英偉達經營方面有哪些看點？

摩爾定律的延續者。

CUDA 標志著“指數型思維”的思想延續（2006 年）。與其他案例不同，英偉達的 1993 年成立，創始人黃仁勛一直擔任公司的CEO。到2024 年，他已經執掌公司 31 年。我們知道，喬布斯領導下的蘋果，蓋茨領導下的微軟，格魯夫/摩爾博士領導下的英特爾，佩奇領導下的谷歌，戴爾領導下的戴爾電腦...以及我們在《移動互聯網案例篇》中舉到的諸多例子都表示，初代創始人熟悉行業的來龍去脈，同時他們對技術或者產品敏銳，也非常了解自己公司的優點與不足。因此在他們領導下的公司，大多數案例都是成功的。而等到二代、三代 CEO，有的好，有的一般，但總體來說遇到杰出CEO 的概率不高，他們很難超過創始 CEO 的水平。 黃仁勛 1963 年出生在臺南，9 歲赴美學習，1984 年于俄勒岡州立大學獲取電機工程學士學位，1992 年于斯坦福大學獲取電子工程學碩士學位。1983 年黃仁勛在AMD 擔任微處理器硬件工程師，1985 年至 1993 年，他在LSI Logic 擔任核心硬件設計總監。并于 1993 年與 Chris Malachowsky（目前依然在公司任職）和CurtisPriem（2003 年從英偉達退休）共同創辦了英偉達，并任CEO。

我們在《科技周期探索之三：1974-1987 年：個人電腦時代的到來》中的總結曾提及：千萬不要忽視“指數型思維的人或者公司”。當時提到的案例是有著摩爾博士掌舵的英特爾，在他的任期中，英特爾的股票翻了上百倍，而他退休之后英特爾就很難找回當初的狀態。 黃仁勛和英偉達，就是又一個具備“指數型思維的人或者公司”。甚至說就是因為英偉達的存在，GPU 接替了 CPU，才讓摩爾定律曲線得以延伸到現在也不為過。從 2006 年 CUDA 推出之后，英偉達就不再是一家顯卡公司，它成為了通用GPU的供應商。由于當時的 CUDA 思想過早，導致了業界好多年都沒有看懂，也沒有試著模仿——直到 2016 年 AMD 才開發了自己的 ROCm，2019 年英特爾的oneAPI正式版才推出。因此說，CUDA 的推出，以及通用 GPU 架構的出現，是英偉達的重要壯舉。

在成績面前，人們都容易歸功于 CEO 的戰略；但 2008 年金融危機時期，盡管面臨經濟危機，CUDA 的推出被視為“巨大的豪賭”，當時公司的股價從高點跌去了80%，市值僅存 40 億美元，但英偉達依然堅持技術創新，保住了CUDA 這顆冉冉升起的新星。 經歷科網泡沫、金融危機、歐債危機、新冠疫情，英偉達從來沒有“凈裁員”，員工人數一直在增加，這在納斯達克是極為罕見的——充分說明管理層高度的前瞻性和面對創新不確定性下的定力。

從 2006 年的 Tesla 架構到 2010 年的 Fermi 架構，英偉達與AI 的關系還沒有很大，主要是在摸索通用 GPU 的一些基礎性能，包括統一著色器、增加CUDA 核心，以及支持 DirectX 11 的架構等等。

不冷不熱的移動互聯網嘗試（2010-2015 年）。到了 2011 年，橡樹嶺國家實驗室在建造超級計算機Titan（泰坦）時，大量采購了英偉達的 GPU，泰坦成為世界上第一臺使用通用GPU 的超級計算機。整臺泰坦共 計 18688 顆 CPU 和 相 同 數 量 的 GPU ， 在 2012 年11 月的測試中獲取17.59petaFLOPS 的成績，直到 2013 年 6 月在 Top500 位列第一的排名被中國的天河二號取代。泰坦的成功，使得英偉達成為 GPU 行業的一張名片。

2012 年，AlexNet 在 ImageNet 挑戰賽中取得了突破性成績，這一成就的背后是英偉達 GPU 的支持。AlexNet 使用的是英偉達 GTX 580 GPU，基于Fermi 架構。Kepler 架構是英偉達在 2012 年推出的 GPU 架構，相較于前一代的Fermi架構，它在多個方面進行了顯著改進，提供了更高的能效和更強的計算能力，下圖可見，基于 Kepler 架構的 GeForce GTX 680，其 CUDA 核心數高達1536 個，是GTX580的 3 倍。

基于 Kepler 架構的 K20X（從這里開始，芯片的首字母就是架構名稱的首字母）的 CUDA 核心數達到了 2688 個。2015 年，公司發布了Maxwell 架構，它的主要變化是優化了內存帶寬，與 K20X 一樣，它們同屬于 28nm 制程。

在這一段時間里，英偉達從收入、利潤上并未有較大的變化。當時的風口在移動互聯網側，公司的確在 2010 年發布了自己的移動互聯網芯片Tegra，該系列處理器是針對移動設備設計的系統級芯片（SoC），應用在智能手機、平板電腦、汽車信息娛樂系統和其他移動設備上，但總體上并沒有實現預期的快速增長，原因是：1、競爭對手強大：高通、三星、蘋果等公司在移動處理器市場上擁有強大的技術和市場份額。高通的 Snapdragon 系列處理器在性能、功耗管理和生態系統支持方面表現優秀，吸引了大量 OEM 廠商； 2、缺乏 CPU 的積累：雖然 Tegra 處理器在圖形處理能力方面表現出色，但在CPU性能上與競爭對手相比存在一定差距，特別是在多任務處理和復雜應用方面?；蛘哒f，英偉達是顯卡出身的企業，它的優勢在高性能運算市場，而此時的平板、手機追求的不是高功耗下的性能，而是在低耗電下的性能，因為隨著手機與平板屏幕越來越大，而尺寸越做越薄，手機企業沒有余地再將過多資源分配給圖形處理了； 3、缺乏生態的支持：同樣，摩托羅拉、HTC 和 LG 這些企業不會一下子切換到英偉達，而缺乏長期穩定的 OEM 合作伙伴關系影響了Tegra 的市場推廣；因此說，移動互聯網浪潮下的紅利不可能看到了才去爭取，而像喬布斯那樣，從iPod時代就已經開始默默地努力，而在 10 年之后大放異彩。盡管 Tegra 在傳統移動設備市場上表現平平，但在汽車信息娛樂系統和自動駕駛領域取得了顯著成功。例如，特斯拉和多家高端汽車品牌采用了Tegra 芯片，因為在汽車的體積下，耗電并不是問題，而性能是企業更關心的，這與數據中心的場景是很相似的，這里是英偉達的強項。 此外，2015 年英偉達發布了嵌入式芯片 Jetson 系列（Maxwell 架構），它針對邊緣計算和嵌入式系統設計的模塊化計算機，應用于機器人、無人機、智能攝像頭等設備。Jetson 系列也算是成功的，因為它為英偉達的邊緣運算提供了廣闊的市場空間，包括機器人、無人機、工業自動化、智能交通、醫療健康、零售物流、智慧城市、農業等領域，比如亞馬遜的配送機器人 Scout 使用了Jetson XavierNX模塊，博世的智能工廠解決方案中使用了 Jetson 系列模塊。這也將是英偉達在未來 AI 行業落地的一個有效的抓手。

云計算潮流中嶄露頭角（2016-2019 年）。到了 2016 年，正值谷歌的 Alpha Go 橫空出世，機器學習也成為席卷AI 界的新潮流。英偉達重要的 Pascal（帕斯卡）架構的 P100 芯片誕生了，它的制程達到了16nm，CUDA 核心數達到了 3584，其在 INT 8 的算力達到了21.2TOPS，是M40的3倍以上。

2016 年 4 月，英偉達發布了 DGX 服務器。其中 DGX-1 服務器配備8 個基于Pascal或 Volta 子卡的 GPU，總共 128GB HBM2 內存，通過NVLink 網狀網絡連接。與之前的架構相比，Pascal 架構在深度學習任務上提供了10 倍以上的性能提升，極大地加速了訓練過程。DGX-1 預裝了優化的深度學習軟件，包括英偉達DIGITS和cuDNN，使得研究人員和能夠快速而輕松地訓練深度神經網絡。

值得注意的是，NVLink 在 2016 年發布的 DGX 第一次被使用，它是Nvidia開發的有線串行多通道近距離通信鏈路。傳統個人電腦的PCI 接口是串行的，而NVLink使用網狀網絡，對并行運算支持得更好。 由于 PCI 是由 PCI-SIG 聯盟（外圍組件互連小組，一個電子行業聯盟）維護，它沿襲的是 PC 個人電腦主線的標準，無論在組網方式上，還是在傳輸速率上，都達不到日益增長的機器學習的需要，因此 NVLink 不斷迭代，其傳輸速率已經由2016年的 20 Gbits/s 增長到 2024 年的 100 Gbits/s，規劃中的Blackwell 架構則是支持 200 Gbits/s。

如果說 2016 年的 Pascal 架構在計算性能上有顯著提升，同時支持英偉達的NVLink 1.0，增強了 GPU 之間的通信能力是它的亮點，那么2017 年發布的Volta架構的賣點則是引入了 Tensor Core，這是英偉達開發的一種專門硬件加速器。它通過混合精度計算技術，結合使用 FP16 和 FP32 數據格式，實現了在保持模型精度的同時大幅提升計算效率的目標，同時，Tensor Core 專門設計用于加速矩陣乘法運算，這是深度學習中最常見的操作之一。Tensor Core 的出現使得深度學習模型的訓練和推理速度得到了顯著提升，特別是在處理大規模數據集和復雜模型時表現出色。此外，Volta 架構支持更高的內存帶寬，特別是通過NVLink2.0和 HBM2，顯著提升了數據傳輸速度。 2018 年英偉達發布了 Turing 架構，Turing 架構引入了RT Core，實現了實時光線追蹤，顯著提高了圖形渲染的質量和真實性，這是它最大的特色。同時，Turing架構對 Tensor Core 進行了增強，支持 AI 推理和訓練，加速了深度學習任務。這些進步使得 Turing 架構在圖形渲染和 AI 計算領域都取得了顯著的成果，為后續的架構創新奠定了基礎。

摩爾定律的延續者（2020 年-今）。2020 年，英偉達最重要的架構之一 Ampere 架構發布了。它引入了第二代RTCore和第三代 Tensor Core，大幅增強了光線追蹤和人工智能計算能力，對于游戲和專業應用中的實時渲染、物理模擬和 AI 推理有著顯著提升?；贏mpere架構的A100 GPU 實現的第三代 NVIDIA 高速 NVLink 互連和新的NVSwitch 顯著增強了多GPU 的可擴展性、性能和可靠性。第三代 NVLink 的數據速率為50 Gbit/秒，是V100 的 2 倍。 A100 還發布了一種新的架構 MIG（Multi-Instance GPU），這是一種硬件虛擬化技術，它允許將單個 GPU 劃分為多個獨立的 GPU 實例。每個實例都擁有自己的高帶寬顯存、緩存和計算核心，從而可以在單個 GPU 上并行運行多個工作負載，如推理、訓練和 HPC 等，同時保持延遲和吞吐量的穩定性。當時谷歌的 BERT 模型的知名度更高，甚至 OPENAI 也以BERT 模型作為標桿企業來對比，因此 A100 對比了在 BERT 模型上的訓練與推理速度。它在FP32 精度下是V100 訓練速度的 6 倍，借助 MIG 技術在推理上 A100 速度可提升7 倍。與CPU相比，在 BERT 等先進的對話式 AI 模型上，A100 可將推理吞吐量提升249倍。

由于英偉達在 2019 年并購了 Mellanox，它的產品基于InfiniBand 和以太網技術，Mellanox 為高性能計算、數據中心、云計算、計算機數據存儲和金融服務等市場提供適配器、交換機、軟件、電纜和硅片。因為以太網是有損網絡，而InfiniBand是無損網絡，InfiniBand 的速度天然比以太網速度更快。2022 年400G的InfiniBand 產品發布，2024 年 800G 的 InfiniBand 產品發布，2024 年英偉達宣布 2025 年將發布 1600G 的 InfiniBand 產品。 可見，此時的英偉達已經不再只關心 GPU 的速度，而是從平臺層面上來審視“短木板”的每一個環節并逐一增強。包括 GPU 的 CUDA 核心、tensor 核心、光線追蹤核心；網絡側的 NVLink，NVswitch，InfiniBand、Spectrum-X；以及軟件堆棧與工具 CUDA 平臺、cuDNN、cuBLAS、cuFTT 等，NVIDIA Deep Learning SDK，NVIDIANGC；專用硬件包括 DGX 系列、Jetson 系列。

2020 年，正值全球的新冠疫情蔓延，大量的企業有辦公需求，因此當年的電腦升級、數據中心擴容需求很大。加之 A100 的表現實在是驚艷，也獲得了客戶的大量訂單，英偉達的各條業務線也是突飛猛進。其中，游戲GPU 和相關產品同比增長了 40.6%，數據中心更是大幅增長了驚人的 124.5%！在 2020 年-2021 年，市場多少分不清到底是新冠疫情帶來的數據中心擴容需求，還是云計算或者 AI 驅動帶來的擴容需求?；仡^來看，新冠疫情帶來的需求在個人電腦產品側只維持了兩年（2020-2021 年），而由AI 驅動的數據中心需求其實從2020 年就開始發力了。 從那以后，英偉達的數據中心產品在收入中的占比一直提升、提升、再提升，到了 2024 財年，其占收比已經高達驚人的 78%！遙遙領先于其他產品線。

2022 年，公司發布了 Hopper 架構，Hopper 采用 4nm 工藝制造，擁有超過800億個晶體管，核心產品是英偉達 H200 和 H100 Tensor Core GPU，并在生成式AI訓練和推理方面實現了比上一代更高水平的加速。它有五項突破性創新：1、針對 Transformer 模型優化：Hopper 架構通過Transformer Engine推進了Tensor Core 技術，Hopper Tensor Core 能夠應用混合FP8 和FP16 精度，從而顯著加速 Transformer 的 AI 計算，將 TF32、FP64、FP16 和INT8 精度的FLOPS提高了三倍； 2、更快的網絡：第四代 NVLink 可以使用英偉達 DGX 和HGX 服務器擴展多GPU輸入和輸出，每個 GPU 雙向傳輸速度為 900 GB/s，是PCIe Gen5 帶寬的7 倍多。第三代 NVSwitch 與上一代 A100 相比，在 8 個 H200 或H100 GPU 服務器內可將吞吐量提高 2 倍。帶有 NVLink 交換機系統的 DGX GH200 系統支持多達256 個連接的H200 集群； 3、機密計算：Hopper 架構推出了世界上第一個具有機密計算功能的加速計算平臺。用戶可以在本地、云端或邊緣運行應用程序，并確保未經授權的實體在使用時無法查看或修改應用程序代碼和數據； 4、第二代MIG：Hopper架構通過在最多七個GPU實例的虛擬化環境中支持多租戶、多用戶配置。借助 Hopper 的并發 MIG 分析，管理員可以監控合適大小的GPU加速并優化用戶的資源分配。對于工作量較小的研究人員，他們可以選擇使用MIG來安全地隔離部分 GPU，而不是租用完整的 CSP 實例；5、動態規劃：與傳統的雙插槽 CPU 服務器相比，Hopper 的DPX 指令可將動態規劃算法的速度提高 40 倍，與 Ampere 架構相比，可將動態規劃算法的速度提高7倍。這可顯著加快疾病診斷、路由優化甚至圖形分析的速度。此外，2022 年末，正趕上 Chat GPT3.5 發布后產生了席卷全球的熱度，AI炙手可熱，而 A100、H100 與 H200，成了無數巨頭在資本開支中的首要選擇。英偉達的收入更實現了爆發式的增長！

2024 年 3 月，英偉達發布了 Blackwell 架構，Blackwell 架構GPU 具有2080億個晶體管，采用專門定制的 4nm 工藝制造。它的第二代Transformer 引擎使得基于Transformer 的大模型在訓練上速度更快，在 FP4 精度下，其推理性能比Hopper提高了 30 倍，AI 性能比 Hopper 架構提高了 5 倍。網絡側的第五代NVLink也使得 GPU 之間的傳送速度更快。 此外，市場預期 GB300 將在 2025 年 Q2 發布。它或將繼續采用臺積電4 納米工藝制程，同時針對計算芯片進行了優化設計，其算力性能相較B200 可能再提升50%。

如何看待英偉達的未來？第一，英偉達是一家指數級思維的公司。 黃仁勛曾經說：市場的定義者（Market maker）從來不考慮市場份額。因此這就是為什么有人問黃仁勛：某某公司也在做 GPU，它們對你們有挑戰嗎？他總是回答：這是不一樣的概念。別人做的是產品，而英偉達做的是平臺。平臺就像一個飛輪，英偉達審視并強化飛輪的每一個部分。 今年 62 歲的黃仁勛見過科網泡沫的瘋狂，也經歷過泡沫破裂后的低谷，他敏銳地捕捉到了開發人員使用 GPU 來做并行運算的需求，因此投入大量研發在CUDA的開發，即便遭遇市場的不理解和金融危機依然沒有動搖他的想法。在移動互聯網機會來臨時，公司也沒有過格的 all in 移動端，而是有選擇性地拓展，因為公司深知大功耗才是自己的優勢。 提到摩爾定律，他的評價是：2000 年前后的 CPU 與軟件是分離的，軟件應用企業等待著 CPU 的突破，然后軟件再跟上。而 GPU 則不同，算力的表現本身有硬件上的努力，更有軟件、算法、流程、API 等各方面的進步。甚至人們將這些主張稱之為“黃氏定律”——即，GPU 將推動 AI 性能實現逐年翻倍。在這樣的背景下，英偉達對并行運算、AI 運算發生在行業中的各種環境變化了如指掌并成竹在胸。他們思考的永遠是：如果我們繼續保持下一代架構能夠在AI性能上提升 4 倍以上（假定 2 年一個新架構），那么目前制約這個飛輪最大的短板在哪里？如何解決這個短板？自研還是并購？如何將這些能力有機地整合起來？目前公司有 32000 人，黃仁勛期望未來英偉達員工人數能夠突破50000人，而且他對 AI 是樂觀的，他認為未來公司的 50000 人背后，可能是1 億個各種人工智能助手在支撐，這樣會給公司勞動生產率更大的提升空間。黃仁勛在 2021 年和 2024 年被列入《時代》雜志年度100 強榜單，這是《時代》雜志每年評選的全球 100 位最具影響力人物之一；2023 年12 月被《經濟學人》評為 2023 年最佳首席執行官；2024 年 2 月他因“高性能圖形處理單元推動了人工智能革命”而當選美國國家工程院院士。 如前文所說，英偉達的核心競爭力早已不再是 GPU 本身，而是一種系統性的、平臺性的核心競爭力。從硬件設計，到 CUDA 軟件、庫，到網絡整合...簡而言之，這是一種端到端的堆棧綜合實力。因此，當將這些能力聚集到一塊兒的時候，我們很難發現英偉達短期的對手在哪里，相信它在未來相當時間依然將領導算力革命。

第二，英偉達的天花板在哪里？ 現在的 AI 競爭，如同一群探險家在沙漠中走了很久，突然間在遙遠的天邊看到了綠洲，請問，探險家什么反應？假如一個人對其他人說，你們等著，我去探探路，其他人多半會說，為什么不是我去探路，你們等著？當通用人工智能（AGI）的夢想被點燃那一刻，就好比那充滿生機的綠洲景象映入了探險家的眼里。探險家就像諸多科技巨頭，有誰能抵制住沙漠中的綠洲（AGI）的巨大誘惑呢？ 我們在報告《科技周期探索之七，2016-2030 年：通用人工智能時代的到來》中提及，2027-2029 年，是 OPENAI，馬斯克，黃仁勛預測的AGI 時代到來的大約時間。其路徑是：如果 1 萬億參數（ChatGPT 4）的大模型代表了“聰明的高中生”，而一年半之后，大約是 2025 年底-2026 年初的 10 萬億級參數的大模型代表了“博士生”，那么再一年半之后的 100 萬億參數大模型，可能將數倍聰明于博士，同時模型參數也來到了人類神經突觸量級(100 萬億-1000 萬億）。那么我們基本可以將那個時間認同為通用性人工智能時代的開始。想想會發生什么？可能在“博士”水平下，人工智能就已經可以在千行百業輔助人類從事各種工作，而 AGI 時代，它的能力會到一種怎樣的水平，涌現的能力會多到什么程度呢？這就是科技界目前的處境——隱約看到綠洲，但直到走近它之前，我們無法預測那里有什么！但這種憧憬在心里卻如此躁動，如此熱切！在這個情境里，不同的探險家的行為就像軍備競賽，他們都希望盡快到達綠洲。

因此，假定再下一代大模型，即我們之前討論的相當于通用人工智能的100萬億參數問世時，倘若這個時間窗口依然在 3-4 年之后（平均1.5-2 年迭代一個新量級大模型），即 2027-2028 年前后，我們需要的訓練的運算量將是下一個版本的100 倍，或者 Chat GPT 4.0 的 10000 倍。 按照英偉達 2024 年發布的 Blackwell 的 AI 算力較Hopper 提升了5 倍，假定2026年英偉達的下一個框架比 Blackwell 提升 4-5 倍，2028 年再下一代框架再提升4-5倍（大約維持目前的 AI 算力每年翻倍的能力），那么相較于Chat GPT 4.0所需的 GPU 的數量，也需要提升 10000/25=400 倍！也就是說，到了2028 年，我們用當時最先進的英偉達 GPU，90 天完成一個百萬億參數大模型的訓練，所需的GPU數量是 20 萬塊-40 萬塊。 或者說，假定英偉達 AI 算力提升的速度是每 2 年 5 倍的話，那么企業每2年所要購買的 GPU 數量將是此前的 20 倍！ 2024 年 9 月，甲骨文的老板埃里克森提到：未來 4 到5 年內，任何想參與這場大模型競賽的企業，前沿模型門檻或高達 1000 億美金，而且這場算力軍備競賽將永遠進行下去。甲骨文最近宣布，將打造一個由 131072 個英偉達GB200NVL72Blackwell GPU 組成的 Zettascale AI 超級集群 ，可提供2.4 Zetta FLOPS的AI 性能，比馬斯克的 xAI 算力集群更強大，后者目前擁有100000 個英偉達H100GPU 顯卡。 AMD 的 CEO 蘇姿豐則表示，AI 芯片市場規模將以超過60%的CAGR 增長，并于2028年達到 5000 億美元。 因此以此來看，在 AGI 沒有實現之前，英偉達看不到天花板。

第三，英偉達的風險在哪里？ 但問題是，如果 4 年之后，在 AI 芯片上的資本開支如果是2024 年4-5 倍的話，即便是微軟、臉書這樣的互聯網巨頭也會捉襟見肘。目前在它們的資本開支中，大約一半都投到了算力芯片上，如果在如此短的時間投資翻4-5 倍的話（而它們的收入不能夠也同步大幅增長的話），則無論是現金流，還是盈利能力，將無法承受如此之大的壓力。

因此當我們再回到目前的情形：盡管 AI 芯片市場到5000 億美元似乎聽起來不大，與目前全球智能手機市場規模 5000 億美元大體相當，但由于能夠參與到大模型建設的玩家太少（同每年十幾億部手機銷量相比），即便如“探險家”般熱情的企業也不得不考慮投入產出比。 相信在探索 AGI 的道路上，投資不會是一片坦途，可能階段性最大的敵人是經濟周期的下行期，一旦短期全球陷入滯脹，限于增長乏力與股東壓力，企業的大規模投資必將會階段性受阻，而英偉達的客戶則面臨：收入壓力增加，被迫縮小資本開支，英偉達“因為客戶的競爭所導致的大幅溢價”局面將會終止，從看著客戶搶著買，到與客戶商量著買，甚至是主動聯系客戶，則不同情境下的毛利率將會變化較大，屆時收入增速放緩的英偉達可能會面臨較大的市值波動風險。但樂觀來看，除了巨頭們，隨著 AI 芯片速度的提升，能夠參與到千億、萬億參數級別的大模型的門檻則將快速降低。目前萬億參數大模型對于大部分初創企業遙不可及，但到了 4 年之后，目前 8000 張 H100 算力卡的投入到時候變成了400張卡（1/20-1/25），這將是很多企業可以負擔起的。而行業應用不一定需要AGI級別的大模型，而千億、萬億級別大模型加上優化后的Agent 智能體定會有廣袤的舞臺。 從這個角度說，一旦全球從滯脹周期中度過后，千行百業的人工智能應用依然將像雨后春筍般涌現。屆時智能體、模型算力都會到一個更低的門檻水平，人工智能也不會像今天這樣金字塔式的發展，由頂級大模型企業壟斷著行業大部分能力，而應用企業起步的門檻過高，或許百花齊放的景象才是AGI 時代真正的繁榮期！那個時候，AI 應用會更加扁平化，更加行業化，更加場景化，更加泛在化。