从图形芯片到人工智能基础设施：NVIDIA如何让一种计算能力进入越来越多的产业

《超级企业的形成》第二部分｜历史的两条道路：产业整合、技术突破与蓝海创造

Le premier GPU au monde fête ses 25 ans

Custom AI & Machine Learning Workstations & Servers | Digital Storm

The Engine Behind AI Factories | NVIDIA Blackwell Architecture

如果我们只观察今天的NVIDIA，很容易认为它是一家在人工智能产业高速增长过程中取得巨大成功的半导体企业。然而，当我们将观察时间拉长到三十多年，就会发现NVIDIA的历史与三星、丰田、比亚迪以及马斯克企业体系都存在重要差异。

三星通过进入电子、半导体与终端制造等不同产业环节，不断建立资本密集型制造能力；丰田把机械工程、生产流程和组织学习逐渐发展为覆盖整车与供应商体系的产业能力；比亚迪从电池技术出发，逐步进入汽车与能源系统；马斯克则通过多个企业，分别建立复杂工程能力，并不断探索这些能力之间的潜在交叉。

NVIDIA的道路却提出了另一种可能性：一家企业不一定需要直接制造汽车、机器人、飞机或者工业设备，也可以通过长期发展一种通用计算技术，使自己的产品逐渐进入上述产业的研发、设计、控制和智能化过程。

这使NVIDIA成为研究超级企业形成的一个非常重要的案例。它的特殊性不只是成功开发了GPU，而是通过硬件架构、编程环境、计算软件、系统产品和开发者生态的长期积累，将原本主要服务计算机图形处理的技术，逐步扩展为面向科学研究、数据中心、人工智能及物理世界计算的基础设施。

与通过拥有更多产业业务形成规模的企业不同，NVIDIA的战略价值在于不断扩大同一种基础能力所能够服务的产业范围。

这一现象值得放回历史中理解，因为今天看起来顺理成章的AI计算需求，并不是1993年NVIDIA成立时就已经能够被准确预测的市场。

1993年：一个拥挤的图形芯片市场，而不是人工智能时代的起点

1993年4月，黄仁勋、Chris Malachowsky与Curtis Priem共同创立NVIDIA。当时，他们看好的主要是个人计算机图形处理、电子游戏和多媒体应用的发展前景。

从今天的角度回望，很容易将NVIDIA的成立解释为人工智能基础设施企业的诞生。但这种叙事忽略了当时的产业环境。20世纪90年代初，个人计算机正在快速普及，Windows图形界面、三维游戏、计算机辅助设计和多媒体应用，使图形处理性能成为影响用户体验的重要因素。

当时的三维图形芯片市场竞争激烈，图形标准、硬件架构与软件接口仍然处于快速变化阶段。NVIDIA官方历史资料指出，公司成立时已经存在二十多家图形芯片企业，随后几年竞争者进一步增加。

这意味着NVIDIA最初并不是在一个确定由自己主导的市场中发展，而是需要在技术路线变化、竞争对手众多和资金有限的条件下寻找生存机会。

1995年，NVIDIA推出NV1图形芯片，但其技术架构并未成为随后个人计算机三维图形市场的主流。随着Microsoft Direct3D等行业接口逐渐发展，软件开发者和硬件厂商需要围绕更加标准化的图形处理方式建立兼容性。NVIDIA因此调整技术路线，1997年推出RIVA 128，并获得较大商业成功。

1998年，公司与台积电建立制造合作关系，为后来以芯片设计为核心、依靠专业晶圆制造商进行生产的经营模式奠定了重要基础。NVIDIA官方发展史记录了NV1、RIVA 128以及与台积电合作的主要节点。

这些历史事件能够帮助我们理解NVIDIA长期能力积累的两个重要起点。

首先，一家技术企业最初的产品路线可能失败，但在开发过程中形成的工程经验、组织知识和研发能力，仍然可能服务于后续技术调整。企业真正的长期资产，不一定等于第一代产品本身。

其次，NVIDIA早期选择通过外部晶圆制造合作伙伴生产芯片，而不是自行建设完整的先进晶圆制造体系，使其与三星形成了不同的产业组织模式。三星需要长期投资资本密集型生产设备和制造工艺，NVIDIA则能够将更多资源集中于芯片架构、软件、系统设计与生态合作，但也因此高度依赖外部晶圆制造、先进封装和存储器供应体系。

这两种模式并不存在脱离产业条件的绝对优劣。它们反映了不同企业选择掌握产业价值链中不同核心环节的战略路径。

GPU的真正转折：从产品性能竞争到计算架构竞争

1999年，NVIDIA推出GeForce 256，并以GPU（Graphics Processing Unit）这一名称强调其图形处理能力。对于当时的个人计算机市场而言，GPU主要是提高实时三维图形性能的重要硬件。

但从计算机体系结构的角度看，GPU的技术特征具有更广泛的潜在意义。

中央处理器通常需要高效执行多种类型的任务，并处理复杂的程序控制逻辑，而GPU为了完成大量图形像素、顶点与相关计算，逐渐发展出适合大规模并行处理的硬件架构。这种架构能够在特定类型的计算任务中提供显著的吞吐量优势。

不过，必须强调，GPU并不是一种可以无条件加速所有计算任务的通用替代品。它的优势依赖于任务是否具有足够的并行性、内存访问模式是否适合硬件架构，以及数据传输与软件调度开销是否得到合理控制。

在图形处理市场中形成的并行计算能力，后来之所以能够扩展到其他领域，并不是因为图形芯片天然适用于所有科学和工程问题，而是因为部分科学计算任务同样涉及大量可以并行执行的数值运算。

这里出现了NVIDIA发展历史中最重要的跨领域机会之一。

一项最初为改善电子游戏和三维图形体验而持续优化的计算架构，在其他行业中开始具有潜在的应用价值。但要使这种价值真正实现，仅仅拥有GPU硬件还远远不够。开发者需要能够编写程序、管理数据、调用计算资源，并把原先运行在CPU上的算法重新组织成适合GPU的计算方式。

因此，NVIDIA后来最具有长期影响力的战略选择之一，并不是某一代GPU性能提升了多少，而是它开始将GPU从图形处理产品发展为可以被不同领域开发者使用的计算平台。

CUDA：为什么软件平台可能比单代芯片更加重要？

2006年，NVIDIA推出CUDA架构，向开发者开放GPU的并行计算能力。NVIDIA官方历史将这一事件列为公司发展的关键节点之一。

CUDA的重要性，在于它使GPU的部分计算能力不再局限于传统图形处理接口，而可以通过专门的软件开发工具应用于更广泛的计算任务。

开发者由此能够围绕GPU编写并行程序，并逐步利用相关编译器、数学库、通信库和应用框架建立自己的软件体系。

对于一家半导体公司而言，这意味着竞争优势开始发生变化。

如果一家企业主要销售芯片，其产品竞争力往往首先体现为性能、成本、能耗、可靠性和供货能力。当它同时拥有被大量开发者使用的软件环境时，竞争优势又增加了其他维度。开发者需要学习编程方法，研究人员需要维护计算代码，软件公司需要进行兼容性测试，行业用户则可能围绕特定计算平台建立长期运行的应用系统。

这些投入可以提高平台的使用价值，也可能增加用户迁移到其他计算架构的成本。

但是，CUDA并非从发布之初就必然成为人工智能时代的关键基础设施。它需要经历长期开发者培育、软件优化和行业应用探索。科学计算、金融建模、图像处理、分子模拟等领域的开发者，逐渐帮助GPU计算寻找新的使用场景，而这些应用又为NVIDIA后续硬件与软件研发提供了需求反馈。

在这个过程中，NVIDIA不再只是向客户提供具有某种性能指标的芯片，而是开始提供一种持续发展的计算能力体系。

图表｜NVIDIA从芯片产品向计算平台演化的关键历史节点

根据NVIDIA官方发展史、技术架构资料及2026财年10-K报告整理。各节点表示能力发展的重要阶段，并不意味着某项能力在对应年份已经达到成熟或行业领先状态。

从这条时间线可以观察到一个重要现象：NVIDIA并没有在每个历史阶段都放弃原有业务、重新选择完全不同的产业，而是在既有计算架构和软件平台基础上，不断扩大可以服务的应用范围。

这与马斯克企业体系具有明显差异。马斯克进入航天与汽车产业时，需要分别建立大量专业工程能力；NVIDIA则更多围绕一种基础计算能力进行持续深化，使不同产业逐渐成为其计算平台的应用市场。

由此我们可以初步区分两种不同的产业跃迁方式：一种是企业进入新产业并逐步建立新的完整业务体系；另一种则是企业的核心技术逐渐成为多个产业可以共同使用的基础设施。

两者都可能创造新的产业空间，但其资本配置、组织结构和技术壁垒并不相同。

2012年：GPU与深度学习相遇，究竟是谁成就了谁？

2012年，在ImageNet大规模视觉识别挑战赛中，Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton开展的AlexNet研究取得突破性成绩。这一成果使深度卷积神经网络的应用潜力获得了广泛关注，也使GPU在大规模神经网络训练中的价值进一步显现。

这一历史事件经常被描述为NVIDIA抓住了人工智能发展的重大机遇，但这种表述仍然需要进一步分解。

AlexNet并不是NVIDIA独立开发的人工智能模型，其研究成果来自学术界。而GPU也不是专门为了AlexNet而诞生的。真正值得关注的是，此前已经形成的并行计算硬件和编程平台，在深度学习研究中找到了高度契合的计算需求。

神经网络训练需要大量矩阵和张量运算，其中相当一部分能够通过并行计算加速。当深度学习模型、训练数据、算法方法和计算硬件共同发展到一定阶段时，原本服务其他应用的GPU计算能力便获得了新的市场价值。

但这种价值的形成并不只取决于NVIDIA自身的技术积累。学术界长期发展的机器学习理论、公开数据集、研究人员、深度学习框架，以及全球互联网产业对推荐、搜索、语音、视觉和内容处理的需求，都成为推动AI计算市场扩张的重要因素。

这意味着，NVIDIA并不是单方面创造了整个人工智能产业，而是在全球人工智能研究和应用需求发生变化时，凭借此前积累的计算架构、编程平台和工程能力，成为这一产业的重要基础设施供应商。

对于我们的研究，这里出现了一个与三星、比亚迪和SpaceX不同的产业演化机制。

三星和比亚迪进入新产业时，通常需要建立新的业务组织、制造体系和终端产品；SpaceX进入卫星互联网时，也必须开发新的卫星、网络和客户服务能力。NVIDIA则更多表现为：原有计算平台的潜在用途随着外部技术的发展而不断扩大，企业可以通过持续改进平台，为新兴产业提供关键基础能力。

从这个意义上说，企业不一定必须亲自进入某个新产业的终端市场，才能分享这个产业形成的经济价值。它也可以通过掌握多个新产业共同依赖的基础技术，成为产业演化中的关键参与者。

然而，这种战略同样具有边界。计算平台能够支持人工智能研究，并不意味着计算平台供应商拥有其上运行的全部模型、算法、应用或数据。模型研发机构、云服务商、软件开发者和行业企业仍然掌握各自不同的价值创造环节。

如果将NVIDIA的成功完全归结于GPU性能，便会忽略软件生态和行业需求；如果将其描述为控制了整个AI产业，则又会高估基础设施供应商对下游价值链的支配范围。

真正值得研究的，是计算平台如何在保持自身专业化的同时，不断扩大对其他产业的影响。

从GPU到数据中心：为什么一次关键收购改变了系统边界？

NVIDIA Launches Blackwell-Powered DGX SuperPOD for Generative AI Supercomputing at Trillion-Parameter Scale | NVIDIA Newsroom

nvidianews.nvidia.com

随着深度学习模型规模扩大，计算系统面临的问题逐渐从单个处理器性能，转向多个处理器之间的数据传输、内存容量、网络通信、能耗和系统调度。

训练大型模型不只是需要更多GPU，还需要使大量GPU能够作为一个高效的计算系统共同工作。如果处理器之间的通信速度不足，或者数据传输和网络延迟成为瓶颈，那么增加GPU数量并不会带来同比例的性能提升。

这也意味着，NVIDIA原先围绕芯片和软件形成的竞争优势，需要向更高层次的系统架构延伸。

2020年，NVIDIA完成对Mellanox的收购。Mellanox在高性能互联和数据中心网络方面积累的技术，使NVIDIA能够进一步整合GPU、网络、数据处理器和系统软件。NVIDIA在2026财年10-K报告中明确指出，Mellanox的加入推动其产品体系发展到数据中心规模，并帮助形成DPU相关产品能力。

这一收购值得与西门子、达索系统以及其他工业软件企业的技术并购进行比较。它不是简单地收购一家企业以增加市场收入，而是通过获得原先相对独立的关键技术能力，扩展自身能够设计和优化的系统边界。

如果企业只负责GPU芯片，那么最终计算效率还取决于客户或合作伙伴如何完成服务器、网络和软件系统集成。当它同时掌握更多关键互联技术时，就有条件从更完整的系统层面进行共同设计，减少不同组件之间因架构不匹配而产生的性能损失。

不过，系统级整合并不意味着所有组件都应当由一家企业制造，也不意味着开放生态一定不如封闭系统。大型云计算企业可以开发自己的AI加速器，其他半导体企业也可以通过开放互联、软件兼容和专业供应链建立替代方案。因此，NVIDIA的系统级竞争力是否能够长期维持，取决于其总体性能、成本、能耗、软件兼容性和客户选择，而非组件数量本身。

这一现象使我们能够进一步理解组件积累的重要性：关键组件的价值不仅存在于它的独立性能，还可能来自它与其他组件共同设计以后产生的系统收益。

当这种系统收益足够显著时，企业的竞争边界就可能从单个产品扩大到整个计算基础设施。

财务数据所揭示的产业转变

在研究NVIDIA的历史时，不能只依据技术路线判断公司的战略转型是否成功。财务数据能够提供另一种重要证据：原本以图形处理和游戏为主要收入来源的企业，其经济重心是否真正向计算基础设施转移？

根据NVIDIA提交美国证券交易委员会的2026财年10-K报告，截至2026年1月25日的财政年度，公司总收入达到2,159.38亿美元，其中数据中心收入为1,937.37亿美元；2024财年数据中心收入则为475.25亿美元。

图7｜NVIDIA数据中心业务收入的快速扩张

2026财年数据中心收入占总收入约89.7%。这一比例尤其值得注意，因为它表明NVIDIA在市场收入结构上已经发生了根本变化。

如果只根据公司成立时的业务判断NVIDIA，它是一家图形芯片企业；如果根据其2026财年的收入结构观察，它已经是一家以数据中心和加速计算为主要收入来源的技术企业。

但这种转变并不是简单地用一个新产品取代一个旧产品。NVIDIA此前在GPU架构、软件开发、驱动、计算库和客户生态方面的长期积累，成为进入更大规模计算市场的重要基础。人工智能应用需求的快速增长，又显著扩大了这些能力的经济价值。

与此同时，财务数据也提醒我们，产业扩张并不必然意味着收入来源更加分散。NVIDIA的技术应用正在覆盖更多行业，但其收入越来越集中于数据中心市场。

这使企业可能同时出现两个看似矛盾的现象：技术应用范围不断扩大，收入结构却更加集中。

因此，多产业技术渗透与多业务收入分散，并不是同一个概念。评价超级平台型企业的长期稳健性，还需要考虑客户集中度、资本开支周期、市场需求变化、技术替代和产业政策风险。

从人工智能计算走向物理世界：NVIDIA的下一个产业边界

BMW | NVIDIA Customer Stories

Isaac Sim - Robotics Simulation and Synthetic Data Generation | NVIDIA Developer

NVIDIA’s $1.7B Automotive Boom

NVIDIA近年来的发展，还使我们能够观察到计算平台向物理世界进一步扩展的趋势。

在传统图形处理领域，GPU主要帮助计算机生成和显示虚拟场景；在科学计算中，它能够加速数值运算和物理模拟；在深度学习领域，它成为训练和运行人工智能模型的重要基础设施。当这些能力进一步与传感器、机器人、车辆控制和工程仿真相结合时，计算技术便开始参与物理系统的设计、训练、验证和运行。

这一扩展涉及明显不同于互联网AI应用的技术要求。

文本模型可以在数字环境中处理和生成信息，而自动驾驶汽车、工业机器人及其他实体设备，需要与真实物理环境交互。它们必须面对重力、摩擦、碰撞、材料、运动学、动力学、实时控制和安全约束。即使模型能够正确理解某个操作任务，也不意味着物理执行系统能够可靠地完成该任务。

因此，物理世界的智能化不能只依赖模型参数规模和计算能力增长，还需要传感器、执行器、控制软件、仿真环境及工程验证体系共同发展。

NVIDIA围绕Omniverse、Isaac、DRIVE及其他专业计算平台展开的技术布局，体现了其尝试将已有计算能力进一步用于工业设计、物理仿真、自动驾驶和机器人等领域的战略方向。公司2026财年10-K明确将Omniverse列为物理AI相关平台，并将机器人训练、仿真和部署纳入其计算业务体系。

这一方向与我们研究马斯克企业体系时所观察到的现象存在重要联系。

Tesla尝试通过汽车、电驱、感知、AI和制造能力进入机器人领域，主要面对的是如何将多项技术集成为能够实际运行的实体产品；NVIDIA则不一定需要自己成为最终机器人制造商，而可能通过计算平台、物理仿真、开发工具和机器人软件，服务许多不同的机器人企业。

两种企业战略并不完全相同，却可能在同一条未来产业价值链中相遇。

其中一家希望创造新的终端产品，另一家则希望为大量终端产品提供共同的计算基础。

从产业组织角度看，这可能形成一种值得进一步研究的关系：当基础计算平台足够成熟时，它能够降低其他企业开发复杂产品的部分技术门槛；但与此同时，对共同平台的广泛依赖，也可能增强平台供应商在技术标准、开发工具与系统架构方面的影响力。

我们不能因此认定下一代机器人和工业软件产业一定会由某一家计算企业控制。开放模型、专业求解器、CPU与其他加速器架构、产业专用芯片、机器人中间件和工业软件平台，都可能形成不同的竞争路径。

但是，NVIDIA的历史确实为我们提供了一个非常重要的观察角度：企业的长期优势可能并不表现为直接经营越来越多的终端产业，而是通过不断提高一种基础技术的通用性与可获得性，使越来越多的产业建立在自己的技术体系之上。

NVIDIA的历史为超级企业研究增加了什么？

将NVIDIA与已经研究过的企业放在一起，可以更加清楚地看到，所谓超级企业并不存在单一的发展模式。

NVIDIA的案例还帮助我们进一步区分企业的两种长期成长方式。一种是企业不断增加自己直接经营的产业范围，另一种则是企业通过持续发展具有通用性的基础技术，使越来越多的产业使用其产品与平台。前者的主要挑战是能否有效组织不同业务，后者则需要不断维持技术平台的吸引力，并协调外部开发者、客户与产业合作伙伴。

这两种道路可以相互结合，却不能混为一谈。

NVIDIA的长期发展并非证明所有企业都应该转型为平台型企业，也不意味着平台生态一定能够产生永久壁垒。它真正揭示的是，企业所积累的一种能力，如果能够通过技术架构、软件接口和生态体系持续扩大应用范围，其经济价值可能远远超过最初培育这种能力的市场。

这一点对于人工智能时代尤其重要。我们今天看到的许多技术，包括工程仿真、几何建模、优化算法、机器人控制、知识处理和先进制造，未来都可能随着计算能力、软件架构和应用需求的变化，获得新的产业用途。但其中哪些能力真正具有跨产业通用性，哪些必须依赖行业知识和专门工程体系，仍然需要具体研究。

如果说三星让我们看到产业纵深的力量，丰田让我们认识组织经验的价值，比亚迪展示关键组件向复杂系统延伸的可能性，马斯克企业体系揭示高门槛产业之间的连续探索，那么NVIDIA则补充了另一个重要维度：通过一种基础计算能力的长期深化，企业也可能进入大量原本并不直接经营的产业价值链。

至此，第二部分的五组主要案例中，我们已经完成了三星、丰田与比亚迪、马斯克企业体系以及NVIDIA的研究。第二部分尚余Amazon与华为两项案例及最后的跨企业比较，完成后第二部分结束，再进入第三部分。

从电子商务到云计算，从通信设备到智能产业：Amazon与华为的跨产业能力演化

《超级企业的形成》第二部分｜历史的两条道路：产业整合、技术突破与蓝海创造

Designed to deliver: the next-level tech behind Amazon’s fulfillment network - Amazon Supply Chain Services (ASCS)

アマゾン、データセンターＲＥＩＴの事業から資金引き揚げ＝報道 | ロイター

回顾此前几家企业的发展历程，我们已经看到，超级企业并不总是沿着相同的道路形成。三星依靠长期技术学习和资本投入进入半导体产业，丰田将机械工程与制造组织经验逐渐发展为具有广泛影响力的生产体系，比亚迪从电池制造走向汽车和能源系统，马斯克企业体系则先后进入航天、汽车和人工智能等高门槛产业。NVIDIA进一步说明，一家企业甚至不必直接经营众多终端产品，也可能通过计算平台的持续发展，对越来越多的产业产生影响。

Amazon与华为为这项研究提供了两个新的观察角度。Amazon最初以在线零售业务建立市场和运营能力，但后来成长起来的AWS云计算业务，已经成为支撑世界大量企业软件、互联网服务和人工智能应用的重要基础设施。华为则从通信设备销售及研发出发，逐渐形成覆盖通信网络、计算、终端、云、数字能源和智能汽车解决方案的技术与业务体系。

两家企业看起来存在某些相似之处：它们都通过长期研发与运营积累建立了复杂的技术能力，也都从最初的经营领域进入了新的产业市场。然而，真正值得研究的恰恰是它们之间的差异。

Amazon的典型路径，是在解决自身经营问题的过程中形成一部分可对外提供的基础设施能力，再通过平台化和市场化进入新的产业。华为则更突出长期通信工程研发所形成的技术体系，如何通过持续增加计算、软件、电力电子和终端产品能力，进入相互关联的技术市场。

一个更接近运营基础设施的产品化，一个更接近工程技术体系的持续扩展。两者共同帮助我们理解：超级企业进入新产业的资源，并不一定来自独立研发出的新产品，有时也可能来自企业长期解决自身问题所形成的基础设施、组织经验与技术平台。

Amazon：一家在线书店为什么最终进入计算基础设施产业？

Jeff Bezos verkaufte Anfangs Bücher. | Heute.atheute.at

1994年，杰夫·贝索斯创办Amazon。1995年，Amazon.com开始在线销售图书。在互联网商业发展的早期，书籍是一种适合在线销售的商品：品类数量庞大，标准化程度较高，消费者能够通过书名、作者、出版社和ISBN等信息识别产品，而实体书店受到货架空间和库存规模限制，难以同时展示全部商品。

然而，在线销售图书并不意味着只需要建立一个网站。Amazon必须建立商品目录、搜索、订单处理、支付、库存管理、客户服务、仓储和配送等完整的运营体系。当业务从图书扩展到音乐、电子产品、日用品及其他商品时，原先的系统又需要处理更大的商品数量、更复杂的库存结构和更多交易场景。

这种发展过程，使Amazon逐渐形成了两种不同的能力：一方面是面向消费者和商家的电子商务运营能力，另一方面是为了支持复杂运营而持续建设的信息技术基础设施。

最初，这些技术主要是企业内部的生产工具。数据库、服务器、存储、软件系统和运维组织，其主要价值是保障Amazon自身业务正常运行，而不是作为独立商品向外部客户销售。

但是，随着规模扩大，Amazon逐渐发现，建设和管理信息基础设施本身就是一个具有广泛市场需求的问题。

在传统企业信息系统中，一家创业公司如果需要运行网站、管理数据或部署复杂软件，往往必须自行采购服务器、配置网络、维护存储和数据库，并承担相应的前期资金投入。即使应用软件的市场前景尚不明确，企业也可能需要提前投资基础设施。

对于大型企业，这些成本可以通过长期运行和规模效应分摊；对于新成立的互联网公司，基础设施建设却可能成为创新的重要障碍。

Amazon自身曾经面对类似问题。AWS官方在回顾其起源时指出，早期Amazon业务发展过程中，基础设施的部署和管理不仅成本高昂，也占用了原本可以用于开发新业务的工程资源。正是对这些问题的长期认识，成为后来AWS发展计算基础设施服务的重要背景。

从我们的研究角度看，这里出现了一个有意思的现象：一家企业为了完成既有业务，必须长期投资一套并不直接面向最终消费者的技术系统，而随着这套系统逐渐成熟，企业开始意识到，它所解决的问题并非自身独有。

其他企业同样需要计算资源、数据存储和软件基础设施，只是规模、资金与技术条件各不相同。

当内部能力所解决的问题具有足够广泛的外部需求时，原本作为经营成本存在的基础设施，就可能转变为新的商业产品。

但是，这种转变并非自然而然发生。内部系统可以依靠公司特定的业务流程、专门人员和既有技术环境运行；对外销售的服务则必须提供清晰的接口、可靠的访问方式、计费机制、安全隔离、服务质量保障和客户支持。

因此，Amazon进入云计算产业并不只是把内部服务器租给其他公司，而是需要把长期内部使用的技术能力进一步抽象、标准化和产品化。

2006年：基础设施从内部成本中心成为外部产品

2006年3月14日，Amazon正式推出S3对象存储服务。几个月后，EC2弹性计算服务开始提供计算资源。AWS官方历史明确记录了这两个节点。

S3和EC2的意义，不只在于为外部客户提供存储和计算能力，更在于它们改变了客户获得信息基础设施的方式。

传统模式下，企业往往需要根据预期业务规模提前购买服务器、存储设备和网络设施，随后由内部IT团队完成部署、维护与升级。云计算服务则将基础设施能力抽象为可以通过软件接口获取的资源，客户能够根据应用需要逐步增加或减少使用规模。

这种方式并没有消除物理基础设施的资本成本，而是改变了资本投入的承担者与资源使用方式。云服务商仍然需要建设数据中心、购买计算与网络设备，并承担能源、运维和设备折旧费用，但不同客户可以通过共享大型基础设施的容量和运营体系，减少自行建设系统的前期投入。

对于客户来说，这可能降低进入某些数字业务的门槛，使研发团队能够将更多精力集中在应用软件和商业模式上。对于云服务商而言，则需要通过规模经济、自动化运维、资源调度与产品创新，提高基础设施的利用效率和服务可靠性。

这里涉及的技术和经济机制，与三星进入半导体、比亚迪进入汽车以及SpaceX进入卫星互联网都有明显区别。

Amazon没有通过收购某个传统服务器制造集团来完成云计算产业的进入，也不是仅仅依靠电商客户为内部计算设施提供需求。它把一部分长期积累的运营技术转化为面向外部开发者和企业的基础设施服务，使原本服务自身业务的能力获得了独立市场。

Andy Jassy在2023年致股东信中回顾AWS早期发展时，特别强调其基础服务采用较为聚焦、可以相互组合的功能设计，开发者能够根据自己的需求组合存储、计算、数据库等服务，而不是依赖单一、庞大且难以调整的软件产品。

这一产品设计思想值得与我们的组件研究联系起来。

AWS早期的基础服务类似具有标准化接口的技术组件。存储服务负责特定的数据管理功能，计算服务提供运算资源，数据库和网络服务进一步提供其他基础能力。开发者可以通过组合不同组件，构建自己的软件系统和商业产品。

当基础服务的可靠性、可扩展性和接口兼容性不断提高时，客户不必完全掌握底层基础设施的复杂性，也有可能开发出较为复杂的数字产品。

这种组件化不仅有利于Amazon扩大云服务产品体系，还可能改变其他企业开发软件和进入数字产业的成本结构。

图表｜Amazon内部能力向云计算平台的演化

本图为能力发展路径的概念模型，不意味着AWS直接把Amazon既有电商系统原封不动地开放给客户；对外服务需要新的产品架构、技术研发和商业运营能力。

这张图表揭示了一个容易被传统多元化分析忽略的过程。企业可能在原有业务中积累了一套具有高度专业性的基础能力，而这套能力最初并没有被认定为一项独立的商业资产。当技术被抽象成能够由外部用户使用的服务以后，原先的成本投入才有机会成为一个新的收入来源。

不过，并非所有内部能力都适合进行这种产品化。

某些内部系统高度依赖特定业务流程，改造成通用平台的成本可能非常高；另一些能力即使能够对外提供，也未必存在足够市场需求；还有一些领域已经拥有强大的专业供应商，内部能力并不一定具备竞争优势。

所以，Amazon的经验不能被理解为所有大企业都应该将内部IT部门发展成云服务商。我们真正需要研究的是，内部能力在什么条件下具有足够高的通用性、可标准化程度和外部市场价值，能够支持一个独立的产业业务。

当云计算不再只是电子商务的附属业务

AWS’s Project Rainier: the world's most powerful computer for training AIaboutamazon.com

AWS从2006年进入市场以后，逐渐增加数据库、网络、安全、分析、机器学习等服务，平台能够支持的企业应用类型也越来越丰富。它的发展已经不能简单理解为Amazon零售业务的一项附属技术服务，而是形成了面向全球企业、政府机构、科研组织和软件开发者的独立业务体系。

这一变化可以通过财务数据得到清晰观察。

根据Amazon提交的2025年度10-K报告，公司2025年总收入约7,169亿美元，其中AWS收入约1,287亿美元；AWS营业利润约456亿美元，而Amazon全年合并营业利润约800亿美元。

图8｜AWS从2023年至2025年的收入与营业利润

来源：Amazon 2025年度Form 10-K。营业利润是分部经营口径，不等同于净利润；不同业务的成本分摊政策也需要纳入跨公司比较。

这些数据说明，AWS已经成长为具有独立市场规模和可观经营利润的业务。2025年，AWS收入约占Amazon总收入的18%，但贡献了约57%的合并营业利润。

这一结构具有鲜明的研究价值。Amazon原本通过电子商务建立的技术与运营基础，帮助其进入了一个利润结构和商业模式都不同的产业。经过长期发展以后，新业务对企业整体经营结果的贡献，已经远远超过一般意义上的辅助性业务。

但我们还必须避免一种事后解释偏差。AWS今天具有重要财务地位，并不意味着Amazon在1995年开始销售图书时，就能够完整预见二十多年后的云计算业务规模。企业战略往往发生在不确定的环境中，历史路径既包含长期能力积累，也包含后来才出现的技术条件和市场需求。

同样，Amazon不能仅仅因为拥有数据中心，就自动建立云计算优势。AWS必须不断开发面向客户的软件接口、服务产品、数据库技术、网络架构、安全体系和开发者生态；云计算市场本身也受到企业数字化、移动互联网、软件即服务以及人工智能等外部需求变化的推动。

这一案例还说明，进入新产业不一定要通过拥有全部关键设备或控制整个供应链。Amazon在云计算中拥有大规模数据中心基础设施，但仍与处理器供应商、网络设备企业、能源供应商及其他产业参与者保持复杂的合作关系。与此同时，它也在部分领域开发自有计算芯片和系统技术，以优化特定工作负载的性能和成本。

因此，AWS同时体现了外部供应链协作、内部核心技术建设和平台生态发展三种机制。它不是一个纯粹的垂直整合企业，也不是完全依赖第三方技术的中立平台，而是在不同技术层次上持续调整自研和外部合作的边界。

内部能力的产品化，究竟为什么值得研究？

从超级企业形成的角度看，Amazon给我们带来的启示，与早期研究的丰田、比亚迪和SpaceX存在明显不同。

丰田的重要积累包括生产流程与组织知识，比亚迪的重要积累包括电池技术及制造能力，SpaceX的重要积累包括航天运输与工程系统，而Amazon则证明，企业为了支持主业务而长期建立的内部基础设施，也可能经过重新设计成为面向外部市场的平台产品。

这种变化可以从三个层面理解。

第一，原先面向内部运营的问题，经过适当抽象以后可能成为大量企业共同面对的问题。计算资源、对象存储和应用部署，并不是Amazon独有的需求，而是许多数字化企业必须解决的基础任务。

第二，技术能力需要经过标准化、服务化和市场化，才能从内部资产转变为外部产品。这一过程涉及新的产品设计、客户服务和商业模式，不是简单开放内部系统。

第三，当大量外部客户开始使用平台以后，平台的技术发展逐渐不再只由Amazon自身零售业务决定，而需要同时响应开发者、企业客户和新兴产业的需求。这又可能为平台提供新的市场信息和技术改进方向。

但外部客户需求也会产生新的竞争与治理问题。客户对云平台的依赖可能导致较高迁移成本，平台供应商需要承担更复杂的服务连续性、安全和合规责任；而专业竞争者、开源技术、多云部署和客户自建系统，也可能改变平台长期获取价值的方式。

因此，平台成功不是内部能力产品化的必然结果。我们更应该将其视为一个经过技术、市场和组织长期验证以后，才可能形成的新产业发展路径。

华为：从通信设备销售到完整技术体系的长期积累

华为C&C08程控交换机

英国街头的华为5G基站__财经头条__新浪财经

“东数西算”绘“灵眸” 成都智算展才“智” - 国际在线移动版

如果说Amazon通过把内部基础设施变成面向外部客户的产品，实现了从电子商务向云计算产业的扩展，那么华为的发展体现了另一种更加典型的工程技术积累方式。

1987年，华为在深圳成立，最初从事程控交换机相关产品的代理销售。1990年前后，华为开始自主研发和商业化面向酒店、小型企业等市场的用户交换机技术。随后，公司逐步进入数字程控交换、光通信、无线网络及国际通信设备市场。华为官方企业历史记录了这些重要发展节点。

今天人们谈论华为，往往首先想到5G、智能手机、鸿蒙、昇腾计算、华为云或智能汽车解决方案。但如果回到20世纪80年代末，就会发现这些业务并不是一个已经完成设计的技术矩阵。

华为最初需要解决的是如何从通信产品销售进入自主研发，以及如何在国际通信设备企业已经拥有较强技术和市场地位的条件下，开发能够满足中国市场需求的通信系统。

这一时期的通信产业具有鲜明的技术特征。交换设备不是一个独立运行的消费电子产品，而是通信网络的重要组成部分，需要满足容量、可靠性、接口兼容、长期维护和运营商网络管理等要求。对于设备供应商而言，研发成功不仅意味着能够生产硬件，还需要掌握通信协议、软件控制、系统架构、测试验证和工程交付能力。

这意味着华为从代理销售进入自主研发的过程，不是单纯改变商业模式，而是逐步建立复杂通信系统的技术能力。

20世纪90年代，华为推出C&C08数字程控交换系统，并逐步进入国内更广阔的通信市场。此后，随着光通信、无线网络和全球通信标准的发展，企业继续拓展技术和业务范围。有关C&C08最早版本的具体时间，不同公开资料存在1992年与1993年的口径差异，因此这里将其置于20世纪90年代初的技术追赶阶段，不以单一版本年份作为因果分析依据。

与三星从电子制造进入半导体相比，华为早期技术积累的核心更多围绕通信系统展开。这类系统在发展过程中涉及数字信号处理、网络协议、专用芯片、软件工程、光电技术、无线电与电源管理等多个专业领域。

这些能力之间存在一定联系，但每一种技术都需要专业知识和持续研发，不能因为它们最终共同服务于通信网络，就将其理解为一项可以任意复用的通用技术。

华为后来的产业扩展，恰恰是在这些专业能力逐渐发展以后开始表现出更加复杂的技术联系。

通信网络为什么能够成为多个技术产业的起点？

现代通信网络是一种高度复杂的技术系统。它需要传输信息，也需要计算、存储、同步、安全、电力保障和管理软件。随着移动通信从语音业务转向移动互联网，再进一步支持产业连接和低时延应用，通信设备对软件、计算和系统集成的要求不断提高。

对于长期研究通信网络的企业而言，这种发展可能带来两种不同的技术机会。

一方面，企业需要不断提高自身通信产品的性能，持续投资无线电、光网络、芯片、网络软件和计算平台。另一方面，这些技术中的一部分可能具有更广泛的应用范围。例如，电力电子和电源管理不仅用于通信基站，也可以应用于能源基础设施；计算和存储技术不仅服务通信网络，也可以用于企业IT与云计算；网络安全、设备管理和软件平台，也可能成为更多数字化产品的技术基础。

但这不是说通信设备制造商天然能够成功经营上述所有市场。不同产业的产品架构、客户需求和商业模式存在显著差异。

通信运营商采购网络设备，通常需要经过复杂的技术测试、标准兼容验证和长期工程维护；消费电子市场更强调终端体验、价格、设计、品牌和渠道；云计算服务则要求数据中心运营、软件平台、开发者生态和持续服务能力。进入智能汽车市场以后，企业又必须理解车辆安全、汽车电子电气架构、道路运行环境和整车厂商的供应链要求。

因此，华为后来进入多个业务领域，不能仅仅归结为最初的通信技术不断向外延伸。它既包含已有技术能力的迁移，也包含大量新能力的建设和组织扩张。

这种技术体系持续扩展的特点，使华为与NVIDIA存在一定可比性。两家公司都在早期建立了专业技术基础，并通过长期研发逐渐扩展应用范围。但NVIDIA主要围绕加速计算架构及相关软件平台发展，而华为的技术范围更加分散地覆盖通信、计算、终端、能源与行业解决方案等领域。

由此产生的重要问题是：企业拥有的技术种类越多，是否一定能够产生更高的整体价值？

答案显然不能简单肯定。不同技术只有在性能、成本、系统架构和市场需求方面形成有效互补时，才可能创造额外价值。否则，多种技术可能只意味着更多研发投入和更高组织复杂度。

华为的研发体系：长期投入如何改变企业可进入的产业范围？

在华为的发展历史中，研发投入具有非常突出的地位。

根据2026年3月31日发布的2025年年度报告，华为2025年营业收入约8,809亿元人民币，研发费用约1,923亿元，占全年收入的21.8%；截至2025年底，研发人员约11.4万人，占总员工数的53.7%；过去十年累计研发投入超过1.382万亿元。

这些数据反映出华为已经建立了相当庞大的技术研发组织，但它们并不能直接证明研发投入必然产生高回报。研发支出是能力建设的投入指标，专利数量是部分研发成果的表现，而技术竞争力还必须结合产品性能、市场需求、标准参与、制造能力和经济价值进行判断。

不过，当一家企业能够在十年甚至更长时间内持续投入大量研发资金时，其技术能力的形成机制可能发生变化。

企业不仅能够围绕现有产品开展工程开发，还可能维持基础研究、材料、芯片设计、系统软件、通信算法及其他专业技术团队。当这些团队之间形成有效的知识共享和联合研发关系时，部分能力可能获得新的应用机会。

例如，通信设备研发需要处理高可靠系统、网络控制、功率电子和复杂工程部署等问题；数字能源业务则涉及电力转换、能源管理、热管理及系统可靠性；智能汽车解决方案则要求芯片、软件、通信、感知和控制技术的集成。这些业务不是同一种技术的简单复制，但可能存在工程经验与技术组件方面的交叉。

这种交叉究竟能够产生多大的收益，仍然需要在具体产品和项目中验证。

华为2025年年报提供了不同业务的收入数据，使我们能够进一步观察其产业结构。

图9｜华为2025年主要业务收入结构

从收入结构看，华为已经形成多个规模不同的业务领域。2025年，ICT基础设施和终端业务仍然占据较大份额，数字能源与智能汽车解决方案则体现了不同的发展阶段。

但收入规模并不直接代表技术关联程度。例如，ICT基础设施与终端设备可能共享部分无线通信和计算技术，但面对的是不同的客户与商业环境；数字能源可能在功率电子和系统工程方面具有技术联系，但其客户需求、投资周期与运营模式不同于手机业务。

因此，真正的超级企业研究不能停留在将不同业务收入相加，而要进一步分析业务背后的能力联系。

从通信技术到数字能源与智能汽车解决方案

HEINZ SCHMID AG Ihr Elektriker in Winterthur für Elektroinstallation, Photovoltaik, Ladestation, Emobility, Glasfaser, seit über 50 Jahren Ihr Stromer

智界 S7 上车载小艺智慧升级，以自然交互与主动服务提升乘驾体验 | 极客公园

Huawei Is One of the 2021 TIME100 Most Influential Companies

数字能源是研究华为技术迁移的一个重要切入点。

通信基站、交换中心和数据中心长期需要稳定的电力供应、能源转换和热管理系统。电源设备虽然不如通信协议或无线基站那样容易受到外部关注，却是大型通信基础设施可靠运行的必要条件。

长期服务通信网络所积累的电源管理、功率转换、设备可靠性和远程运维经验，可能成为进一步进入光伏逆变器、储能和其他数字能源场景的部分技术基础。

但是，光伏和储能产业有自身的工程标准、市场制度、成本结构与客户要求。企业必须建立相应的电力电子设计、能源系统控制、工程交付及安全验证能力，而不能依靠通信设备经验直接完成整个业务转型。

智能汽车解决方案也是如此。

现代汽车已经不只是机械动力与车身结构的集合，还包含越来越复杂的电子电气架构、通信网络、计算平台、感知技术和软件系统。华为在通信、计算、终端及系统软件方面积累的部分能力，可能服务于汽车智能化需求，但汽车行业同样要求严格的功能安全、长期可靠性、供应链质量控制和工程验证。

华为在智能汽车领域主要通过解决方案、部件、软件及与汽车厂商合作等方式参与产业，而不能将合作品牌的整车销量直接视为华为自己制造和销售汽车的数量。

2025年，华为智能汽车解决方案业务收入约450.18亿元，较2024年约261.58亿元增长72.1%。这一变化说明其相关业务收入正在扩大，但并不能仅凭增速判断长期盈利能力、市场控制力或汽车产业整合效果。

这里出现了一种介于传统零部件供应商和完整整车制造商之间的产业组织方式。

企业通过掌握计算平台、通信、软件、感知与控制等关键技术，为多个整车厂商提供系统能力；不同汽车品牌则保留整车设计、制造、品牌与渠道等不同程度的主导权。

这种分工模式与比亚迪的垂直整合路线具有明显差异。比亚迪主要通过自身整车业务组织电池、电驱与其他技术；华为则主要将自身积累的部分数字技术转化为向汽车产业提供的系统解决方案。

两种模式都可能形成竞争优势，但优势来源并不相同。

前者更强调内部组件与整车的共同设计，后者则可能依靠技术平台与多个产业合作伙伴形成更广泛的应用生态。

这一比较也再次说明，不能只用是否直接拥有终端产品来判断一家企业的产业影响力。有些企业通过提供关键基础技术和系统平台，同样能够在多个产业中形成重要地位。

Amazon与华为：两种不同的能力转化方式

到这里，我们可以将Amazon和华为放在同一个分析框架中，进一步比较它们从初始业务进入新产业的过程。

Amazon通过在线零售积累了大规模运营、软件和基础设施能力，再通过AWS将部分能力发展为面向外部客户的云计算产品；华为则通过通信网络研发与工程实践，持续扩展自身的计算、软件、能源和终端技术体系，再分别进入关联市场。

两者都经历了长期积累，但积累的对象和后续应用方式明显不同。

Amazon更突出内部基础设施的标准化与外部产品化。企业先解决自身的经营问题，随后发现部分能力具有广泛市场需求，并通过新的服务架构将它们提供给外部开发者。

华为更突出技术知识与工程能力在不同产业场景中的延伸。原有通信技术并不能直接等同于云计算、数字能源或智能汽车，但它为某些新能力建设提供了基础，也为跨业务研发和系统集成创造了条件。

NVIDIA则提供了第三种值得比较的路径：长期深化计算架构与软件平台，使原有基础技术被越来越多的外部产业采用，而不一定直接进入这些产业的终端市场。

图表｜三种技术平台型扩张路径的比较

如果只是观察结果，这三家公司都成为跨越多个技术市场的世界级企业。但如果回到形成过程，就会发现它们所依赖的能力转化机制并不相同。

这说明，我们不能将所有成功企业概括为“技术积累形成飞轮”，更不能简单认为掌握基础技术就一定能够开拓新市场。

技术是否具有可迁移性、能否被标准化和产品化、是否存在足够广泛的市场需求，以及企业是否能够建立相应的商业和组织能力，都会决定跨域扩展的实际结果。

从七家企业的历史中，我们究竟看到了什么？

第二部分的综合研究与跨案例比较

从三星、丰田、比亚迪，到马斯克企业体系、NVIDIA、Amazon和华为，我们已经观察了不同国家、不同时期、不同产业背景下，企业通过长期积累进入新领域的多种历史路径。

这些企业的成功不能归结为单一因素，也不能简单理解为企业战略能力从一开始就高于所有竞争对手。它们都在特定历史条件下发展，其中既有企业自身的研发、资本和组织选择，也有外部市场需求、国际技术发展、产业政策和合作生态的影响。

不过，跨案例比较已经使我们有条件提出若干值得进一步检验的研究命题。

首先，企业的长期积累具有不同的形态。

三星积累的是半导体制造、电子技术和产业组织能力，丰田突出生产系统和供应链知识，比亚迪拥有电池与相关制造技术，SpaceX积累复杂航天系统工程，Tesla发展汽车、能源及软件能力，NVIDIA围绕计算平台与生态展开，Amazon将运营基础设施发展为外部服务，华为则形成跨多个技术领域的研发与工程体系。

这些积累并不都属于同一种经济资产，也具有不同的复制成本、迁移条件和生命周期。

其次，新产业的进入并不总是从相关产品开始。有时企业能够通过既有组件直接进入相关市场，有时则需要通过资本和组织能力首先建立新的技术体系；还有些企业并不直接进入终端市场，而是通过平台技术为不同产业提供基础能力。

再次，成功的能力迁移与失败的资源扩张之间，可能存在一些尚未充分识别的边界。过去形成的技术有时可以降低新产业的进入成本，但也可能限制企业接受新的技术路线；复杂的内部产业协同可能提高效率，也可能增加组织负担；长期研发既可能形成难以模仿的优势，也可能消耗大量资金而无法获得合理回报。

因此，要理解超级企业的形成，不能仅仅记录它们拥有多少业务，而必须研究这些业务在不同历史阶段之间是否存在真实的能力联系。

图表｜超级企业形成的七组案例比较

历史案例的主要能力形成路径

研究性归纳，旨在概括各案例最具辨识度的历史机制，而非将企业固定划归互斥类型。

从这组案例的历史中，还可以进一步观察到一个具有现实意义的现象：企业所积累的能力，未必只能由其自身使用。

丰田的生产方法能够影响供应商及其他制造企业，NVIDIA的计算平台服务大量外部开发者，Amazon的云计算基础设施支持其他企业构建软件，华为的技术解决方案也通过合作伙伴进入不同市场。

当能力通过标准、软件接口、供应链关系或技术合作向外部传播时，企业所影响的产业范围可能超过自身直接经营的业务范围。

但这种开放也可能形成新的竞争。外部合作伙伴在使用基础技术过程中，可能逐渐发展出自己的替代能力；客户为了降低依赖，可能推动标准化和多供应商策略；开放技术的发展，也可能使新进入者以更低成本取得原本只有大型企业才能拥有的部分能力。

因此，超级企业形成的长期竞争优势，既可能来自对关键技术与组件的控制，也可能来自组织和协调庞大外部生态的能力。两者有时相互增强，有时也存在战略张力。

为什么不能从成功直接推导规律？

前面七组案例共同存在一个研究上的问题：它们都是已经取得显著产业地位的企业，因此很容易在事后找到能力积累、战略远见和组织协同的证据。

可是，企业拥有这些特征，并不等于这些特征必然导致成功。

历史上同样存在大量具有雄厚资本、研发团队和成熟市场基础的企业，在进入新产业时遭遇失败。有些企业尝试通过收购建立产业集团，却未能获得预期协同；有些企业拥有重要技术成果，却无法成功进入新的市场；另一些企业则因为原有业务过于成功，难以接受会破坏既有收入结构的技术路线。

这意味着，我们必须在后续研究中同时考察没有获得成功的企业，并通过反事实分析判断：如果一家企业没有此前积累的资源和能力，它是否仍然有可能完成相同的产业进入？如果拥有相似能力的其他企业没有成功，决定差异的条件究竟是什么？

这类问题不能依靠企业宣传材料回答，也不能仅通过财务数据判断，而需要结合企业发展史、技术路线、投资决策、管理组织、产业政策和市场变化进行系统分析。

研究超级企业的目的，并不是证明这些企业所采取的每一项战略都是正确的，而是通过成功与失败的比较，尽可能识别哪些因素真正改变了企业长期发展的可能性。

第二部分结语：超级企业不是业务数量的集合，而是不断发展的能力体系

当我们从较长的历史尺度观察这些企业时，会发现一个共同的特点：它们今天所拥有的产业结构，与早期业务之间往往存在非常大的差异。

三星从贸易走向先进电子制造，丰田从自动织机进入汽车产业，比亚迪从电池制造发展新能源汽车，马斯克参与推动的企业跨越互联网、航天与汽车等领域，NVIDIA使GPU从图形处理工具发展为重要的AI计算基础，Amazon将内部IT能力发展为云计算平台，华为则从通信设备进入更广泛的数字技术市场。

但这些历史变化的背后，并不存在一条可以直接复制的万能成长路线。

有些企业依靠资本与产业纵深建立优势，有些通过制造组织形成长期竞争力，有些围绕关键组件形成系统创新能力，还有些企业通过标准化基础设施和开发者生态扩大技术影响。企业所处的历史时期、国家产业环境、技术条件与市场结构，也深刻影响了这些道路是否能够成立。

因此，超级企业不应当被理解为拥有大量不同业务的巨型公司，更不应该被简单看作某位创业者雄心壮志的产物。

从本研究已经观察到的案例看，超级企业更接近一种长期形成的产业组织能力：企业能够在某些关键领域持续积累技术、资本、人才、知识、组件和经营经验，并在适当的技术与市场条件下，将这些能力用于新的产业活动。

然而，积累并不等于迁移，迁移并不等于有效组合，有效组合也不必然创造商业价值。这些过程之间始终存在技术约束、组织成本和市场不确定性。

这正是下一部分研究需要进一步回答的问题。

第三部分《看不见的积累：技术、资本、人才与组件如何孕育新的产业能力》，将不再重复叙述企业的发展历史，而是在这些案例的基础上，系统分析能力积累、资本接力、组件复用、跨域组合和组织协调的具体机制，并对前面提出的“多飞轮”“跨域衍创”“能力涌创”等概念作出严格界定，讨论它们与既有战略管理理论的联系及区别。

看不见的积累：技术、资本、人才与组件如何孕育新的产业能力

《超级企业的形成》第三部分｜超级企业的底层形成机制

Everything you need to know about Intel | IT Pro

AI Cluster Solutions for Scalable Compute | Hypertec

Mechanical Engineer Training for English Speakers in UK - mytips.com

9

企业真正积累的，远不止资产负债表上的资产

当我们回顾三星、丰田、比亚迪、马斯克企业体系、NVIDIA、Amazon和华为的发展历史时，一个现象逐渐变得清晰：这些企业在不同时期所形成的竞争优势，无法完全通过当时的营业收入、利润、固定资产或专利数量解释。

三星在进入DRAM产业之初，尚不具备后来支撑其全球竞争地位的先进半导体研发与制造能力；丰田从自动织机进入汽车产业时，也不可能已经掌握完整的汽车工程知识；NVIDIA在1993年成立时，尚不存在后来由大规模深度学习驱动的计算需求；Amazon在1995年销售图书时，云计算甚至还不是一个具有成熟商业模式的产业。

如果将这些企业在初期的资源与能力，同它们几十年后的产业结构直接比较，就会发现其中存在大量今天无法从早期财务报表中观察到的变化。

这些变化不仅体现为企业购买了更多设备、雇用了更多工程师或收购了其他公司，更体现为企业逐渐掌握了过去无法完成的复杂任务。它们能够研发新的产品、理解新的技术体系、协调更复杂的生产系统，并且在某些情况下，将原先积累的经验应用到新的市场之中。

这种长期形成的能力，很难像机器设备那样被完整计价，也不能全部通过专利数量衡量。它可能分布于企业的工程师、研发团队、生产流程、数据库、软件代码、供应商关系以及长期形成的组织制度之中。即使某项能力最终体现为可以销售的产品，其形成过程也往往涉及大量难以分离的技术学习和组织实践。

这正是我们进入第三部分所要解决的核心问题。

在前面的企业历史中，我们已经知道这些企业分别经历了什么；现在需要进一步理解的是，为什么过去的经营活动能够为未来创造新的可能性，以及这种积累在什么条件下可以迁移、重组和扩大价值。

这一问题与传统企业资产管理具有明显区别。

在财务管理中，一台设备通常需要根据投资成本、使用寿命、折旧和现金流进行评价。但从产业演化的角度看，企业购买设备并完成生产任务的同时，还可能积累设备调试、工艺优化、产品设计、质量控制和工程组织等知识。即使设备最终被更新替代，其中一部分知识仍可能通过人员、流程和技术文件继续存在。

同样，一次产品开发即使没有获得预期市场成功，也可能帮助团队理解某些工程约束，建立新的设计方法，培养能够承担更复杂项目的技术人员。但是，这种知识能否在后续项目中发挥作用，并没有必然保证。它可能因为人员离职、技术路线变化、缺乏记录或组织调整而迅速流失。

因此，我们所讨论的积累，并不是一种可以无限增长的资产存量，而是一种会形成、更新、转移、贬值甚至消失的能力体系。

从资产积累转向能力积累

为了使后续分析更清晰，有必要区分企业长期经营中积累的不同对象。

图10｜企业长期积累的六类能力资产

该分类是本研究采用的分析框架，各类资产存在重叠。例如，工艺知识既可能属于技术资产，也可能体现为组织中的隐性知识。它们并不等同于会计准则规定的无形资产类别。

企业在不同历史阶段积累这些能力时，它们之间可能产生相互影响。资本能够支持技术研发，技术进步能够提高产品竞争力，市场扩张有助于形成新的现金流，规模化生产又可能增加工程经验，专业人才通过项目合作形成新的组织知识。

但这种联系不应当被简单理解为自动加速的正反馈。资本投入可能失败，市场扩大可能降低利润，组织规模增加可能造成协调成本上升，技术积累也可能因为新标准出现而迅速贬值。

真正需要研究的，是这些能力在什么条件下能够相互增强，什么时候会发生冲突，以及企业如何在长期发展中不断调整它们之间的关系。

经验为什么能够积累，却不一定能够传承？

丰田的历史为理解经验积累提供了一个很好的切入点。

从丰田佐吉开发自动织机，到丰田喜一郎研究汽车制造，再到大野耐一等人在长期生产实践中完善丰田生产方式，丰田所积累的并不只是机械技术，还包括识别生产异常、组织物料流转和持续改善复杂生产系统的方法。

不过，这种经验并不是以完整、固定的形式从一代人传递到下一代人。自动织机时代的异常检测装置，与汽车工厂中的自働化原则之间存在历史联系，但丰田生产方式还需要结合汽车生产中的准时化、看板、现场管理和供应商协作，经过长期试验才逐渐形成成熟体系。

丰田官方历史指出，丰田生产方式在20世纪40年代末至50年代初通过反复实践形成基础，随后逐渐在工厂和供应商之间推广。这一过程跨越多个历史阶段，也涉及不同管理者和工程团队的持续贡献。

这种历史使我们看到，经验的价值不仅来自它曾经解决了某个问题，还取决于它是否被转化为能够在新问题中使用的知识。

例如，一名经验丰富的工程师可能知道某种材料在特定加工条件下容易产生缺陷，但如果这种判断只存在于个人头脑中，其他团队未必能够直接使用。企业可以通过试验记录、工艺文件、设计规范和培训活动，将一部分经验转化为可以传播的知识，但工程师对于异常现象的判断、复杂约束之间的权衡以及多年实践形成的直觉，又未必能够完全写成明确的操作规则。

这意味着企业经验同时包含显性知识与隐性知识。

显性知识相对容易通过图纸、代码、技术手册、数据库和标准流程保存；隐性知识则通常依赖实际操作、团队协作、师徒传承以及反复处理复杂问题的过程。

如果企业只关注知识文档的数量，却忽略专业人员之间的协作关系，那么即使建立了庞大的资料库，也未必能够完整保留复杂工程能力。

1992年，Bruce Kogut和Udo Zander在《Knowledge of the Firm, Combinative Capabilities, and the Replication of Technology》中提出，企业的重要作用之一，是组织内部个人和群体之间的知识共享与转移。他们特别强调，知识不仅存在于个体，也体现在组织成员之间形成的协作规则和关系中。因此，企业能力不能简单理解为全部员工个人技能的加总。

这一理论与我们研究超级企业的目标高度相关。

一家企业拥有一百名优秀工程师，并不意味着它一定具备能够完成大型复杂系统的组织能力。复杂产品开发往往需要机械、软件、电子、材料、控制、测试和制造等多个专业领域进行协作。工程师的个人能力固然重要，但如果缺少共同的设计规范、沟通接口、项目管理机制和技术决策程序，专业能力可能难以形成有效的系统成果。

反过来，当企业长期围绕复杂项目建立稳定的协作方式时，其组织能力可能超过个体知识的简单总和。

例如，一家航天企业不仅需要优秀的发动机工程师，还需要能够协调推进系统、结构设计、飞行控制和测试验证的工程组织。即使某些人员离开，企业仍可能通过完整的技术文档、专业团队和既有工程流程保留部分能力。但如果关键知识高度集中于少数人员，组织又缺乏有效的传承机制，那么人才流失也可能造成明显的技术损失。

因此，经验是否能够形成长期资产，取决于三个连续的过程：实践中产生知识，组织能够保存与传播知识，以及这些知识能够在新的任务中得到合理运用。

这三个过程彼此相关，却不能互相替代。

图表｜个人经验如何逐渐形成组织能力

知识积累的分析模型。循环箭头代表新实践可能再次形成知识，但每次转化都可能存在知识损失、错误归纳或不适用于新场景的风险。

这也使我们能够重新认识企业知识管理的意义。

传统知识管理往往强调文档保存、分类、搜索与信息共享，而从超级企业形成的角度看，知识管理的最终价值不是增加存储量，而是提高组织在未来遇到复杂问题时调用既有经验的能力。

如果企业能够将历史项目中的设计依据、技术试验、失败原因和工程判断保存下来，并在新项目需要时准确找到相关知识，那么部分过去需要重新探索的问题，就有可能得到更快解决。

但是，仅仅找到一份过去的技术文件，并不意味着其中的解决方案适用于当前项目。技术标准、产品架构、材料、成本与使用环境都可能变化，组织仍然需要判断知识是否适用，以及需要进行哪些新的验证。

因此，真正成熟的知识体系应当不仅保存结论，还需要保留结论形成的条件、证据和限制。

从这个角度看，企业的组织记忆不只是对历史的记录，更是一种影响未来工程决策质量的能力基础。

技术积累的复利效应，为什么有时是真实的，有时又是错觉？

在前面的企业案例中，技术积累几乎贯穿了所有成功路径。

三星通过多年投资形成半导体研发与制造能力，NVIDIA长期发展GPU架构与软件平台，华为持续扩大通信和计算技术体系，比亚迪将电池制造经验用于新能源汽车和储能，SpaceX则通过连续的工程开发建立可重复使用运载火箭和卫星系统能力。

这些历史很容易让人形成一个结论：技术积累越多，未来竞争优势就越强。

但这一判断并不完整，因为技术积累具有明显的方向性。

一家企业在特定技术路线上的长期投入，可能使它积累大量难以被竞争者快速复制的知识，同时也可能使其设备、人才、组织流程和市场关系越来越依赖这条路线。当新的技术架构出现时，这些积累中有一部分能够继续发挥作用，另一部分却可能成为需要重新配置的资产。

1990年，Rebecca Henderson与Kim Clark在《Architectural Innovation》中研究了一个重要现象：即使构成产品的核心技术组件并未发生根本变化，只要组件之间的连接关系和系统架构发生调整，领先企业过去积累的架构知识也可能失去部分价值。由于这种知识嵌入企业的组织结构和信息处理流程，管理者有时难以及时识别变化带来的影响。

这一理论对我们的研究具有非常直接的启发。

假设一家企业长期掌握某种机械传动技术，形成了高性能产品、成熟供应商网络和优秀的生产工艺。当产品架构转向电驱动时，原先的金属材料、质量控制和制造经验可能仍然有用，但某些关键传动技术、设备投资和供应链组织方式的价值可能发生变化。

在新的产业条件下，企业的技术资产并不是整体保值或整体失效，而是需要重新辨认哪些能力具有迁移价值、哪些能力必须改造，以及哪些能力应当被新的技术取代。

这恰好能够解释，为什么技术积累并不总能使大型企业在产业转型中取得优势。

一家新进入者可能缺乏成熟企业的大部分技术和市场资源，但正因为它尚未承担庞大的既有技术体系和组织约束，反而能够围绕新架构重新设计产品。成熟企业虽然拥有更多工程知识，却可能因为现有产品、客户需求和资金回报要求而难以迅速调整。

因此，技术积累具有一种双重属性：一方面，它能够增加企业解决某类问题的能力；另一方面，它也可能强化组织对既有技术路线的依赖。

图表｜技术积累的三种不同结果

这里还需要引入一个与技术积累密切相关的概念：吸收能力（Absorptive Capacity）。

1990年，Wesley Cohen与Daniel Levinthal在《Absorptive Capacity: A New Perspective on Learning and Innovation》中指出，企业识别外部新知识的价值、吸收这些知识并将其用于商业活动的能力，与此前积累的相关知识密切相关。研究同时强调，企业在某个技术领域缺乏早期投入，可能影响其未来建立相应能力的可能性。

这一观点能够帮助我们更准确地理解三星早期半导体追赶以及华为长期研发投入的意义。

企业拥有一定技术基础以后，可能更容易判断哪些外部知识具有价值，也更容易吸收新技术并与既有产品结合。反之，一家完全没有相关知识基础的企业，即使能够购买先进设备或获得完整技术文件，也未必拥有有效利用这些资源所需的工程能力。

因此，知识并不是购买以后就能立即发挥价值的商品。它需要理解、吸收和应用，而企业过去的经验会影响这一过程。

但是，吸收能力同样可能表现出路径依赖。企业越擅长识别与自身技术体系相近的信息，就越有可能继续沿着熟悉的方向投入资源，而忽略那些最初与既有业务联系不明显、却可能在未来具有重大价值的新技术。

这又使超级企业面临一个长期存在的战略矛盾：为了提高经营效率，企业需要形成深度专业化；为了保持创新能力，企业又必须持续接触与既有知识体系不同的新领域。

解决这个矛盾，不可能仅靠增加研发预算。企业需要在研究组织、外部合作、人才结构和资本配置方面建立能够同时支持技术深化与新方向探索的机制。

人才积累：为什么优秀工程师的数量不能直接代表企业能力？

The Next-Gen Products and Features 4 Engineering Teams Are Making a Reality | Built In LAbuiltinla.com

在科技企业的发展过程中，人才经常被视为最重要的战略资源之一。但如果把人才简单理解为工程师人数、博士数量或研发支出占比，就难以解释为什么具有相似人才规模的企业，可能表现出完全不同的创新能力。

技术人员拥有专业知识，但复杂产品通常需要多个学科共同完成。

例如，开发一套先进电驱动系统，需要机械、电磁、材料、功率电子、热管理、控制软件和制造等专业知识。工程团队不仅要解决各自领域的问题，还要在效率、重量、体积、成本、寿命与可靠性之间作出系统性权衡。

如果某个团队只追求自身负责的组件性能，却没有考虑它与其他组件之间的关系，那么局部优化可能导致整体产品性能下降。

因此，复杂技术企业的能力不仅取决于人才专业水平，还取决于跨学科团队如何进行协调。

组织需要建立共同的技术语言、明确接口要求、处理设计冲突、协调验证活动，并在产品发生重大变化时重新分配工程任务。这些机制长期运行以后，可能逐渐形成一种不同于单个工程师知识的组织能力。

NVIDIA就是一个值得进一步研究的例子。

其GPU架构、CUDA软件、计算库、网络互联和数据中心系统涉及不同专业领域。GPU硬件性能提升，并不一定能够直接改善应用程序的实际运行效率。编译器、运行环境、数学库、数据传输和网络系统都可能成为影响整体性能的重要因素。

只有当硬件工程师、软件开发者、系统架构师与外部应用开发者之间形成有效协作时，计算平台才能不断适应新的工作负载。

同样，SpaceX的火箭研发也需要发动机、结构、控制、材料、测试和制造团队之间进行密切协同。成功不是某个工程师独自完成一项技术突破的结果，而是多种专业能力在统一工程目标下形成系统成果。

这使我们需要将人才积累区分为三个层次。

首先是个人能力，包括专业知识、工程经验、判断能力和解决问题的技能。其次是团队能力，体现为不同专业人员之间形成的协作方式、共同语言和技术接口。最后是组织能力，表现为企业能否持续组建新团队、培养人才、传递知识，并在人员和产品变化以后保持复杂项目的执行能力。

这三个层次之间存在联系，但不能简单相加。

图表｜人才数量与组织能力之间的区别

示意模型：人才能力通过团队与组织协作形成系统成果。图示不代表组织协作必然提高效率，过度协调也可能增加研发成本。

从企业长期发展的角度看，人才的真正价值还在于它能否参与持续的知识传递。

一个组织如果长期依赖少数关键人物进行技术判断，可能在早期保持高度灵活和决策效率，但随着项目数量增加、系统复杂性提高，个人经验难以覆盖全部问题。如果缺少能够培养新一代技术领导者的机制，企业在关键人员退出后可能面临能力断层。

相反，当企业能够通过技术评审、工程规范、跨团队实践和长期培训培养专业人才时，部分个人知识就可能逐渐转化为组织知识。

不过，组织化同样需要保持适度。过于严格的流程可能抑制实验，过度层级化的技术决策可能降低研发速度。如何在工程纪律与创新自由之间保持平衡，是复杂技术企业长期面临的管理问题。

这也为后面关于创始人退出与超级企业持续创新能力的研究提供了基础。

一家企业即使拥有具有非凡技术判断力的创始人，也不能直接证明企业已经具有持续的组织创新能力。更重要的问题，是这种判断能力能否通过制度、团队和专业组织延续，以及后来的管理者是否能够在新的技术环境下重新作出有效判断。

从积累到迁移：为什么企业拥有的知识越多，并不一定越容易创新？

技术、经验、人才和知识具有一个共同特点：它们往往是在解决具体问题的过程中形成的。

企业开发电池技术，是为了满足一定的储能需求；研究GPU架构，是为了提高某些计算任务的性能；建立生产管理体系，是为了提高质量、降低浪费和协调复杂制造活动。这些能力最初都有相对明确的应用背景。

当企业试图进入新的产业领域时，必须重新判断哪些知识仍然适用，哪些需要调整，哪些已经不再符合新的技术约束。

这也是为什么跨产业能力迁移不能被简单理解为把现成技术复制到另一种产品。

以比亚迪为例，消费电子电池和新能源汽车动力电池具有共同的电化学基础，但车辆对安全、可靠性、能量管理和整车结构提出了不同要求。企业可以继承部分知识，却仍需要建立新的系统能力。

对于NVIDIA而言，GPU从图形处理向科学计算和人工智能扩展，同样需要不断调整硬件架构、软件接口和计算库。即使同样使用并行计算，不同应用对计算精度、内存访问、通信带宽和软件生态的要求也可能完全不同。

这些案例都说明，知识迁移具有条件性。

更重要的是，企业在某个领域积累的知识越深，组织往往越容易相信自己已经掌握了正确的方法。当新产业采用不同的技术架构时，这种自信可能成为创新障碍。

例如，成熟制造企业如果拥有高度优化的生产线，在市场需求和产品架构保持稳定时，这些设备与工艺可能带来很强的成本优势；但如果新技术要求完全不同的生产过程，既有设备和工程经验就可能减少企业重新投资的意愿。

这一现象也是为什么研究超级企业时必须同时关注积累的正面价值与负面影响。

图表｜能力积累能否形成新产业价值的判断框架

图11｜从既有能力到新业务的六项检验

本研究提出的分析工具，用于比较跨域能力迁移，并非经过实证验证的企业评分模型。

从这个框架看，跨产业创新并不是简单地将已有能力搬到新的市场，而是要经过技术适用性、知识吸收、组织协调、系统集成与商业化等多重检验。

其中任何一个环节出现严重问题，都可能导致项目未能实现预期结果。

这也解释了为什么我们不能仅凭一家企业拥有大量技术资产，就推断它必然具有开创多个产业的能力。

长期积累能够扩大未来的选择空间，但真正形成新产业，还需要识别机会、理解新需求、组织新能力并承担新的商业风险。

David Teece在2007年对动态能力理论的进一步研究中，将机会感知、机会把握与资源重构作为解释企业持续适应和塑造环境的重要机制，并强调相关能力依赖于组织结构、决策规则和具体管理实践。

这一理论为我们提供了坚实基础，也提醒我们不应把此前讨论的多飞轮或跨域衍创当成与既有理论完全无关的新发现。

我们真正希望进一步研究的是：当企业经历多次产业进入之后，前一次积累究竟如何改变下一次进入的条件；不同类型的能力之间又会形成哪些可验证的互补关系；以及为什么一些企业能够持续完成能力迁移，另一些企业则在技术转型中逐渐失去竞争力。

本节结论：积累创造可能性，组织决定能否继承，市场检验最终价值

从前面的企业历史和现有学术研究出发，我们可以形成一个初步认识：企业的长期发展不仅形成可计量的资产，还会产生大量与技术、人才、知识和组织协作有关的能力。这些能力可能通过产品开发、工程实践、供应链合作和跨团队学习不断积累，并在适当条件下成为进入新产业的基础。

但是，积累并不必然产生复利，知识也不会自动转化为竞争优势。技术路线可能改变，人才可能流失，组织可能僵化，过去成功的方法可能不再适合新的市场。企业必须不断更新自身知识，并判断哪些能力值得继续深化，哪些需要重新组合，哪些则应当被替代。

这意味着，超级企业真正值得研究的，不只是它们在某个时期拥有多少先进技术，而是它们如何持续建立、保存、更新和重新利用复杂能力。

在本节中，我们主要讨论了技术、经验、人才与知识的积累。它们构成超级企业长期能力的基础，但尚不足以解释企业为什么能够承担多个高门槛产业的研发风险，也无法完整解释一项技术怎样最终发展成为多个业务。

下一节将沿着已经建立的研究逻辑，进入资本的接力：现金流、再投资与产业进入，分析资本如何在不同技术周期和产业阶段之间流动，为什么雄厚的资金并不保证跨产业创新成功，以及创业资本、经营现金流、资本市场与政府采购等不同资金来源，如何影响超级企业的形成。

第三部分已展开：本次完成“技术、经验、人才与知识积累”专题。第三部分后续还包括资本接力、组件重组、跨域能力组合与超级组织机制；全书第四、第五部分仍待研究。