輝達在 2006 年做了一個決定，二十年後才看出有多重要

2006 年，黃仁勳做了一個當時看起來很奇怪的決定：要求輝達所有新晶片，都必須搭載一個叫 CUDA 的通用運算架構。

CUDA 讓開發者可以直接用程式語言操控 GPU 來進行通用運算，不只是圖形處理。

問題是，在 2006 年，有誰需要用 GPU 做通用運算？幾乎沒有人。那是一個利基到幾乎不存在的市場。

投資開發 CUDA 的成本，壓縮了輝達接下來超過十年的毛利率。

華爾街一直覺得這件事很沒效率。

然後深度學習出現了

2012 年，多倫多大學的研究團隊用 GPU 訓練了一個叫 AlexNet 的神經網路，在圖像識別競賽中大幅領先所有對手。

他們用的 GPU，是輝達的。他們用的開發工具，是 CUDA。

從那一刻開始，全球的 AI 研究者開始大量採用 CUDA 來訓練模型。六年後，PyTorch 和 TensorFlow 這兩個主流的 AI 開發框架，都深度整合了 CUDA。

全球幾十萬名 AI 工程師，從學生時代就開始在 CUDA 上寫程式。他們的整套工作流程、工具、習慣，都建立在這個架構上。

當 AI 大爆發在 2022 到 2026 年到來，這些工程師需要的晶片，只有輝達能提供。不是因為輝達的硬體沒有競爭者，而是因為換掉 CUDA 的遷移成本，對大多數人來說根本不值得。

那個護城河，不是晶片，是二十年的生態系積累。

這件事對投資人的意義

輝達 2006 到 2016 年的財報，看起來是一家長期壓縮自己毛利率的公司，沒有明顯的催化劑，股價長年盤整。

那段時間，沒有太多人寫分析報告說輝達是一個好的投資標的，因為財務模型顯示它的效率不夠高。

然後 2017 年開始，深度學習需求爆發，CUDA 的生態系壁壘開始顯現，輝達的股價開始一個讓人不敢相信的長期上漲。

那二十年的孤獨投入，沒有出現在任何一份季度財報的亮眼數字裡。它只出現在後來的結果裡。

CUDA 在 2006 年是一個「目前沒有市場、但未來可能改變一切」的押注。

黃仁勳堅持了二十年。

這種押注，在財務模型裡永遠顯示為「低效率的資本配置」，直到它突然不是了。

問題是，你怎麼在二十年前就知道？

大概沒辦法確定地知道。但輝達的案例至少說明了一件事：有些護城河，是在沒有人注意的時候，一層一層堆出來的。