辉达(NVDA-US) 在人工智慧（AI）产业的主导地位究竟有多难撼动？知名投资人Gavin Baker近期在创投公司a16z Podcast节目中，与a16z合伙人David George深入讨论辉达的竞争优势，两人均认为，辉达目前正处于「非常、非常有利的位置」。

Baker认为，辉达执行长黄仁勋打造的不只是晶片技术优势，而是一套涵盖供应链、硬体、生态系与融资机制的完整护城河，使辉达在AI产业的地位极难复制。

David George则表示，过去26年的经验让他学到一件事：「永远不要押注黄仁勋会输。」

从9种晶片到完整生态系

Baker指出，辉达目前的产品组合已涵盖9种晶片，包括多款加速晶片、CPU、乙太网路交换器、两种GPU以及InfiniBand。

在他看来，这并非单纯扩大产品线，而是辉达「垂直整合、横向开放」策略的一部分。即使市场上出现真正具有竞争力的晶片，只要能够接入辉达建立的生态系，仍有机会从中受益。

因此，他认为竞争对手实际上面临两条路：直接与辉达竞争，或选择加入其生态系。

Baker甚至向半导体业者的执行长提出建议，认为最应该做的事情就是感谢黄仁勋创造机会，并思考如何与辉达合作。

他并指出，如今AI市场中，每1%的市占率价值约1000亿美元，因此对竞争者而言，找到一个细分市场并取得1%市占，就已经足够。

供应链掌控成最难复制护城河

Baker认为，辉达真正难以被复制的优势，不只来自晶片设计，而是其对整体供应链的掌控。

他在节目中表示，辉达已锁定全球关键供应的70%至80%，范围包括台积电晶圆产能、DRAM、NAND、雷射、电容器，以及打造AI伺服器机架所需的各项零组件。

Baker形容，黄仁勋过去15年逐步将原本每2至3年进行、规模达数十亿美元的投资决策，提升至数千亿美元的规模，同时将整个供应链与融资体系纳入其中。

因此，即使竞争者能开发出效能相近的晶片，也可能面临另一个现实问题：没有足够的产能可以取得。

Baker表示：「硬体很难，现实世界很难。黄仁勋如今能以目前的规模与速度，同时掌握供应链及融资体系，这种模式非常难以复制。」

残值担保让「融资能力」变成竞争优势

除了供应链，Baker认为辉达另一项容易被市场忽略的护城河，是其融资结构。

他以一座成本500亿美元的辉达资料中心为例指出，客户可能只需要投入150亿美元股权，其余350亿美元则可透过融资取得。

包括黑石(BX-US) 、KKR (KKR-US) 、Apollo(APO-US) 、高盛集团(GS-US) 及摩根大通(JPM-US) 等金融机构之愿意参与融资，关键就在于辉达提供残值担保。

Baker表示，只要残值担保的成本低于辉达销售晶片给资料中心所取得的毛利，辉达的风险几乎为零，同时还能从相关交易中取得收入分成。

相比之下，他认为TPU可能是市场上第二具融资能力的选项，但可能需要至少投入两倍的股权，融资利率也更高。

Baker认为，资本成本本身就是辉达的一项优势，也是市场参与者希望成为辉达生态系一环的原因。

David George进一步指出，辉达透过残值担保协助规模较小的业者与Anthropic、OpenAI竞争，这与过去扶植新兴云端服务商（NeoClouds）的做法类似，本质上是在扩大算力取得机会。

开源AI反而可能成为辉达利多

针对市场担忧开源AI模型崛起可能压缩辉达利润，Baker则持完全相反的看法。

他认为，开源模型确实可能让单一Token的利润率从90%降至40%，但开源同时会推升Token使用量，而更多Token代表需要更多运算能力。

在AI算力仍处于供给受限的环境下，Baker认为，这对辉达反而是一项重大利多。

他进一步指出，辉达的利益与AI模型多元化、算力分散以及AI产业碎片化天然一致，而这也与美国国家利益相符。

因此，在Baker眼中，辉达对开源AI的支持并非削弱自身业务，反而可能进一步强化其商业模式。

挑战辉达如同「招惹状态正佳的乔丹」

谈到竞争对手如何挑战辉达，Baker以NBA球星麦可・乔丹（Michael Jordan）作为比喻。

他形容，有时会看到竞争者在辉达面前发表挑衅言论，就像一名自信满满的年轻球员，在乔丹状态正佳时主动挑衅对方；而接下来发生的事情，正是他最喜欢看的时刻。

Baker以TPU团队为例，认为相关竞争者曾试图挑战辉达，但结果并不理想。

至于苹果(AAPL-US) 自研AI晶片Jalapeno，Baker则给予较正面的评价，称这是他见过第一款真正具备竞争力的内部ASIC，而且能在相对短的时间内完成，应该获得肯定。不过他也提醒，Jalapeno仍是在挑战辉达，后续结果仍有待观察。

Baker同时指出，通用GPU之所以难以被专用晶片取代，也有其结构性原因。

他提到DeepSeek、Kimmy及Qwen三个主流中国开源模型，以非常不同的方式持续演进。这些模型都可以运行在通用GPU上，但若要针对特定模型进行专用化设计，就必须面对AI模型演进方向的不确定性，因此通用晶片仍具有优势。

从交易条件看出客户真正偏好

Baker最后提出另一项观察市场的方法：研究晶片公司与客户之间的交易结构。

他将相关交易大致分为4个层级，从最有利到最不利依序为：晶片公司直接投资客户，例如Google(GOOGL-US) 、亚马逊(AMZN-US) 针对Anthropic的TPU与Tranium交易；其次是残值担保架构；再来是与固定Token价格挂钩的认股权证；最后则是单纯提供认股权证的交易，这类交易甚至可能是负净现值（NPV）。

Baker认为，透过比较不同交易结构，就能进一步判断客户真正偏好的晶片与运算方案。

他表示，辉达所达成的交易通常相当不错，而且许多精明的市场参与者都愿意参与其中；在他看来，这本身就是一项值得注意的讯号。