你可能覺得，Nvidia靠GPU在AI浪潮里賺得盆滿缽滿，下一步肯定還是繼續死磕更大參數的模型、更快的訓練卡。但它的目光，其實已從“更大的GPU”移開，盯上了一個規模2000億美元、自己卻從未真正拿到話語權的市場。

這個體量龐大的市場，就是CPU所在的通用計算領域——那個曾經被它繞開、由英特爾和AMD長期把持的領地。Nvidia現在要做的，不是回避，而是正面闖入。而它選擇的時機，恰好是AI的敘事從訓練側轉往“代理式AI”演進的關鍵節點。

在展開這場CPU戰役之前，先復盤一下Nvidia的底牌。它的GPU早已不是單純的游戲配件，而是整個生成式AI訓練、推理的核心引擎。無論大模型廠商如何鼓吹自己的算法，底層燒掉的算力絕大多數仍來自Nvidia的加速卡。最新一個季度的數據就很說明問題：營收沖到810億美元，同比增幅85%；按照通用會計準則，凈利潤更是暴漲211%，達到580億美元。這可不是偶發的一波紅利——自AI行情啟動以來，Nvidia幾乎每個季度都在交出類似的爆發式增長曲線，五年間股價累積漲幅超過1200%。換句話說，Nvidia已不只是賣得動，而是賺得狠，且能持續地把營收轉化為恐怖級別的利潤。

正方觀點非常清晰：既然Nvidia能在自己并不占據先發優勢的AI訓練卡戰場上擊退所有對手，那它就有足夠的能力復制這一路徑，去啃下CPU這塊硬骨頭。而且它并非從零起步。過去幾年，Nvidia圍繞著GPU構建了一個完整的AI產品帝國，從企業級軟件到網絡互聯工具一應俱全。CPU恰好是這個帝國版圖中缺失的一塊拼圖。如今，在其旗艦系統Blackwell中，Nvidia已經嵌入了自研CPU，雖然目前還只是一個系統組件，并非獨立出售的單品，但這已經釋放出一個信號：Nvidia有能力把CPU做進頂級AI基礎設施里。對正方而言，只要市場需求從純粹的“GPU集群”轉向“異構算力系統”，Nvidia完全可以憑借已有的生態捆綁，把CPU一起打包賣，就像它當年用CUDA生態鎖定開發者一樣，重新定義整個計算棧。

但反方觀點同樣有據可循。CPU市場與GPU的崛起邏輯并不相同。GPU靠的是并行計算在某一垂直領域（先是游戲，后是AI訓練）的絕對優勢，而CPU所主導的通用計算領域，更像一個靠長期兼容性、功耗控制、操作系統調度優化和客戶慣性構建起來的壁壘。英特爾在這個領域深耕數十年，AMD又通過Zen架構重新奪回性能王座，兩者在服務器CPU市場已經占據極強的話語權。Nvidia提供的CPU目前甚至不能獨立銷售——Blackwell系統中的CPU只是一個集成模塊，這意味著它的獨立產品化路徑、供應鏈成熟度、與主流服務器平臺的適配能力都還是未知數。反方會指出，想用“解決方案包裹式”CPU去撼動企業客戶對獨立CPU的采購習慣，至少要先回答一個問題：當客戶已經有了成熟的英特爾至強或AMD EPYC部署，為何要為了一個并不獨立的Nvidia CPU去承擔遷移成本？

我的判斷更傾向于：Nvidia并非要取代英特爾或AMD在通用CPU市場上的位置，而是要在特定AI工作負載的語境下，重新定義“什么才算是一個合格的CPU”。過去一年多，行業的討論焦點已經從“訓練最大模型”逐漸切換到“代理式AI”上——也就是讓AI自動完成多步驟任務，而不僅僅是生成一段文本。這種工作負載對延遲、內存一致性、任務調度提出了與訓練截然不同的要求。CPU在這種場景下開始變得比預想的更重要，因為它負責追蹤狀態、管理工具調用、維持長鏈條的邏輯連貫性。英偉達的CPU或許不會很快出現在標準雙路服務器里，但它會被部署在那些面向代理式AI的推理集群中，和自家的GPU高速互連，降低數據搬移的開銷。這是英特爾和AMD難以復制的垂直整合優勢：Nvidia不需要CPU在所有場景下都贏，它只需要在“AI算力堆?！边@個由自己定義的賽道上贏。

這一幕和十年前的歷史很像。當時Nvidia的GPU主要還是游戲市場的加速器，沒人預料到它會成為AI產業的事實標準。但2012年AlexNet在GPU上跑出驚人成績后，Nvidia果斷將公司戰略轉向AI，這種決策力至今仍在印證。十年前它瞄準了一個可能改變計算形態的市場，今天它再次瞄準一個2000億美元的市場，用的不是GPU，而是一直空缺的CPU，賭的是AI的下一個十年會從“生成答案”進化到“執行任務”。這盤棋到底多久才能走通，目前沒有任何數據能給出結論，但確定性的事實是：Nvidia已經從那個“僅僅是GPU巨頭”的標簽里掙脫出來，開始向一個更完整的計算基礎設施提供者轉型。