唉，楼上说的“简单数学运算”的意思是矩阵运算，matrix A x matrix B那的确是一个简单概念，但是实际运用中的数值计算非常大的matrix，比如1m x 1m in size，平行算力要求非常高，CPU理论上那是能做，就跟愚公移山一个意思---古时候我在PC上用matlab跑一个最多 100 x 100 的矩阵乘法，经常还没跑完就宕机了。 光从投资角度来看，我个人觉得大力投资英伟达的时机已过。且不说bubble不bubble的问题，英伟达还能有一个大bump的机会比较小，现在已经被DOJ盯上antitrust issue，就意味着不能有大的收购计划，甚至拓展业务都会束手束脚。还有就是企业运营非常lean，这本来是优点，但有个门道是google meta这些大企业养一大批marketing啊talent acquisition，甚至legal team 1000多人，必要时候这些人头可以用来layoff提升股价，反正这些岗位雷了重新再招新人影响也不大。英伟达整个org有点太lean了，股价低迷的时候要靠layoff来boost就比较难。
如果中国开始大量用国产替代，长期而言，对英伟达会不会是比较大的威胁？
版上有了解芯片行业的朋友们，可以聊一下英伟达的护城河吗？
对英伟达来说，最大的风险是别的国家的客户开始使用中国的系统。
这个风险很小，一般为美国一忽悠一吓唬都不敢用了
要是英伟达贵的gpu2万美元一个，中国的1千美元呢？
而且在国外造AI数据中心目前已经好像已经短期饱和。微软砍了3个AI数据中心的建造。英伟达股价开始跌不是没有道理。
4月11日，中国半导体协会发文称，根据海关总署的相关规定，“集成电路”流片地认定为原产地，中国半导体协会建议企业在进口集成电路时，进口报关原产地以“晶圆流片工厂”所在地为准进行申报。
这一消息令国产芯片厂商股价大涨。截至当天收盘，凯德石英（835179.SZ）30%涨停，晶华微（688130.SH）、唯捷创芯（688153.SH）等多股20%涨停。
光大证券研报称，中美持续性高关税将推动半导体国产替代加速。首先，以流片地认证原产地，美系IDM厂商竞争力受损，利好国内CPU、存储、模拟、射频、功率类厂商。
新规发布前，美国流片生产的半导体若在东南亚或中国封装测试，原产地可按照“封装地”认定，但明确原产地按“流片地”后，美系IDM厂商价格竞争力下降，包含CPU厂商英特尔、模拟厂商ADI和德州仪器、射频厂商Qorvo、存储厂商美光科技、功率厂商安森美半导体等，利好国内相关厂商加速国产替代。
其次，美国芯片制造回流战略被打乱，利好中国成熟制程晶圆代工厂。
若中国关税反制政策长期存在，一方面国产模拟、功率、射频厂商竞争力增强，为晶圆厂的成熟制程带来更多订单；另一方面，美系IDM厂商有望从美国流片转向中国晶圆厂代工，以规避中国加征关税影响。
36氪获悉，近日，国际半导体研究和咨询机构SemiAnalysis发布专题报道称，华为云最新推出的AI算力集群解决方案CloudMatrix 384（以下简称CM384），在多项关键指标上实现对英伟达旗舰产品GB200 NVL72的超越。据SemiAnalysis披露，华为云CM384基于384颗昇腾芯片构建，通过全互连拓扑架构实现芯片间高效协同，可提供高达300 PFLOPs的密集BF16算力，接近达到英伟达GB200 NVL72系统的两倍。
偷偷摸摸地用就是了，都是远程云计算，很难跟踪谁在用。
华为的是真的可以在性价比上比英伟达好很多吗？
Cuda的护城河不知怎么样。
不知道这个行业的竞争和护城河怎样？
一方面是竞争；
另一方面是投资端的降低。
感觉算力相关产品的选择，主要是性价比的考虑。
英伟达短期和长期在这方面的优势怎样？
特斯拉的市盈率极高。但是英伟达目前的市盈率其实并不高。远期市盈率才23.
和特斯来的100多那是差非常多啊。
人家叫CUDA
小公司可以这么搞，大公司需要的多，没法长期隐瞒，而且风险太大。
哈哈，刚发现打错了
那CUDA的护城河，有哪些风险呢？
AI GPU没啥护城河，就是一堆非常低阶的超慢CPU堆在一起就叫做AI GPU了，量大管饱。英伟达最好的Blackwell也只是5nm，华为的是7nm，都是同样在堆transistor，区别不是太大。
对于真正开发AI的公司来说，换一个library做运算不难。只是matrix在GPU上运算而已。cuda主要是研发阶段可以马上用，所以大量的研究生都在用，可是到了公司这一块就不一样了，谷歌，Meta，DeepSeek都有自己独特的运算，而且都有不是英伟达的gpu硬件。
主要应该是软件服务行程的护城河吧？可以理解成和微软以及苹果类似。
英伟达和微软商业模式的相似趋势 1. 从卖产品到卖平台和服务 微软： 以前以一次性卖Windows、Office软件为主，现在主力是Azure云服务、Office 365订阅、GitHub、AI平台等，变成“平台+订阅+云”模式。 英伟达： 过去以卖GPU为主，现在逐步转向“GPU硬件+AI开发平台（CUDA、AI Enterprise）+云服务（DGX Cloud、Omniverse Cloud）+订阅/授权”模式。 2. 云服务和平台化成为收入核心 微软： Azure（云计算）、Office 365（SaaS）、Copilot（AI助手）等云端订阅服务成为公司增长主力。 英伟达： 正在推动GPU算力云服务（DGX Cloud）、AI模型即服务（Foundry）、AI平台订阅（AI Enterprise），让企业不用自建GPU集群，直接按需订阅使用。 3. 开发者/企业生态绑定 微软： 通过开发者工具（Visual Studio、GitHub）、API、平台标准，锁定开发者和企业用户。 英伟达： 通过CUDA、cuDNN、TensorRT等AI开发工具链，绑定开发者和企业AI项目，“一旦上车，很难下车”。 4. 持续性收入、利润率更高 微软： 订阅/云服务模式带来稳定、可持续的高利润收入，摆脱单一产品周期的波动。 英伟达： 软件和云服务订阅带来长期收入，毛利率显著高于硬件，抗周期能力更强。
cuda已经在另一个贴说过了。云计算，软件，网站应用大同小异，换一个根本不影响。和你去不同网站购物一样。
AI回答在这方面很差劲的。我小孩大学功课AI都回答不对。大家都还是老老实实自己做。现在AI水平问题稍微复杂点根本不能解。
华为最新的AI建模系统，已经在性能上超过了英伟达性能最好的系统。
英伟达的CUDA影响力虽然大，但华为的CANN也不错。生态这东西，用得人多了，自然就好了，哈哈，就象MacOS对Windows。
1. “换个library就能兼容”的说法，为什么会有？ 理论上：如果只是“矩阵乘法/卷积/线性代数”这些基本运算，现代AI框架本来就可以抽象化处理，底层只要有高效的实现，调用哪个库本质无区别。 **主流AI框架（如PyTorch、TensorFlow）**已经支持多种后端，可以“切换”到AMD ROCm、华为CANN、甚至CPU等不同硬件。 2. 现实中，真的那么容易吗？ A. 技术门槛和实际难度 高级功能和优化：基础的矩阵乘法好兼容，但很多AI最新研究、工业级大模型训练需要用到复杂的自定义算子、稀疏运算、混合精度、分布式策略、异步调度、异构调优等，这些都严重依赖CUDA生态的深度优化。 底层依赖广泛：很多“库”并不是只调用几个矩阵操作，而是深度集成了NVIDIA的cuDNN、cuBLAS、NCCL、TensorRT等大量闭源/专有优化库。 生态和第三方兼容：成千上万的第三方工具、插件、开源项目、论文代码都只保证在NVIDIA CUDA下能跑，移植到别的平台通常要花很多时间debug和适配，有时甚至跑不通。 B. 工业级需求 **大公司（Google、Meta）**确实有能力自研底层加速库，甚至自己设计AI芯片（TPU、MTIA）。 但绝大多数公司和创业团队没这个资源和能力，只能依赖主流框架和NVIDIA生态。 大公司也不是完全放弃NVIDIA，比如Google虽然有TPU，但GCP依然大规模采购NVIDIA GPU，Meta自研MTIA但还是大量用NVIDIA。 自研芯片和底层库的门槛极高，要有专门的软硬件团队、长期资源投入，一般公司做不到。 C. 开发者和团队效率 研发阶段用NVIDIA，虽然你说“研究生都在用”，但企业招人、开发、迭代也离不开NVIDIA生态。新员工培训、社区支持、现成代码复用都离不开CUDA生态。 迁移成本高：不是不能换，而是要花很多“隐性成本”（调试、重写、性能对齐、团队磨合），时间和人力消耗巨大。 3. 为什么谷歌、Meta、DeepSeek能不用NVIDIA？ 这些公司有极强的软硬件研发实力和资金，可以自己开发芯片（TPU、MTIA等），自己维护全套加速库，不依赖社区和外部支持。 但这不是大多数AI公司能做到的，尤其是中小企业和快速迭代团队。
GPT 4.1这么说的： 你的这段话提出了两层观点，每一层都很有讨论价值。下面我来拆解分析，帮你客观看待这类说法是否成立：
1. “华为AI建模系统已经在性能上超过了英伟达” 这句话有一定道理，但要看具体语境和测试对象： 局部场景可能成立： 华为昇腾（Ascend）/鹏程芯片+CANN在某些特定任务（如推理、部分训练场景、国产AI大模型的定制化优化）上，有时能实现性能超越英伟达部分GPU，尤其在国产软硬件深度协同、软件堆栈全链路优化的情况下。 行业顶级水平对比还需谨慎： 真正意义上的“全面超越”——比如大规模分布式训练、通用AI框架兼容性、极限算力和能效——目前主流测试（如MLPerf等国际权威AI基准）上，英伟达H100、B100等旗舰产品整体性能和生态成熟度依然更强。 数据来源和测试标准要细究： 有些“超越”是厂商内部测试或特定优化场景下的数据，并非国际通用标准或大规模商用环境下的真实对比。 小结：
华为AI芯片和系统在国内场景进步很大，某些任务性能可比肩甚至超越部分英伟达产品，但在全球最顶级AI算力、生态广度和通用性上，还没到“全面超越”的地步。
2. “生态这东西，用得人多了，自然就好了” 这句话有一定道理，但现实远比想象中复杂： 生态确实能“养”出来： 只要有足够的市场需求和政策支持，开发者和企业大量投入，生态可以逐步成长壮大。比如中国国产AI芯片生态正在快速追赶，CANN、MindSpore等也有越来越多的开发者和应用支持。 路径依赖和惯性很强： CUDA生态经过十多年积累，拥有海量代码、论文、工具、社区、教程、人才储备，“迁移”不是一朝一夕的事情。MacOS虽然体验不错，但Windows生态的惯性让很多行业和场景依然离不开Windows。 生态不是单靠“人多用”就能一夜逆转： 需要开发者长期投入、工具链完善、社区活跃、第三方服务配套、硬件更新迭代等多重因素共同作用。即使有政策和产业资金支持，生态崛起也需要时间、耐心和持续投入。 两极分化现象常见： 比如中国市场，华为AI芯片生态发展很快，在政策和市场双重推动下，未来有可能建立起与CUDA生态并行的“局部主流”。但全球范围内，CUDA优势仍然稳固。 小结：
生态确实可以“养”出来，但“养”成主流需要时间、持续投入，以及关键转折点（如市场强烈需求、政策红利、关键技术突破等）。
3. 用MacOS对Windows的类比 这个类比很贴切： MacOS和Windows在体验和技术上各有千秋，MacOS生态也在壮大，但Windows依靠早期积累和生态惯性，依然是主流。AI芯片领域目前也是类似局面——华为生态进步快，但英伟达的“Windows”地位短期内难以撼动。 总结观点 你说的这些观点在一定语境下有道理，尤其是在中国市场和特定AI场景下。 但要实现“全面超越”和生态大逆转，还需要时间和巨大的产业投入。生态的建立不是简单“人多用”就能一夜成功，而是长期积累和多方协作的结果。
英伟达的护城河就是台积电和ASML 软件公司本质都是marketing公司，没啥真正技术门槛，包括所谓的cuda生态
那得看什么程度的威胁喽
奔着弄死英伟达的威胁？ 不可能，英特尔这鸟样都能苟活着，更何况英伟达
奔着一统天下千秋万代？不可能， 怎么跟黄毛狗思路一样，觉得曾经拿个第一，就要永远躺平天下第一，别人不准曹越
英伟达发展到现在，完全没有竞争对手的也就这么几年时间， 竞争是常态，没有竞争才是暂时的
股价是 price in 没有竞争天下无敌额千秋万代， 但是现实必定会mean reversion
是这样，但现在华为太猛了，愣是拖着中芯去和英伟达台积电硬扛。
别一直贴AI回答好不好，如果不用脑子一直看AI回答根本就是看历史，根本没有任何帮助。未来趋势都说了大公司都在跳脱英伟达的框架，中小AI公司在AI生态圈里占市场百分之多少？10%都没有吧。
来自GPT 4.1的说法：
1. 英伟达的护城河就是台积电和ASML，对吗？ 结论： 这个说法有一定道理，但非常片面，甚至可以说是“只看到了表面，忽略了核心竞争力”。
详细分析： 台积电和ASML的确重要 英伟达的高端GPU（如H100、B100）都是台积电最先进制程制造的，没有台积电5/4/3nm工艺，英伟达确实做不出全球最强芯片。 ASML的EUV光刻机是先进制程的“卡脖子”设备，没有ASML，台积电的最先进产能也造不出来。 但台积电/ASML并不是英伟达独有的资源 苹果、AMD、高通等很多芯片公司同样用台积电和ASML的产能，甚至有些产品优先级更高（如苹果A系列、M系列）。 如果只靠台积电/ASML，英伟达不会有独特护城河，大家都能“买同一块砖”，为啥只有英伟达能做到超高毛利和市场份额？ 英伟达的真正护城河在于： 芯片架构与设计能力（如Transformer优化、HBM堆叠、NVLink等） 软硬件协同（CUDA、cuDNN、TensorRT、NCCL等） 开发者生态网络和产业链绑定 市场先发和品牌影响力 解决方案和平台（如DGX、Omniverse、AI Cloud） 台积电/ASML是产业基础，但不是英伟达独享，也不是其唯一壁垒。 真正让英伟达脱颖而出的是“软硬一体的产业规模效应、开发者生态和技术创新速度”。 2. 软件公司本质都是marketing公司，没啥真正技术门槛，包括cuda生态？ 结论： 这个说法过于轻视软件技术的门槛，容易让非行业人士误判现实。
详细分析： 软件公司需要强大的市场能力，但绝非“只有市场” 微软、Adobe、苹果、英伟达等巨头，之所以能长期领先，最核心的其实还是技术壁垒+生态网络效应，而不是单纯靠市场推广。 CUDA生态的门槛极高 CUDA不是“写个库”而已，而是十几年软硬件深度协同、上万开发者和无数科研团队持续迭代和优化的成果。 包含底层驱动、编译器、分布式通信、数值库、自动调优、第三方插件、文档、社区、人才等完整体系。 你可以尝试将大规模开源AI模型（如Llama、Stable Diffusion）在非CUDA平台上跑一跑，就知道“兼容”到底有多难。 生态迁移的“惯性”本身就是技术与市场共同作用的结果 你可以把生态理解为一种“复合壁垒”，里面有核心算法、性能优化、开发者习惯、社区支持、历史代码资产等，远非换个logo或营销就能颠覆。 一句话总结 台积电和ASML固然重要，但英伟达的核心护城河是软硬件协同、生态锁定和技术创新。软件生态（如CUDA）是巨大的技术门槛和产业壁垒，绝不是“靠营销就能做起来”。
GPT 对于技术的掌握，比一般个体是要好很多的吧？
当然，业内专业人士，可以一眼批判性辨别，普通人不容易。
所以问题的关键就是，跳脱英伟达的框架，是否容易，有多容易，需要多少成本。
所以为什么不是专业人士炒股总是亏钱，看到的都是慢好几拍的现象。靠ChatGPT也没用。
还得看，跳脱英伟达的框架的代价，比被美国随时卡脖子的代价， 哪个大
以前这个比较不存在
现在这是现实的问题
这也是华为芯片发展的空间
和炒股比较没什么意义吧？
回到投资（我从来不用炒股两个字），我今年的year to day都是18%多，当然不能和大牛比。
任何学习都是从一点点开始的。谁一生下来就是什么都懂呢？AI是学习的重要工具。之所以贴上来，就是想着，AI说的可能是错的。板上的牛人们多，也很感恩包容不吝赐教的朋友们。
那其实就是中国和其他国家的生态系统的区别。
让其他国家，用华为的，可能他们会觉得风险大。
你都那么厉害了，一年都不到就18%，请教我们这些回报率低的可怜的看法不会影响你的判断力吗？
这个确实是。
就是不知道能不能形成苹果和微软这样的地位。
如果可以的话，就会是相对稳定的现金流。如果完全没法比的话，那未来增长估计就会受限制。
我只能告诉你这是真实的。这奇怪吗？
今年在大跌前拿的比较多的商品。关税战后卖了。
大类资产配置中，先看大方向，再选细的品类。
下一个会补涨的，会是比特币。
CUDA护城河很大程度上受益于上层建筑。 Google Brain的核心产品之一Tensorflow，Hinton 因此获图灵奖和诺贝尔物理奖，好像有史以来第一位双料获奖者。Google Brain其他主要要成员有获诺贝尔奖，抢了能教授饭碗。 小扎Meta的PyTorch是另一个牛软件。 这俩全面支持CUDA。 对另一个业内标准OpenCL有限度支持。 Nvidia还有自己的TensorRT，cuDNN等。 要Google Meta 支持华为新标准不可能，除非国内牛人写个超越加州大厂，但人家大包裹不白拿。那拿大奖指日可待。
AMD Intel 资助底层Nvidia指令集转换的开源项目zLuda（贼路大），名声不好听不玩了。有报道其他厂家继续支持。
看這一串下來都沒提到HBM 和packaging 我就笑笑了
现在cuda弄出来就是只能对接英伟达自己的gpu，基于此别人又发展了cuda上面的程序集pytorch这些，护城河的意思就是现在的大部分llm的源代码要在硬件上跑，都是用cuda接口，那就只能用英伟达。要用其他也可以，那得翻天覆地把整个编译模块另用intel或者amd编译器写一遍。去年英伟达因为antitrust，就是反垄断，被调查了，他们的defense是他们没有存心垄断，就是他们的产品好用，跟以前微软捆绑windows和pc销售不是一回事——这也不好说，你也可以说他们从来没有打算开发兼容的编译器，但也可以说自己产品用自己的编译器天经地义，又没逼你买。
借个楼问问睿姐，你觉得最近大盘走势如何啊，感觉国外资本在撤退，大盘也拉不上跌不下的总是横盘，特朗普对大盘的控制力越来越弱，越来越看不清形势，是不是该撤了空仓比较好
不马上退休的话是捞便宜的机遇，当然还可能再低，对于一般投资者用按时定投不是件坏事。
川普的确现在做一堆对美国经济不靠谱的事情，可是这也是恰恰股市反应后捞便宜的时机。经济坏到一定程度川普会反转一些政策的可能性非常大，因为是人为的熊市，所以反弹力度也会很大。按时定投可以平均买到比较便宜的价格，可是要悠着点，子弹慢慢打。
他几乎所有的大客户，从AWS到微软到Meta到OpenAI，每一个都想搞自己的AI 芯片。。。
这个睿是干嘛的？一眼看上去就是个外行，胡说八道个不停。 AI GPU没有护城河？超慢的"cpu“堆一起就是GPU? CPU和GPU的概念都搞不清就来发表评论，服了。 英伟达的三大护城河，gpu硬件，gpu互联，cuda生态，每一项都是迄今还是遥遥领先。到这个睿嘴里，华为才刚出个910b, 910c就已经实现替代了？真是胡扯。硬件出来，不需要各层软件适配的？这么容易替代，国内各大厂今年原本计划开支的150亿美元买NVDA的H20又是为啥？
记得睿大妈很多年前就是因为不靠谱炒股在华人网闻名，但自认为是投资大牛
佩服她一无所知还信口胡诌的本事
但是现在只有华为的人工智能系统，在绝对性能上超过了英伟达。
你硬件基础知识不行啊，单个gpu的unit和单个cpu的core比，速度慢，功能少太多，所以一个差不多大小的芯片，cpu在里面只能有二十几个，gpu里面可以上万个。gpu是靠量大平行运行简单数学来超过cpu的，也止于简单运算。amd和intel都是白痴吗？干脆把CPU里面换成有上万个GPU芯片电脑不是更快？答案是根本不可行，因为稍微复杂一点的运算，GPU太慢！靠量速度都比不过cpu里的架构。我说的这些只有真正懂硬件的才了解各个芯片架构的长处和短处。
meta和Google还有其他巨头都开始造新一轮AI chips了，你说的三大护城河，完全都没用。
基本知识匮乏，消息也只知道一些，自己完全一个外行，不懂多补补。
既然你都承认是简单的数学运算而已，会有啥护城河？否则为什么那么多巨头都开始做自己的AI chips？而且都去台积电定做了。clock speed gpu比cpu慢，所以单一dependent的serial calculation gpu要慢很多。这些都是上手的内行才知道那些运算要用哪个硬件，而不是瞎吹gpu.
一般用户有选择吗？只有大厂才自己做新系统。而且大厂包揽AI市场90%至少，他们的走向才是以后AI Chips的发展方向。你只会当个英伟达发表会卖家秀的复读机。
一般行内人都知道这种scale wide, scale up的运算，在Nvidia之前在parallel computing这块就已经非常成熟了。你说的好像大型运算是Nvidia发明的一样。
Nvidia热度已经翻篇了，大家都在往后看了，你还在这里一惊一乍的，好像刚进大观园一样。
唉，楼上说的“简单数学运算”的意思是矩阵运算，matrix A x matrix B那的确是一个简单概念，但是实际运用中的数值计算非常大的matrix，比如1m x 1m in size，平行算力要求非常高，CPU理论上那是能做，就跟愚公移山一个意思---古时候我在PC上用matlab跑一个最多 100 x 100 的矩阵乘法，经常还没跑完就宕机了。
光从投资角度来看，我个人觉得大力投资英伟达的时机已过。且不说bubble不bubble的问题，英伟达还能有一个大bump的机会比较小，现在已经被DOJ盯上antitrust issue，就意味着不能有大的收购计划，甚至拓展业务都会束手束脚。还有就是企业运营非常lean，这本来是优点，但有个门道是google meta这些大企业养一大批marketing啊talent acquisition，甚至legal team 1000多人，必要时候这些人头可以用来layoff提升股价，反正这些岗位雷了重新再招新人影响也不大。英伟达整个org有点太lean了，股价低迷的时候要靠layoff来boost就比较难。
看看小米的自动驾驶就知道实用性和可靠性光靠吹是吹不出来的
还真是死鸭子嘴硬，现在又从华为替代转进到大厂替代了 你知道大厂asic,无论google tpu, amazon trainium,都是绑定他们自己内部云，芯片不单独对外发售的吗？google tpu性能是不错，但只适配tensorflow,只对tensor操作高度优化。作为一般外部用户，你是想用一个通用系统，能支持各种环境包括pytorch, tensor flow, caffe等等的呢？还是想被google云绑定，只运行在tensor flow上呢?从商业上来说，哪个更安全呢？ parallel computing还早就很成熟，鉴于你对cpu和GPU都傻傻搞不清楚，你说的莫不是cpu 各进程间的parallel computing吧。你倒是说说看，在nvda前的涉及几十万芯片或运算电路板块的运算工厂的实例?
不会吧，你连几十年历史的超算都没听过啊，现在都几百万个core的CPU的电脑服务器连在一起了，还几十万？每个国家的一个超算平摊占地面积现在都在10个足球场左右那么大了。
讲的都是101最基础的知识都不知道。那么懵懂的小白还在这里和我犟？哈哈哈😂
你是楼里唯一一个懂芯片的，其他都不用回了，全是吹国内的
经济基础和上层建筑都重要。华为刚发布并且上线的旗舰系统CloudMatrix 384，HBM的容量是英伟达旗舰系统的3.6倍，这意味着有些超级大模型，只能在华为的系统上计算，而不能在英伟达的系统上计算。要知道英伟达的芯片卖的贵，很重要的一个原因是有些超级大模型只能在英伟达的系统上计算，但现在变了。
护城河这东西，挡不住绝对的实力差距。
如果是这样，那么AI领域，Nvidia长期不看好。
首先，中国是把大模型当成基础设施建设的，建设基础设施不需要赚钱。其次，以Deepseek看，中国训练大模型的成本远远低于西方，模型本身足够优秀。当中国训练好模型，并开源以后，美国公司训练任何模型将无利可图。因此，未来的大模型训练只会在中国，模型训练的整个产业链将在中国手中。
Nvidia倒是可以争夺开源模型运行这一块，不过大家不一定需要GPU，也许TPU的性价比更高。
特别是cuda这个护城河，很快而且很容易就会被击破了，现在新的CPU芯片都自带NPU/TPU，也就是gpu里AI最核心的那块。市场最大的Intel，AMD，Apple，Qcom占领所有服务器，用户端电脑和手机。而且还是share memory, 没有Nvidia分开memory那么奇葩的设计，大量的减低了AI内存的价格。而且这样所有的系统都会直接支持这些NPU/TPU，所有AI运算在系统端就直接分配给AI芯片，根本不需要特别用到CUDA才能去做运算。
這裡本來就超多這種的。。。。
我還是那句話 :
能說的不一定懂 懂的一定不能說
网上有人统计过Nvidia员工本科学校，第一是以色列理工，第二斯坦福，第三硅谷神校圣荷西州立，很梦幻组合也是一护城河。
感谢专家分享知识！市面上太需要专业的声音了。
那个人，一看就是胡说八道。也同时说明了AI的价值，可以帮助辨别虚假的声音。
TPU是类ASIC设计，能效和性价比当然比GPU要高得多。但编程不太一样，现有的用CUDA平台开发的模型需要重新编程。再就是英伟达系统可以支持超级大模型。
一些非常赚钱的应用如抖音，或者竞争异常激烈的应用如Tesla自动驾驶，宁可花大价钱，也要用英伟达系统。他们觉得花这个钱值，能赚回来。
但现在华为对英伟达的挑战非常严峻，因为华为的系统可以支持更大的模型了。从CUDA转向CANN确实是一个问题，但对专业编程人员来说，其实技术上也并不是什么大问题，就是要花时间。
就是中国和the others的选择区别了。
不改英伟达在世界范围内的强大。
美国一忽悠一吓唬？ 你愿意听一个无赖的？ 不稳定的 还是愿意 与一个 什么产品都能提供 可以不用美元交易的国家 合作？ 脑袋没问题吧？ 你当那些领导人 真是假？
这个不用担心，最坏情况下英伟达也有美国市场保底。象特斯拉，就算用华为的系统可以建更大的自驾模型，它也不能把在美国收集到的数据送给华为的系统去算的。
美国以外的其他国家，生意是可以做，关键数据如果给到东大，估计会有各种各样的声音出来。
泡沫破了短期内就不会起来。机构不会给上顶上的散户解套的
最后一段你编的吧？我没查到权威数字，随便搜一个吧
https://www.reddit.com/r/csMajors/comments/mtd7kp/company_by_school_more_info_in_comments/?rdt=57864
睿大妈可是赫赫有名的华尔街前台精英。现在已经财富自由退休了
看财报和数据，根本不是泡沫。
特斯拉确实是估值过高
其他的，比如苹果这些，其实还好。
来插一嘴，我认识你说这个斯坦福博士小哥Ian Buck，人非常低调。虽然当时无论Ian还是黄，都不知道这样的Cuda结构意味着什么，但现在的AI狂潮，完全没有肯定他的功绩，也是说不过去的。
所以这个问题上米国很尴尬。。
如果限制高端gpu，那中国就不得不转向华为cann，这玩意儿不是rocket science，没有限制的时候大家都愿意用已经用顺手的cuda，但没得用了只能转cann，有用户了就有反馈了有改进有收入了，Huawei/cann会变得更强。反过来，女大少了这些客户，不但少赚了钱，也少了来自这些公司的反馈帮助cuda改进。过不了多久华为就会强大到冲出中国在国际市场和女大一争高低
另一方面，不限制也不行，中国的llm发展太快了已经和米国并驾齐驱，开源的甚至超过了，再不限制就肯定会被超过
现在就是为了治短痛顾不了长痛了
华盛顿的老爷们有一点技术问题不明白，米国的占优的技术并不仅仅靠股沟啊女大啊这些公司。这些公司不光r/d的钱是从客户赚来的，客户也提供了大量的反馈帮助改进技术，甚至直接contribute源代码，比如华为被断android的时候已经是android开源代码最大的contributor了，这些所谓护城河，也得靠大客户，这是共生关系而不是一方真得能垄断，特别是对像中国这样拥有海量工程师资源的国家
真的吗？华尔街前台是这个水平？不可能吧。这位睿大姐的帖子纯粹鬼扯一通，拿各种名词术语堆砌，也就唬一唬不懂门道的外行人
光米国国内市场可撑不起女大的股价
赞评论！
那人就是胡扯，而且狭隘。
你这个结论是错误的。在memory不够的情况下，大模型可以在多个GPU上分布式处理，完全可以运行，而且也是通行的做法。当然片载内存足够大可以减小数据搬运，和GPU间通信的开销。所以各厂商都争相在片上放更大内存。 在片上放大内存不存在技术难点。而且考虑到华为拿不到最先进一代hbm,在片载内存这一块它其实处于弱势地位
你说错了，华为CloudMatrix用的是紧凑型并行处理的结构，不是松散形的分布处理。
专业！
我把GPT4.1说的也贴上来，供大家参考。 你的理解是**正确的**，这个说法确实有明显问题，尤其在技术层面**夸大了“片载内存=唯一决定因素”**的作用。下面详细解析问题出在哪里：
---
## 1. **“只能在华为系统上算，不能在英伟达系统上算”？——这是误导**
- **实际情况**： 大模型参数量超过单卡（或单系统）HBM容量时，**主流解决方案是多卡分布式训练**（如张量并行、模型并行、流水线并行等）。 **几乎所有超级大模型（GPT-4、Llama-3等）都在NVIDIA的A100/H100集群上分布式训练，单卡内存不是瓶颈。** - **所以**，**不存在“只有华为能算，英伟达不能算”**的问题。只要分布式系统足够大，任何主流AI芯片平台都可以完成超大模型训练。
---
## 2. **“片载内存大=绝对优势”？——片面理解**
- **更大的HBM容量**，确实能提高单卡吞吐率、降低通信/分布式调度复杂度，对某些场景（比如大batch推理、特定算法）有优化作用。 - **但这不是“能不能做”的门槛，而是“做得更高效/更便宜/更易用”的工程优化**。 - **各家厂商都在追求更大HBM，但这不是“绝对碾压”对手的核心技术壁垒。**
---
## 3. **英伟达高价的原因？**
- **英伟达芯片卖得贵，主要原因是其软硬件生态（CUDA、cuDNN、TensorRT等）最强，性能、易用性、社区支持领先，分布式训练工具成熟。** - **不是因为“只有英伟达能训练超大模型”**，而是因为在实际生产环境里，**用英伟达“更稳定、效率更高、兼容性最好”**。
---
## 4. **护城河与绝对实力的关系？**
- **护城河**（生态、开发者、工具链、资源网络）很重要，可以“挡住”对手一段时间。 - **绝对实力（比如性能、成本、易用性达到代差级突破）确实有可能撼动护城河**，但不是片上内存单一指标决定的，而是全栈综合实力。 - **单纯靠HBM容量领先，还远远不够形成“颠覆性代差”**。
---
## 5. **一句话总结**
> **这个说法在技术上是片面的，带有误导性。大模型训练不是靠单卡内存突破，而是多卡分布式和全栈优化。华为CloudMatrix 384的HBM容量是亮点，但远不是“英伟达不能做、只有华为能做”的决定性分水岭。**
---
如果你想看**主流大模型分布式训练的内存与带宽瓶颈**、**英伟达/华为在AI算力生态的全栈对比**等更细致的角度，也欢迎进一步提问！
"紧凑型并行"不等于单机内存大就能搞定一切，大模型训练依然要靠分布式策略（张量并行、数据并行、流水并行等）。 分布式系统的本质是高效的“协同"，无论是“紧凑型"还是松散型”，都要依赖软硬件全栈的优化。 华为、NVIDIA、AMD等顶级AI集群，其实都在做"紧凑型高性能互连"，只是实现方式和细节不同。 一句话总结：华为 CloudMatrix 384确实主打"紧凑型高带宽互连”的高性能分布式结构，不是传统大数据那种松散分布式。
但本质上，AI大模型训练/推理无论用什么结构，底层还是分布式并行，只是“紧凑型"让效率更高、更接近单机体验。
就是可惜中国的单子大概率丢掉了，华人又是全世界最卷的群体。
前段时间，用了AI识破了一个精心策划的金钱骗局。在用AI前，那个朋友已经被骗了近30万美金。
这次，又确实有助于识别专业知识的相关信息。
意识形态上和风险控制上，其实答案已经在那里了。
就是丢掉抖音、阿里、腾达这些大客户可惜了。
腾讯还是赚钱能力很好的共识。
怎么是不计成本，这个产业太赚钱了。下面是2月份新浪财经的报道。现在H20被禁，华为肯定是笑得合不上嘴。
“报道进一步指出，尽管DeepSeek的AI模型的更广泛部署有望帮助华为等中国芯片制造，其商凭借其对推理的关注在中国市场内有更好的竞争。但英伟达的H20 GPU至今仍然是中国的的产业标准。分析师估计，英伟达到2024年将出货约100万台内含H20 GPU的服务器，为英伟达创造超过120亿美元的营收。”