黄仁勋与杨小凯

文 | 清和 智本社社长

英伟达在干什么？

它试图为AI产业链融资。2026年8月，英伟达联合Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR，拟建立融资平台，长期撬动超过5000亿美元第三方资金。

它为上游托底。数据显示，截至2026年7月，英伟达采购承诺从上一季度的1190亿美元升至2790亿美元，主要增量来自存储。

它还向下游注入信用。数据显示，截至7月26日，英伟达应收账款631亿美元，应付账款151亿美元，差额480亿美元。销售回款天数由上一季度的45天升至60天。公司披露，对部分投资级客户提供90天至一年的付款期限，以配合大型数据中心建设。这一操作与中国大厂完全相反。

对上游存储厂商承诺高价采购和需求扩张，对下游云厂商提供照付不议和最低收入承诺，英伟达为此牺牲部分利润率。公司预计毛利率将从二季度的75%降至四季度的71%—72%，之后随着已执行提价生效，回到72%—73%。

具体事件：英伟达为SB Energy俄亥俄州项目提供分阶段生效的担保，最大名义敞口1050亿美元；购买联发科发行的35亿美元可转债，合作范围覆盖云端AI、端侧计算和汽车。

英伟达像是一个AI产业链的组织者和“准央行”。它正在利用自己的信用为产业链创造流动性，将融资信用传递给供应商、AI实验室、云厂商和数据中心项目；同时，它提供长期订单、信用和技术标准，提高产业链的稳定性。

不过，市场一直为英伟达的“循环融资”和过度担保感到担忧。

问题来了，这样的英伟达，更强大还是更脆弱？这样的AI产业链，更安全还是更危险？

本文将黄仁勋与杨小凯联系起来，从理论上探索全球AI产业链极致分工下的脆弱与反脆弱、外部化与内部化。

本文逻辑

一、分工的悖论：效率深化与单点脆弱

二、边界的选择：市场交易与内部组织

三、治理的演进：风险内化与分工深化

【正文8000字，阅读时间20'，感谢分享】

分工的悖论：效率深化与单点脆弱

首先我们要从亚当·斯密讲起。

斯密在《国富论》第三章中提出，分工受到市场范围的限制。市场规模太小，分工难以精细化。为什么要来大城市找工作？大城市分工精细，形成很多彼此交易的工作岗位。如果想找一份搬运工作，不能去小村庄，小村庄的市场规模养不活一个搬运工。

反过来，在控制其他条件的情况下，市场规模越大，分工越精细，技术越先进。

斯密举例说，伦敦与爱丁堡之间的海运和河运成本比陆运低得多，拓展了市场范围，因此沿海和通航河流地区能够服务更大的市场，也更早形成精细分工。

大航海把全球连接成一个最大的市场。这个全球市场将专业分工推至极限。以全球AI产业链为例，从EDA、芯片设计、晶圆制造、光刻、先进封装、HBM，到互联、服务器、数据中心和云服务，每个环节都由来自不同国家的高度专业化企业承担。

但是，更大市场不一定带来更多供应商。相反，市场越大，专业分工越强，可替代供应商反而越少。在一个分工精细的全球产业链中，每一个关键环节的固定成本极高、学习成本极高、进入壁垒极高。市场扩张奖励最领先的几家供应商扩大规模，同时容易排斥新进入者，结果是关键节点只剩一家或几家企业。

经济合作与发展组织（OECD）2025年的研究显示，先进光刻、先进AI芯片制造和AI计算GPU三个环节，最大供应商的全球份额均超过80%；HBM则由SK海力士、三星和美光三家占据超过60%。OECD另一项研究估计，台积电占全球先进逻辑芯片产量的90%以上。

由此，这就出现了我之前文章提出的全球AI产业链悖论：市场规模巨大，分工极深，单点脆弱也极高。

节点的脆弱性，主要指高度集中、不可替代、库存不足和恢复周期长同时出现。分工越细，节点就越多；不可替代的节点越多，单点脆弱也就分布得越广。

例如阿斯麦与蔡司。阿斯麦是全球唯一能够批量供应先进EUV设备的企业，但它高度依赖唯一的关键光学供应商德国蔡司。阿斯麦也承认，如果蔡司长期无法供应光学系统，公司事实上将无法继续经营。

企业该如何控制风险？压缩分工，自建供应链？

阿斯麦的应对方式不是降低专业分工，而是选择性内部化。

什么意思？阿斯麦收购光源企业Cymer、电子束检测企业HMI和光学模块企业Berliner Glas；同时持有德国蔡司的24.9%权益，并支持其研发和资本开支。

同样，今天的英伟达也面临全球AI产业链极致分工带来的脆弱性风险。

英伟达采取的策略更多元，它没有收购台积电或存储厂商，而是为上游提供现金流和技术支持、为下游注入信用，即以长期采购、产能承诺和联合开发锁定上游；以延长账期、最低收入承诺、股权投资和担保稳定下游。

具体来说：

其一，市场缺钱，英伟达通过自己的信用为AI产业链融资。

如果美国几家科技公司把过去十年的利润花掉了（假设整体储蓄不足），没有这笔巨额投资建设算力中心，很难想象，今天的AI会变成什么样子。尽管如此，今年AI依然需要大规模借钱融资。如今美国长债收益率居高不下，说明AI的私人融资对政府融资产生了挤出效应。如果不是主要国家管控债务能力增强，这次AI融资推高利率，足以引发一场政府债务危机。

在高利率之下，AI融资成本高、风险大，怎么办？看谁有钱，谁有钱，谁担保。云厂商的巨额利润通过资本开支输送给了半导体厂商，英伟达将这笔巨额收入转化为AI产业链信用资产，与金融机构合作，为AI产业链注入流动性。英伟达与Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR合作，计划长期动员超过5000亿美元第三方资金建设AI基础设施。

其二，英伟达用现金为上游托底。

去年下半年开始，存储芯片持续大涨；到今年下半年，价格涨到云厂商难以承受。市场开始担心AI投入的可持续性，这导致存储芯片股价回调。不过，英伟达提高对存储厂商的采购承诺，以支持存储厂商继续扩张产能。

数据显示，截至2026年7月，英伟达的采购承诺从上一季度的1190亿美元升至2790亿美元，主要增量来自存储。

其三，英伟达将自己的信用注入下游。

具体怎么做？

首先是为AI云厂商提供收入保障。英伟达对上游存储厂商承诺高价采购和需求扩张，对下游云厂商提供照付不议和最低收入承诺，为此牺牲部分利润率。公司预计毛利率将从二季度的75%降至四季度的71%—72%，之后随着已执行提价生效，回到72%—73%。

其次是为数据中心建设提供融资担保。英伟达为SB Energy俄亥俄州项目提供分阶段生效的担保，最大名义敞口1050亿美元。

第三是采购债券为合作商提供融资与计算合作。英伟达购买联发科发行的35亿美元可转债，合作范围覆盖云端AI、端侧计算和汽车。

第四是大规模投资AI生态。9月3日，黄仁勋宣布，英伟达已同意以129.3亿美元的价格收购全球最大的AI开源社区与平台Hugging Face。后者是全球最大的AI模型、数据集和应用仓库，目前汇聚了超过1800万名开发者，分享了超300万个模型、50万个数据集和100万个应用。如果加上该项目，英伟达股权投资超过1000亿美元，其中接近500亿美元投向前沿AI实验室。

第五，向客户延长账期。部分投资级客户获得90天至一年的付款期限，以配合大型数据中心建设。前五大客户占应收账款约70%。

数据显示，截至7月26日，英伟达应收账款631亿美元，应付账款151亿美元，差额480亿美元。销售回款天数由上一季度的45天升至60天。

中国大厂的应付账款远大于应收账款，账期不断延长，持续向供应链融资。英伟达的操作相反，应收账款远大于应付账款，延长客户回款期限，为产业链注入信用。我将发布一份专业报告分析。

英伟达为什么要做这些事情？

当前，AI处于技术革命周期中的高回报阶段，控制关键单点的企业掌握了强大的议价权，他们乘机大幅度提价。这就是上面讲的单点脆弱风险。而在极致分工的AI产业链中，单点分布广泛，其中英伟达和三大存储厂商是最具议价能力的企业，台积电、阿斯麦和部分设备、材料厂商也掌握议价权。今年以来，AI产业链上游价格大涨，但是下游token价格快速下跌。AI革命如何进行下去，是一个问题。我之前说过，如果产能不释放，AI革命是没办法进行下去的。这就是单点脆弱的风险暴露。

英伟达正在做的事情就是，在单点完全掌控定价权的极端阶段，同时组织技术、订单、产能和信用，以平衡整个产业链，避免单点突然脆断。为上游保障现金流和提供技术支持，促进存储厂商扩产放量；为下游注入信用，可以降低云厂商的现金流压力，提升AI大模型的技术能力和应用能力，持续拓展并稳定整个产业链。

可见，英伟达的角色，正从芯片供应商转向AI产业链的信用和技术组织者。

边界的选择：市场交易与内部组织

这事为什么跟杨小凯有关系？这是新制度经济学中非常重要且成熟的研究议题，下面作简要阐述。

先说罗纳德·哈里·科斯。

科斯的洞察力超越一般的经济学家，他提出一个问题：如果市场是有效率的，为什么还需要企业？反过来，如果企业是有效的，那么企业为什么不会吞噬市场？

他在1937年发表了一篇论文《企业的本质》，在论文中，科斯用交易费用来识别企业的边界。反过来，也就是识别了市场的边界。

科斯提出，价格机制不是免费的，寻找价格、谈判、签约、监督和反复适应变化都需要成本。这些成本统称为交易费用。当交易费用达到一定程度，市场就不会进一步扩张、不会进一步分工。确实，如果市场被切分成一个个极为细小的环节，交易费用是惊人的，市场也就变得低效。当市场的交易费用大到一定程度，企业会将部分交易环节内部化，通过内部组织来降低交易费用。

但是，企业内部组织同样不免费。企业组织规模扩大后，不同业务之间的异质性增加，内部协调成本也会上升。当内部协调成本达到一定程度，企业就不再进一步扩张，企业不会大到吞噬整个市场。

所以，企业扩张和市场扩张的共同边界就是：再内部化一笔交易的成本等于通过市场完成这笔交易的成本。

科斯通过交易费用和内部组织费用识别了企业与市场之间的边界，也就是识别了市场分工的边界。企业通过评估这两项成本来确定外部交易与内部组织的边界。如一家企业可以外包晶圆制造，内部化技术接口；无数企业按这一理性原则来操作，也就在边际上确定了市场分工的边界。

再说杨小凯。

杨小凯因其特殊经历以及将“后发劣势”引入中国讨论而广为人知。但是，很少人知道，杨小凯到底做了什么学问。

杨小凯的重要理论是超边际分析。什么叫超边际分析？

先说边际分析，它研究的是在既定结构下，微小变量带来的效果，例如你有1000元，多买一单位的苹果，还是多买一单位的香蕉。

超边际分析研究的就是结构本身——所以叫“超边际”，研究选择结构本身带来的跳跃性变化。例如，你不是在多买一单位苹果和香蕉之间选择，而是选择自己种水果，还是在市场上买水果。前者是自给自足，后者是加入市场分工和交易。

所以，边际分析是连续的“内点解”，超边际分析是非连续的、跳跃式的“角点解”。

更多精彩内容，加入智本社会员

杨小凯跟科斯有什么关系？

科斯将交易费用引入经济学，开创了新制度经济学这条道路，后来者沿着这条路继续推进。杨小凯则用交易费用分析斯密和杨格的专业分工理论。

简单来说，一个人选择自己做饭吃，还是去餐馆吃饭。前者有点像自给自足（做饭环节），后者参与市场分工与交易。你如何选择？如果你的时间价值高，倾向于去餐馆吃饭或者叫外卖；如果你的时间价值较低，同时做饭效率高、做饭好吃，则倾向于自己做饭。这就是超边际分析。

杨小凯的优势在于数学建模。他把交易成本变成模型里的交易效率参数——每个人在多个角点解之间做超边际选择，均衡的分工水平由交易效率决定。这就把斯密和杨格的理论数学化。

有人提出，企业内部组织生产，其实也是参与市场分工与交易，只是把商品交易变成服务交易，即雇佣劳动者。

杨小凯与黄有光（1993）合著的《专业化与经济组织》回应了这个问题，他们把劳动力的交易效率与中间品的交易效率进行比较：当劳动力的交易效率高于中间品的交易效率时，人们会去交易“劳动”而不是“产品”，企业制度由此内生出现；相反，则是市场拓展边界和分工。

所以，英伟达的超边际分析，不是多生产一块GPU还是少生产一块GPU（这是边际分析），而是哪些自己生产，哪些外部交易，哪些部分分工，哪些完全分工，比较各个角点的总收益与总成本，实现企业—市场组合效率和效益最大化。

例如，英伟达收购台积电好，还是选择外部交易？晶圆制造具有极强规模经济，如果把制造内部化，英伟达的资本开支、良率管理和半导体周期风险也会增加，内部化的“劳动”交易效率可能低于中间品的交易效率。

但是，CUDA、GPU架构、NVLink、网络和系统设计不同，这些环节需要高频联合调整。如果使用外部交易，跨企业谈判与协调的成本极高，内部化的“劳动”交易效率高于中间品的交易效率，英伟达选择把这些环节留在内部组织。

奥利弗·威廉姆森又把研究推进了一步。

威廉姆森是交易成本经济学的主要奠基者之一，也是“新制度经济学”这一名称的提出者。威廉姆森的主要贡献是把科斯的交易费用具体化，把交易拆成资产专用性、“敲竹杠”风险、交易频率和需求适应，并主张根据交易特征来选择治理方式。

什么叫资产专用性？比如，铁轨专门为火车设计，这种资产就是专用性很强的资产。大模型是通用模型，属于通用资产，但是专门为大模型训练或GPU集群定制的设备，是专用性资产。

通常，产业链分工越精细，技术专用性越强，专用资产就越多。例如，在AI产业链中，一套为2纳米芯片定制的精密设备；一条为特定GPU建设的封装产线，一座围绕特定系统设计的数据中心，一座为特定数据中心设计的园区和厂房，这些都是专用性很强的资产。

这些分布在产业链上的专用资产存在一个巨大风险：一旦投资完成，就难转作他用，客户一旦违约，巨额的专用性资产可能化为泡影。这就存在“敲竹杠”问题。客户会利用专用资产的不可转移风险和巨大的沉没成本，对供应商“敲竹杠”，趁机压价。

如果你是供应商，该如何应对？你可能会选择采取长期采购、预付款等方式来降低被“敲竹杠”的风险。这就是极端分工对专用性资产交易的治理模式。

AI产业链更为复杂，除了存在大量的单点脆弱、专用性资产，技术路线、芯片迭代、算力租金和终端需求都可能变化，合同无法穷尽所有，需要确立更多弹性条款，如谁有权调整设计、交付、价格，以及损失如何分担。

杨小凯更关注效率，威廉姆森更关注风险，并将其落实为治理模式。

按照威廉姆森的主张，标准化程度高、供应充分的一般电子元器件，适合市场交易；HBM、先进封装等稀缺而专用资产，使用长期采购、预付款、产能承诺和联合开发；GPU架构、CUDA和系统互联等需要持续适应、高频联合调整的环节，则由企业内部化组织和控制。

总结一下，科斯解释企业和市场的边界；杨小凯解释分工结构为何发生跃迁，比较劳动力的交易效率和中间品的交易效率；威廉姆森解释交易中不同资产与环节面临的风险，并因此形成混合多元的治理模式。

把三套理论叠加，来看英伟达。

全球AI产业链分工极为精细，单点脆弱分布密集，专用性资产巨大，英伟达等大型企业该如何降低单点脆弱，保护专用性资产，实现效率最大化？

英伟达采用的是混合多元的治理模式。对AI生态，选择直接股权投资和收购，采取内部化策略，此时内部劳动力交易效率高于外部中间品交易效率。对晶圆制造，选择外部市场交易。对上游提供现金流和技术支持，对下游提供投资、最低收入承诺、担保和延长账期，这些属于中间状态，也可以称为选择性内部化。

中间状态最为复杂。英伟达并非直接收购上下游，而是通过信用和契约提高控制力，降低项目中途断裂的概率。

例如，购买联发科发行的35亿美元可转债，一方面是为联发科融资，另一方面与其共同开发技术。又如，为SB Energy俄亥俄州项目提供分阶段生效的担保，这是为算力中心项目提供融资，同时增强下游的购买力。

可以看出，英伟达正在推进复杂而多元的治理模式，重塑其与供应商、开发者、云厂商和资本市场的边界。

但是，我们不能假设，英伟达所做的都是正确的。实际上，今年以来，资本市场对英伟达的行为，尤其是循环融资，感到担忧。

治理的演进：风险内化与分工深化

实际上，面对同样的产业链分工，不同企业采取不同的策略。

苹果一直采用的是封闭式策略。苹果将软硬件一体化，把做得好的全部纳入内部组织，做不好的选择外部市场交易。这就是苹果的超边际选择。

于是，苹果形成了一个强大的系统，尤其是硬件优势特别大。为了增强这个体系的稳定性，苹果对整条供应链采取选择性内部化。库克是供应链管理大师，他用苹果的理念和技术对富士康的供应链进行改造，二者高度绑定，可以说富士康就是苹果的专用资产。富士康是一家拥有几十万名工人的企业，居然能够对苹果产品的设计、技术等信息严防死守，这让人感到震惊。苹果产业链迁移到印度后，苹果的机密信息被泄露至暗网。

但是，在AI产业链中，苹果就是一个“局外人”，它没有大规模投入芯片，也没有像微软、谷歌一样押注云服务，而是死守硬件和入口。今年以来，苹果成为了AI股的反向指标。尽管承担存储芯片成本上涨的压力，但苹果依然是AI的受益者，AI大幅度提升了硬件设备的需求，苹果乘机升级、坐享其成。苹果赌的是，未来的“AI手机”难以攻破其硬件护城河。

谷歌的策略则完全不同，它是一家全栈式的互联网和AI企业。

从治理上来说，谷歌采取的是典型的中间治理模式，即开放式的选择性内部化。谷歌是一个开放生态，它在内部投资了很多实验室和创新项目，其中一些项目和人才又向外流动；它还在外部投资了不少科技企业，如SpaceX。同时，从应用、大模型到云服务、芯片，谷歌拥有全栈式AI。所以，在AI整个产业链中，谷歌江湖地位很高，技术和产品也很丰富，但又没有掌握行业定价权和领导权。

英伟达无疑是当前AI产业链的领导者，掌握着充分的定价权。

它正在构建的多元治理模式，至少有几个好处：

第一，在行业定价最极端阶段，英伟达选择性内部化，可以降低产业链脆弱性和不确定性，有助于扩大供给和需求。这个行业运行下去，英伟达自然是最大的受益者。

第二，英伟达以GPU为核心进行内部化，形成包含GPU、CPU、HBM、网络、软件的整机系统，可以提高AI产业链“发动机”的稳定性，提升行业效率，同时提高自身的护城河。这类似于宁德时代为行业提供电池动力总成系统，汽车厂商只需要安装一个外壳、一个Logo以及彩电冰箱大沙发，大大降低造车难度。我也因此戏称造车像搞装修。

第三，英伟达把技术资产变成金融抵押品和行业信用创造者，为行业引入长期机构资本，降低了融资风险和成本。

但是，市场的担心不无道理。英伟达采用更复杂的治理模式，试图降低产业链风险，也可能催生新的风险：

第一，需求真实性风险。如果客户的购买能力依赖英伟达投资、担保或延长账期，市场不容易识别，当前的销售是否反映了市场的真实需求。市场不得不高度关注终端收入，如果终端收入不能提升形成独立现金流，那么这个循环融资就无法持续。

第二，风险集中且叠加。英伟达延长客户账期、承诺采购、为下游担保、进行股权投资和购买债券，都是将风险转移到自身，甚至牺牲部分利润率和现金流。如果市场突然生变，这些风险可能会集中暴露。算力租金、利用率和客户现金流下降，应收账款、担保、投资估值和供应承诺同时承压，这个时候稳定器就会变成放大器。目前来看，这种情形发生的概率不高。

反垄断审查风险。英伟达推进的复杂治理模式，容易引发监管的警惕。

当然，治理模式不是一成不变。

市场分工与治理模式，二者相互演进。

市场分工中的一个关键变量是技术成熟度。当技术快速突破时，软硬件高度耦合，替代供应尚未形成，需要采用选择性内部化，把最难交易、最难协调的接口暂时收入自己的控制范围；当技术趋于成熟，工艺趋于标准，质量容易验证，且扩散性增强，其他供应商也会出现，单点脆弱下降，外部交易效率就会提高。这个时候，原有的选择性内部化安排就会逐步转为外部交易，市场分工因此进一步扩大。

另一个变量就是产业链信用的成长。当AI应用收入、云算力租金和利用率持续上升，客户形成独立现金流，英伟达就可以逐步退出信用支持，市场分工重新深化。

杨小凯还强调投资与专业化学习之间的关系。合作商需要经历学习期和亏损期，英伟达的长期采购、预付款和产能承诺，也在为专业化学习提供跨期融资，积累新的产能、技术和信用。

最后，科斯用交易费用识别了企业组织和市场分工的边界；杨小凯用数学模型告诉我们市场分工如何形成；威廉姆森指出市场分工程度不同、风险不同，应该采用合适的治理模式；黄仁勋所做的就是，在AI产业链分工走到极致时，选择合适的治理模式，防止整个体系被最脆弱的节点打断。

用一句话概括：在当前AI需求高速增长、技术尚未完全成熟、硬件单点极端定价、产业分工超过市场协调能力的阶段，英伟达用自己的技术资产、订单和信用注入整条产业链，正在形成一套组织全球AI专业化资源的多元治理体系。