不会遇到一次。GPU 的核心数量很多，因此这类问题特别适合并行化：不是一次尝试一个，而是同时尝试 10,000 个，再同时尝试 10,000 个，如此继续。

David：是啊。这又是矩阵运算的用途。除了游戏和神经网络，现在我们看到了第三种应用。

Ben：所以，在十年间，GPU 擅长的领域又出现了第三种应用。有意思的是，你可以分别设计更适合挖矿或 AI 的硬件，现在 NVIDIA 和竞争者都在这么做。通用 GPU 恰好两种任务都很擅长。

David：至少远胜 CPU。

Ben：对。NVIDIA 的一些初创竞争者，比如 Cerebras，认为 GPU 虽然在这些任务上比 CPU 快一千倍或好得多，但还远远没达到理论上的最佳水平。某些 AI 任务有更优化的解决方案。

David：有意思。这就引出了一个问题：在这些应用里，什么程度才算够好？

Ben：没错。快进到今天，NVIDIA 和一众新创公司玩的仍然是加速计算，只不过要讨论的是怎样把工作负载从 CPU 转到 GPU 上加速。

David：有趣。回到加密货币寒冬，这件事很滑稽。加密行业当时已经变得很现实，这可能还有争议，但肯定没 2018 年那么有争议。随后 NVIDIA 股价又被打垮，跌了 50%。差不多每五年就得来一次。

Ben：令人着迷的是，这些购买完全超出了 NVIDIA 的控制。他们生产的芯片被拿去做自己并未设计的用途，而且他们甚至不清楚顾客买卡是为了挖矿还是为了游戏。

David：他们把卡卖给 Best Buy，顾客再从 Best Buy 买。

Ben：对。有些人会批量采购，在数据中心挖矿；更多人只是在地下室用消费级硬件挖。NVIDIA 并不能准确掌握销售渠道和购买用途。矿币价格下跌后，挖矿可能变得无利可图，至少利润会减少。

于是对他们没要求、也很难看到的需求突然枯竭，公司管理层在华尔街眼中显得很糟糕，因为他们完全无法判断业务正在发生什么。

David：我想外界对深度学习这件事也仍然怀疑，觉得“Jensen 这套说法靠谱吗？”于是市场把它当成抛售的理由。不过股价跌到 50% 的低点后，反弹很快，因为企业开始大量采用 GPU 来做深度学习。这很有意思。NVIDIA 的财报会把业务拆成游戏消费产品和数据中心等板块。我们谈的东西都在数据中心完成，Google 不会把 NVIDIA GPU 买回去插进软件工程师的笔记本里。

Ben：NVIDIA 的财务分类确实包含游戏和数据中心等板块，刚才说的主要都是数据中心应用。

David：Stadia 还存在吗？我想它用数据中心做云游戏之类的事。

Ben：是啊，但都在数据中心里完成。

David：对。我看数据中心收入时，基本把它等同于机器学习业务。

Ben：是，没错。数据中心业务特别有意思。过去他们卖给消费者的是摆在货架上的显卡，也有一些面向科学计算的专业卡。但数据中心设备的售价完全不同：一张 RTX 3090 的价格根本比不了。

David：RTX 3090 是普通消费者能买到的高端显卡，最初售价 3,000 美元，现在大约 2,000 美元。最新的数据中心卡不是 A100，是 H100，对吧？

Ben：A100 已经出来了，他们刚公布 H100。

David：单张要两万到三万美元？

Ben：是啊，而且顾客买得很多。

David：太疯狂了。

Ben：我在推特上谈过这件事，可能说得不太准确，但事情比较复杂。Tesla 宣布要自研芯片，主要用于车内推理，也就是自动驾驶计算机。他们现在确实自己造芯片。

他们宣布过 Dojo 训练中心，也打算为它自研芯片，但其实还没做出来，所以训练仍使用 NVIDIA 芯片。当前训练集群可能用的是 NVIDIA 设备。我按假设价格算过，Tesla 为这一个集群向 NVIDIA 支付的金额可能在 5,000 万到 1 亿美元之间。

Ben：哇，只是一个客户。

David：而且只是这个客户的一个应用。

Ben：财报里很能体现这个趋势。我们快讲到今天了，用最新数字最容易说明。两年前，数据中心收入约 30 亿美元，只有游戏业务的一半左右。

2006 年以来，直到 AlexNet 和 2020 年，游戏一直是 NVIDIA 的主力业务，收入接近 60 亿美元。数据中心收入约 30 亿美元，几年几乎没有增长。可最近两年它暴涨三倍，现在年收入超过 105 亿美元，和游戏业务差不多大，太惊人了。

到 2010 年代中期，人们已经看到苗头。真正的企业客户开始买设备部署到数据中心：Google、Microsoft、Amazon 等超大规模云服务商在自己的数据中心里部署，其他公司则在私有云或本地数据中心部署。如今大家都在数据中心使用机器学习硬件。

David：NVIDIA 卖这些设备的毛利率极高，接近 Apple 的水平。

Ben：对，完全如此。

David：说到数据中心，2018 年 NVIDIA 修改了消费者 GeForce 显卡的用户协议，规定不能把它们装进数据中心。

Ben：他们意识到必须把市场分开。企业更愿意付高价，值得提供专门产品。数据中心卡性能很强，例如拥有更多晶体管，而且通常没有视频输出，所以 A100 不能当显卡用。

David：Linus Tech Tips 有个有意思的视频，拿到一张 A100 做基准测试，但没法用它驱动游戏。

Ben：真有意思。

David：是啊，很好玩。

Ben：数据中心硬件算力强大，但因为没有视频输出，不能直接拿来运行游戏。另一方面，NVIDIA 也通过协议限制反向使用消费卡：想在家里搭小型数据中心的人，不能买一堆 GeForce 卡放进机架。

David：别再去 Fry's 买一堆 GeForce 了。很讽刺，因为整个故事就是从那儿开始的。2020 年，NVIDIA 花约 70 亿美元收购以色列数据中心计算和网络公司 Mellanox，把它整合进数据中心战略。

Ben：Mellanox 带来的好处是，NVIDIA 硬件之间可以在数据中心实现极高带宽、极低延迟的连接。

他们当时已有 NVLink。Apple 叫它专有互连，AMD 可能叫 Infinity Fabric。这类芯片间连接带宽极高。Mellanox 让数据中心里不同 NVIDIA 设备可以通过高速交换机迅速相互通信。

David：太棒了。企业客户买的不是单张卡，而是 NVIDIA 的整套方案。像 Tesla 这样的企业买的是装满各种设备的大型服务器。

Ben：你说“方案”，我听到的是“高毛利”。

David：这句太棒了。我们该把它裱起来，挂在 Acquired 博物馆里的 NVIDIA 展区。

Ben：收购 Mellanox 带来的不只是高速互连，也形成了 NVIDIA 今天所说的计算三足鼎立中的第三足：CPU 是通用工作主力，GPU 则是经过强化的通用 GPU。

他们为企业数据中心的 GPU 增加了 Tensor Core，专门高速执行 4×4×4 矩阵乘法，还加入其他针对 AI 数据中心的模块。他们现在说，除了 CPU 和 GPU，还有 DPU。

DPU，即数据处理单元，源自 Mellanox 技术，用于在数据中心高效传输和转换数据。现在我们理解的计算黑盒不再只是机架上的单台服务器，而是整个数据中心。开发者可以在很高的抽象层上编程，让 NVIDIA 处理数据如何在数据中心里流动。

David：数据中心还有最后一件事要说。不过在那之前……

Ben：要不要告诉听众，我们很喜欢的一件活动？Acquired Arena Show 现场会有一项我们最爱的安排。

David：可以。

David：对，确实如此。刚才我说数据中心还有最后一件事。

Ben：对。

David：那就是 Arm。现在很容易忘记，NVIDIA 曾计划收购 Arm。你还记得吗？

Ben：记得。那段时间简直是公司公关的噩梦。Jensen、投资者关系负责人以及受访的科技高管都在谈收购 Arm 的战略，说拥有 Arm 会多么令人兴奋、会有什么好处。后来交易没能完成。

David：当时他们说得好像交易已经板上钉钉。

Ben：听了那么多关于这项战略的讨论，交易失败后，我甚至觉得有些遗憾。没有 Arm 这些战略资源，NVIDIA 自己的发展又会怎样？

David：以后我们该重新谈谈 Arm。很多年前我们做过 SoftBank 收购 Arm 的节目。Arm 是 CPU 架构公司，主要用于移动设备和智能手机。它解决的正是 Intel 在错误的移动战略时期搞砸的问题，现在 NVIDIA 却要收购这个领域最重要的公司。

有意思的是，Jensen 在 Ben Thompson 的访谈里谈了这件事。也许他是在事后解释，但我觉得不是。他说核心是数据中心：Arm 的工作很不错，但 NVIDIA 想掌握整个数据中心，包括其中的所有组件。Arm 芯片和 CPU 可以成为重要部分，但 Arm 当时没有足够专注于数据中心，毕竟它的核心市场是移动设备。

他们希望 Arm 也去做数据中心，认为机会巨大。今年，NVIDIA 宣布推出 Arm 架构的数据中心 CPU Grace，搭配最新的 Hopper GPU 架构使用。两者名字分别是 Grace 和 Hopper，应该是纪念海军少将 Grace Hopper。

Ben：我想是。

David：我确定他在海军服役过。他是计算机科学领域的先驱。数据中心市场很大。

Ben：有意思的是，反对收购的人提出了一个有力观点。交易最终没完成，我想是监管压力导致的。Arm 的商业模式很简单，他们只授权两类东西……

Arm 授权指令集。即使 Apple 自己设计芯片，也会从 Arm 取得指令集授权。指令集里有大约 20 条关键指令，可以编译成汇编，在芯片上运行。你若要使用这些指令，就得向 Arm 取得授权。如果你不想像 Apple 那样自研芯片，也不想像 NVIDIA 那样设计硬件，但希望使用这套指令集，Arm 还可以授权现成的芯片设计。

他们自己从不制造芯片。你可以向他们取得授权，再找 TSMC 这样的代工厂生产，这样你就成了一家无晶圆厂半导体公司，可以把芯片卖给所有人。

监管机构当然会追问：“NVIDIA，你是一家无晶圆厂芯片公司，又是垂直整合的企业。你会不会停止向其他公司授权 Arm 技术？”NVIDIA 会回答：“当然不会。”

也许他们以后会做些相关业务。NVIDIA 当时宣传的战略重点是：目前 CUDA 和其上的整套软件服务生态都只能用于 NVIDIA 硬件。如果这些工具也能运行在 Arm 架构的 IP 上，会多棒？无论对方只是授权指令集，还是使用 Arm 授权的芯片设计，都可以受益。

若 NVIDIA 和 Arm 成为一家公司，就能把这些工具提供给 Arm 芯片，这个设想合理而且有吸引力。它最终没能通过监管审查，完全不令人意外。

David：这个想法显然在 Jensen 和 NVIDIA 心里盘旋了很久。现在跳到今天，3 月底他们刚举行 GTC 年度 GPU 开发者大会。2009 年创办 GTC 时，CUDA 生态还在建设中，如今这场大会已经令人震撼。

现在登记的 CUDA 开发者有 300 万名，有 450 个不同 SDK 与模型；这次 GTC 又宣布推出 66 个新项目。我们谈到下一代 GPU 架构 Hopper，以及配套的 Grace CPU。

Hopper 可能是全球第一款采用 TSMC 新 4 纳米工艺的芯片，当然我可能记错了，这非常了不起。我们还谈了不少 Omniverse，稍后会继续讲。你刚才也提到授权。

他们通常会在 GTC 期间举行投资者日或分析师日。Jensen 上台后说：“我们瞄准的是一个万亿美元市场。”听起来像一家创业公司拿着融资路演幻灯片来募种子轮。回头看 NVIDIA 如何寻找市场、寻找任何规模的市场，这幕特别有意思。

Ben：视频观众会看到一张图，说明 NVIDIA 眼前这个万亿美元可服务市场由哪些部分组成。我觉得如果它的股价不是现在这样，公司可能不会声称要进军万亿美元市场。这说法有些模糊。

David：里面确实有很多模糊成分。

Ben：但既然他们现在的估值这么高，市值是多少？

David：大约 5,000 亿美元。

Ben：5,000 亿美元。除非公司愿意让估值下跌，否则必须讲清楚如何追逐这么大的机会。他们在投资者日上提出，客户代表着 100 万亿美元的潜在市场，只要拿下其中 1% 就够了。

David：简直像一家种子轮创业公司的路演。

Ben：只要拿到市场的 1% 就行。

David：我们之后会谈这种叙事。这是一家跨世代公司，太了不起了，也确实有很多值得敬佩之处。但这家公司去年收入才两百多亿美元，市值却达到 5,000 亿美元。

Ben：去年收入是 270 亿美元。

David：Google 仅 2021 年第四季度的 AdWords 收入就有 430 亿美元，Google 全年收入 2,570 亿美元。如果你是 NVIDIA 股东，就得相信未来能实现。

Ben：对。按市值，它是全球第八大公司，但收入规模却小得多。

David：你必须相信它终究会赶上。

Ben：没错。NVIDIA 的市销率是 Apple 的三倍，接近 Microsoft 的两倍。幸好这不像早期创业公司那样只是投机；即使认为它估值过高，它仍是一家能创造现金流的企业。

David：是的。

Ben：他们每年创造 80 亿美元自由现金流。公司账上大概有 210 亿美元现金，最近几年现金流突然变得很充沛。总结来说，按市销率、市盈率等任何标准，他们都比 Apple、Microsoft 或 FAANG 其他公司贵得多，但营业利润已经非常丰厚。

David：只要卖出足够多数据中心设备，自然就赚得到钱。

Ben：他们的毛利率现在是 66%，这说明产品极具差异化，也拥有护城河，所以才能维持这么高的定价。

请看屏幕上的图。1999 年，他们的显卡毛利率是 30%；到 2014 年超过 50%。如今的业务包括架构、系统、数据中心、CUDA 和 CUDA-X。公司将整套产品打包成解决方案，经济效益非常好，毛利率达到 66%。

David：对。我们刚才说过 Arm 和授权，NVIDIA 还希望进一步提高毛利率。今年 GTC 分析师日上，他们宣布会把部分软件与硬件分开，单独授权，例如 CUDA。

Jensen 说：“我们的软件建在平台之上，因此能启用 NVIDIA 的硬件芯片和系统平台。此外，我们的软件定义了行业标准。我们终于开发出企业可以授权使用的产品，客户一直在要求。企业不能只从开源社区下载软件，就直接让它在企业环境里运行。就像你不会只从 GitHub 下载 Linux 开源软件，就用来运营一家数十亿美元的企业。”

我们刚开玩笑说，你说“解决方案”，我听到的是“利润率”。Databricks、Confluent 和 Elastic 等开源软件公司都做大了，正是因为企业愿意为可靠方案付钱，而不是只去 GitHub 下载代码，直接拿来运营 JP Morgan 这样的大型机构。

Ben：没错。

David：企业需要解决方案。Jensen 和 NVIDIA 把软件授权看作新的机会，而且我相信这不会蚕食硬件销售，而是在现有业务基础上增加收入。

Ben：这是个重要观点。如果一家公司的硬件靠软件和服务形成差异化，却突然开始单独销售软件服务，垂直整合和横向销售之间就可能产生冲突，除非它能做好客户分层。

Ben：NVIDIA 的做法是只向那些不会因此购买整套硬件的人授权。如果对方属于不同客户群，不会蚕食现有销售，公司也能用定价、分销渠道和服务条款清楚地区隔客户，那么就能以不同模式服务他们。

David：没错，也能从已投入的资产中获得更多回报。

Ben：这有点像 Tim Cook 不断强调服务业务。市值很高、外界又问公司下一阶段增长来自哪里时，CEO 就会指出授权业务等增长中的新收入来源。

David：天啊。不过还有谁能穿着皮衣做这样的宣布？

Ben：说得真好。

David：坦白说，还有 Elon。我们稍后会谈汽车。

Ben：再说几个对理解今天 NVIDIA 很重要的数字。公司有约 20,000 名员工，去年收入 270 亿美元。与 FAANG 公司相比，他们估值倍数高得多，但增长速度也快得多：年增长率达到 60%。

这是一家成立 30 年的公司，去年收入还增长了 60%。创业公司头五年收入翻倍或翻三倍很常见；Google 仍能增长 40%，表现惊人；Microsoft 过去十年也从 10% 提升到 20%。但 NVIDIA 增长 60%。无论采用什么折现率，把 60% 的增长放进 DCF 模型，估值倍数都会远高于 20% 或 40% 的增长。

David：管它通胀不通胀。

Ben：通胀不重要。还有几个业务细节值得说。NVIDIA 并没有忽视游戏业务。我们一直在谈数据中心和机器学习，但游戏仍然重要。

David：对，我们还没聊光线追踪。

Ben：没错，他们推出了 RTX 显卡，可以实时光线追踪，太惊人了。想轻松了解图形渲染，可以看看维基百科的光线追踪介绍。它会模拟光源和光线在三维空间里的传播路径。

NVIDIA 能在玩游戏时每秒 60 帧或更快地实时渲染这些效果，非常了不起。它还发明了 DLSS，也就是深度学习超级采样。这是 NVIDIA 将机器学习和游戏结合起来的精彩例子。

他们遇到一个问题：要么以较低分辨率渲染，获得更多帧；要么以高分辨率渲染，牺牲帧率。没人喜欢帧率低，但所有人都喜欢高分辨率。

能不能两者兼得？既有高分辨率，又有高帧率？NVIDIA 便想到，或许过去 15 年对深度学习的投入能派上用场。

DLSS 的原理是：一个像素的内容大概可以从周围像素推断，也可以结合前几帧同一位置的内容推断。AMD 也有类似的竞品，但 NVIDIA 的做法很巧妙。

他们先以略低分辨率渲染，增加帧率，再用深度学习在最终输出阶段补充像素信息——

David：也就是图形管线的最后一步。

Ben：对。

David：太棒了。

Ben：真的很酷。YouTube 上有很多对比视频，看起来效果很好。不过游戏开发者必须深度配合，在游戏里实现 DLSS 支持。最终效果很惊艳。

你看到游戏以 4K 甚至 8K 分辨率、满帧率运行时，会觉得不可思议。实际上图形管线中间渲染的分辨率较低，再通过 AI 放大增强。这几乎就像把图像增强的玩笑变成了现实。

David：太酷了。我想起 NVIDIA 刚开始做 RIVA 128 时，和游戏开发者说：“DirectX 的混合模式不必全用，只用这些就行。”

Ben：对。他们有能力推动这件事。面对游戏开发者，他们既有奖励，也有约束。

David：现在没有游戏开发者会不针对最新 NVIDIA 硬件优化游戏。

Ben：游戏业务里还有一种用途颇有意思：加密货币。NVIDIA 对这块需求掌握不多，而且不喜欢矿工抢走零售渠道的显卡，让玩家买不到。于是他们人为限制消费卡的挖矿性能。

David：随后他们又推出了专用挖矿卡。

Ben：NVIDIA 对外的说法是：“我们热爱玩家，不希望他们买不到显卡。”但真正的想法是：“有人在用这些卡套利挖矿，那就让便宜卡挖矿更贵，同时卖专用挖矿硬件。”

David：把你的套利变成我的机会。

Ben：这样收入变得更可预测，他们也能赚更多钱。这和限制 GeForce 卡不能放进数据中心一样，他们通过条款做市场分层，从而提高盈利能力。简直是邪恶天才。

Ben：最后一点是 NVIDIA 游戏业务里很特别的附加板卡合作伙伴。我们一直简化地说，你去商店买 RTX 3090 Ti，然后玩游戏。但大多数时候，显卡不是直接从 NVIDIA 买的。

你会向 ASUS、MSI、ZOTAC 等第三方伙伴购买。NVIDIA 把芯片卖给他们，他们再加上散热器、品牌和其他部件，最后由他们卖给你。我一直觉得这种模式挺奇怪。

David：我喜欢把消费级游戏显卡说成现代版改装车。

Ben：这期节目研究时，我常逛 NVIDIA 的 Reddit 版块。里面谈的不是公司战略，而是晒自己发光的电脑机箱照片，挺有趣的。

这像是 NVIDIA 过去的遗留模式。公司确实有 Founders Edition 显卡，属于参考设计，可以直接从 NVIDIA 买，但它们显然不是大多数销售的来源。

David：Google 自己做的 Android 手机叫什么来着？Pixel？

Ben：对。也许未来 NVIDIA 会逐渐更多直销。我不觉得一向喜欢掌控全栈的 NVIDIA 喜欢附加板卡伙伴模式，但他们已围绕它建立业务，不会轻易蚕食或疏远合作伙伴。如果事事能由他们决定，他们大概会寻找更多直接销售的方式。

David：有道理。

Ben：还有两件事要聊。第一是汽车。长期以来，汽车业务收入占比很小，也没什么增长。

David：但 Jensen 的路演材料说，汽车业务的总潜在市场有 3,000 亿美元。

Ben：我想现在年收入大概 10 亿美元，但业务增长不快。

David：我甚至不知道有没有那么多。

Ben：别把这个数字当真。NVIDIA 过去和所有人一样，向汽车厂商提供相对标准化的零部件，由车厂集成到汽车里。

每家科技公司都曾尝试打造差异明显的车载体验，但基本失败。想想 Microsoft 和 Ford SYNC。

David：Ford SYNC。哇。

Ben：还有 Apple CarPlay，或许算部分成功。真正成功的只有 Tesla，因为它从零创办了一家新车公司。这是唯一能提供明显差异化体验的方式。

我的理解是，NVIDIA 正在改变这条平淡、缺乏差异化的业务线，押注电动车和自动驾驶，尝试打造差异化体验，即使自己不造汽车。现在听他们谈汽车业务，会用一个很复杂的名字，叫某某 Drive 平台。

David：Hyperion Drive？类似的名字？

Ben：大概吧。NVIDIA 的产品命名真让人头疼。它看起来像整套电动车和自动驾驶软硬件栈，只有车身金属、玻璃和轮子由车厂提供。NVIDIA 会告诉汽车公司：“你们不会做这些。你们要造的东西，本质上是一个电池、一些 GPU 和摄像头组成的汽车。你们说要转型，但除了销售和分销，这不是你们的核心能力。”

如果 NVIDIA 在这个市场成功，未来的车可能是一台 NVIDIA 电脑，软硬件都由 NVIDIA 提供，外面包着汽车公司品牌的车身底盘。

David：有点像 Android 生态。

Ben：对。我们还得看自动驾驶是否真的会普及、何时普及，以及它是否会颠覆汽车行业，让 NVIDIA 这样的零部件供应商获得大量价值链份额，而不是让汽车制造商继续掌控整个体验。

David：对。在讲整家公司之前，简单说说多空观点。看多的一点是，我们的老朋友 Jeremy 在 Slack 提醒了我们，Lotus 就是 NVIDIA 的合作伙伴之一。Lotus 会自己开发自动驾驶软件吗？我想不会。Ferrari 呢？也不会。

Ben：完全不会。它们最终开的车大概会像 NVIDIA 汽车。

David：是啊。

Ben：最后要谈的业务是我们开场提到的 NVIDIA Omniverse。它不是 Meta 那种 Metaverse。它也有三维模拟，但不是让人像在 Fortnite 里一样四处漫游的开放世界。

Omniverse 的含义很有意思。一个例子是 Earth 2，也就是地球的数字孪生模型，里面运行极复杂的气候模拟。这是个概念验证，向想授权使用平台的企业展示：NVIDIA 能为任何重要领域做高度逼真的模拟。

NVIDIA 向企业推介时会说：“假设你有一群机器人，像 Amazon 仓库里的那些机器人，需要在仓库里移动、拣货和打包。”

他们在宣传视频里展示 Amazon。企业可以用 NVIDIA 硬件和软件训练模型、规划数据中心机器人路线，还能买 NVIDIA 硬件部署在机器人上执行推理。

你想修改模型时，不会立即把更新部署到所有机器人，而是先在 Omniverse 里模拟。确认正常后，再部署到现实世界。NVIDIA 的 Omniverse 产品本质上是企业可授权的模拟平台：现实资产做任何改动之前，先在 Omniverse 中建模。我觉得这非常有潜力。

我非常看好这个方向。如今我们有足够的计算力、采集数据的能力，也能高效运行模拟并用合适的界面理解数据。未来公司在现实世界部署改变之前，都会先在 Omniverse 里模拟。

David：这就是企业版 Metaverse。它不是为人类娱乐设计的。人当然可以参与、使用界面，但它的主要用途是模拟应用，大多数模拟可能完全不需要人类在场。

Ben：是啊，非常疯狂。

David：听起来不错。

Ben：好，我们来谈谈这家公司的多空观点吧。

David：好，开始分析。

Ben：看多观点就是他们自己说的：未来有 100 万亿美元市场，我们拿下 1%。汽车业务有 3,000 亿美元的潜在市场，还有其他几项加起来达到万亿美元的机会。这种说法很工整，但也有些模糊、带愿景色彩。

问题是 AMD 在其中扮演什么角色？它是高端游戏显卡领域的真实第二名，未来会继续竞争。看空者可能认为 NVIDIA 的优势像 TikTok 那样昙花一现，但如今大多数高端游戏都能在 AMD 或 NVIDIA 显卡上玩。

数据中心方面，未来是继续使用 NVIDIA 改进后的通用 GPU，把专用功能也集成进去，还是会有公司提出全新的加速计算方法，把工作负载从 GPU 转移到别的芯片上？像 Cerebras 或 Graphcore 这样的公司会不会在企业 AI 数据中心市场抢走 NVIDIA 的生意？

David：这是个开放问题，人们已经谈了很久。另一个常见的看空观点是，Tesla、Google、Facebook、Amazon 和 Apple 这些大客户给 NVIDIA 带来大量收入，也在为它贡献很高毛利。

这些公司可能会想：“自研芯片并不难。把技术收回内部、针对自己的用途优化即可。”这和 Cerebras、Graphcore 对 NVIDIA 构成的挑战有点像。到目前为止，想法还没完全实现。

Ben：很多公司放话要做，但真正执行的不多。Apple 已在 M1 芯片中使用自家 GPU。Tesla 还没全面切换，但确实在为车上的自动驾驶推理自研芯片。

David：对，那是设备端推理。NVIDIA 在这方面应该很强，但真正值得关注的是数据中心。

Ben：Google 可能是最大的挑战者。Cerebras 也很有意思，因为他们采取了和其他公司完全不同的方法。

他们设计的芯片像餐盘那么大。别人的芯片只有指甲盖大小，但他们做出了一块餐盘大小的芯片，良率却不高。如此巨大的芯片需要冗余设计来弥补制造缺陷，才能……

David：天啊，成本也太高了。

Ben：对，一块晶圆上只能做一块。制造晶圆的成本非常高。

David：所以晶圆上出错的位置一旦不理想，整块晶圆都报废了。

Ben：没错。Cerebras 的设计重点之一是加入冗余，可以关闭不工作的部分。它们耗电是 NVIDIA 芯片的 60 倍，价格也高得多。NVIDIA 卖两万或三万美元的芯片，而 Cerebras 可能卖 200 万美元一块，用来训练 AI。

这是一次对高度专用硬件的重大押注，目标客户是需要运行特定 AI 工作负载的企业。现在它们部署在测试站点和研究实验室里，还没大规模成熟，但值得关注它们能否挑战 NVIDIA 在企业 AI 工作负载市场中的地位。

我提到 Google。它一直强调自研数据中心芯片 TPU，而且到现在仍认真投入。Google 的商业模式不同：没人知道 TPU 的物料成本或运行成本，也没有零售版，只能通过 Google Cloud 使用。

某种程度上，Google 通过 TPU 与 NVIDIA 反向定位：它想用这项服务让 Google Cloud 有差异化。对某些工作负载而言，客户在 Google Cloud 用 TPU 可能比用 NVIDIA 硬件更便宜。Google 可能愿意牺牲利润，换取云市场份额。这有点像 Android 策略，只不过发生在数据中心里。

David：我们没提过，云计算也是 NVIDIA 故事的一部分。AWS、Azure 和 Google Cloud 都有 NVIDIA GPU，这也是它增长的重要来源。

Ben：NVIDIA 甚至开始自己提供云端 GPU。你可以直接从 NVIDIA 租云端数据中心 GPU。

David：数据中心 GPU。有意思。

Ben：是啊，NVIDIA、创业公司和 Google 之间的竞争会如何发展，非常值得关注。

David：话虽如此，从估值角度看，NVIDIA 现在确实贵得惊人，真的非常贵。

Ben：这取决于你是否认为它能持续增长。如果每年都能增长 60%，而且持续一段时间，那它就不算贵。但如果只是疫情或加密货币带来的短期刺激……

David：大科技公司和创业公司都想自研这些东西，但事情没那么容易。Facebook、Tesla、Google、Amazon、Apple 都有能力做很多事，可我们刚讲了 NVIDIA 用 15 年建立 CUDA、底层硬件和上层库。要自己复制并超越这整套系统，难度极大。

Ben：对。如果你不是横向平台公司而是纵向应用公司，就得相信最终收益足以补偿打造 NVIDIA 那种系统的巨大成本。NVIDIA 可以服务所有客户；如果 Google 不对外销售 TPU，那它只能服务自己，市场规模受 Google Cloud 的客户数量限制。

David：至少 Google 还可以通过 Google Cloud 对外提供 TPU 服务。

Ben：是，这有力量。

David：对，优势很明显。

Ben：我们想讨论的是 NVIDIA 现在拥有什么力量，能让它持续保持竞争优势，并对最近的竞争对手——企业领域的 Google、Cerebras，或游戏领域的 AMD——拥有定价权。上一期讲了它截至 2006 年的力量，这期要看今天的情况。

David：没错。我们再列一遍七种力量：反向定位、规模经济、转换成本、网络效应、流程力量、品牌和独占资源。

Ben：规模经济肯定算，特别是 CUDA 的投入。

David：对。

Ben：一开始还不是，但如今这笔投入可以由 300 万名开发者和购买相关硬件的客户共同分摊，而 CUDA 平台有 1,000 多名员工维护。

David：这就是我们花 20 分钟谈市场规模的原因。要采用这种策略，得有足够大的市场，才能让投入的资本支出值得。

Ben：是啊，能拿到 NVIDIA 所拥有资本和市场规模的公司很少。它主要和 AMD 竞争。

David：完全同意。规模经济是我首先想到的优势。还有 CUDA 的锁定效应，很多人会被 CUDA 绑定，这就形成显著的转换成本。

Ben：没错。

David：如果要替换 NVIDIA，就得一起替换 CUDA。

Ben：CUDA 算不算独占资源？

David：有可能，因为它只能用于 NVIDIA 硬件。

Ben：过去他们每六个月推出一代产品，这可能形成流程优势。不过现在人才在行业里流动，其他公司也容易学会，那个优势可能已经减弱。

David：我同意。NVIDIA 早期的竞争力里，流程力量确实可能起过作用。

Ben：对。

David：但如今我不太确定，尤其 TSMC 会为任何公司代工。

Ben：事实上，TSMC 正在为一些融资数十亿美元的新芯片创业公司代工。

David：确实。

Ben：我听到一个传闻，Ampere 系列也就是 Hopper 之前的 A 系列，可能由 Samsung 代工，因为对方给了很优惠的条件。NVIDIA 会强调自己和 TSMC 的长期合作，但其实他们也会让代工厂互相竞争。我还记得 Jensen 最近说，Intel 联系他们提出代工合作，NVIDIA 愿意谈谈。

David：是，确实发生过。

Ben：几个月前，Lapsus$ 黑客组织发动了大型网络攻击，窃取了 NVIDIA 的源代码。Jensen 还去 Yahoo Finance 公开谈过这件事。

从他们的要求可以看出 NVIDIA 的一些优势。他们要求两件事：一是去除挖矿限制，好让他们可以挖矿；这可能只是烟幕，装成加密货币矿工。

David：不过做矿工也没什么错。

Ben：当然没错，但这种职业可能有不好的社会观感。另一项要求是 NVIDIA 开源所有驱动并公开源代码。我想他们没有针对 CUDA，可能只是针对驱动。但这清楚表明他们想让 NVIDIA 公开商业秘密，好让别人造出类似产品。这凸显了 NVIDIA 控制驱动栈和 CUDA 的价值，以及软硬件紧密耦合带来的定价权。

David：我们最近和 Hamilton、Chenyi 那期节目也谈过。NVIDIA 在我看来毫无疑问是一个平台。CUDA、NVIDIA 以及 GPU 通用计算构成平台，打造平台所需的各种力量，也支撑了 Apple、Microsoft 等公司。

Ben：没错，“力量的组合”这个说法很合适。

David：对。

Ben：还有什么要说吗？要不进入 Playbook？

David：好。我提前记下了一点，对我影响很大。可能因为我一直从投资角度思考，尤其是公开市场投资：淘金热里，最该投资的是卖镐子和铲子的人。

AI、机器学习和深度学习就是一场淘金热。回想 2012、2013 年，真该好好反省一下。也许 2012 年还不明显，但 2014、2015 到 2016 年肯定已经很清楚。Marc Andreessen 说过，来找他们的 AI 创业公司个个都在用 NVIDIA。我们当时或许该买 NVIDIA。我不知道每家创业公司是否都会成功，但我确信 NVIDIA 会成功。

Ben：说得太对了，我现在也后悔。我想到的一点是，愿意扩大自己的使命。Jensen 早期会说：“让图形成为讲故事的媒介。”这后来促成 Pixel Shader，让每个人都能以自己的方式实时创作视觉故事。

如今他的使命更像是：哪里有 CPU，哪里就有加速它的机会。NVIDIA 要让所有人都能使用加速计算，提供最好的硬件、软件和服务解决方案，让任何工作负载都能以最高效率运行。

这和“让图形成为讲故事的媒介”差别很大。当然，他们也得讲一个足够宏大的市场故事。

David：从整个发展历程看，NVIDIA 还有一件值得学习的事。这在创业圈快成陈词滥调了，但真正能做到的公司和创始人很少：就是不要死掉。

他们至少四次差点倒闭，最后都挺过来了。一部分靠出色策略，一部分是运气好，但很大程度也靠 Jensen 愿意忍受痛苦，相信公司最终会找到答案，也相信市场会出现，而不是宣布游戏结束。

Ben：我想到的一点是，机器学习和半导体的规模已经难以想象。我们都看了 Asianometry 的 YouTube 视频，了解硅晶圆如何制造。芯片布局规划的复杂程度惊人，尤其是不同电路设计如何在多层芯片结构中叠加。

David：能不能说说芯片布局规划是什么？我想很多听众不清楚。

Ben：我们常把芯片类比成真实的大型建筑。房屋规划会安排 15 个、5 个或 2 个房间的位置；芯片布局规划则是安排电路和线路，只不过芯片里可能有一千万个“房间”，复杂得不可思议。我想说的是，有人估算一块 GPU 里的线路总长度有几十英里。

David：哇，这太难以想象了，因为芯片还不到手掌大小，对吧？

Ben：没错。这不是你能伸手拿起的以太网线，而是光刻技术在芯片基板上蚀刻出来的线路。说 4 纳米，你可能没有感觉；但想到一块芯片上有几十英里这样的“线路”，就知道它有多微小、复杂。

David：在我看来，这有点像贴在改装车上的装饰贴纸。“四纳米，我这还是 S 版。”不过现在我懂它的意思了。

Ben：好，我还有个之前没说的有趣点。我做了一张资本支出图。

David：有意思。

Ben：视频观众会看到图。Amazon 的资本支出线很高，因为数据中心和履约中心建造成本巨大，最近几年扩建尤其激进。但先把 Amazon 那条线排除，NVIDIA 每年资本支出只有 10 亿美元。

David：这是和其他 FAANG 类公司比较，对音频听众说明一下。

Ben：对。Apple 每年资本支出约 100 亿美元，Microsoft 和 Google 各约 250 亿美元，制造芯片的 TSMC 约 300 亿美元。NVIDIA 每年只花 10 亿美元就拥有这么高资本效率，简直像软件公司，实际上也差不多。

David：是啊，TSMC 负责制造，NVIDIA 主要提供软件和知识产权。

Ben：没错。这张图最能体现 Morris Chang 创立 TSMC、发展无晶圆厂模式的妙处。

David：谢谢 Morris。

Ben：还有一点：这家公司明明是硬件公司，却拥有 37% 的营业利润率，甚至高于 Apple。

对于不了解财务的听众，营业利润率是这样理解的：我们谈过 66% 的毛利率，那是单位经济模型，还没扣除员工、租约和运营业务的固定成本。扣完后，NVIDIA 股东仍能留住每一美元收入中的 37 美分。

这是一家极其会创造现金的公司。如果能继续扩大规模、保持甚至提高营业利润率，那就非常惊人了。

David：哇，我没想到比 Apple 还高。

Ben：可能不如 Facebook 和 Google，因为它们经营的是……

David：那些几乎零成本的数字垄断企业，拜托。

Ben：没错，它们处在历史上最大的市场中，几乎没有成本。但 NVIDIA 的表现仍然非常出色。好，我们来评分。在评分之前，先说说另一位朋友。

Ben：好，评分。我觉得这次要讨论 A+、C 和 F 分别代表什么。

David：我同意。

Ben：可以从股东角度评价，也就是依据今天股价判断：未来怎样才算一笔 A+ 投资。

David：像 Michael Mauboussin 的预期投资分析？

Ben：对。或者完全不看价格，只评估公司本身：如果你是 Jensen，什么结果会让公司拿 A+？不过我觉得不能回避投资回报问题，还是得讨论从现在看多空理由是什么。

David：正如我们反复说的，做多 NVIDIA 股价需要相信很多事情。

Ben：具体有哪些？一个重大前提是他们继续保持惊人的主导地位，数据中心收入每年增长 75% 左右，并持续占据市场。我觉得这有可能实现，特别是他们把产品作为解决方案销售，而不是嵌入别人的系统之后，毛利率大幅提高。

Ben：考虑到 Mellanox 收购和 DPU 概念，NVIDIA 做成 AI 数据中心硬件一站式供应商，这个故事很有说服力。与其认定新创竞争者会失败，不如相信 NVIDIA 会从它们身上学习，再把有用的东西整合进自己的战略。

David：这听起来确实有可能。

Ben：是啊。NVIDIA 多年来不断扩大 GPU 的定义，让它能处理更多计算任务。我觉得你可以押注：它已经拥有开发者关注，也有进入企业市场的关系网络；它会继续自主创新，也会在合适时快速跟进，把 GPU 扩展得更强大，并加入适合其他任务的硬件。

David：从股东角度看，要取得 A+ 的结果，你必须相信所有现实世界 AI 应用都会出现吗？或者至少相信自动驾驶、Omniverse、机器人当中有些会成为巨大市场，而 NVIDIA 会成为关键参与者？

Ben：我觉得必须相信。现在的数据中心收入就来自那些正在追逐这些机会的公司。

David：我还在想这是不是必须相信的事情，还是只是额外的上行空间。如果只是上行空间，是因为数字世界的 AI 已经是确定的大市场。它会继续扩大到多大？

数字世界里还剩多少机会？我们的各种数字应用还会加入多少 AI？NVIDIA 会继续处于中心吗？我不知道，也不知道如何估计剩余增长空间。

Ben：不过这个问题提得对。

David：公司现在很有意思。早期那些事情当然重要，但节目开头 Jensen 几乎是在要求大家相信：“我们正在开发 CUDA。先别管目前没有真正的应用或市场。”现在它有了真实的市场和用途：数字世界的机器学习和深度学习。这一点毋庸置疑。如今他还在推销物理世界也会采用 AI。

Ben：是的，A+ 的情况就是物理世界里的应用也实现了，而 NVIDIA 成为这类应用所需技术的主导供应商。如果小型工厂机器人、自动驾驶车辆等物理世界应用没有出现，就不可能支撑它过去的增长。

David：我大概也这么想。不过这听起来像是在做空互联网。我不知道，数字世界已经非常庞大，而且还在继续扩大。

Ben：我想我们说的是同一件事：物理体验会越来越融入数字体验。

David：是的。

Ben：自动驾驶和电动车也是在押注互联网。网上活动增长可能会减少驾驶时间，但人们在乘车或移动时也会继续使用互联网。

David：这也是 Facebook 看多自动驾驶的理由，因为别人开车时，人们就有更多时间刷 Instagram。

Ben：对。失败情景是什么？短期内公司本身不太容易失败，但如果市场接连失去信心，股价很容易短期崩溃。

David：失败情景也许是过去几年惊人的增长只是疫情把未来需求提前了。我很难想象它会像 Peloton 或 Zoom 那样，但确实可能有一部分需求被提前释放。

Ben：对。

David：我不认为 NVIDIA 的全部需求都像 Peloton 一样被提前透支，但可能有相当一部分。

Ben：很难量化，也很难确认，但确实值得考虑。

David：是啊。

Ben：好，来讲推荐。

David：我有个轻松的小推荐，算是一组小作品。老听众大概知道，我过去十年最喜欢的系列小说之一是《苍穹浩瀚》，非常优秀的科幻系列，共九本。去年秋天出了第九本。虽然家里有新生儿，我还是挤出时间读完了。

Ben：太棒了。

David：新生儿加上 Acquired，我还是想办法读了。

Ben：这才说明你真喜欢。

David：最近作者出版了《Memories Legion》，收录十年来与主线故事同步创作的短篇，还有几个新故事。真的很棒。

作者文笔很好。即使没读过《苍穹浩瀚》，短篇也很好看；若读完九本系列，它们还能补充一些人物和故事角落的片段，让人了解那些此前没问过的背景。我最近读得很开心。

Ben：这有点像《神奇动物在哪里》之于《哈利·波特》的独立故事？

David：没错，差不多有九到十个这样的故事。

Ben：我的推荐是一个实体产品。我们做 Altimeter 那期采访 Brad Gerstner 时需要第三台摄像机，所以我买了 Sony RX100，一款卡片相机。

最近我把它带去了迪士尼乐园。重新拥有卡片相机的感觉真好。我以前一直用 DSLR，后来换无反相机，再后来是无反加长焦镜头，但带着它到处走挺麻烦。

后来我把手机从那款带 3 倍变焦、性能很强的 iPhone 换成 iPhone 13 mini，好像是这款，只有两个摄像头、没有长焦，效果挺令人失望。现在有这款长焦卡片相机很不错，补足了我的相机组合。

当然，它比不上全画幅无反相机和真正的变焦镜头，但已经很够用了。它拍出来有真正相机的感觉，不像手机影像；缺点是要多占一个口袋。

David：我本来想问，你能把它放进裤兜吗？

Ben：能。我放在口袋里，不用背着挂绳，相当方便。

David：不错。

Ben：Sony RX100 真是台很棒的小设备，已经发展到第七代，工业设计也磨合得很好。

David：太好了。我刚给 Alpha 7C 买了一个相机收纳包，因为做 Acquired 需要。Altimeter 那期之后我想：“哦，以后我也得带它去别的地方。”

Ben：我们得多做一些线下活动。

David：是啊。Ben 把相机拿下来后，我也觉得自己得带着它去不同地方。这些相机确实非常好。

Ben：听众朋友，非常感谢收听。如果你考虑 5 月 4 日来西雅图，我们很希望见到你，一定会很有意思。采访 Jim 肯定很棒。也许节目播出时，我们还会公布其他惊喜安排。

David：我想我们现在可以说，会有 after party。

Ben：肯定有 after party。感谢 Vouch 在附近租下酒吧，规模很大，大家可以从场馆走过去。Vouch 还会在华盛顿州首次推出服务。想想看，我们投资组合里也有不少公司，不管你来不来现场，都欢迎到 Slack 讨论这一期。

Acquired 社区里还有 11,000 位聪明成员。

想听更多内容的话，去任意播客应用搜索 Acquired LP Show。最近一期我们采访了 TrovaTrip 的 Nick 和 Lauren。

我们还有招聘板 acquired.fm/jobs，帮你精选理想工作。下期见。

David：下期再见。