Thinking with AI · Research Archive
NVIDIA · 世界模型 · 估值與策略
March 2026 · @tonymao2016
深度研究 / Deep Research
英偉達在賣什麽？
從芯片到物理宇宙的野心
世界模型、物理AI、全棧壟斷——以及這一切對估值意味著什麽。一份完整的研究存檔。
Section I
英偉達的垂直整合：
從芯片到AI工廠
先做一個認知校準。英偉達已經不是一家芯片公司了——至少不隻是。2026年的英偉達，賣的是完整的AI生產基礎設施，從最底層的矽片，一路向上覆蓋到行業解決方案。英偉達全棧架構（從底層到頂層）
05 應用層 自動駕駛 (DRIVE) · 機器人 (Isaac) · 數字孿生 · 醫療AI
04 世界模型層 Cosmos · GR00T · Nemotron · 物理AI仿真生態
03 AI模型層 NIM微服務 · NeMo框架 · CUDA-X算法庫
02 操作係統層 DOCA數據中心OS · InfiniBand · NVLink網絡
01 芯片 / 係統層 Blackwell GPU · Grace CPU · GB200 NVL72 機櫃係統
GB200 NVL72：一個機櫃等於一個數據中心
你在GTC聽到的「Rubin係統」，當前代是GB200 NVL72。72個GPU + 36個Grace CPU通過NVLink 5.0互聯，裝在一個液冷機架裏。對軟件來說，這72塊GPU就是一整顆巨大的計算單元。這些機櫃可以通過InfiniBand網絡串聯成更大的集群——幾個機櫃是一個POD，成百上千個POD是一座AI Factory（AI工廠）。完全模塊化，按需擴展。
關鍵洞察
CUDA護城河是英偉達最被低估的資產。二十年積累，全球數百萬開發者在CUDA上構建了所有主流AI框架（PyTorch、TensorFlow、RAPIDS）。切換到AMD或華為的技術成本，不是錢的問題，是時間和生態遷移的問題。換掉英偉達的代價，比購買英偉達還要高。Section II
什麽是世界模型？
為什麽它比LLM更難
ChatGPT學的是互聯網上的文字。它能告訴你「玻璃杯很脆」，但它不知道「捏碎這個杯子需要多少牛頓的力」。這不是Bug——是語言數據的根本局限。語言裏沒有物理參數。「大語言模型讓AI學會了說話。世界模型要讓AI學會做事。這是完全不同的兩件事。」
世界模型在視頻、傳感器數據和機器人操作記錄上訓練——它學到的是物理因果規律：力與變形的關係，材質與破裂的關係，重力與軌跡的關係。核心對比
| 維度 | 大語言模型 (LLM) | 世界模型 (World Model) |
|---|---|---|
| 訓練數據 | 互聯網文字（現成） | 物理標注視頻（極難獲取） |
| 學習目標 | 預測下一個詞 | 預測物理世界的下一個狀態 |
| 理解內容 | 語言邏輯、知識 | 重力、力學、材質、因果 |
| 驗證方式 | 讀了覺得對不對 | 機器人在現實裏能不能幹活 |
| 錯誤代價 | 說錯了 → 糾正，無物理後果 | 抓錯了 → 零件碎、生產線停 |
| 訓練成本 | GPT-4約7800萬美元（已知） | 數億美元（英偉達未披露） |
| 核心難點 | 幻覺、對齊 | Sim-to-Real鴻溝 |
三大技術難點
1. 數據極度稀缺。 互聯網上有萬億字節的文字，但幾乎沒有「帶物理標注的視頻」——每一幀都標注了力、材質、摩擦係數。這類數據必須專門采集，成本極高。英偉達的Cosmos預訓練使用了超過2000萬小時視頻數據。2. Sim-to-Real鴻溝。 虛擬世界裏表現完美的機器人，到真實世界經常失靈。地板摩擦係數有細微差異，傳感器有噪音，光線折射不完全一樣。這些誤差累積起來，足以讓優秀的虛擬訓練在現實中失效。關閉這個鴻溝是整個行業公認的最大技術挑戰。
3. Cosmos的定位需要澄清。 Cosmos的核心能力是生成高質量合成訓練數據，而不是從第一性原理做物理仿真——那是Mujoco/Isaac Sim這類專業物理引擎的工作。英偉達兩者都用，但不能混為一談。
Section III
世界模型的三大核心應用
① 訓練機器人：讓它在虛擬世界死一萬次
傳統機器人訓練：真實機器人 → 反複試錯 → 數月時間 → 高成本。有了世界模型：訓練流程革命
第一步：在Omniverse裏建立數字工廠，給所有物體賦予真實物理屬性（重量、硬度、摩擦係數）。第二步：讓機器人在虛擬工廠裏練習，一天可以完成相當於數年現實操作的訓練量。失敗了？虛擬重來，零成本。
第三步：把虛擬學到的策略遷移到真實機器人。這叫 Sim-to-Real transfer。
以前訓練一個工廠機器人需要數月，有了世界模型可以壓縮到數天。
② 訓練自動駕駛：模擬那些不能讓它真的發生的事故
自動駕駛的訓練難點不在正常路況，在極端邊緣案例——大雪封路+行人突然衝出、隧道停電、逆行摩托車。這類場景在現實中太危險或太罕見，無法大量收集。世界模型解決方案：在虛擬環境裏無限生成這類場景，物理精度達到：正確的冰麵摩擦係數、真實的光照折射、符合人體生物力學的行人運動。奔馳已經在用Cosmos平台——新車型不需要跑幾百萬真實裏程，虛擬數據直接提供訓練基礎。
③ 工業數字孿生：先在虛擬世界把工廠跑一遍
寶馬匈牙利工廠案例：整座工廠在物理施工之前，先在數字環境裏完整模擬運行。機械臂碰撞衝突、傳送帶瓶頸、物流動線優化——全部在虛擬環境裏發現並解決，再開始真實建造。這不是未來——這已經發生，而且正在向製造業、城市規劃、醫療培訓等更多領域擴展。
Section IV
全球競爭格局
英偉達：安卓策略
Cosmos開源免費——模型權重可以在Hugging Face直接下載。商業模式：模型免費，算力收費。跑Cosmos需要英偉達的GPU。這是安卓邏輯：送出操作係統，鎖定硬件生態。早期采用者：奔馳、優步、Figure AI、Agility Robotics、小鵬等。Cosmos下載量已超200萬次。
特斯拉：數據護城河
沒有開放的世界模型平台。有的是全球最大的真實駕駛數據集——數百萬輛車、每天數億英裏。FSD已積累超70億真實駕駛英裏，目標100億。優勢：無Sim-to-Real鴻溝，真實數據質量無可替代。劣勢：封閉係統，無法惠及整個行業生態。
中國：最大的變量
中國自研世界模型的進展比多數人意識到的走得更遠：商湯「開悟3.0」是首個針對國產芯片適配的開源世界模型；千尋智能Spirit v1.5超越Pi0.5；騰訊混元3D世界模型。中國信通院的自我評估直白：「AI世界模型仍處早期階段，不具備通用性與長期泛化能力」。總體落後英偉達約1-2年，關鍵差距在通用泛化能力，而非某個具體任務表現。
對英偉達最大的威脅，不是中國的訓練營，而是「訓練營 + 華為芯片 + 自研世界模型」三者同時成熟的那個時刻。目前至少還有3-5年。
Section V
估值分析
當前股價
$173
近30天跌約9%
FY26全年營收
$2,159億
同比+65%
Q4毛利率
75.2%
創曆史新高
分析師目標價均值
$273
42位分析師，Strong Buy
三種估值方法交叉驗證
| 方法 | 結果區間 | 核心假設 | 可信度 |
|---|---|---|---|
| 前向PE（FY27 EPS ~$8） | $160–$280 | 20x=純硬件，35x=平台溢價 | 中高 |
| 華爾街共識目標價 | $220–$325 | Rosenblatt $325，Goldman $250 | 參考 |
| DCF自由現金流折現 | $160–$185 | FY27 FCF ~$970億，10%折現率 | 最保守 |
情景分析（12個月）
超級牛市
基本情景
橫盤情景
熊市情景
注：情景概率為主觀判斷，僅供決策參考。
「$173的股價：不便宜，但也不是泡沫。它處在合理區間的底部。這是一個你需要對未來有明確信念才能入場的價位——不是一個可以無腦抄底的位置。」
超大規模Capex：英偉達需求的上遊水位
| 公司 | 2026E Capex | AI變現進展 | 可持續性 |
|---|---|---|---|
| 亞馬遜 AWS | ~$2,000億 | 年化營收$1,420億，增長24% | 高 |
| 微軟 Azure | ~$1,450億 | Azure增速40%，RPO $6,250億 | 高 |
| 穀歌 Alphabet | $1,750–1,850億 | 雲增長強，搜索被AI威脅 | 中 |
| Meta | $1,150–1,350億 | 廣告受益但無直接AI營收披露 | 中低 |
Section VI
投資策略：LEAPS與安全邊際
以下分析基於當前股價約$173、Jan'28到期（約22個月）、隱含波動率約41%。三種行權價的對比分析
| 行權價 | 狀態 | 估算權利金 | 盈虧平衡 | 需漲幅 | 適合場景 |
|---|---|---|---|---|---|
| $160 | 實值 ITM | ~$38–42 | $200 | +16% | 高確信度，保守策略 |
| $190–$200 | 輕度虛值 OTM | ~$25–30 | $220–$228 | +27–32% | 均衡風險/回報 |
| $230 | 中度虛值 OTM | ~$16–18 | $248 | +43% | 激進，押Rubin超級周期 |
我的建議框架
現在可以入場的理由
股價已從$207高點回調約16%，估值壓力有所釋放
Jan'28覆蓋Rubin平台出貨高峰（2026下半年）
FY27 Q1指引$780億，超預期7.4%，且不含中國收入
23x前向PE，低於蘋果(29x)和微軟(32x)
超大規模Capex2026年仍在加速
等待更好入場點的理由
IV約41%，高於曆史均值35%，期權相對貴
IV如回落至35%以下，相同行權價的權利金便宜約15-20%
宏觀不確定性（關稅、伊朗衝突）可能帶來更好買點
你已有LNG、CVX、VIX倉位，新增NVDA需評估組合相關性
倉位管理建議
若決定入場，建議分兩批：現在買一半（試探性倉位），等Rubin出貨消息明朗後買另一半。總倉位控製在組合3-5%（約$30,000-$50,000）。IV高時買LEAPS本質上是在貴的時候買保險——有意義，但值得等。Section VII
風險清單：什麽能讓這個邏輯失效
高
超大規模Capex減速
如果微軟、穀歌、亞馬遜中任何一家在2027年發出Capex縮減信號，英偉達的訂單能見度會立刻受影響。這是最需要監控的核心變量。監控方法：季度財報的Capex指引和管理層措辭。高
中國出口管製進一步收緊
H20已被禁，中國從占營收20%跌至10%，預計接近歸零。如果出口管製延伸到其他地區（如中東主權AI項目），影響會更大。中
定製ASIC侵蝕推理市場
Google TPU、亞馬遜Trainium、OpenAI自研ASIC（2026年量產）都在吃推理市場。目前Trainium實際使用率僅占英偉達GPU的0.5%——短期威脅有限，但2028年前後值得重新評估。中
AI ROI敘事破裂
如果超大規模商的AI投入無法在2027-2028年轉化為可見的營收增長，市場敘事可能從「算力軍備競賽」轉向「泡沫破裂」。Meta是最脆弱的一環。低
算法突破大幅降低算力需求
DeepSeek R1已證明效率提升可以部分替代算力。但曆史規律是：效率提升通常帶來更多應用需求（Jevons悖論），不一定降低總算力消耗。核心判斷：英偉達的長期戰略邏輯是真實的——從芯片到世界模型的垂直整合，CUDA護城河加上Cosmos數據生態，構成了短期內無法複製的競爭優勢。
但$173的價格已經包含了相當多的樂觀預期。這不是一個「無腦買入」的價位，而是一個「你需要有明確信念」才能持有的倉位。
最需要監控的一個變量：超大規模季度Capex指引。如果2027年出現任何減速信號，要比市場更早出門。
本文僅供參考，不構成任何投資建議。
但$173的價格已經包含了相當多的樂觀預期。這不是一個「無腦買入」的價位，而是一個「你需要有明確信念」才能持有的倉位。
最需要監控的一個變量：超大規模季度Capex指引。如果2027年出現任何減速信號，要比市場更早出門。
本文僅供參考，不構成任何投資建議。
