輝達(NVDA-US) 在人工智慧（AI）產業的主導地位究竟有多難撼動？知名投資人Gavin Baker近期在創投公司a16z Podcast節目中，與a16z合夥人David George深入討論輝達的競爭優勢，兩人均認為，輝達目前正處於「非常、非常有利的位置」。

Baker認為，輝達執行長黃仁勳打造的不只是晶片技術優勢，而是一套涵蓋供應鏈、硬體、生態系與融資機制的完整護城河，使輝達在AI產業的地位極難複製。

David George則表示，過去26年的經驗讓他學到一件事：「永遠不要押注黃仁勳會輸。」

從9種晶片到完整生態系

Baker指出，輝達目前的產品組合已涵蓋9種晶片，包括多款加速晶片、CPU、乙太網路交換器、兩種GPU以及InfiniBand。

在他看來，這並非單純擴大產品線，而是輝達「垂直整合、橫向開放」策略的一部分。即使市場上出現真正具有競爭力的晶片，只要能夠接入輝達建立的生態系，仍有機會從中受益。

因此，他認為競爭對手實際上面臨兩條路：直接與輝達競爭，或選擇加入其生態系。

Baker甚至向半導體業者的執行長提出建議，認為最應該做的事情就是感謝黃仁勳創造機會，並思考如何與輝達合作。

他並指出，如今AI市場中，每1%的市占率價值約1000億美元，因此對競爭者而言，找到一個細分市場並取得1%市占，就已經足夠。

供應鏈掌控成最難複製護城河

Baker認為，輝達真正難以被複製的優勢，不只來自晶片設計，而是其對整體供應鏈的掌控。

他在節目中表示，輝達已鎖定全球關鍵供應的70%至80%，範圍包括台積電晶圓產能、DRAM、NAND、雷射、電容器，以及打造AI伺服器機架所需的各項零組件。

Baker形容，黃仁勳過去15年逐步將原本每2至3年進行、規模達數十億美元的投資決策，提升至數千億美元的規模，同時將整個供應鏈與融資體系納入其中。

因此，即使競爭者能開發出效能相近的晶片，也可能面臨另一個現實問題：沒有足夠的產能可以取得。

Baker表示：「硬體很難，現實世界很難。黃仁勳如今能以目前的規模與速度，同時掌握供應鏈及融資體系，這種模式非常難以複製。」

殘值擔保讓「融資能力」變成競爭優勢

除了供應鏈，Baker認為輝達另一項容易被市場忽略的護城河，是其融資結構。

他以一座成本500億美元的輝達資料中心為例指出，客戶可能只需要投入150億美元股權，其餘350億美元則可透過融資取得。

包括黑石(BX-US) 、KKR (KKR-US) 、Apollo(APO-US) 、高盛集團(GS-US) 及摩根大通(JPM-US) 等金融機構之願意參與融資，關鍵就在於輝達提供殘值擔保。

Baker表示，只要殘值擔保的成本低於輝達銷售晶片給資料中心所取得的毛利，輝達的風險幾乎為零，同時還能從相關交易中取得收入分成。

相比之下，他認為TPU可能是市場上第二具融資能力的選項，但可能需要至少投入兩倍的股權，融資利率也更高。

Baker認為，資本成本本身就是輝達的一項優勢，也是市場參與者希望成為輝達生態系一環的原因。

David George進一步指出，輝達透過殘值擔保協助規模較小的業者與Anthropic、OpenAI競爭，這與過去扶植新興雲端服務商（NeoClouds）的做法類似，本質上是在擴大算力取得機會。

開源AI反而可能成為輝達利多

針對市場擔憂開源AI模型崛起可能壓縮輝達利潤，Baker則持完全相反的看法。

他認為，開源模型確實可能讓單一Token的利潤率從90%降至40%，但開源同時會推升Token使用量，而更多Token代表需要更多運算能力。

在AI算力仍處於供給受限的環境下，Baker認為，這對輝達反而是一項重大利多。

他進一步指出，輝達的利益與AI模型多元化、算力分散以及AI產業碎片化天然一致，而這也與美國國家利益相符。

因此，在Baker眼中，輝達對開源AI的支持並非削弱自身業務，反而可能進一步強化其商業模式。

挑戰輝達如同「招惹狀態正佳的喬丹」

談到競爭對手如何挑戰輝達，Baker以NBA球星麥可・喬丹（Michael Jordan）作為比喻。

他形容，有時會看到競爭者在輝達面前發表挑釁言論，就像一名自信滿滿的年輕球員，在喬丹狀態正佳時主動挑釁對方；而接下來發生的事情，正是他最喜歡看的時刻。

Baker以TPU團隊為例，認為相關競爭者曾試圖挑戰輝達，但結果並不理想。

至於蘋果(AAPL-US) 自研AI晶片Jalapeno，Baker則給予較正面的評價，稱這是他見過第一款真正具備競爭力的內部ASIC，而且能在相對短的時間內完成，應該獲得肯定。不過他也提醒，Jalapeno仍是在挑戰輝達，後續結果仍有待觀察。

Baker同時指出，通用GPU之所以難以被專用晶片取代，也有其結構性原因。

他提到DeepSeek、Kimmy及Qwen三個主流中國開源模型，以非常不同的方式持續演進。這些模型都可以運行在通用GPU上，但若要針對特定模型進行專用化設計，就必須面對AI模型演進方向的不確定性，因此通用晶片仍具有優勢。

從交易條件看出客戶真正偏好

Baker最後提出另一項觀察市場的方法：研究晶片公司與客戶之間的交易結構。

他將相關交易大致分為4個層級，從最有利到最不利依序為：晶片公司直接投資客戶，例如Google(GOOGL-US) 、亞馬遜(AMZN-US) 針對Anthropic的TPU與Tranium交易；其次是殘值擔保架構；再來是與固定Token價格掛鉤的認股權證；最後則是單純提供認股權證的交易，這類交易甚至可能是負淨現值（NPV）。

Baker認為，透過比較不同交易結構，就能進一步判斷客戶真正偏好的晶片與運算方案。

他表示，輝達所達成的交易通常相當不錯，而且許多精明的市場參與者都願意參與其中；在他看來，這本身就是一項值得注意的訊號。