后摩尔定律时代从10年100倍到100万倍的真护城河英伟达的护城河不是CUDA不是Blackwell甚至不是黄仁勋本人——而是一种把整个公司当作单一优化函数来运行的能力——这种能力的源头可以追溯到1980年的斯坦福。如果有一天英伟达的芯片免费送给你你就能生产出更便宜的AI吗答案很可能是不能。2026年3月黄仁勋在Dwarkesh Patel的播客上被反复追问同一个问题为什么客户不直接用更便宜的ASIC替代英伟达他最后说了一句话Even when the chips are free, its not cheap enough.“就算芯片免费送也未必便宜。”这话不仅反直觉甚至有点冒犯。因为半导体行业的基本常识是芯片越便宜系统越便宜算力单价越低AI成本越低。但在今天的大模型时代这个逻辑已经开始失效。同一时期黄仁勋在All-in podcast上被问到一个更尖锐的问题——市场分析师正在传一种说法你的500亿美元AI工厂会输给一座300亿美元的ASIC工厂所以英伟达会丢失份额。他没有正面反驳只是慢慢说了一句话“你不应该把工厂的价格和token的成本等同起来。”那座500亿美元的工厂会生产全世界最便宜的token。50亿美元和30亿美元之间的价差对一个有10倍吞吐量的500亿美元数据中心来说根本不是一个大的百分比。在AI时代更贵的工厂可以产出更便宜的算力。这听起来违反所有商业直觉但却是当下最重要的产业事实。一周后MLPerf的公开数据证明了黄仁勋的反问同一座Blackwell工厂在DeepSeek-R1推理上每生产一百万个token的成本比上一代Hopper低了35倍。这不是芯片更快的故事。这是一场关于“什么是计算、什么是公司、什么是护城河”的范式重写。而它的源头要追溯到1980年的斯坦福。请你注意当芯片公司的产品是芯片价格是首要变量当它的产品是工厂token成本才是首要变量。一个被遗忘了四十年的赌注1980年前后斯坦福的John Hennessy和伯克利的David Patterson在做同一件事——他们觉得整个计算机工业都搞错了方向。那个时代主流CPU设计哲学叫CISC复杂指令集计算机。IBM 370、DEC VAX、Intel x86都 信奉这个理念——为了 让程序员省事 给硬件加越来越多的指令。结果是芯片越来越复杂硬件团队越做越累编译器团队却用不上其中的大部分。DEC自己的工程师在1984年的一篇论文里写道VAX 11/780这台旗舰机器20%的指令占用了60%的微码空间却只贡献了0.2%的运行时间。计算机工业最复杂、最贵的部分是从来不被使用的部分。Hennessy和Patterson的提案非常激进与其让硬件团队埋头搞复杂指令不如反过来——硬件做简单一点把复杂性交给编译器。让硬件团队和编译器团队坐到同一张桌子上一起设计。这就是RISC——精简指令集计算。IBM内部的John Cocke团队做了一个对照实验他们用RISC风格的简化指令集子集来编译IBM 370的程序结果比原本的全指令集编译器快了3倍。那一刻整个计算机架构学界明白了一件事性能不是芯片单独的属性而是“芯片编译器”作为一个整体的属性。各自局部最优加起来一定不如联合最优。Hennessy和Patterson在2017年因为这个思想拿了图灵奖。颁奖词写得很克制他们“用系统性的、量化的方法奠定了现代计算机架构”。但黄仁勋记住了这件事。四十六年后他在斯坦福CS153的讲台上对学生说“John Hennessy当年那项工作的美妙之处在于——你必须把编译器和微处理器架构和谐地协同设计。一台简单的机器与编译器协同设计会比两个各自优化的系统创造更好的性能。”所以现代AI产业最赚钱的公司它的方法论根源不是2012年的AlexNet不是2017年的Transformer而是1980年代的一篇学术论文。英伟达过去十年所做的一切本质上都是这句话的放大版——只不过这次被联合设计的不是“芯片编译器”两层而是从算法到电网的“十一层”。英伟达式 Co-Design 的十一层应用场景 → 模型结构 → AI框架 → 编译器/运行时 → 算子库 → 数值格式 → GPU/CPU/DPU → NVLink/NIC/交换机 → 机架系统 → 数据中心运维 → 电力与冷却。这十一层在大多数公司里分属十一个完全独立的团队、十一种不同的KPI、十一份相互不通的路线图。在英伟达它们被放进同一个优化函数里。在工业分工最严密的领域反对孤岛式分工的人会赢。RISC证明过一次英伟达正在再证明一次。通用计算的体面失败要理解为什么“反对孤岛式分工”突然又变得重要你得先理解一件事物理学背叛了我们。整个20世纪后半叶计算机产业之所以能高速发展靠的不是一个而是两个定律。第一个是摩尔定律所有人都知道——晶体管数量每18到24个月翻倍。第二个叫Dennard Scaling知道的人少得多——晶体管尺寸缩小时电压和电流按比例下降单位面积的功耗保持不变。这两个定律配合起来产生了一个魔法芯片不仅变密还能在不增加功耗的前提下变快。这是过去四十年CPU频率从1 MHz飙升到3 GHz、PC变得越来越便宜的物理学基础。然后2005年左右Dennard Scaling悄悄死了。晶体管的阈值电压逼近物理极限再降下去漏电流会指数级增加。结果是CPU主频在3 GHz附近卡了整整二十年。研究数据显示1986到2001年间单核CPU性能年均增长52%2001到2018年掉到3.5%——几乎停滞。摩尔定律本身也在放缓。Intel前CEO 2015年公开承认工艺迭代周期从两年延长到两年半。台积电的N5到N3整整走了三年。所以摩尔定律没死但它的双胞胎兄弟Dennard scaling先死了。这才是过去十年计算机产业真正的转折点——大部分人到现在都没意识到。黄仁勋在斯坦福那场演讲里把这件事算得很清楚“摩尔定律好时光的口径是10年100倍。但Dennard scaling失效后如果你不动软件只靠微处理器自然演进过去十年大概只能给你10倍。”10倍。这就是通用CPU路径在过去十年的物理上限。而英伟达呢“我们做到了10年100万倍。”这件事的物理学根源还有一个更深的层面叫Amdahl定律。它说的是如果计算只占总工作负载的50%哪怕你把计算部分加速到无限快整体也只能快2倍。换句话说任何分布式系统的性能都不是由最强的那一环决定而是由最弱的那一环决定。这就是为什么单纯优化GPU不够。当模型大到必须分布在几千、几万颗GPU上真正拖慢你的可能不是算术单元而是内存带宽、网络通信、同步调度、供电散热。100万倍这个数字本身有公开口径上的争议但即使按最保守的拆解也至少是10万倍以上的量级。英伟达首席科学家Bill Dally在Hot Chips 2023上把单卡的提升账算给所有人看数值精度从 FP32 降低到 FP16 以及 Int8/FP8 贡献16倍复杂指令 Tensor Core 那些专用矩阵乘加贡献12.5倍制程从 28nm 到 4nm 贡献2.5倍结构化稀疏贡献2倍这四项乘起来正好是约1000倍——这就是单卡十年的性能跃迁。再叠加机架级互联的10倍、软件栈优化的10倍、数据中心调度的另外10倍——百万倍不是奇迹是十一层联合优化的乘法效应。最让人意外的是这张表里最小的那一项制程改进只贡献了2.5倍是所有要素中最弱的。真正的杠杆从来不在台积电。这句话听起来对台积电不公平所以需要立刻补一句修正制程当然仍然重要——没有台积电的N4P和未来的N3Blackwell和Rubin根本不可能存在。但它不再是性能跃迁的单一解释变量。在过去十年AI算力提升的故事里先进制程只是十一层联合优化里的一个因子而且是贡献最小的那个。真正的杠杆在制程之上的系统复利。所以摩尔定律没有死死的是“单层优化”的幻觉。黄仁勋的反事实让我们把“100万倍”这个抽象的数字翻译成一个更具体、更接近读者钱包的东西。2025年下半年英伟达在GTC上公布了一组数据对照的是Blackwell和上一代Hopper在同一个工作负载DeepSeek-R1推理上的表现。研究机构SemiAnalysis用自己的InferenceMax基准独立验证了这组数字单 GPU 的 tokens/ 秒从 90 提升到 6000 约65倍单兆瓦的 tokens/ 秒约50倍每百万 tokens 的成本从 4.20 美元降到 0.12 美元约35倍下降更让人意外的是接下来发生的事。MLPerf Inference v6.0显示同一台GB300 NVL72系统在仅仅六个月的软件优化之后吞吐又提升了2.7倍cost per token又降了60%以上。注意这句话同一台机器。芯片没换硬件没动。英伟达卖出去的GPU会随着时间变得更便宜——但不是因为折旧而是因为它跑得更快了。这违反所有人对硬件资产的直觉。在传统芯片世界里硬件出厂那一刻就开始贬值在Co-Design世界里硬件出厂后还在升值。这是怎么做到的答案藏在一个不性感的层级软件。TensorRT-LLM的kernel融合、attention层的数据并行、prefill和decode的解耦合、KV-cache aware routing、wide expert parallel、multi-token prediction——这一长串名词每一个都不会让普通读者激动但每一个都在让你的Blackwell卡在静悄悄地跑得更快。这就是英伟达和ASIC公司最根本的不同。ASIC公司的逻辑是把一种已知的workload硬编码到硅片里跑得最快。英伟达的逻辑是让硅片足够灵活让软件不断重新发现这块硅片的潜力。客户买的不是一颗芯片是一个会自己长大的资产。现在我们可以回答开篇那个反问了。500亿美元的工厂为什么比300亿美元的工厂便宜因为前者的每一度电、每一平方米机房、每一秒运行时间能够产出更多的token而且这个产出能力还在每六个月翻一倍。后者只是一座更便宜的工厂。前者是一座会增值的工厂。芯片价格只是账单token成本才是利润表。一种新的公司能力到目前为止我们一直在讲技术、讲架构、讲数字。但所有这些都还没触及最核心的那个问题为什么是英伟达而不是别的公司CUDA从1.0开始就有公开的文档和工具链Tensor Core的论文公开十年了NVLink的协议规格各家芯片公司都能研究连机架级Co-Design的思路AMD的Helios、Google的TPU Pod也都在做。如果Co-Design只是一种技术方法那它早就应该被复制了。但它没有。因为Co-Design不是技术是组织。黄仁勋在Lex Fridman那场访谈里难得地袒露了一段他自己的管理方式“我的直接幕僚有60个人。我不和他们做一对一谈话——你不可能和60个人都做一对一。”注意他接下来这句话“没有任何对话只有一个人。我们呈现一个问题所有人一起攻击它。因为我们做的就是extreme co-design整个公司一直在做extreme co-design。”一个5万亿美元市值公司的CEO居然不做一对一会议。这不是管理偷懒而是一种刻意的组织设计——因为一对一这件事本身就违反了Co-Design的逻辑。想象一下你是英伟达的内存系统专家。在传统芯片公司里你会先和你的VP沟通VP再和CTO沟通CTO再和负责架构的VP沟通架构VP再和他下面的人沟通。一个跨层的设计决定要在层级里走七八步。在英伟达这60个工程负责人——内存、CPU、光互联、GPU、算法、芯片设计、网络、机架——坐在同一个会议室里。黄仁勋抛出一个问题今年我们做不做下一代NVLink所有人立刻同时开始攻击这个问题从各自的角度发现彼此的盲点。这套机制的核心不是平等是信息共享。当算法工程师能直接告诉网络工程师“如果你能把延迟降到200纳秒以下我可以重新设计整个MoE路由”这种洞察永远不会出现在一个层级清晰的公司里。这里有一个管理学上的反共识传统管理追求清晰分工Co-Design组织追求高质量碰撞。前者的KPI是“每个部门做好自己的事”后者的KPI是“整个系统做好同一件事”。如果Co-Design的问题被拆进不同部门的KPI最后得到的一定是局部最优的灾难。黄仁勋还说了一句更深的话“公司架构应该反映你要输出的产品和你所处的环境。”这句话在管理学上是革命性的。我们大部分公司的组织架构是根据“职能”设计的研发部、销售部、市场部、财务部。但黄仁勋的逻辑反过来——英伟达的产品是AI Factory所以公司本身的运作方式必须是一座AI Factory的形状。每个层级、每个团队、每个决策流程都是为了让“从算法到电网”的十一层联合优化能够实时发生。组织结构不应该是先验设计的应该是被产品形态倒推出来的。如果你的产品是一颗芯片你应该有一个芯片公司的组织如果你的产品是一座AI Factory你必须有一个AI Factory形状的组织。这就是为什么AMD、Intel、Broadcom很难真正“复制”英伟达——他们的组织还停留在芯片公司形态。这一点甚至延伸到供应链。黄仁勋花了大量时间亲自向HBM三大供应商三星、海力士、美光的CEO反复解释AI的未来需求曲线三年前就说服他们大规模投资HBM——当时HBM还被视为“小众内存”。他和台积电做了将近30年的生意至今没有一份合同。靠的是黄仁勋说的那句话“rough justice”——大致的公平。有时候我占便宜有时候我吃亏但整体上关系是“incredible”的。现在我们终于可以回答最关键的那个问题——英伟达真正的护城河不是Blackwell、不是CUDA甚至不是黄仁勋本人。而是一种把整个公司当作单一优化函数来运行的能力。这种能力本身无法被收购、无法被招聘、无法被工业间谍偷走因为它不是一个技术是一种二十年时间长出来的组织肌肉。英伟达不像一家芯片公司更像一个产业操作系统。这种能力长出了四条具体的护城河。护城河的真正形状第一条CUDA不是开发者锁定是一张输电网大部分人对CUDA的理解停留在“迁移成本”上你的代码写在CUDA上换到AMD的ROCm就要重写所以开发者迁不走。这个理解是对的但很浅。需要先澄清一件事CUDA不是开源而是一个由英伟达控制节奏、却向开发者充分开放能力的平台。CUDA真正的价值是一张把硬件创新输送到全产业的输电网。英伟达每推出一项新硬件能力——Tensor Core、FP8、FP4、NVFP4、Transformer Engine、新内存层次——这些能力会在6到12个月内通过cuDNN、TensorRT、TensorRT-LLM、NCCL、Dynamo这些库自动传导到PyTorch、Hugging Face、vLLM、SGLang整个开发者生态。也就是说硬件创新会自动变成下游应用吞吐。对ASIC公司来说这条路是断的。AMD的MI300X在硬件规格上已经能匹敌H100某些维度甚至更强。但SemiAnalysis在2024年底的独立benchmark里发现了一个残酷事实AMD的“out-of-the-box training experience几乎是不可能的”——硬件可用软件不可用。没有这张输电网硬件创新会卡在硅片上有了这张输电网硬件创新才会变成应用吞吐。AMD每次硬件追赶都要重新爬一遍这条软件传导链——而这条链需要十年时间。CUDA最厉害的地方不是难以替代而是英伟达每发布一项硬件创新CUDA生态会自动把这项创新变成客户的真实ROI。第二条Mellanox把“网络”变成“计算”2019年3月英伟达宣布以69亿美元收购Mellanox。当时市场的反应是平淡的——“英伟达买了一家HPC网络公司嗯挺合理”。七年后回头看这是科技史上最伟大的并购之一。为什么因为大模型训练和推理根本不是单GPU问题是成千上万GPU同步通信的问题。没有高速低延迟互联多花十倍的钱买GPU只会换来五倍的真实算力——因为利用率会掉下去。Mellanox让英伟达可以把GPU、CPU、NIC、交换机、InfiniBand、Ethernet、NVLink、NVSwitch放进同一个计算拓扑里联合设计。这件事的财务后果是惊人的——英伟达FY2026时间范围是2025.02.01至2026.01.31的网络业务营收318亿美元Q4单季度网络营收同比增长263%。在大模型时代决定一个GPU集群价值的不是GPU本身是把GPU串起来的那些铜线和交换机。一颗GPU的算力是确定的但一万颗GPU能不能跑出一万倍算力取决于网络。第三条供应链不是被服务的对象是被塑造的信念普通公司的供应链是“成本控制”。英伟达的供应链是“产品的一部分并且是被主动塑造的信念”。先说“产品的一部分”GB200 NVL72机架的密度太高导致一件事情它无法在数据中心组装。每台机架两到三吨重里面装着一千多颗核心芯片必须在供应链端整装完成然后整体运输到客户机房。让这件事的尺度更具体一点英伟达在2026年3月GTC发布的下一代Vera Rubin Pod涉及7种芯片类型、5种专用机架类型、40个机架、超过1100个Rubin GPU、60 Exaflops算力、10 PB/s scale bandwidth单个NVL72机架就有130万个组件、1300颗芯片、约4000磅重量接近2吨。黄仁勋称之为“世界上制造过的最复杂的计算机”。这件事说出来很轻描淡写做起来需要整个上下游一起重新设计制造流程、测试流程、运输流程、机房接入流程。机架内部密布着盲插的液冷管线和海量铜线背板根本无法在客户现场拼装只能在富士康、广达这样的供应链伙伴端整装出厂。但更深的一层是“主动塑造信念”。黄仁勋三年前就花了大量时间亲自向HBM三大供应商的CEO反复“科普”AI的未来需求曲线。当时HBM还是边缘产品整个DRAM行业的主力是DDR服务器内存。黄仁勋告诉他们未来三年HBM会变成主流。他们信了投了。这就是为什么GTC每年都那么长、那么“教育性”。黄仁勋自己在Lex访谈里说他的keynote经常被批评像在上课——因为它就是在上课。他需要让上游看到下游需求让下游看到上游能力让开发者看到路线图让资本市场看到未来。GTC不是一场产品发布会是一个产业协调机制。英伟达真正在做的事情是让整个产业链同步相信同一个未来然后协调所有人按这个未来去投资。这件事即使一家芯片公司能造出和Blackwell一样强的GPU也复制不了——因为他没有用三年时间提前说服全球供应商的能力。第四条迭代节奏即护城河竞争对手以为追上一代芯片就能赢但英伟达每年更新一代。Hopper2022→ Blackwell2024→ Blackwell Ultra2025→ Rubin2026→ Rubin Ultra2027→ Feynman2028。黄仁勋在播客里讲过一句让所有ASIC公司心寒的话“去找另一个ASIC团队问问他们能不能做到这件事——你可以指望我们每年都在这里。你的token成本将每年降低一个数量级。这一点你可以拿到银行去抵押。”为什么这件事是护城河因为客户的资本开支决策周期是5到10年。如果你告诉一个超大规模客户“我的ASIC今年比英伟达便宜30%”他会立刻问你“那明年呢后年呢”英伟达的每年一代节奏让“今年便宜”这件事变得毫无意义——因为明年英伟达就会推出一个比你便宜不是30%、是10倍的下一代。在芯片产业迭代速度本身就是定价权。客户不是为今天的英伟达付钱是为明年、后年、大后年的英伟达付钱。只要英伟达的节奏不停竞争对手永远在追已经过时的英伟达。四条护城河叠加起来复制英伟达的真正成本不是一颗芯片的研发是十年时间。在一个高度不确定的产业里英伟达卖给客户的不是产品是确定性。每年一代的节奏、五年路线图的清晰、供应链对未来的共同信念——这是只有一家把整个产业链都协调好的公司才能交付的商品。ASIC的适应性陷阱到现在为止我们一直在解释英伟达为什么强。但市场上最尖锐的反方观点是自研ASIC会颠覆英伟达。Google有TPUAmazon有TrainiumMeta有MTIAAnthropic刚和Amazon签了5GW的Trainium合同。OpenAI据说在和Broadcom合作做自研芯片。每一家超大规模客户都在“去英伟达化”。这难道不是英伟达的末日吗先把话说清楚这并不是说ASIC没有价值。对于稳定、封闭、规模足够大的内部workload——比如Google搜索排序、Meta的推荐系统、Amazon某些固定的推理任务——ASIC当然可能更便宜、更高效。问题在于AI workload的变化速度太快而且外部生态需要跨云、跨模型、跨框架的灵活性。在这两个条件下ASIC的优势会被结构性地削弱。黄仁勋在Dwarkesh的访谈里直接回应了这个问题。他把Anthropic描述为TPU与Trainium增长中的特殊变量——意思是这两条ASIC路线的近年增长很大程度上是被Anthropic这一个客户带起来的。这种说法当然带有竞争立场但它提示了ASIC路线的一个硬约束愿意长期、大规模绑定某一条ASIC路线的客户其实并不多。但他没说出来的、更深的那一层是ASIC有一个结构性的陷阱叫适应性风险。让我们看看AI workload在过去四年里是怎么演化的2022年主战场是预训练 需要的是大量稠密矩阵乘法2024年主战场切换到推理 预填充阶段 和解码阶段 的特性完全不同需要的是高带宽内存和 KV-cache 管理2026年主战场再次切换到A gentic Workflow—— 长期记忆、工作记忆、工具调用、 CPU 低延迟、 GPU fabric 全部都要黄仁勋自己在斯坦福把这条曲线讲得很清楚Hopper是为预训练设计的。Grace Blackwell的NVLink72是为推理和解码设计的。Vera Rubin是为智能体设计的。每一代英伟达架构都是为当时主流的workload做Co-Design。但这件事对ASIC公司是一个致命问题——你越是为某一代workload做ASIC下一代workload到来时你越被困住。更狠的一组数字黄仁勋在All-in podcast里说从生成式AI到推理型AI所需的算力大约增加了100倍从推理型AI到agentic AI所需的算力又增加了100倍。两年时间里单位任务的算力需求增长了10000倍。如果你是一家ASIC公司在2022年看着GPT-3的workload做了一颗优化得无比精致的预训练专用芯片2026年你会发现你的客户的workload已经变成“一个agent调用十个子agent每个子agent调用五个工具”的复杂调度问题。你那颗为稠密矩阵乘法优化到极致的芯片用都用不上。这意味着“便宜的ASIC”在两年的workload迭代周期里可能比“贵的GPU”贵得多——因为它不能跑下一代任务。固定功能芯片的真正成本不在硅片在适应性损失。那为什么Google TPU和AWS Trainium看起来还活得不错因为它们只为内部使用。Google TPU只在Google Cloud内可用AWS Trainium只在AWS内可用——市场上没有第三方流动性。一个外部AI创业公司要选基础设施他不会选只能在AWS用的Trainium因为他可能下一秒就要在GCP上跑同样的模型。这是Anthropic之所以特殊的原因——它愿意把自己绑定在某个云厂商上作为交换拿到几十亿美元的算力投资。但这种特殊条件不可复制因为全世界没有第二个Anthropic。所以ASIC公司在做的是“押注一种workload”英伟达在做的是“押注workload会一直变”——前者是赌博后者是制度。中国的两难与第二条Co-Design路径讲完英伟达的胜利作为一个中国的AI风险投资人最重要的问题不是“英伟达赢了什么”而是——在英伟达定义了Co-Design之后中国应该怎么办中国面对的是两面夹击。一面是出口管制——最先进的Blackwell、Rubin进不来连阉割版的H800、H20都有进一步收紧的可能。另一面是DeepSeek的胜利——一家中国公司用受限的硬件通过算法-硬件协同设计MLA、MoE、FP8 mixed-precision、DeepSeek Sparse Attention把单token推理成本压低了25倍到50倍。黄仁勋在Dwarkesh的访谈里说过几句让中国人应该认真听的话中国有50%的世界AI研究员、有大量能源、有华为还有过去几年AI算法进步的主要贡献者。他甚至直接说DeepSeek在华为上首发的那一天将是我们国家的可怕结果。黄仁勋最怕的不是中国造出“中国版英伟达”——他知道那几乎不可能。他怕的是中国走出一条“绕开英伟达”的路用算法的极致优化弥补硬件的代际差距。这条路一旦走通会改变AI产业的基本估值逻辑。那么中国应该怎么做第一个不要做的事是机械模仿英伟达的全栈Co-Design。CUDA二十年、Mellanox三十年、台积电三十年的供应链关系——这些东西不能通过堆人头和堆资本追上。第二个不要做的事是把希望全部押在国产GPU“对标Blackwell”上。当英伟达把工作负载从预训练推到Agentic推到下一个还没出现的范式固定时点的“对标”本身就是错的——你对标的对象在加速跑。那真正值得投的方向我列四条第一算法-硬件协同设计能力——DeepSeek模式的复制和升级。在受限硬件上用算法创新创造系统级优势。第二工程效率层——把已有硬件压榨到极致的中间件、推理框架、调度系统。这是中国工程师传统上最擅长的事。第三应用层的垂直Co-Design——把AI能力深度嵌入特定行业workflow的公司。行业Know-how是英伟达难以渗透的领域。第四算力网络与共享层——在受限算力总量下做调度、复用、降本的中间层。这种“约束条件下的Co-Design”在历史上不是没有先例。日本汽车工业之所以在1970年代崛起恰恰是因为石油危机和资源受限——他们被逼着发明了精益生产、丰田模式、JIT——约束创造了发明。出口管制首先是约束但约束会改变工程优先级。在算力充裕条件下没人会研究怎么用一张卡跑两张卡的事在算力受限条件下这变成了必须研究的问题。在某些层面它可能逼出不同类型的算法-系统协同能力——而这种能力一旦被研发出来反过来在算力充裕的市场上也是一种降维优势。英伟达证明了Co-Design在算力充裕条件下的极致。DeepSeek正在证明Co-Design在算力受限条件下的极致。中国的机会不在英伟达的延长线上在DeepSeek的延长线上。结尾被低估了四十年的范式写到这里我们可以回到开篇那个反问了。为什么500亿美元的工厂可能比300亿美元的工厂更便宜因为我们一直在用错的维度衡量它。英伟达的故事表面上是一家芯片公司的逆袭。但更深一层它是计算工业的一次范式迁移。第一次迁移是通用计算把硬件细节隐藏起来让软件工业爆发。第二次迁移是云计算把服务器抽象成资源让互联网工业爆发。第三次迁移是AI工厂把电力、芯片、网络、软件和模型组织成token生产线让智能工业爆发。Co-Design的意义就在第三次迁移里。它不是让某个程序跑快一点。它是把过去被分割在不同公司、不同部门、不同学科里的变量重新放回同一个优化问题里。1980年Stanford的John Hennessy可能不会想到他在写MIPS架构手册时提出的一个学术思想会在四十六年后变成一家5万亿美元的市值会重新定义一个时代的计算工业。但他可能想到了一件事在物理极限到来时反对孤岛式分工的人会赢。这条规律过去四十年没有变过。未来四十年大概率也不会变。而对中国AI产业来说这意味着一个更尖锐的问题在英伟达定义了“全栈Co-Design”之后我们的Co-Design路径应该在哪一层、用什么资源、以什么节奏被设计出来这个问题比“如何复制英伟达”重要一万倍。原文链接芯片免费也未必便宜英伟达的第二条性能曲线-36氪