黃仁勳離開 NVIDIA：失去的不只是一位 CEO，而是提前十年布局未來的能力？

一、黃仁勳離任，NVIDIA 的基本面是否受到影響？

根據 NVIDIA 2026 年 11 月 12 日公告及向美國證券交易委員會（SEC）提交的 Form 8-K，黃仁勳已辭去執行長及董事職務。

原財務長 Colette Kress 暫代執行長，並繼續兼任財務長；Harvey C. Jones 出任董事長。董事會已啟動正式執行長遴選程序，將考慮內部與外部候選人。

Kress 自 2013 年加入 NVIDIA，長期負責財務管理、資本配置與企業營運。她具有財務管理背景。

從財務表現來看，NVIDIA 在管理層交接前仍處於高速成長階段。

資料來源：NVIDIA 2026 年 8 月 26 日財報。[1]

這些數據顯示 NVIDIA 目前仍具有強勁的市場需求與獲利能力。然而，現有產品的成功，往往來自數年前已經做出的技術決策。

因此，評估黃仁勳離任的長期影響，需要回顧 NVIDIA 如何從一家 GPU 公司，發展成今日的 AI 基礎設施平台供應商。

二、2006 年 CUDA：在深度學習市場尚未形成前，先建立運算生態系

2006 年，NVIDIA 推出 CUDA，讓 GPU 可以用於圖形處理以外的通用平行運算。

當時 NVIDIA 的主要市場仍是遊戲顯示卡，科學運算雖已存在 GPU 加速需求，但深度學習尚未形成今日的龐大市場。

CUDA 需要投入的不只是硬體設計，還包括開發工具、程式語言支援、函式庫、編譯器及研究社群合作。

從當時的商業環境來看，這是一項短期回報並不明確的長期投資。

2012 年，AlexNet 利用 GPU 在 ImageNet 圖像辨識競賽取得重大突破，讓深度學習逐漸受到更廣泛的關注。

此後，GPU 加速深度學習的需求持續增加，而 NVIDIA 已經建立數年的軟體環境，得以更快承接新市場。

CUDA 後續又形成包含 cuDNN、NCCL、TensorRT、效能分析工具與各種運算函式庫的生態系。

這些工具不只加速 AI 運算，也降低模型開發、部署、除錯及跨 GPU 訓練的複雜度。

CUDA 的成功並不是 NVIDIA 提前知道生成式 AI 會在 2020 年代爆發，而是提前建立一個具有廣泛應用潛力的運算平台，並持續投入直到市場需求成熟。

這種優勢並不是競爭對手推出運算能力相近的 GPU，就能立即消除的。

三、2016 年 DGX-1：從銷售 GPU 轉向完整 AI 運算平台

2016 年 4 月，NVIDIA 發表 DGX-1，將 GPU、系統硬體、深度學習軟體及開發工具整合成可直接部署的 AI 超級電腦。

這項決策改變了 NVIDIA 的商業定位。

過去 NVIDIA 主要向伺服器製造商提供 GPU，由 OEM 或系統整合商負責打造完整系統。

DGX-1 則讓 NVIDIA 直接參與 AI 訓練系統的架構設計，並協助客戶部署軟硬體環境。

當時大型語言模型尚未進入商業化爆發階段，AI 研究機構對運算能力的需求也遠小於今日。

但 NVIDIA 已開始建立完整 AI 系統的技術能力。

從 DGX-1 到後來的 DGX SuperPOD、HGX，以及更大規模的機櫃級運算平台，都延續了這種產品方向。

DGX-1 的策略價值，是讓 NVIDIA 不再只是 GPU 晶片供應商，而是逐步成為大型 AI 運算系統的架構設計者。

它同時讓 NVIDIA 更早理解客戶在 GPU 通訊、記憶體、軟體及部署上的實際瓶頸。

四、2018 年 RTX：在即時光追尚不實用時，提前建立未來圖形平台

2018 年，NVIDIA 推出 Turing 架構及 GeForce RTX 20 系列，將專用 RT Core 和 Tensor Core 帶入消費級顯示卡。

即時光線追蹤能夠改善遊戲中的反射、陰影、間接照明及光線傳播效果，但當時面臨幾個問題。

首先，光追對運算能力要求很高，早期 GPU 開啟光追後可能出現明顯的效能下降。

其次，遊戲引擎及開發者需要時間整合新技術，初期支援作品有限。

因此，當時市場對 RTX 的實用性、價格及投入成本存在質疑。

然而 NVIDIA 並未停止這項技術路線，而是持續改善 RT Core、Tensor Core，並發展 DLSS、AI 畫質重建與影格生成等相關技術。

隨著硬體效能提升、遊戲引擎支援增加，以及開發者逐步採用，光線追蹤與 AI 畫面處理已成為現代高階遊戲圖形的重要技術。

RTX 的意義不只是讓遊戲畫面更好看，也讓 NVIDIA 將 AI 運算能力與圖形渲染進一步結合。

RTX 是一個典型的成功案例：當初的硬體能力尚無法完全發揮新技術價值，但 NVIDIA 願意透過多個產品世代持續改善，最終建立新的產品差異化優勢。

五、2019 年 Mellanox：提前掌握大型 AI 系統的通訊瓶頸

2019 年 3 月，NVIDIA 宣布以約 69 億美元企業價值收購 Mellanox，並於 2020 年 4 月完成交易，完成時公告的交易價值約為 70 億美元。

Mellanox 是高速網路及互連技術供應商，主要產品涉及 InfiniBand、Ethernet、網路介面與交換器。

當時大型資料中心與高效能運算已經存在高速互連需求，因此這項收購並不是憑空創造新市場。

但 NVIDIA 提前判斷了一個關鍵趨勢：

未來運算效能的競爭，不會只取決於單顆 GPU，而是整個運算叢集的資料交換效率。

當 AI 模型的規模持續擴大，訓練工作必須分散到更多 GPU。

如果 GPU 之間通訊不夠快，即使增加大量運算晶片，也無法等比例提高實際訓練效能。

Mellanox 讓 NVIDIA 取得成熟的 InfiniBand、Ethernet 和網路介面技術，強化跨伺服器及跨機櫃的高速網路能力。

NVLink 的 Scale-up 能力與 Mellanox 帶來的 Scale-out 網路技術結合，使 NVIDIA 更有能力設計完整的大型 AI 運算系統。

這項收購的長期成果，反映在 NVIDIA 從單一 GPU 延伸到網卡、交換器、網路軟體及資料中心級架構的能力。

Mellanox 是黃仁勳提前識別系統瓶頸、透過收購補足關鍵技術的一項代表性決策。

六、2022 年 H100：在 ChatGPT 問世前，提前押注 Transformer

2022 年 3 月，NVIDIA 發布 Hopper 架構與 H100 GPU。

其中一項最重要的技術是 Transformer Engine，針對 Transformer 模型的運算特性，進行低精度計算與效能最佳化。

Transformer 架構於 2017 年提出，GPT-3 也早在 2020 年展現大型語言模型的潛力。

因此，NVIDIA 並非在 ChatGPT 出現之前就預知了所有生成式 AI 需求，而是在研究趨勢已經浮現時，提前判斷這種模型架構可能成為未來運算的主要工作負載。

ChatGPT 直到 2022 年 11 月才公開推出。

但半導體架構從設計到量產通常需要多年時間，因此 H100 的主要技術方向早已在市場爆發之前確定。

H100 後來成為生成式 AI 訓練及推論的重要平台，推動 NVIDIA 資料中心業務成長。

這項決策展示了半導體企業與一般軟體公司的不同：企業必須在需求還沒完全確定之前，先決定幾年後的產品應該具備什麼能力。

若等到市場需求已經明確，再開始設計晶片，可能已經失去競爭先機。

七、Arm 收購未完成：交易受阻，不代表技術判斷失敗

2020 年，NVIDIA 宣布計畫收購 Arm，意圖擴大公司在 CPU 架構及運算平台上的影響力。

然而，由於面臨重大監管障礙，NVIDIA 與 SoftBank 最終於 2022 年 2 月宣布終止交易。

依據 NVIDIA 當時公布的財務資料，公司因此認列約 13.6 億美元的預付款沖銷費用。

這代表收購計畫沒有完成，並產生了實際交易成本。

但值得關注的是，收購終止後，NVIDIA 並未放棄 CPU 與 GPU 整合的技術方向。

後續的 Grace CPU、Grace Hopper、Vera CPU 及 CPU-GPU 高速互連架構，仍持續朝完整運算平台發展。

這說明 NVIDIA 當初希望擴大 CPU 技術布局的方向具有延續性。

八、從 GPU 到 AI Factory：下一個被提前布局的市場

近年 NVIDIA 持續擴大產品範圍，從 GPU 延伸到 CPU、機櫃、高速網路、液冷、配電及完整 AI 資料中心架構。

以 GB200 NVL72 為例，NVIDIA 將 72 顆 GPU 整合在高度互連的機櫃級系統中。

這種架構提高系統整合的複雜度，但也使運算、網路、散熱及供電能共同最佳化。

後續的 Vera Rubin 平台，則繼續朝向更大型、更高度整合的 AI 運算系統發展。

NVIDIA 逐步將產品定位從 GPU 擴展為 AI Factory，也就是能夠持續執行模型訓練、推論及其他 AI 工作負載的完整基礎設施。

這項策略背後的判斷是：未來客戶面臨的最大限制，可能不只是晶片效能，而是整個資料中心能否以合理的成本、能源消耗與部署時間提供足夠的有效算力。

因此，機櫃設計、液冷、配電、高速銅纜、光通訊及網路交換器的重要性持續提升。

但這與 CUDA、RTX 等已經歷多年市場驗證的案例不同。

AI Factory 相關產品已取得部署進展，卻仍需要觀察整機平台的長期成本效益，以及開放式互連、AMD 和客製 ASIC 的競爭。

因此，這應被視為已開始商業化、但長期競爭成果仍在驗證中的策略。

九、黃仁勳的決策能力，究竟特殊在哪裡？

回顧 NVIDIA 的主要發展，可以整理出三種相互關聯的能力。

第一，能在市場需求成熟之前，辨認具有長期潛力的技術

CUDA 在深度學習爆發前推出，RTX 在即時光追尚未普及時推出，而 H100 則在生成式 AI 商業需求爆發前，就針對 Transformer 進行設計。

這些案例說明 NVIDIA 不只是依照當下訂單決定產品規格，也會觀察研究趨勢及技術瓶頸，提前決定未來產品方向。

第二，願意持續投入短期回報不明確的技術

CUDA 需要多年累積開發者生態系，RTX 也需要數代硬體與遊戲軟體的共同進步。

這些技術不是發布第一代產品就立即取得全部價值。

如果只依照當年度獲利評估，部分長期研發可能很難獲得持續支持。

黃仁勳的管理方式，則讓 NVIDIA 能維持跨越多個產品世代的技術投入。

第三，會持續將公司能力延伸到新的產業環節

NVIDIA 的發展不只是銷售更強的 GPU，而是不斷擴大技術範圍。

這些成功不能全部歸功於黃仁勳個人。NVIDIA 的架構師、工程師、管理團隊及外部合作夥伴，都對成果有重要貢獻。

但作為長期執行長，黃仁勳對資源配置、技術方向與企業業務範圍的決策，仍然是理解 NVIDIA 發展的重要因素。

十、黃仁勳離開，可能牽動 NVIDIA 哪些改變？

既有 GPU 與軟體生態系：短期影響相對有限

CUDA、NCCL、TensorRT、NVLink 等技術不會因為執行長更換而消失。

已經開發中的 GPU、CPU、網路平台與機櫃系統，也具有長期研發及供應鏈規劃。

因此，只要工程團隊、合作夥伴及研發投入維持穩定，NVIDIA 現有的競爭優勢仍具延續性。

長期研發方向：可能是影響最深的部分

與既有產品相比，未來尚未成熟的技術更容易受到經營策略變化影響。

例如，CUDA 與 RTX 都曾經歷商業回報不明確的階段。

如果新管理層更加重視短期投資報酬，可能會調整尚未成熟的新技術投入規模。

真正的挑戰，是Nvidia還有沒有辨認哪些研發項目正在建立未來的競爭優勢。

AI 生態系投資：可能更重視資本配置效率

近年 NVIDIA 不只投入硬體研發，也積極參與 AI 新創、雲端算力及相關基礎設施投資。

這些投入可以協助市場擴張，但不同類型的投資需要分開評估。

其中一類是技術研發與平台建設，例如互連、軟體和運算架構。

另一類則是對客戶、產能或 AI 基礎設施的資本投入，可能涉及客戶採購能力、供需循環及資本回收風險。

如果新管理層提高後者的投資門檻，並不一定會傷害 NVIDIA 的技術競爭力。

相反地，若能保留核心研發，同時改善資本配置效率，可能使公司財務結構更穩健。但Nvidia是一家持續在市場不明確時持續做出正確決策的公司，如果未來沒辦法持續做出正確決定，很可能會削弱在AI的極端市場上的競爭力。

AMD、Broadcom 與客製 ASIC：競爭可能轉向整體平台效率

目前 AI 加速器的競爭已經不只是單顆 GPU 的理論運算效能。

AMD Instinct、Google TPU，以及 Broadcom 參與開發的客製化 AI 加速器，都在不同市場提供替代選擇。

NVIDIA 的優勢來自硬體、軟體、網路及系統整合能力。

但當模型架構成熟，特別是在大規模推論市場，客戶更容易根據每美元 Token 產出、功耗及實際部署成本進行比較。

如果競爭對手能降低軟體移植成本，並提高大型系統的運算效率，NVIDIA 的平台溢價就可能受到壓力。

因此，未來 NVIDIA 是否持續擴大其軟體與系統整合能力，比單純推出更高 FLOPS 的 GPU 更值得關注。

十一、未來哪些布局可能成為下一個 CUDA？

從 NVIDIA 的歷史來看，最具長期價值的技術投資，往往不是當時需求最明確的產品。

以目前產業發展方向而言，仍有幾個值得關注的領域。

光互連與 CPO

大型 AI 叢集的通訊頻寬及功耗限制，使光學互連、光收發模組、交換器與 CPO 持續受到關注。

如果未來網路通訊成為 AI 系統的主要瓶頸，掌握高效率互連能力的企業，可能取得比單純晶片性能更大的競爭優勢。

AI Factory 電力與散熱架構

當整座機櫃成為主要運算單位，電源轉換、配電、液冷及模組化部署的設計，會直接影響系統成本與建置能力。

這使 NVIDIA 有機會從 GPU 及網路，進一步擴大對完整資料中心架構的影響力。

Physical AI 與機器人

機器人、自主系統與物理模擬需要運算、感測、控制、數位孿生及模擬訓練。

NVIDIA 已透過 Isaac、Omniverse、Jetson 等平台布局相關技術。

但 Physical AI 能否形成與大型語言模型相近的運算需求，仍需要實際商業部署驗證。

這些領域具有技術發展潛力，卻不能直接認定會複製 CUDA 的成功。

它們也正好反映 NVIDIA 新管理層必須面對的問題：在市場尚未成熟時，應該投入多少資源，又應如何判斷哪些技術值得長期支持？

結論：NVIDIA 是否還能繼續創造下一個市場？

黃仁勳離開 NVIDIA，並不代表 NVIDIA 已建立的技術護城河會立即消失。

CUDA、RTX、DGX、H100 及高速網路平台，都是多年研發與生態系累積的成果，不會因為高階管理者更換而突然失去價值。

但從 NVIDIA 歷史可以看出，真正影響公司長期競爭力的，不只是當代產品效能，而是提前判斷下一代技術需求，並願意在商業回報尚未明確時持續投入的能力。

CUDA 提前建立 AI 軟體生態系，RTX 提前推動即時光追與 AI 渲染，Mellanox 強化大型運算系統的網路能力，H100 則在生成式 AI 需求爆發之前，就已針對 Transformer 進行最佳化。

這些成功案例共同說明：NVIDIA 過去的成長，來自持續將技術判斷轉化為產品與生態系競爭優勢。

因此，新管理層若提高財務紀律、減少不具效益的資本支出，不必然代表公司將失去成長動能。但以一家需要持續領先其他公司來主導在AI市場的地位的公司來說，只要做錯一個決策，很可能就會失去一片好不容易打來的江山。

若公司能延續過去的前瞻研發與系統整合能力，同時提高資本配置效率，黃仁勳留下的競爭優勢就可能持續發展。

反之，如果未來 NVIDIA 只追求當代 GPU 的性能與獲利，卻逐漸減少對新技術平台的長期投入，那麼黃仁勳離任所造成的影響，雖然不會立即出現在財報上，但下一輪重大運算技術變革時就會逐漸顯現。