Cointime

扫码下载App
iOS & Android

Nvidia如何在如今这个AI时代突破了1万亿美元的市值大关

昨天,Nvidia首次突破了1万亿美元的市值大关,成为仅有的第五家美国公司做到这一点。Nvidia紧随苹果、微软、谷歌和亚马逊的脚步(Saudi Aramco是唯一一家超过1万亿美元门槛的非美国公司)。

显而易见,这是一件大事。尽管“1万亿美元”只是一个因为它是一个整数而引人注目的里程碑,但只有少数几家公司达到了这个规模。使Nvidia在这一成就上独树一帜的是,它以相对低调的方式取得了这一成就。过去十年,关于“大型科技”的时代一直是人们关注的焦点。实际上,这通常指的是曾经明确规定的“FAANG”公司,其中有时包括微软(不幸的是,由于多次改名,这个公司组合失去了它的响亮昵称)。尽管Netflix和Meta在过去几年的公开市场上表现不佳,但它们在媒体上的市场份额并没有减少:它们仍然是公众关注的焦点。这个集团中的其他公司仍然处于领先地位。

而Nvidia从未成为这些时髦缩写的一部分,对于大众来说也不太引人关注。然而,最近情况发生了变化。在纳斯达克指数年初至今下跌约11%的情况下,Nvidia的股价上涨了约180%。对于一家规模如Nvidia这样的上市公司来说,这是一个巨大的成就。在今年迄今为止对美国技术公司而言是一个具有挑战性的年份中,Nvidia在五个月内市值增加了约6500亿美元:这超过了像Visa、LVMH、UnitedHealth或JPMorgan Chase等公司的整体市值。除了Nvidia本身之外,全球只有七家公司的市值超过了Nvidia今年单独增加的市值。

无论怎么看,Nvidia在技术熊市中经历了历史上最伟大的股票行情之一。在这一增长的巅峰期,Nvidia在上周的一个交易日中市值增加了1840亿美元,超过了大多数直接竞争对手的整体市值。

总之,2023年Nvidia的股票行情在公开市场上感觉就像90年代芝加哥公牛队一样出色。但这个价值爆发源于何处?是什么推动了可能是历史上最伟大的六个月股票行情?如果您已经阅读了这些文章中的任何一篇,您可能已经知道了答案:AI。

首先,我们需要弄清楚Nvidia到底做什么。

自1993年成立以来,Nvidia作为半导体(通俗称为“芯片”)设计师,在电脑的基础硬件方面树立了自己的名声。需要特别指出的是,Nvidia主要只设计和分发他们的芯片,并不生产芯片(世界上绝大多数尖端芯片都是由台积电(TSMC)制造的,详见由Radical合伙人Rob Toews撰写的这篇出色的福布斯文章)。

通过外包自己芯片的生产,Nvidia能够避免管理硬件业务所带来的运营挑战。事实上,尽管与基础硬件密切相关,Nvidia非常盈利:公司的EBIT利润率通常在25%至35%的范围内,大多数分析师预计这一利润率将在2024年达到40%至50%。作为对比,盈利丰厚的苹果在过去几年中一直保持着30%的EBIT利润率,并预计将保持这一利润水平。

Nvidia最为人所知的是设计高端GPU(图形处理器)。在我成长的过程中,强大的GPU最常用于驱动尖端的游戏电脑和视频游戏机。随着游戏市场的增长,对Nvidia最高端和利润丰厚的芯片的需求也在增加(因此,游戏主角经常出现在Nvidia的GPU包装上)。然而,在过去的5-10年里,GPU找到了一个新的关键用途:为比特币挖矿提供动力(尽管随着加密挖矿成本的飙升,这种需求已大大减少)。

然而,在最近几年里,GPU找到了一个新的、非常有利可图的市场:为AI模型提供动力(俗称为为模型的训练和服务提供“计算”)。我们已经多次谈论过AI公司所需的惊人的计算成本。随着这些贪婪的模型吞噬越来越多的数据以提高性能,它们需要使用大量的GPU来实现。虽然市场上有需求降低计算每一次浮点运算的成本,硅谷对“小模型”的出现(与“大型”模型相对,如LLM)充满兴趣,但现实是,对计算资源的总需求远远超过了世界目前的供应,而且在可预见的未来将继续如此。

简而言之,芯片供不应求,似乎世界上的每家公司都愿意以天价购买它们。即使您愿意支付高于市场价格,许多公司仍然无法获得高端GPU:围绕芯片采购的狂热已经将GPU采购转变为AI初创公司的一个重要差异点。

对于驱动AI模型的芯片需求的爆发是Nvidia股票行情的主要推动因素:管理层和分析师根据前所未有的需求提高了估计值,推动Nvidia的利润大幅增长:目前分析师预计Nvidia在2024年的EBITDA将翻一番以上。

在过去,我们已经谈过企业是如何根据交易倍数进行估值的。市场通常认为交易倍数更高的企业比交易倍数较低的企业更好(例如,它们增长更快,更具防御性,更具资本效率等)。根据Pitchbook的数据,Nvidia目前的交易倍数达到了惊人的36倍的过去12个月营收/91倍的过去12个月EBITDA,而其半导体竞争对手(再次根据Pitchbook定义)的中位数交易倍数为7倍的过去12个月营收/22倍的过去12个月EBITDA。

作为比较,苹果(另一个“高溢价倍数”资产)的交易倍数仅为7倍的过去12个月营收/23倍的过去12个月EBITDA。尽管苹果显然不是一家半导体公司,但它与Nvidia的主要竞争对手的估值水平保持一致。显然,公开市场的分析师对Nvidia的看法比其他任何竞争对手或任何其他大型科技公司都更为有利。

但为什么所有这些对AI模型的需求影响Nvidia比其他任何公司都更多?正如上面所提到的,Nvidia实际上并不制造自己的芯片。在该行业一直存在着其他半导体设计公司:为什么它们没有利用这个时机呢?基本的商业理论认为,当一个公司在一个行业中获得异常高的利润时,其他新进入者会涌现出来,供应和竞争增加,行业利润下降。为什么这种情况对Nvidia不适用?

Nvidia的秘密武器

正如我们几周前讨论的那样,构建AI仍然非常困难。尽管市场需求爆炸,但世界上真正能够与Foundation模型一起工作的人仍然非常有限,即使对于专家来说,现代AI模型也可能是难以控制的巨兽。现实情况是,这里的技术仍然非常新颖,并且正在以快速的速度发展:与构建传统软件架构不同,对于使AI模型更易于构建和管理并没有投入太多时间和精力(顺便说一下,在过去几个月中出现了许多在这个“工具层”上的初创公司,但很少有公司能在这个过程中取得重大突破)。

在与AI模型一起工作时,最具技术挑战的部分之一是管理模型的实际训练过程:由于各种原因,运行可能很容易失败,这既费时又昂贵。因此,公司对于最容易构建和使用的资源给予了高度重视。值得赞赏的是,Nvidia多年前就意识到了这一点,并投入了大量资金和工程资源来设计其芯片的专有软件(包括当前AI芯片之王Nvidia A100),使其更易于交互。

我们与几乎每一个从业者交流过的人都注意到,与其他任何AI芯片相比,Nvidia的芯片更容易交互和构建(主要是因为Nvidia的专有软件堆栈)。这一点,再加上事实上,它们在性能上在与竞争芯片的对比中大多数情况下表现更好,帮助使Nvidia的GPU(尤其是A100)成为行业标准。每个从业者都是在A100上学习的,对A100最熟悉,并需求A100。它们已经成为行业标准,并被视为行业中最高级的产品。鉴于A100在芯片领域的持续领先地位,公司已经迫不及待地想要获取Nvidia的下一代产品:H100芯片,预计今年将亮相。初步报告表明,H100在性能上代表了相当大的提升,这可能进一步增加Nvidia已经显著的领先优势。

这并不意味着竞争对手没有努力。谷歌曾著名地开发了与Nvidia的GPU替代品(称为TPU或张量处理单元),这是专门为提供AI模型而设计的芯片。到目前为止,尖端TPU在纯性能方面与Nvidia的A100相当接近,但一般来说,TPU更难使用。与Nvidia的软件堆栈不同,谷歌的软件不够可靠或易于使用,大多数AI技术人员没有使用它的经验。这并不是说它不可用或不可学习,但从与GPU到TPU的转变肯定不是一夜之间的事情:这个过程需要耗费时间,需要大量的培训,并且对于从事AI构建的人来说通常是一件令人头疼的事情。

著名的半导体明星英特尔在AI方面完全错过了机会,现在正在拼命努力弥补多年的研发和数亿美元的投入。虽然英特尔正在尽一切努力追赶Nvidia或谷歌,但大多数分析师对它能否很快赶上持怀疑态度。

综合起来:Nvidia如何赢得AI时代

总之,Nvidia的股票行情显然是宏观经济条件的完美结合。然而,并不意味着他们仅仅是运气好:我认为这更多是几个杰出的战略决策同时发挥作用的结果。简而言之,我认为最重要的因素有:

1.       在还不明显的时候就识别出一种巨大趋势并积极投资

a)      自从2012年AlexNet在两个Nvidia GPU上进行训练以来,Nvidia投入了数亿美元开发专用于AI的芯片,比AI的普及采用早了许多年。

2.       通过与业务中最好的芯片制造商台积电(TSMC)建立深度合作关系,外包芯片生产

a)      与竞争对手英特尔(多年来一直试图生产自己的芯片)不同,Nvidia专注于其芯片设计的核心能力,并避免了资本密集和耗时的芯片制造过程。

3.       在一个每一分额的额外性能都能产生重大差异的领域取得卓越的性能

a)      在一个很容易进行基准测试的行业中,性能始终很重要。客观性很难争辩,最大的AI模型需要最好的硬件以保持竞争力。

4.       开发了一个深度差异化且易于使用的软件堆栈,技术人员喜爱

a)      在可能是他们最大的差异化点上,Nvidia开发了最灵活、最直观的AI训练软件堆栈。尽管每个竞争对手都试图追赶,但没有人能在Nvidia上取得有意义的进展:这是一个深度技术壕沟,在可预见的将来不会缩小。

评论

所有评论

推荐阅读