CUDA 护城河深拆

6.1英伟达的优势主要在软件

常见的误解是把英伟达的优势等同于芯片更快。芯片性能上的领先，一般 12–18 个月就会被追上，AMD 的 MI300X 靠 192GB HBM3 高带宽内存，在单卡内存容量上已经超过了 H100。真正让英伟达在数据中心 AI GPU 上长期领先的，是 CUDA（统一计算架构）这套软件生态。到 2025 年，AMD 的数据中心 GPU 份额仍不足 5%^1,2。

CUDA 难以替代，主要原因不在技术有多先进，而在于迁移成本分散在全球数百万个独立的开发者和团队身上。

网络效应加上转换成本，比专利更难拆³。下面依次看：优势里硬件和软件各占多少，财务数据能不能证明，谁在追赶，以及毛利率下降时怎么分辨是成本上涨还是被替代。

6.2换芯片等于换掉整套软件

CUDA 始于 2006–2007 年，是英伟达让 GPU 从图形处理变成通用计算的编程平台。多年积累下来，它形成了开发者、应用和加速库三层资产：黄仁勋在 GTC 2025 上说，自 2006 年以来 CUDA 开发者已有 600 万；基于 CUDA 优化的应用超过 3,000 个，加速库超过 300 个。这些资产最后体现在收入上：FY2027 第二季度，英伟达数据中心营收 $890 亿，占总营收约 93%^4,5,6。

开发者人数有两个口径：此前长期引用的 400 万以上是 2025 年初的口径，600 万是自 2006 年起的累计数。两个数字都是公司自己公布的，没有第三方审计。这里采用较新的 600 万，但它带有宣传性质，做估值假设时不宜当作确定的常量。

这些资产为什么难换掉？开发者在 PyTorch（主流 AI 训练框架）里写的每一行矩阵乘法，底层都要经过英伟达的一整套软件。大约 99% 的并行操作已经由英伟达预先写好、封装进库里，只有约 1% 的开发者需要自己写底层 kernel⁷。

6.3越靠软件的部分越难追上

把英伟达的优势拆成四个部分，按被追上的难易程度排，大致如下：

英伟达自己的战略表述也是"护城河是软件，不是硬件"。这也解释了它为什么要把竞争从单颗芯片抬到整机柜（详见第 7 章）：GB200 NVL72 用 NVLink 5.0 把 72 颗 GPU 连成一个算力池，对手要追，就不能只比单芯片性能，还得在互联和整机系统上投入整机柜的成本^8,9。

6.4毛利率下行来自成本，不是替代

优势有多大，最终要看定价权，也就是在卖出大量芯片的同时，毛利率能不能守住。截至 2026 年 7 月的近四个季度：

一家硬件公司做到 75% 的毛利率和 66% 的营业利润率，这是软件和平台公司才有的财务特征。客户离不开 CUDA，英伟达才能在芯片售价里收取溢价。FY27 第二季度营收 $962 亿，同比增长 106%，已经连续第四个季度同比加速。

不过毛利率正在下行。原因公司说得很明确：HBM 涨价带来了投入成本压力，公司已经提价，新价格从 FY28 第一季度起生效^11,12。这一次毛利率下行来自成本端，并不是 ASIC 抢走了订单。

公司指引第三季度毛利率 74.0%，第四季度在 71–72% 见底，FY28 回到 72–73%（第 2 章有走势图）⁶。

过去市场常把"毛利率跌破 73%"当成 ASIC 替代的第一个财务信号。第四季度就会跌破这条线，但原因是 HBM 涨价，沿用旧信号会误判。现在毛利率百分比同时受成本和竞争两方面影响，需要拆成四项来看：

6.5对手从软件和互联两头追赶

想绕开英伟达的力量分两路：一路在软件上直接替代 CUDA，另一路在互联上替代 NVLink。两路的进度和受益方完全不同，要分开看。

软件这一路的正面方案是 AMD 的 ROCm，AMD 从 2016 年开始做的开源 GPU 计算栈，也是唯一与 CUDA 正面对标的方案，通过 HIP 层让 CUDA 代码能以较低成本移植过来。到 2026 年，框架层面已经基本打平：PyTorch、vLLM、SGLang、JAX 都有官方的 ROCm 后端，2025 年 9 月发布的 ROCm 7 做到了 PyTorch、vLLM 首日支持，并原生支持 FP4 和 FP8^16,17。

更深的一层仍然卡着：依赖 TensorRT-LLM、FlashAttention 3 的负载只能留在 CUDA 上，长尾算子和最新的研究代码也总是先出 CUDA 版本。软件栈本身就是性能的主要变量，同一块 GB300 换一个推理引擎，每兆瓦吞吐就差 35%¹⁹。

所以 ROCm 打开的是推理和开源模型这个细分市场，还谈不上全面替代。AMD 靠这个窗口进入了 OpenAI 2025 年 10 月宣布的硬件合作（英伟达、博通、AMD 三家合计 26GW），又在 2026 年 2 月拿下 Meta 6GW、$600 亿的多代 Instinct 协议，但份额仍不足 5%。中国的海光信息（688041.SH）走 ROCm 兼容路线，近四季营收约 ￥198 亿；ROCm 开源，客观上帮了国产替代^1,20,21。

软件这一路还有另一种办法，是用抽象层绕开 CUDA，这是英伟达最需要警惕的方向。大多数开发者不直接写 CUDA，而是写 PyTorch，只要 PyTorch 能编译到任何硬件上，CUDA 的锁定就被绕过去了。目前有三方面进展：

• OpenAI 开源的 kernel 语言 Triton，配合多级中间表示 MLIR，可以一次编写，在英伟达、AMD 和 ASIC 等多种后端上运行⁷。
• 谷歌的 TorchTPU 让 PyTorch 经 XLA 编译器原生运行在 TPU 上。SemiAnalysis 9 月实测时，外部版还没有开源，计划 10 月开源²²。
• AWS 的 TorchNeuron 把设备名从 cuda 改成 neuron 就能在 Trainium 上运行；但测评作者认为它的成熟度仍远不及 CUDA，一部分研究代码会直接调用 CUDA 的命名空间²³。

互联这一路针对的是英伟达优势中排第二的部分：NVLink 负责机柜内的 GPU 互联，InfiniBand 负责集群之间的网络。两个开放联盟分别对准这两块：

来源：知识库「UALink」；知识库「Ultra Ethernet」^25,26

这两个联盟是自研 ASIC 阵营对英伟达打包销售的集体回应。受益的不是英伟达的对手芯片，而是中立的网络供应商：Broadcom（Tomahawk 交换芯片和 ASIC 设计）、Arista（AI 以太网交换机），以及借 UEC 标准进入全球供应链的盛科通信和中科驭数。不过标准的成熟时间比英伟达 Spectrum-X 和 Quantum 的商用节奏晚 2–3 年，在对延迟敏感的训练场景里，InfiniBand 仍然领先^27,26。

6.6被追上的是边缘，长期风险在抽象层

• 英伟达优势的深度依次是软件、互联、系统和单芯片。投资英伟达，买的主要是 CUDA 软件生态，不是 GPU 跑分；近四季 74.7% 的毛利率和 66% 的营业利润率是它在财务上的体现。
• 对手正在追上的都是边缘：ROCm 拿到推理和开源模型市场，中立互联利好博通、Arista 和国产网络厂商。
• 长期风险在抽象层：3–5 年内一旦 PyTorch 后端彻底中立，CUDA 的溢价会被结构性削弱。
• FY27 第四季度毛利率降到 71–72% 是 HBM 成本推动的，不是替代信号；替代信号是提价落不了地、毛利额和营业利润率同降、数据中心收入增速持续落后于云厂资本开支。

下一章看英伟达怎样把竞争从单颗芯片抬到整机柜和网络。