Notes

外观

NVIDIA 五层蛋糕、控制力与护城河总结 ​

背景 ​

这份笔记基于 Jensen Huang 在 Dwarkesh Patel 播客中的“五层蛋糕”表述，以及 NVIDIA 官方对 AI 五层栈的解释，整理 NVIDIA 在 AI 时代的定位、控制力分布与护城河结构。

NVIDIA 官方将 AI 概括为五层：

  1. Energy（能源）
  2. Chips（芯片）
  3. Infrastructure（基础设施）
  4. Models（模型）
  5. Applications（应用）

Jensen 的核心意思不是“英伟达拥有全部五层”，而是：英伟达试图在这五层上都建立生态，并牢牢卡住其中最关键、最难迁移的中间层。

一、五层分别是什么 ​

1. Energy（能源） ​

这一层包括发电、供电、配电、制冷、数据中心电力容量等底层能力。

在 AI 时代，算力工厂最终受限于能源。没有足够的电力、散热和物理基础设施，再强的芯片也无法大规模部署。

2. Chips（芯片） ​

这一层包括 GPU、CPU、DPU、网络芯片以及相关加速器。

这是 NVIDIA 的传统强项，也是它最核心的控制层之一。

3. Infrastructure（基础设施） ​

这一层不仅包括服务器和集群，还包括：

  • 整机系统
  • 机柜与网络拓扑
  • NVLink / InfiniBand / Ethernet 等互联
  • 软件栈
  • 部署、认证、运维体系
  • 云与本地数据中心的统一平台能力

这一层是很多人低估 NVIDIA 的地方。

4. Models（模型） ​

包括基础模型、训练流程、推理流程、模型优化和模型服务化。

NVIDIA 不一定拥有最强模型，但它深度影响模型训练和推理应该跑在什么平台上。

5. Applications（应用） ​

这是价值兑现层，包括药物发现、工业机器人、自动驾驶、法律助手、企业 AI 助手等。

这一层离终端业务最近，但通常不是 NVIDIA 直接控制的层。

二、NVIDIA 在五层里的控制力排序 ​

我的判断是：

最强：

  1. Chips
  2. Infrastructure

中等： 3. Models

最弱： 4. Applications 5. Energy

这里说的不是“哪层最重要”，而是“哪层更像 NVIDIA 自己定义标准、控制接口、形成迁移壁垒的地方”。

三、逐层拆解 NVIDIA 的控制力 ​

1. Energy：强影响，弱控制 ​

NVIDIA 在这一层的话语权明显增强了，因为整个 AI 产业都在围着算力和电力转。

但从经营本质上说，NVIDIA 并不控制发电厂、电网、地产和多数数据中心土建资源。它更多是：

  • 趋势定义者
  • 需求放大器
  • 产业协调者

所以这一层里，NVIDIA 更像一个“推动者”，而不是“拥有者”。

结论：重要，但不属于 NVIDIA 的硬控制区。

2. Chips：NVIDIA 最强控制层之一 ​

芯片层是 NVIDIA 的根基。

它的强不只是来自 GPU 性能本身，还来自三件事情叠加：

(1) 产品定义权 ​

NVIDIA 长期定义了什么叫高端 AI 训练芯片、推理芯片和高带宽互联。

(2) 软件绑定 ​

NVIDIA 卖的不是裸芯片，而是 CUDA、CUDA-X、通信库、编译链、推理与训练优化工具一起绑定的整套能力。

(3) 平台外溢效应 ​

即使客户开始自研芯片，也往往需要考虑如何与 NVIDIA 的系统栈、软件栈兼容。

结论：芯片层是 NVIDIA 的核心控制层。

3. Infrastructure：NVIDIA 最容易被低估的一层 ​

很多人以为 NVIDIA 只是“卖卡”，但它实际上正在深度定义 AI 基础设施。

这一层的实际抓手包括：

  • DGX 平台
  • DGX Cloud
  • NVIDIA Certified Systems
  • NVLink / InfiniBand / Ethernet 网络体系
  • 多云统一开发与部署入口
  • 企业级支持、培训与运维认证体系

这里最关键的点是：

NVIDIA 不一定拥有所有机房，但它在试图定义 AI 数据中心应该怎么建、怎么接、怎么调、怎么运维。

这意味着 NVIDIA 正在变成 AI 基础设施世界里的参考架构制定者。

结论：基础设施层也是 NVIDIA 的核心控制层。

4. Models：高影响，中等控制 ​

模型层里，NVIDIA 很强，但不是绝对控制者。

它的强点在于：

  • 主流模型训练和推理大量运行在 NVIDIA 平台上
  • 它提供大量模型优化、推理部署与训练工具链
  • 它影响模型开发者对底层硬件平台的选择

但它的弱点也很明显：

  • 顶级模型资产本身通常属于 OpenAI、Anthropic、Google、Meta 等公司
  • 模型所有权、数据和最终产品关系，并不掌握在 NVIDIA 手里

所以 NVIDIA 在模型层更像：

  • 底座提供者
  • 模型工程放大器
  • 生态级推动者

而不是模型资产拥有者。

结论：模型层属于高影响、中等控制。

5. Applications：广覆盖，弱控制 ​

应用层是 AI 最终兑现价值的地方，但这也是 NVIDIA 控制最弱的一层之一。

NVIDIA 可以提供：

  • SDK
  • 模型和推理底座
  • 行业参考架构
  • 机器人、自动驾驶、仿真等垂直支持

但绝大多数行业应用不会变成 NVIDIA 自己的业务。

药企、机器人公司、企业 SaaS 公司、AI 产品公司，最终都仍然是各自的拥有者。

因此，这一层里 NVIDIA 的角色更接近：

  • 赋能者
  • 平台方
  • 底层技术供应商

结论：应用层重要，但不属于 NVIDIA 的直接控制区。

四、NVIDIA 真正聪明的地方 ​

NVIDIA 最聪明的地方，不是试图把五层全部自己做掉。

而是：

牢牢卡住五层里面最难迁移、最有复利效应、最能形成平台锁定的中间两层：Chips 和 Infrastructure。

普通芯片公司往往只能控制 Chips。

而 NVIDIA 正在同时控制：

  • 第 2 层：芯片
  • 第 3 层：基础设施

并努力向：

  • 第 4 层：模型

施加强影响。

这就是为什么 NVIDIA 更像一个 AI 平台公司，而不只是一个芯片公司。

五、从护城河角度看这五层 ​

如果不是看“控制力”，而是看“护城河厚度”，那么 NVIDIA 的核心护城河也主要集中在中间层。

最稳的护城河 ​

Chips ​

护城河来自：

  • 架构积累
  • CUDA 生态
  • 高性能软件库
  • 供应链协同
  • 安装基数

Infrastructure ​

护城河来自：

  • 集群参考架构
  • 网络与互联能力
  • 认证体系
  • 企业支持与运维体系
  • 多云与本地统一部署能力

次稳的护城河 ​

Models ​

护城河不在模型所有权，而在“模型默认跑在哪个底座上”。

但这一层更容易被顶级模型公司和 hyperscaler 自研芯片侵蚀。

最薄的护城河 ​

Applications ​

应用层竞争非常分散，NVIDIA 很难统治。

Energy ​

能源层是全行业共同依赖的底座，但显然不是 NVIDIA 自身的专属壁垒。

六、最后的总结 ​

用一句话概括这份分析：

NVIDIA 最强的地方，不是拥有 AI 五层的全部，而是牢牢控制了五层中最难迁移、最有网络效应、最能形成平台锁定的中间两层。

因此，NVIDIA 的本质更像：

  • 不是单纯的 GPU 厂商
  • 也不是最终应用拥有者
  • 而是 AI 时代最强的中间层平台公司之一

它真正的复合护城河来自：

  • 芯片架构
  • CUDA 生态
  • 基础设施参考架构
  • 企业认证与部署体系
  • 对模型层的强影响力

如果未来它的壁垒发生变化，也大概率不是芯片层突然消失，而是：

  • 模型层和推理层被分流
  • 基础设施层被 hyperscaler 部分收回
  • 但在高端通用平台上仍然保持强势

参考 ​

备注 ​

后续新增或整理分析类文档时，参考资料默认应包含可点击原始链接，避免只写来源名称。