CUDA不是一个软件，是一道护城河——为什么AMD追得这么慢

聊英伟达，绕不开CUDA。但绝大多数人对CUDA的理解都停在“英伟达的编程语言”这一层。这个理解不算错，但严重低估了它的分量。

CUDA不是一个软件，它是英伟达花了将近二十年时间，在GPU硬件之上垒起来的一整座生态。今天全世界几乎所有跑在GPU上的AI训练代码，都是围绕CUDA写的。这道墙就是英伟达的真正护城河。

先看事实。

2026年英伟达在AI加速器市场的份额大约是80%，AMD大约7%到8%，剩下的是超大云自研芯片。

AMD的MI300X硬件规格并不差，单卡FP8算力接近英伟达同代产品，HBM容量甚至更大，价格还只有一半。按理说这是一个非常好的产品。但市场份额就是上不去。为什么？

答案就一个词：软件生态。

CUDA有一整套工具链——cuDNN、cuBLAS、TensorRT、NCCL、Nsight——PyTorch、TensorFlow、JAX这些主流框架的底层调用全部深度绑定CUDA。研究员写代码是“import torch”，背后跑的是CUDA；工程师做部署用的是TensorRT，底下还是CUDA。

这套生态的成熟度，来自英伟达从2007年开始持续投入的将近二十年积累。AMD的对标产品叫ROCm，起步晚了十年，虽然在快速追赶，但业内的普遍反馈仍然是：稳定性、兼容性、工具链完整度和CUDA差一个身位。

这个差距的成本是实打实的。

一个大模型团队要从英伟达迁移到AMD，理论上代码要重写一遍，调优过程要重来一遍，分布式训练的通信库要换一套，遇到bug没有社区可以问。就算AMD硬件便宜一半，人力成本和时间成本一算，大部分团队宁愿多花钱买英伟达。

这就是软件生态的锁定效应——它不是技术不能替代，而是替代的成本太高、太不划算。

那AMD为什么还能拿到8%的份额？

因为在推理端，尤其是超大规模玩家自建集群时，他们有工程能力自己去啃ROCm，追求硬件性价比。

Meta、微软的部分推理集群就在用MI300X。但训练端，尤其是前沿大模型训练，几乎全在英伟达上。SemiAnalysis有一组数据显示，AMD在AI训练里的实际部署占比远低于其名义份额。

CUDA的另一个作用是让英伟达能持续定义标准。

英伟达在2026年推出的NVLink Fusion，把NVLink开放给Marvell这些定制芯片厂，本质上就是在扩大CUDA生态的边界——让别人的加速器也能进这个圈，但游戏规则还是英伟达定。

这就是护城河的进阶用法：不是把敌人拒之门外，而是把敌人变成自己生态的一部分。

看清CUDA这道墙，你就能理解为什么英伟达估值贵、还敢继续贵。它卖的不只是硬件，是一整套“你离不开的开发环境”。这也是为什么二级市场上“AMD追平英伟达”这种叙事，每半年都会被讲一遍，但每次都会被市场用价格打回原形。

硬件规格可以复制，二十年的生态积累不行。