欢迎收听雪球出品的财经有深度，雪球，国内领先的集投资交流交易一体的综合财富管理平台，聪明的投资者都在这里。今天分享的内容叫英伟达CUDA的优势及挑战，来自wangdizhe。

d s 对英伟达的挑战，并不是简单的“算法平权”，还有开源对闭源的挑战。如果只是了解a h100或者gb200这种东西，意义不大，英伟达的护城河主要是CUDA

CUDA的故事起步于2006年11月份发布的GeForce8800GTX，19年前了，那是一个起点。2007年6月份发布了英伟达的通用图形处理器、CUDA出世，这个跳跃是让显卡不仅能用在图像绘制了，也能用在其他方面。

A I 的本质，其实和 B T C 的哈希算法类似，都是大量的数学计算。这也可以解释为啥近10年金融越来越“数学化”，包括做对冲的幻方能弄出 d s，也是因为它是最具“金融数学化底蕴的对冲私募”。

主要就是transformer那套，也就是比如从一维的向量到二维的矩阵，然后再到三位或高位的张量，核心不在于算的多难，而在于算的题量很大。

G P U 更像一个“事业部经理”，而 C P U 类似于一个“ c e o ”。 i t 世界一开始，c e o 比较重要，因为机会多多，需要面面俱到，就像80到90年代做生意，压对方向很重要。但随着时间发展，需要不断“细分而深化”，尤其是显卡计算部分，这部分其实初期是游戏推进的，但后期科学计算的需求上来了，把控机会需要更好的“项目经理”。

G P U 内部有很多逻辑计算单位，每个单元基本上只做简单的加减乘除，靠着分工协同完成庞大的计算任务。CUDA就是G P U这个项目部经理手下的“调度总管”，比如计算张量这个活，就具体分派谁谁来做，也就是CUDA的作用，其实就是“算力调度者”，它优化算法效率。

这个作用类似于斯隆对通用汽车的管理，也就是在具体的“算力事业部内”，CUDA这个算力调度者，甚至有比肩整个事业部经理的实力。因为所谓的算力，A M D 也有，也就是经理不稀罕，调度总管那套管理方法，却是稀缺的。

算力管理的优化，也是 d s 之所以引人瞩目的地方，因为人们认为“算力调度工作”应该在CUDA逻辑下优化，但没想到 d s 用了一些方法，似乎实现了更大的优化。人们好奇的就是它是如何实现的？以及优化算力之后，对于未来算力需求是不是降低？以及这对于“算力优化”世界，意味着什么？

CUDA的好处，是如果研究者，只会 a i 模型的训练及推理方法，而不会任务分类的话，也没事，英伟达有自动分配的程序库，这样玩ai的，只需要专注于训练或推论就行了。这降低了项目开发的门槛，等于是一个特殊的“懒人包”。所以开发人员都喜欢用，然后20年过去了，用的人越来越多，产生生态影响力和开发依赖度。

未来英伟达还要推行量子计算，比如2023年就推出了 CUDA Quantum 平台，这部分也是为未来布局。其实逻辑核心依然是“并行计算”，也就是用多个处理单元，同时推进，计算量越大，越快，就越容易“大力超快出奇迹”。从一定程度上，可以理解CUDA在G P U 领域，是类似于x86在 C P U 领域的那种“专利优势”。

CUDA未来就没有挑战么？当然有的，大概4个维度

1、硬件挑战

首先基本上，每个做 C P U 的，其实都看着别人火而眼馋。A M D 的mi300x，直接对标英伟达的H100，价格基本是其三分之一。然后 A M D还通过ROCm平台通过兼容CUDA代码吸引开发者，弱化CUDA生态。英特尔虽然遇到困境，但有美国政府撑腰，也没闲着，其G P U 加速器结合了Xe架构和开放标准SYCL，通过OneAPI实现跨硬件统一编程，降低对CUDA的依赖。

然后就是科技巨头的自研芯片，比如谷歌TPU通过专用张量核心和软件栈在 A I 训练中实现更高能效比。亚马逊云科技的自研芯片直接与CUDA生态脱钩，挑战英伟达的云市场份额。

以及中国势力的挑战，主要就是华为昇腾、寒武纪等国产芯片在政策驱动下抢占本土市场，通过兼容PyTorch等框架绕过CUDA绑定。

2、软件挑战

英伟达的闭源属具，让其必然引来开源的挑战， d s 事件其实就是代表之一。

首先就是开源编译器的性能逼近，比如OpenAI Triton，支持Python编写G P U 内核，在英文的 G P U 上性能接近CUDA，同时兼容 A M D和英特尔硬件，成为CUDA的“平替”。

然后就是AI框架的硬件抽象化：比如PyTorch 2.0与TorchDynamo，PyTorch通过编译器技术自动优化计算图，无需手动编写CUDA内核即可实现高性能，降低开发者对CUDA的依赖。

最后是跨平台标准：比如Vulkan Compute和SYCL等开放标准支持多厂商硬件，未来可能挤压CUDA的生存空间

3、cuda本身存在的技术瓶颈

内存墙与通信瓶颈：G P U 显存容量和带宽增长放缓，而大模型训练需要TB级内存，迫使开发者转向分布式计算或多芯片方案，CUDA的单卡优化优势被稀释。其次是NVLink和InfiniBand的私有协议面临通用芯粒互联等开放标准的竞争，可能削弱英伟达全栈技术的协同效应。

能效比挑战： 随着摩尔定律放缓，单纯依靠制程升级提升算力的模式不可持续。CUDA需在稀疏计算、混合精度等算法层创新，但竞争对手通过架构革新实现更高能效。

量子计算与神经形态计算的长期威胁：量子计算在特定领域的突破可能分流HPC需求。神经形态芯片更适合脉冲神经网络，这些新型计算范式与CUDA的SIMT模型不兼容。

4、市场及政策挑战

地缘政治与供应链风险：美国对华高端G P U 出口限制迫使中国厂商加速去CUDA化，华为昇腾和百度的正在逐渐强化替代性生态。未来美国对从香港和新加坡渠道都会加强管理，对Azure华ai芯片营收占到英伟达总量的20到25%，这部分如果管制加强，英伟达业绩会受到影响。

云厂商的“去英伟达化”策略：亚马逊、微软等云服务商通过自研芯片和多元化硬件方案降低对英伟达 G P U 的采购比例，CUDA在云端的统治力可能被削弱。

开发者社区的迁移成本降低：工具链可将CUDA代码自动转换为HIP（ A M D）或SYCL（Intel），迁移成本从“月级”降至“天级”，CUDA的生态锁定效应减弱。

英伟达也不傻，早就看到了这些威胁，因此也在CUDA护城河上做出应对，大概做了4点应对：

1、强化全栈优势：首先是软硬件协同设计，通过Grace Hopper超级芯片实现C P U /G P U 内存一致性，提升CUDA在异构计算中的竞争力。然后是，CUDA-X生态扩展，集成更多加速库，覆盖量子计算和科学计算等新领域。

2、拥抱开放标准：有限支持开源编译器，同时推动英伟达贡献标准组织，避免被边缘化。

3、抢占新兴场景：首先是重视“边缘计算”，通过Jetson平台和CUDA-on-ARM支持边缘AI，应对ROS 2等机器人框架的异构计算需求。然后是打造数字孪生与元宇宙，Omniverse平台依赖CUDA实现实时物理仿真，构建新的技术护城河。

4、商业模式创新：打造CUDA-as-a-Service，通过NGC提供预训练模型和优化容器，增加用户粘性。

整体来看，由于20年技术积累，开发者的生态黏性，以及巨大的迁移成本。导致CUDA护城河当下还比较强大。目前追的最快的就是 A M D，但至少3年内英伟达CUDA还是优势明显但从seekingalpha等文章反馈来看，如果CUDA被超越或者被追上，大概有2个临界预警值：

1、技术临界点：当竞争对手的硬件性能超越英伟达且软件生态成熟度达到80%以上。

2、经济临界点：云厂商自研芯片成本低于采购英伟达 G P U 的30%。

所以要想投资互联网或者芯片产业，需要对于技术趋势有深度了解，阅读大量的资料和文献。对于“强科技成长”的估值尤其难，这也是巴菲特基本不碰强成长科技股的原因 （买苹果是当消费股买的）。美股这么贵，我旁观。先积累一些知识和资料，等回调时候方便下手。