为什么 AI 爆发以后，最赚钱的人之一，不是做 AI 的？
如果时间回到 2022 年，大多数人对于 AI 时代的想象都很直接：谁做出最聪明的 AI，谁拥有最多用户，谁最早推出能改变普通人工作和生活的产品，谁就会成为这个时代最大的赢家。按照这个逻辑，人们自然会把目光投向 OpenAI、Google、Anthropic、Midjourney，以及后来不断出现的 AI 创业公司。它们站在舞台中央，产品被无数人使用，也不断刷新公众对技术的想象。
但几年之后，一个有点反直觉的现象出现了。AI 公司越来越多，AI 应用越来越热闹，真正赚到最多钱的却不一定是这些应用公司，而是一家很多普通消费者过去并不经常注意的芯片公司。它不直接做聊天机器人，不直接做绘图工具，也不直接做办公软件。它卖的是 GPU，也就是很多人过去更熟悉的“显卡”。
这家公司就是 NVIDIA。
如果你是游戏玩家，可能很早就知道 NVIDIA。它的显卡决定了一款游戏能不能流畅运行，画面能不能更真实，电脑能不能带得动更复杂的图形。但如果你不是游戏玩家，在很长一段时间里，NVIDIA 可能只是一个偶尔听过的硬件品牌。它不像 Apple 那样直接出现在消费者手里，也不像 Amazon 那样每天和用户发生交易，更不像 TikTok 或 Instagram 那样占据普通人的注意力。
AI 爆发以后，这家公司突然站到了整个时代的中心。随着越来越多企业开始训练和部署大模型，人们逐渐发现一个共同现象：无论是 OpenAI、Google、Meta 还是微软，背后都需要大量计算资源，而 NVIDIA 的 GPU 和相关系统正是其中最关键的基础设施之一。AI 公司之间在竞争，但它们却高度依赖同一种底层能力。
于是问题就变得很有意思。为什么 AI 时代最大的赢家之一，不是某一个具体 AI 应用，而是一家卖显卡的公司？如果继续追问下去，这个案例就不只是关于 NVIDIA，也不只是关于 Jensen Huang。它研究的是另一种财富创造方式：有些公司创造产品，有些公司创造平台，还有一些公司创造基础设施。基础设施未必最先被普通用户看见，但当一个时代真的到来时，它往往会变成所有人都绕不开的东西。
案例人物
Jensen Huang，中文名黄仁勋，1963 年出生于台湾，后来随家人移居美国。他的人生起点并不像后来人们想象的科技巨头那样顺滑。年少时来到美国，语言、文化和生活环境都需要重新适应。他后来在不同场合提到过自己年轻时做过许多普通工作，包括在餐厅打工。这类经历不一定直接解释他后来的技术判断，但能解释他的某种性格底色：不太把困难浪漫化，也不太害怕从很基础的事情做起。
黄仁勋后来学习电子工程，毕业后进入芯片行业工作。他曾在 AMD 做过微处理器相关工作，也在 LSI Logic 任职。也就是说，他不是一个突然闯进半导体行业的外行人。创办 NVIDIA 之前，他已经在芯片行业积累了相当实际的经验，知道硬件公司有多难，也知道这个行业的周期、投入和风险。
1993 年，30 岁的黄仁勋和 Chris Malachowsky、Curtis Priem 一起创办 NVIDIA。那不是一个所有人都能轻易看懂图形芯片机会的年代。个人电脑正在普及，游戏市场正在成长，多媒体应用开始出现，但图形计算到底能变成多大的行业，还远没有今天这么清楚。创办 NVIDIA，某种意义上是押注一个判断：未来计算机不会只处理文字和表格，它会越来越多地处理图像、动画、三维场景和更复杂的视觉信息。
这个判断在当时并不显得惊天动地。它不像互联网那样能让普通人立刻想象出巨大商业空间，也不像消费电子那样有直接可见的用户需求。图形芯片更像一个在电脑内部默默工作的部件。普通用户未必关心它的名字，却会在游戏画面、设计软件、三维渲染和后来的人工智能里感受到它的存在。
第一桶金
NVIDIA 真正意义上的第一桶金，不是 AI，也不是后来的数据中心生意，而是在游戏和图形市场里活下来。创业早期的 NVIDIA 并不顺利。第一代产品没有打开局面，早期路线也经历过调整，公司一度面临很大的资金压力。芯片行业和互联网软件不同，一次产品方向判断错误，可能意味着大量研发投入被消耗掉，而下一次翻身机会还需要时间、资金和客户信任。
后来 NVIDIA 靠 RIVA 128 等产品在图形芯片市场站稳脚跟，并在 1999 年推出 GeForce 256。NVIDIA 把它称为 GPU，也就是 graphics processing unit。这个命名很重要，因为它不是简单把产品叫成更高级的显卡，而是在重新定义这个部件的角色。过去人们更容易把它理解成帮助电脑显示画面的辅助设备，但 GPU 这个概念让人开始意识到，图形处理本身就是一种独立而重要的计算能力。
这就是 NVIDIA 早期财富积累的基础。游戏玩家需要更强画面，电脑厂商需要更好的图形能力，开发者也需要更强的硬件支持。NVIDIA 在这个需求里找到了自己的位置。它先不是 AI 公司，也不是基础设施公司，而是一家把图形计算做得越来越强的硬件公司。
但如果故事只停在这里，NVIDIA 最多是一家成功的显卡公司。它真正变成 AI 时代最重要的基础设施公司，是因为黄仁勋后来做了一个很不容易被普通用户注意到、但影响极其深远的决定：不仅卖硬件，还要让开发者能更方便地使用 GPU 做通用计算。
核心故事
要理解 NVIDIA 的转折，不能只看显卡本身，而要看计算任务发生了什么变化。传统 CPU 更像通用大脑，擅长处理复杂但相对顺序化的任务。GPU 最早是为了图形计算设计的，它要同时处理大量像素、三角形和画面渲染任务，因此天然适合并行计算。简单说，CPU 像一个很聪明的人一步步解决问题，GPU 更像一大群人同时处理大量相似的小任务。
在游戏时代，这种能力主要用来提升画面效果。但到了科学计算、深度学习和大规模数据处理时代，人们发现很多任务也具有类似特征：不是一个问题一步步算，而是海量矩阵、海量数据、海量参数同时计算。AI 训练尤其如此。大模型不是靠一台普通电脑慢慢“思考”出来的，而是需要庞大的计算资源不断处理数据、调整参数和重复训练。
NVIDIA 的关键不只是看见了 GPU 的潜力，而是提前建设了 CUDA。2006 年，NVIDIA 推出 CUDA，让开发者可以用 GPU 处理图形之外的通用计算任务。这件事当时看起来并不一定马上赚钱，甚至会显得有点绕。因为普通消费者买显卡是为了游戏，企业客户买硬件也会关心性能和价格，至于开发者生态、编程工具和计算平台，并不是最容易讲给市场听的故事。
但长期看，CUDA 变成了 NVIDIA 最深的护城河之一。硬件性能可以追赶，芯片架构可以学习，但开发者习惯、软件库、工具链、优化经验和生态积累很难一夜之间复制。当越来越多研究人员、工程师和企业把自己的模型、代码和系统建立在 NVIDIA 生态上，NVIDIA 就不再只是卖芯片，而是在卖一整套计算平台。
这也是很多人容易低估 NVIDIA 的地方。它看起来像硬件公司，但真正强的是硬件、软件和生态的组合。AI 公司买的不是一块孤立的芯片，而是性能、稳定性、开发工具、生态支持、供应能力和工程经验的整体解决方案。等到生成式 AI 爆发，大模型训练需求急剧增加，NVIDIA 多年前铺下的路线突然变成时代必需品。
用户为什么选择 NVIDIA
在消费品领域，用户选择某个品牌，经常和情绪、审美、价格、身份认同有关。比如 Nike 的价值很大一部分来自品牌心智。但 NVIDIA 面对的用户不一样。它的核心客户往往是科技公司、云服务商、研究机构和大型企业。它们选择 NVIDIA，不是因为一个标志好看，而是因为训练 AI 模型本身太贵、太复杂、太需要确定性。
对这些客户来说，GPU 不是一个可以随便替换的小配件。训练大模型时，硬件性能、软件兼容性、开发效率、系统稳定性和生态成熟度都会直接影响成本。如果一套方案理论上便宜一些，但工程团队需要花大量时间迁移代码、调试系统、解决兼容性问题，那么它未必真的便宜。对于 AI 公司来说，时间本身就是成本，算力利用率本身就是竞争力。
这就解释了为什么 NVIDIA 能在 AI 时代获得如此强的位置。它不是单纯靠芯片参数赢，而是靠整个系统降低客户的不确定性。客户知道，用 NVIDIA 的方案可能不便宜，但大概率能跑起来，能找到工程师，能找到工具，能获得生态支持，也能和现有技术栈更好衔接。
这和前面几个案例有一个很有意思的区别。Jan Koum 让沟通更简单，Sam Walton 让购物更便宜，Jeff Bezos 让商品选择和履约更顺，Phil Knight 让鞋变成一种身份认同。黄仁勋创造的价值更靠后端：他让许多公司更容易获得高性能计算能力。普通用户未必直接接触 NVIDIA，但他们使用的 AI 产品、搜索、推荐、图像生成、自动驾驶研究和科学计算，背后都可能有这类算力基础设施在支撑。
为什么成功
NVIDIA 不是唯一一家做芯片的公司，也不是唯一一家做图形计算的公司。为什么最后是它在 AI 时代跑出来？如果只用“赶上风口”解释，显然太简单。很多公司都赶上了游戏、互联网、移动计算和 AI 的某些浪潮，但不是每家公司都能在多个周期里不断转身。
第一个原因是黄仁勋长期坚持了图形计算和并行计算这条路线。很多公司会根据短期市场调整方向，但 NVIDIA 的主线相对清晰：让计算机处理越来越复杂的图形、视觉和并行计算任务。游戏显卡只是这条路线的早期表现，专业图形、科学计算、数据中心和 AI 是后来的延展。
第二个原因是 NVIDIA 很早意识到，硬件公司如果只卖硬件，很容易被周期和价格竞争吞噬。CUDA 的意义正在这里。它让 NVIDIA 从硬件供应商变成开发者平台。一个硬件产品卖出去以后，交易本来就结束了；但一个开发平台被使用以后，客户会不断在上面投入代码、经验和组织能力。投入越多，迁移成本越高，生态越稳。
第三个原因是 NVIDIA 愿意承受长期投入的压力。CUDA 早期并不是一个立刻带来巨大收入的项目。AI 爆发也不是 2006 年就确定会发生的事情。很多战略之所以难，不是因为方向没人能说出来，而是因为在回报不明显的时候，组织能不能坚持投入。NVIDIA 后来的成功，很大程度上来自这种提前多年建设底层能力的耐心。
第四个原因是时代真的来了。深度学习需要大量并行计算，生成式 AI 又把这种需求放大到一个新的层级。如果没有大模型，没有云计算，没有互联网公司对 AI 的巨大投入，NVIDIA 的基础设施能力不会以今天这种方式被重新估值。实力决定它能不能准备好，时代决定这个准备什么时候被放大。
他创造了什么价值
黄仁勋和 NVIDIA 创造的价值，不只是让游戏画面更好，也不只是让 AI 公司买到更快的芯片。更深一层看，它把一种原本分散、专业、复杂的高性能计算能力，变成了可以被大量开发者和企业使用的基础设施。
这类价值有一个特点：它经常不在前台出现。普通用户打开一个 AI 工具，看到的是聊天框、图片、视频、搜索结果或者代码生成。很少有人会想背后的训练和推理需要多少芯片、多少服务器、多少电力、多少软件工具和多少工程优化。但如果没有这些基础设施，前台的应用就很难稳定存在。
这也是基础设施型财富创造的特殊之处。它不一定直接拥有终端用户注意力，却拥有行业增长的底层入口。AI 应用越多，模型越大，训练和推理需求越强，对算力基础设施的依赖就越深。NVIDIA 的价值就在于，它不是押注某一个 AI 应用会赢，而是为很多 AI 应用提供共同需要的能力。
这和淘金时代卖铲子的比喻很像，但这个比喻也容易被说得太简单。真正厉害的不是“卖铲子”三个字，而是卖的铲子必须足够关键、足够难替代，并且随着淘金的人越来越多，需求会越来越强。如果铲子很容易被复制，卖铲子也赚不到大钱。NVIDIA 的难点在于，它卖的不是单件工具，而是一整套算力系统和开发生态。
实力、时代与运气
黄仁勋的成功同样离不开实力、时代和运气。实力方面，他有很强的技术判断、组织能力和长期战略耐心。NVIDIA 不是一家靠单一爆款产品起来的公司，它经历过多次技术周期，从 PC 图形到游戏显卡，从专业图形到通用计算，从数据中心到 AI。每一次转向都需要判断，也需要组织执行。
时代方面，个人电脑、游戏产业、互联网、云计算、深度学习和生成式 AI，几乎一波接一波把 NVIDIA 的能力推向更大的市场。如果没有游戏市场，NVIDIA 可能无法积累早期规模；如果没有 CUDA 和开发生态，GPU 可能很难从图形处理扩展到通用计算；如果没有深度学习和大模型，NVIDIA 的算力基础设施也不会被如此猛烈地需求。
运气方面，NVIDIA 确实赶上了 AI 爆发的历史窗口。很多公司努力了几十年，也未必等到自己的技术路线成为时代核心。但只说运气也不公平，因为机会出现时，真正能承接机会的公司并不多。AI 爆发不是突然给所有芯片公司平均发奖，而是把需求集中推向那些已经准备好硬件、软件、生态和供应能力的公司。
成功必要关键要素
如果只保留 NVIDIA 成功最关键的几个因素，我会把它概括为：选对长期技术方向，先在游戏市场活下来，再通过 CUDA 把 GPU 从硬件产品变成开发平台，并在 AI 时代到来前积累足够深的软件生态和系统能力。
这几个因素之间有先后关系。没有游戏显卡市场，NVIDIA 很难有早期收入和产品迭代机会；没有 GPU 架构积累，它无法证明并行计算的价值；没有 CUDA，它很可能只是硬件供应商，而不是平台型基础设施；没有 AI 时代，它的能力也不会以如此夸张的方式被市场重新认识。
所以 NVIDIA 不是突然成功的 AI 公司，而是一家被 AI 时代重新发现的长期主义公司。它最有价值的地方，不是刚好站在风口上，而是在风口到来之前，已经把风口需要的底层能力建了很久。
相似案例
ASML：卖的是设备，也是整个芯片产业的瓶颈能力
ASML 是荷兰半导体设备公司，最重要的产品是光刻机，尤其是 EUV 光刻机。它不像 Apple、Tesla 或 Nike 那样直接面对消费者，普通人日常生活里也很少接触这个品牌。但先进芯片制造离不开光刻机，而最先进制程对 EUV 设备高度依赖，这让 ASML 在全球半导体产业链里拥有极其特殊的位置。
ASML 和 NVIDIA 的共同点在于，它们都不是终端应用公司，而是站在产业底层提供关键能力。区别在于，NVIDIA 的产品最终进入数据中心和 AI 计算体系，ASML 则更靠近芯片制造环节。它们的价值都来自一种事实：当整个行业向更高性能、更复杂技术推进时，某些底层工具会变得越来越不可替代。
TSMC：不做自己的终端品牌，却承接了全球芯片设计公司的需求
台积电是全球最重要的晶圆代工企业之一。它的商业模式不是自己设计消费电子产品，也不是自己做手机或电脑品牌，而是帮助 Apple、NVIDIA、AMD、高通等公司制造芯片。很多普通用户可能从来没有直接购买过台积电的产品，但他们使用的手机、电脑和智能设备里，很可能有台积电制造的芯片。
TSMC 和 NVIDIA 的相似之处在于，它们都属于技术时代背后的基础设施公司。不同的是，NVIDIA 更像算力平台和芯片设计公司，TSMC 更像全球芯片制造能力的集中承载者。它们共同说明了一件事：在复杂产业里，离用户最近的不一定最赚钱，离关键瓶颈最近的公司也可能创造巨大财富。
AWS：Amazon 从零售公司长出云计算基础设施
AWS 是 Amazon 旗下的云计算业务。它最初来自 Amazon 内部对计算、存储和基础设施能力的需求，后来逐渐开放给外部企业使用。很多创业公司不再需要自己买服务器、建机房、维护底层系统，而是可以通过 AWS 快速获得计算资源。
AWS 和 NVIDIA 的共同点在于，它们都帮助其他公司降低了技术基础设施门槛。区别在于，AWS 提供的是云计算服务，NVIDIA 提供的是 AI 计算所需的硬件、系统和软件生态。一个更偏云服务平台，一个更偏算力硬件与开发生态。但它们都不是直接替用户完成最终业务，而是让更多公司能更快构建自己的业务。
Stripe：把收钱变成互联网公司的基础设施
Stripe 解决的是另一类基础设施问题：在线支付。对于很多互联网公司来说，做产品已经很难，收钱也同样复杂。信用卡网络、风控、结算、合规、跨境支付，这些问题如果每家公司都自己解决，成本会非常高。Stripe 把这些复杂环节包装成开发者容易接入的支付基础设施，让创业公司和互联网服务可以更快完成商业闭环。
Stripe 和 NVIDIA 看起来行业完全不同，一个做支付，一个做算力，但财富创造逻辑有相似之处。它们都不是把终端应用作为主要价值，而是为大量企业提供共同需要的底层能力。谁需要收钱，谁可能需要 Stripe；谁需要训练和部署复杂 AI，谁可能需要 NVIDIA。这种商业模式的厉害之处在于，它不赌单一应用，而是服务一整类行业增长。
他们的共性
NVIDIA、ASML、TSMC、AWS、Stripe 看起来分布在不同领域，但它们背后都有一个共同规律：它们不是直接站在最终消费者面前争夺注意力，而是站在产业链更底层，解决大量公司共同面对的复杂问题。
这类公司创造财富的方式和消费品牌不同。消费品牌要占领用户心智，平台公司要连接多方参与者，基础设施公司则要成为别人做生意时绕不开的能力。它们不一定最热闹，但一旦行业增长，需求会持续传导到它们身上。
基础设施型公司通常有几个共同特点。第一，它们解决的问题足够复杂，复杂到大多数公司不愿意或不能自己解决。第二，它们提供的能力足够通用，不只服务一个客户，而是服务一整个行业。第三，它们一旦建立生态，客户迁移成本会很高。第四，它们会随着行业整体增长一起增长，而不是只依赖某一个爆款产品。
这就是 NVIDIA 在 AI 时代的特殊位置。它不是某一个 AI 应用，也不需要预测哪一个具体应用最终胜出。只要越来越多公司需要 AI 计算，NVIDIA 就有机会站在需求的底层入口处。
案例启发
Jensen Huang 这个案例最值得研究的地方，不是“卖显卡也能发财”。如果只这样理解，就太浅了。真正值得研究的是，他把一个看起来属于游戏和图形领域的硬件生意，长期推进成了 AI 时代的基础设施生意。
很多人创业时都想做离用户最近的东西，因为那更容易被看见，也更容易被讲成故事。但在很多行业里，真正长期有价值的位置未必在前台，而是在后台。谁能解决一类公司共同面对的底层难题，谁就可能获得比单一产品更持久的价值。
NVIDIA 的故事说明，财富创造不只有一种路径。有人通过降低摩擦赚钱，有人通过长期复利赚钱，有人通过效率、体验、标准化、平台和品牌赚钱。黄仁勋代表的是另一条路：把关键技术做成基础设施，让无数公司在这个基础设施上继续创造价值。
这个模型不容易学，因为它需要技术判断、长期投入和时代窗口。但它值得被放进《创案例》，因为它提醒我们：有时候最赚钱的人，不一定是站在聚光灯下表演的人，也可能是给整个舞台供电的人。
