NVIDIA 3次赌命：从破产边缘到4万亿市值，黄仁勋靠一个"错误"翻身

NVIDIA 市值突破 4 万亿美元那天，华尔街的交易员们算了一笔账：这家公司曾在 1996 年离破产只差 30 天现金。从濒临死亡到全球市值第一，中间隔着三次"自杀式"押注。第一次押错了，差点死掉；第二次押早了，被骂了十年；第三次押对了，但没人相信他能赢。

这不是励志故事，是一个产品经理用 30 年验证的残酷逻辑：技术信仰需要现金流续命，而现金流往往来自你鄙视的生意。

1993：三个失败者的开局，芯片行业的"反常识"入场

黄仁勋创立 NVIDIA 时 30 岁，之前被 AMD 和 LSI Logic 两家公司开除过。他的两个联合创始人——Chris Malachowsky 和 Curtis Priem——同样是被行业边缘化的工程师。三个人在圣何塞一家餐厅的 booth 里画出了第一张芯片图纸，启动资金只有 200 万美元风险投资。

当时的芯片行业有个铁律：做图形处理（GPU）死路一条。PC 市场被英特尔 CPU 垄断，图形只是 CPU 的附属功能，没人愿意单独花钱买一块"加速卡"。黄仁勋的选择像是明知山有虎——他赌的是 3D 游戏会爆发。

这个判断本身没错，但执行出了大问题。1995 年，NVIDIA 首款芯片 NV1 上市，选择了当时最冷门的四边形填充（quadrilateral）技术路线，而非行业主流的三角形多边形（polygon）。结果？世嘉（Sega）是唯一大客户，订单量撑不起产能，公司账上现金只够烧 30 天。

「我们离破产如此之近，以至于我每天早上醒来都在想，今天是不是该关门了。」黄仁勋后来回忆。1996 年，他做了一个被董事会反对的决定：放弃 NV1 的全部技术积累，砍掉四边形路线，从零开始研发三角形架构的 RIVA 128。这意味着承认前三年研发投入全部打水漂，但如果不转，30 天后就没有 NVIDIA 了。

RIVA 128 在 1997 年上市，首年销量 100 万块。这笔钱让公司活了下来，但黄仁勋记住的不是成功，是转身的痛感：技术信仰不能当饭吃，该砍就砍。

1999-2006：GPU 是"显卡"，但黄仁勋非要叫它"计算引擎"

活下来的 NVIDIA 成了游戏显卡代名词。1999 年推出 GeForce 256，首次定义 GPU（图形处理器）概念；2000 年代初期，每款 3A 大作的发售都伴随着"N 卡还是 A 卡"的争论。按正常逻辑，公司应该深耕游戏市场，把显卡做成印钞机。

黄仁勋偏不。2006 年，他推出 CUDA（统一计算设备架构），一个让开发者用 GPU 做通用计算的工具包。意思是：这块"显卡"不仅能画图，还能算股票模型、模拟蛋白质折叠、训练人工智能。

华尔街的反应是：你疯了吗？

游戏显卡毛利率 60%，企业级计算市场几乎为零。CUDA 前五年投入超过 10 亿美元，却看不到回报。股东电话会议上，分析师反复追问同一个问题：为什么不把资源集中在游戏业务？黄仁勋的回应是：「我们在投资一个还不存在的市场。」

这个"不存在的市场"让他付出了代价。2008 年金融危机，NVIDIA 股价从 37 美元跌到 6 美元，市值蒸发 80%。更糟的是，英特尔和 AMD 都在推自己的 GPU 计算方案，CUDA 看起来像是又一个技术自嗨。

但 CUDA 积累了一个关键资产：开发者。到 2012 年，全球已有 20 万程序员在用 CUDA 写代码，虽然大多数人只是为了加速自己的科研模型。这个群体成了 NVIDIA 最隐蔽的护城河——当 AI 爆发时，全世界会 CUDA 的工程师，天然就是 NVIDIA 的用户。

2012-2024：ImageNet 那一夜，黄仁勋等了 6 年的"意外"

2012 年 9 月 30 日，多伦多大学的 Alex Krizhevsky 带着两块 NVIDIA GTX 580 显卡，在 ImageNet 图像识别竞赛上碾压了所有对手。他的神经网络模型错误率比第二名低 10.8 个百分点，而训练这个模型只花了几天——传统 CPU 集群需要数周。

深度学习（deep learning）的算力瓶颈，被游戏显卡意外解决了。

黄仁勋等这一刻等了六年。CUDA 推出时，他设想的"通用计算"场景是气象模拟、金融建模、石油勘探——全是传统高性能计算（HPC）的领地。AI 训练不在计划内，但 GPU 的并行架构恰好匹配神经网络的矩阵运算需求。

ImageNet 之后的故事被复述太多次：2016 年黄仁勋亲手把第一台 DGX-1 超级计算机送到 OpenAI，2017 年 Transformer 架构发布，2022 年 ChatGPT 引爆生成式 AI。NVIDIA 数据中心业务从 2016 年的 8.3 亿美元增长到 2024 年的 1150 亿美元，八年翻 138 倍。

但少有人注意的是，黄仁勋在这个周期里做了另一个"错误"决定：2019 年收购 Mellanox，一家做网络设备的公司，成交价 69 亿美元。当时没人理解，AI 算力为什么要买网络公司？

答案在 2023 年揭晓。大模型训练需要数千块 GPU 协同工作，瓶颈从单卡算力变成了卡间通信。Mellanox 的 InfiniBand 网络技术成了 GPT-4 训练的基础设施，这笔收购让 NVIDIA 从"卖铲子"升级成"卖整条挖矿流水线"。

2024 年，NVIDIA 数据中心业务毛利率 76%，比游戏业务还高。那个"不存在的市场"，最终成了比游戏更肥的现金牛。

4 万亿之后的隐忧：黄仁勋的第四次押注会是什么？

市值登顶的 NVIDIA 面临一个老问题：所有技术红利都会过期。CUDA 生态被 AMD 的 ROCm 和英特尔的开源方案围攻，谷歌 TPU、亚马逊 Trainium 等专用芯片在特定场景性价比更高。更直接的威胁来自客户——微软、Meta、谷歌都在自研 AI 芯片，2024 年三大云厂商资本开支的 40% 流向了"非 NVIDIA"选项。

黄仁勋的回应是 Omniverse 和机器人。2024 年，他在 GTC 大会上用两小时演示了"物理 AI"——让机器人在虚拟世界里训练，再部署到现实。这个场景比 AI 训练更小，比自动驾驶更虚，但逻辑和 2006 年推 CUDA 时一模一样：投资一个还不存在的市场。

历史不会简单重复。2006 年 CUDA 有游戏业务输血，2024 年的 Omniverse 没有这样的现金牛。NVIDIA 的研发投入从 2016 年的 15 亿美元膨胀到 2024 年的 110 亿美元，股东对"长期主义"的耐心正在变薄。

黄仁勋今年 61 岁，还在穿那件标志性的皮夹克。上个月有记者问他：如果 Omniverse 失败了怎么办？他的回答是：「我已经失败过很多次了。问题是，你能从失败里学到什么？」

1996 年他学到了"该砍就砍"，2006 年他学到了"提前六年布局"，2019 年他学到了"控制基础设施"。现在他赌的是：当物理世界需要 AI 时， Omniverse 会是唯一的训练场。这个判断对吗？也许 2030 年会有答案——如果 NVIDIA 还没被自己的客户颠覆的话。