市值2万亿，利润不及Meta一半，英伟达的“泡沫”会被挤破吗？

图片｜Photo by BoliviaInteligente on Unsplash

© 产业象限原创

作者丨山茶 ，编辑丨钱江

2 月 22 日，英伟达发布 2024 财年四季报，营收 221 亿美元，同比增长 265%，净利润 123 亿美元，同比激增 769%，双双大超市场预期。

然后，英伟达就杀疯了。

一夜之间，英伟达市值暴涨 2770 亿美元，创下华尔街单日最大涨幅的历史记录。如今，英伟达的市值已经逼近 2 万亿美元。以国内生产总值计算，英伟达市值超过了大多数其他国家经济体的规模。

▲图源：福布斯

从企业层面看，这一市值也超越 Meta，成为仅次于微软、苹果和沙特阿美的全球第四大市值的巨无霸。

但有意思的现象是，虽然已经跻身第一梯队，但无论是营收还是利润，英伟达都与微软、苹果、甚至被它超过的 Meta 差距较远。

可以对比来看：

微软 2024 财年 Q2 营收 620.2 亿美元，净利润 218.7 亿美元；

苹果 2024 财年 Q1 营收 1195 亿美元，净利润 339.16 亿美元；

Meta2023 年 Q4 营收 401 亿美元，净利润 140.17 亿美元。

《巴伦周刊》使用基于 FactSet 预测的 2023 年至 2026 年预期平均盈利增长，以及基于 2024 年预测的市盈率，对美股 7 大巨头企业的 PEG 比率（市盈率除以盈利增长率）也做了预测，英伟达是其中最低的。

▲图源：FactSet

毫无疑问，如今英伟达的市值存在巨大泡沫，但从国内到国外，投资者却都愿意为这样的泡沫买单。

整个市场对英伟达充满信心，因为在某种程度上，市场已经将英伟达与 AI 时代的未来划上了等号。

投资英伟达，就是投资属于未来的 AI 时代，在这样的逻辑下，英伟达似乎值得任何市值。

那么，英伟达真的不可替代吗？谁又会成为英伟达的对手，谁又能将它赶下神坛？

英伟达，凭什么遥遥领先？

和其它半导体企业相比，英伟达是 " 遥遥领先 " 的，起码在市值上如此。

如今，在全球前十的半导体企业中，不算台积电和阿斯麦这样的纯代工厂和光刻机厂商，英伟达的市值约等于剩下七家市值的总和，甚至还有富余。

▲图源：芯东西

撑起英伟达市值的，是其全球领先的 AI 计算芯片，包括 A100、H100 和即将上市的 H200。根据富国银行的统计，英伟达目前在全球数据中心 AI 加速市场拥有 98% 的份额，处于绝对的统治地位。

很多时候，这些芯片花钱也都很难买到。早在 2023 年 8 月的时候，就有媒体报道，英伟达的订单排到了 2024 年。其芯片的交付周期，也曾一度高达 8~11 个月（如今已经缩短为 3~4 个月）。马斯克曾为此吐槽，" 英伟达的芯片比毒品还难搞到 "。

产能不足，供不应求，这些需求应该自然溢出到其他厂商。从供应链安全的角度考虑，面对如此集中的市场，企业似乎也不应该只选择英伟达这一家的产品。

但全球的企业排着队将订单送到英伟达手中，难道，除了英伟达的芯片之外，AMD、英特尔这些企业的芯片都办法训练大模型吗？

答案当然不是，但使用英伟达的芯片，目前仍然是训练和运行大模型的最优选择。这种优势体现在四个方面，包括硬件性能、软件生态、适用范围和整体性价比。

首先是硬件性能。

以英伟达在 2020 年 5 月发布的 NVIDIA A100 GPU 为例，这款芯片采用 7nm 制程和 NVIDIA Ampere 架构，拥有 540 亿个晶体管和 6912 个 CUDA 核心，最高可以提供 80GB 的 GPU 显存，以及 2TB/s 的全球超快显存带宽。在大模型训练和推理常用的 FP16 ( 半精度浮点运算）Tensor Core 峰值性能可以达到 312TF，使用稀疏计算的情况下，可以达到 624TF。

▲图源：CSDN，NVIDIA GPU A100 Ampere ( 安培 ) 架构深度解析

▲图源：CSDN，NVIDIA GPU A100 Ampere ( 安培 ) 架构深度解析

很多人对这些指标没什么概念，我们来简单解释一下。

芯片的制程决定着同样大小的芯片能够放下的晶体管的数量，而晶体管的数量越多，芯片的计算能力越强，这也是 5 纳米的芯片一定比 7 纳米的芯片先进的原因。

至于 CUDA 核心，即 CUDA 线程，是英伟达 CUDA 平台编程模型中的基本执行单元。我们都知道，GPU 最强的能力是并行计算，而 CUDA 核心越多，意味着芯片能同时并行计算的数量也就越多，芯片的性能更强，完成同样任务的速度更快。

需要注意的是，芯片的计算能力强和计算效率高是两个概念。制程和晶体管的数量代表着计算能力，而 CUDA 核心的数量，代表着计算效率。

至于显存和带宽，则决定了 GPU 在运行时的效率。其中显存决定 GPU 同时能够存储的最大数据，而显存带宽，则决定显存和显卡之间的数据传输速度。

举一个简单直白的例子，在一个流水线上，原材料需要从库房运送到车间进行装备，然后将成品再运回库房。显存决定了库房能够放多少原材料，而显存带宽，则决定每次从库房送原材料的速度。如果库房不够大，或者材料传输速度不够快，那车间的生产能力再强，也无法生产出成品。所以显存和带宽，其实决定芯片能够参与训练多大参数规模的大模型，以及训练大模型的速度。

明白了这些基本概念，我们再用最有代表性的两家企业，进行对比。

首先是 AMD，目前主打的芯片是 MI250X，发布于 2021 年年底，采用 7nm 工艺，拥有 582 亿个晶体管，显存 128G，显存带宽 3.2768 TB/s，FP16 峰值性能为 369 TF，只有 60 个计算单元。

▲图源：AMD 官网，MI250X

其次是英特尔，目前主打芯片 Ponte Vecchio，同样发布于 2021 年，采用 7nm 工艺，宣称晶体管数量达到 1020 亿，是全世界晶体管数量最多的芯片。这款芯片显存 128GB，显存带宽 3.2TB/s，FP16 峰值性能 184TF，计算单元 102 个。

▲图源：英特尔 Hot Chips 演示的幻灯片，展示了 PVC 上的小芯片

我们会发现，即使从单纯的数据上看，英特尔和 AMD 也没有完全被英伟达甩开，甚至在某些领域，这两家的芯片还领先英伟达的 A100。

但是这里有两个误区，第一个误区是，英特尔和 AMD 这两款芯片的发布时间比 A100 都要晚一年，他们真正对标的对手，其实应该是英伟达在 2022 年初发布的 H100，而现在英伟达的芯片已经更新到 H200 了。

▲图源：Semianalysis

第二个误区在于，硬件指标并不完全等于芯片的整体能力，软件生态是决定芯片性能和使用的第二个关键指标。

这就像手机和操作系统一样，手机的硬件配置再好，没有一个好的操作系统，对于消费者来说仍然不是一款好的手机。而这里需要提到的，就包括英伟达的 CUDA 平台、NVLink 和 Tensor Core 等软件生态。

比如 CUDA 平台，我们前面提到的 CUDA 核心就是这个平台的产物，它可以提高芯片的并行计算能力；它可以通过编程，提高 GPU 的能效比，让同样的工作耗费更少的能源。

此外，CUDA 平台还支持广泛的应用程序，包括科学计算、深度学习、机器学习、图像处理、视频处理等等，它还允许技术人员通过 C 等常用的编程语言来编写 GPU 代码。打一个不恰当的比方，这相当于中国人不用学习英文，直接使用中文指挥外国人做事情，帮助技术人员节省了巨大成本。

但目前市面上大多数程序员已经深度依赖 CUDA 平台和开发工具，就像我们使用微信许多年了，你的朋友、聊天记录、朋友圈都在这个微信上，即使现在出现一个更好用的社交软件，你也很难迁移。

CUDA 带来的生态壁垒也类似这个道理，其他平台虽然也有自己的软件生态，比如 AMD 有自己的 GCN 架构，英特尔有 Xe 架构，甚至为开发者提供类似 " 一键换机 " 迁移功能，但都很难与英伟达竞争。

当然，这里面也有一些曲线救国的做法，比如以 AMD 为首，越来越多的芯片企业采用了 " 打不过就加入 " 的策略，选择将自己的芯片兼容到 CUDA 平台，早在 2012 年的时候，AMD 就与 Nvidia 达成了一项协议，允许 AMD 在其 GCN 架构 GPU 中使用 CUDA 技术，所以现在我们在 AMD 的芯片中，也会看到 CUDA 核心。

当然，对于英伟达来说，CUDA 也只是护城河的一部分，其他的技术如 NVLink 也至关重要。

作为大模型训练的 GPU，没有哪家企业会单独使用一张 GPU，每次都会使用至少几百张卡，甚至上万张卡一起建立计算集群。NVLink 是一种链接技术，可以实现 GPU 之间的高速、低延迟的互联。如果没有这种技术，整个芯片算力的集群就无法实现 1 1>3 的效果，而且会增加 GPU 之间的通信延迟，执行任务的效率会降低，芯片的功耗会增加，最终增加整个系统的运行成本。

大模型训练实际上是一个非常消耗能源的事情，国盛证券做过一个计算，假设每天约有 1300 万独立访客使用 ChatGPT，那每天的电费就需要 5 万美元。而如果没有 NVLink，这笔成本还会指数级上升。

芯片某种程度上就像购车一样，购车只是第一次成本，之后的油费、保养、保险才是成本的大头。所以黄仁勋才说，"AI 系统最重要的不是硬件组成的成本，而是训练和运用 AI 的费用。"

所以，虽然 AMD、英特尔在某些芯片上把价格定得比英伟达更低，但是从长期成本来考虑，具有更优软件生态和协同、配套工具的英伟达芯片仍然是性价比最高的选择。

当然，这里面还要考虑到使用场景的问题。

比如英伟达的大客户，主要是以 Meta、微软、亚马逊、Google 为代表的云计算平台。有媒体报道，头部云计算厂商在英伟达 H100 GPU 整体市场份额中的占比达到 50%。

▲图源：Omida Research

而云厂商采购芯片的逻辑，主要是构建算力集群，然后通过云服务平台将这些算力再卖出去。但这里就会存在一个问题，就是云厂商并不知道客户会拿这些算力来做些什么，比如有的企业会用来做机器学习，有企业需要大模型训练，也有企业需要做大模型推理。

不同的需求，背后对应的算力配置也不尽相同，它需要底层的芯片能够支持多种编程模型，支持多种数据类型，有较好的可拓展性和良好的性能和功耗等等。而这些，恰恰是英伟达硬件能力加软件生态带来的优势。

综合来看，无论是从硬件性能，还是软件生态；无论是从开发工具和部署工具，到长期使用的成本和可开发应用场景。对比同类竞争对手，英伟达都属于最有性价比，且遥遥领先的存在。

这就是为什么明明需要排着长队、忍受长时间等待，大家却仍然执着于英伟达芯片的原因。

谁想替代英伟达？

难道英伟达真的不能被超越吗？当然也不是，在巨大的市场利益面前，从传统半导体巨头到初创企业，围剿英伟达的呼声从来就没有停止过。

特别是最近几年，随着云计算和云端 AI 芯片的火爆，已经有无数的半导体公司说过，自家芯片已经在部分性能上超过了英伟达 A100，就像今天也有无数大模型企业会说自己已经在某些方面超过 OpenAI GPT-3.5 一样。

在最新披露年报中，英伟达是这样描述自己的竞争风险的。

公司的竞争来源主要有两个，一个是 GPU、CPU、DPU、嵌入式 SoC 和其他加速 AI 计算处理器产品的公司，比如英特尔、AMD、高通、华为；另一个是提供基于 InfiniBand（无线带宽技术）、以太网、光纤通道和专有技术的半导体高性能互连产品供应商，比如华为、思科、惠普这样的通信公司，以及亚马逊、微软、阿里、谷歌、华为这样的云服务公司等等。

特别是第一次被英伟达列为对手且被反复提到的华为。从芯片硬件到软件，从云服务到通信解决方案，英伟达几乎将华为当做所有领域的竞争对手。

奇怪的是，虽然在 2023 年 8 月，科大讯飞创始人刘庆峰就提到华为的 GPU 已经可以对标 A100 了，但其实从客观的性能、使用成本，软硬件生态工具，华为与英伟达之间仍然有着代际的差距。

华为被如此重视，关键在于两点：

一是市场环境的问题，由于众所周知的原因，英伟达的高端芯片在国内的销路并不畅通，在全面国产替代的背景下，其针对中国的特供版芯片在中国的竞争力也在降低。在这样的背景下，华为拥有更多的成长空间，不必直接对标英伟达最先进的 H200。

另一个关键是华为的生态能力非常齐全，作为通信起家的企业，华为不仅拥有自己的芯片，服务器，还拥有自己的云计算平台和大模型。基本上，华为覆盖了 AI 这条产业链从头到尾的所有环节，对比英伟达拥有更大的潜力和可能。

如今，华为的昇腾 910B 正在疯狂席卷中国市场，除了科大讯飞之外，国内多地的智算中心也都已经用上了华为的芯片。《财经》之前报道，华为昇腾系列产品目前处在供不应求状态，价格约只有英伟达 A100 的 60% 甚至可以更低。

为了应对国内市场的变化，英伟达也在积极推出新的产品。2 月初，有媒体报道，英伟达的新款国内专供芯片 H20 已经开始在接受经销商的预定。

▲图源：NVIDIA 由 H2O.ai 和 NVIDIA 提供支持的融合 AI 生态系统

而有趣的是，作为新产品，英伟达 H20 每张的定价换算成人民币仅在 8.6 万 ~11 万左右，刚好略低于华为昇腾 910B 12 万元左右的价格。在英伟达承受中国市场压力的背景下，这被看做是一种防守策略。

除了在国内有被黄仁勋亲自认证的竞争对手华为之外，海外市场英伟达其实也是群狼环伺。

最虎视眈眈的自然是 AMD。

2023 年 6 月，AMD 发布了 Instinct MI300，目标是对标英伟达 H100，其晶体管数量达到 1530 亿，内存 192GB、内存带宽 5.3TB/s，分别是英伟达 H100 的大约 2 倍、2.4 倍和 1.6 倍。

软件上，AMD 仍然延续兼容 CUDA 的策略，一方面通过迁移工具，翻译 CUDA 应用的策略吸引英伟达的开发者，另一方面开源自家的 ROCm 软件，提高企业和开发者的自主权。

对于芯片算力这么基础的部分，没有企业希望英伟达成为自己的唯一供应商，所以在 MI300 推出之后，包括 OpenAI、微软、Meta 都纷纷表态将采购 MI300。

除了 AMD，即使是已经在 AI 上落后的英特尔，也不甘心错过这场泼天富贵。

▲图源：美国媒体 英特尔公司首席执行官 Patrick Gelsinger 于 2023 年 12 月 14 日星期四在美国纽约举行的英特尔 AI Everywhere 发布会上发表讲话

英特尔最新的 AI 芯片 Gaudi3 将在 2024 年上市，这款芯片采用 5nm 工艺，最高配备 128GB 的内存。按英特尔的宣传，这款芯片的带宽是 Gaudi 2 ( 7nm 工艺 ) 的 1.5 倍，BF16 功率是其 4 倍，网络算力是其 2 倍，并表示 Gaudi3 的性能将优于英伟达的 H100。同时，美国政府也在对英特尔进行扶持，预计将向英特尔提供超过 100 亿美元的补贴。

从战略上，与英伟达的优势在云端不同，英特尔的优势在与其广阔个人终端市场。所以英特尔其实将更大的赌注压在了个人终端的 AI 化上。英特尔 CEO 基辛格多次提到，要重构 PC 体验，并表达对未来 AI PC 市场的看好。英特尔希望依靠其 CPU 在个人 PC 上的优势，率先抢占这一市场，然后再通过消费市场反向促进云端市场的繁荣，打一波农村包围城市的战役。

事实上，芯片的行业特点与软件、或者互联网的商业可以通过建立用户规模，或者生态就建立壁垒实现赢者通吃不同。作为高度技术密集型产业，芯片技术的代际变化非常大，只要存在技术迭代的机会，后来者就永远有弯道超车的可能。

芯片不同于软件，或者互联网等其他业务模式，建立起一定的用户规模之后可以一直赢者通吃。只要存在技术迭代的机会，后来者就永远有弯道超车的可能。

而无论是 AMD 还是英特尔，亦或者华为，他们都有深厚的技术研发能力和充裕的资金，这些企业可能会在这个阶段暂时落后，但也谁无法笃定，这些企业不会出现一次技术涌现，或者抓住某个技术迭代的关键时期后来居上。

从最新财报看，AMD 2023 年 Q4 数据中心的销售额 22.8 亿美元，同比增长 38%，表明市场已经在逐步接纳其 AI 芯片的使用。

而除了 AMD 和英特尔这样的老牌玩家之外，这个市场上还有很多创业者在前赴后继。

最近比较出名的如 Groq，其针对大语言模型量身定制的 LPU 芯片每秒可以生成 500 个 token，远超英伟达芯片的效率。当然，这个成绩仍然是在实验场景下的结果，最终工程化交付还有很长的距离，且这款芯片也还有许多技术问题有待解决。

但这本质上代表，面对新的场景，如今的芯片的技术仍有创新空间。

所以我们会看到，作为全球最具代表的 AI 企业，OpenAI 也宣布了自己的造芯计划。其创始人 CEO Altman 前段时间不仅传出 7 万亿美元的募资芯片，在这之前更是已经投资了包括 Cerebras、Rain Neuromorphics 和 Atomic Semi 在内的至少三家芯片公司。

远在日本的孙正义，在互联网时代已经功成名就的他也打算放过这次机会，刚刚从巨额的投资亏损中解套的他，立马就提出了募集 1000 亿美元以创立一家人工智能半导体芯片企业的计划。

有媒体报道，在这次计划中，软银将出资 300 亿美元资金，另有 700 亿美元的资金可能来自中东地区的机构。而在 2023 年，软银集团曾以 640 亿美元的估值收购 ARM 公司 25% 股份，这也是孙正义投入芯片的底气之一。

当然，对于英伟达来说，更大或者更直接的危险还是来自其最大的客户——云厂商。

面对巨大的算力需求，国内如百度、华为、阿里都相继推出了自己的 AI 芯片，在国外，包括微软、亚马逊、Google 也同样在开发自己芯片。

当然，这些芯片主要针对的是特定场景的计算需求，与英伟达面向通用场景的 GPT 仍然有不同。但这也代表，云计算厂商正在逐步减少对英伟达的依赖。而正如前面所提到的，这部分企业才是真正支撑英伟达业绩的主要客户。

面对这些既定的，或者潜在的市场变化，英伟达自然也没闲着。据英国媒体报道，英伟达近期已与微软等主要云厂商联系，商讨为云厂商定制 AI 芯片的问题。

同时，英伟达也在持续推出新的芯片，以期望不断拉开与后来者的距离。目前，英伟达已经公布了其下一代 AI 芯片 B100 的消息，设计性能要比 H100 快 3 倍。

所以，虽然超越英伟达的机会仍然存在，这个世界也从不缺少挑战 " 霸权 " 的勇士，但这个任务显然还很漫长。

* 文中配图来源于网络