不要只為今天已經存在的市場開發產品,而要為未來必然出現,但現在還不存在的市場,提前建立基礎設施。」這個理念,可以從輝達發展CUDA的歷史看得非常清楚。
2000年代初期,GPU主要用於遊戲繪圖。當時的主流觀念是:CPU負責通用運算,GPU負責圖形處理,更快的電腦主要依靠CPU性能提升。
CUDA為成就算力創新而生
但黃仁勳與輝達的工程團隊看到另一個可能性:未來有大量運算問題,可以拆成數千、數萬個工作,同時交給GPU執行,例如科學模擬、影像處理、金融計算,以及後來的深度學習。這意味著GPU不應只是一個繪圖零件,而有機會成為新型態的通用運算平台,CUDA正是為了實現這個目標而誕生。
但是2006年推出的CUDA在早期缺乏足夠的直接商業回報,卻持續消耗大量研發與硬體成本,使得輝達毛利率由2008會計年度約45.6%,下降至2010會計年度約35.4%,CUDA相容硬體的開發成本是重要因素之一。
輝達的成功要讓夢想實現
為什麼輝達願意承受多年沒有明顯回報而繼續支持CUDA呢?2026年接受Lex Fridman專訪時,黃仁勳回顧了當年最艱難的決策,他表示,輝達當時已經靠GeForce賺錢,卻決定讓每一顆GeForce GPU都支援CUDA,即使消費者根本不知道CUDA是什麼。
原因是他希望輝達成為一家真正的運算公司,而運算公司必須擁有跨產品一致的運算架構,這個決定甚至一度危及公司的生存。
對多數企業家而言,夢想是為了讓企業成功。但對黃仁勳而言,輝達的成功,是為了讓他的夢想得以實現。
黃仁勳不是先看到市場,才決定追逐夢想,他不是為了賣更多GPU才發展AI,而是透過GPU實現運算革命。
AI教父前瞻眼光 常人難望項背
從CUDA、AI工廠、Omniverse到物理AI,可以看出輝達一條相當一致的發展路線:讓電腦從處理資訊,進化到理解世界、創造智慧,最後能夠參與真實世界的運作。GPU是工具,CUDA是基礎,AI是能力,機器人則可能是這套願景走向實體世界的重要成果。
一般企業可能先找到有利可圖的市場,再投入資源。黃仁勳卻在市場尚未成熟時,持續建立基礎技術。最終,深度學習與生成式AI的發展,讓輝達長期累積的GPU運算生態系成為產業核心。
這並不代表成功完全來自黃仁勳一人,輝達的工程師、研究機構、開發者,以及全球AI產業的共同投入,都是不可缺少的因素。但黃仁勳最特別的地方,在於他有能力讓一家上市公司長期承擔不確定性,持續投資尚未被市場充分證明的未來。
黃仁勳真正想建立的是一個AI成為全世界基礎設施的經濟體系,就像過去一百多年,電力改變了工業,電腦改變了企業,網際網路改變了資訊流通,黃仁勳希望AI成為下一個通用基礎設施。在這個世界裡,AI不只是回答問題的聊天機器人,而是能夠設計、分析、決策、操作軟體,甚至控制機器人的生產力系統。
晶片迭代速度放緩會怎樣?
輝達現在遇到二十年來最棘手的接班問題。癥結點在哪?一般的專業經理人,KPI都是向股東交代,不太可能擁有創辦人那種「就算連虧好幾年我也要做到底」的權力跟底氣。連美國財政部長貝森特都直言,輝達董事會找接班人應該往外找,公司內部需要一次大幅度的整頓。
這背後代表的訊號是:輝達神話般的「超扁平化組織」可能走到盡頭了。如果組織開始疊床架屋,溝通成本就會拉高,最直接的代價,就是晶片迭代速度會從現在的「一年一更」被打回「三年一更」。算力供給一旦放緩,這種由組織官僚化引發的算力供給降速,將成為2028年後市場必須高度警惕的AI版量化緊縮風險。


