市场热议英伟达CUDA护城河面临威胁

关于英伟达最深层护城河的质疑，正在以前所未有的密度在华尔街和硅谷同步发酵。

这场讨论的核心命题在于：CUDA（统一计算架构），这个支撑英伟达万亿美元市值最关键的软件护城河，究竟还有多深？

这场讨论的导火索，部分源于不久前英伟达创始人黄仁勋被播客主持人Dwarkesh Patel高密度的正面逼问：Anthropic转向TPU、中国市场萎缩、云厂商自研芯片、顶级实验室绕过cuBLAS。市场注意到了一个细节：当被追问CUDA护城河时，他的论据悄然从"软件生态无可替代"转向了"我们锁定了供应链产能"。

超级买家正在分散押注

CUDA护城河最坚固的部分，历来都是客户粘性。十余年间，全球AI研究社区在CUDA上积累了海量代码库、工具链和工程师经验，迁移成本被认为高得无法承受。

但这一判断正在被超大规模云厂商的实际行动所挑战。

谷歌早已将Anthropic——英伟达最重要的战略客户之一——迁移至自研TPU之上。黄仁勋在访谈中坦承，这一失误在于"太晚投资Anthropic"。这句话的潜台词是：当顶级AI实验室的算力需求与特定硬件形成深度绑定之后，迁移不仅可能，而且已经发生。

亚马逊的Trainium和谷歌的TPU，正在作为英伟达GPU的部分替代方案被积极推进。这些超级买家既是英伟达最大的客户，也是其潜在的最大竞争者——它们有足够的资源写自定义算子、绕过cuBLAS，也有足够的动机去降低对单一供应商的依赖。

在中国市场，局面更为严峻。出口管制使英伟达实质上退出了这一重要战场，而华为昇腾正在填补空缺。黄仁勋表示，若DeepSeek最终首发于华为芯片，将是“美国的可怕结果”——这句话恰恰说明，脱离CUDA生态的可行性正在被中国市场的现实所验证。Triton和TileLang正在拆解cuBLAS的垄断

CUDA护城河的第二道防线，是其底层数学计算库——cuBLAS和cuDNN。这两个库历经十余年优化，在矩阵乘法、卷积运算等核心算子上的性能长期无可匹敌，被视为CUDA生态中最难被复制的部分。

这道防线正在经历最直接的冲击。OpenAI主导开发的Triton，已经让开发者能够用更接近Python的语法编写GPU内核，并在不直接调用CUDA原语的情况下实现接近手写性能的计算核——这套工具链天然具备跨平台迁移的潜力。

更值得关注的是TileLang。这个专门用于GPU内核开发的领域专用语言，以不到100行代码实现了比FlashAttention 2原版快30%的注意力计算。DeepSeek已正式采纳TileLang，华为昇腾也在第一时间宣布支持。 一套代码，多个硬件平台——这正是CUDA生态最不愿意看到的局面。

英伟达显然意识到了威胁。在CUDA 13.1中，英伟达推出了自家的cuTile编程模型，声称在FlexAttention等场景下比Triton实现快2倍。但这个动作本身承认了一个事实：Triton已经构成了可与cuBLAS对比的替代方案，否则无需专门应对。AI正在瓦解“工程师不可替代”的神话

CUDA护城河最隐蔽的一层，是人的壁垒——能写出高性能GPU内核的工程师极为稀缺，培养周期长达数年。这种稀缺性让CUDA生态具备了天然的自我强化能力：越难替代，迁移成本越高。

但AI编程工具正在直接侵蚀这一层。

2025年，斯坦福大学的研究发现，AI意外生成的CUDA内核，在二维卷积任务上性能达到原生PyTorch的179.9%，矩阵乘法达到101.3%——不是“接近人类水平”，而是已经超越。同年，清华大学推出的CUDA-L1强化学习系统，在250个标准内核测试集上实现平均3.12倍性能提升，最高120倍。更关键的是，这套系统全程无需人工专业知识介入，仅凭“执行速度”这一个反馈信号，自主完成优化学习。