NVIDIA (NVDA) 不再只是“GPU 制造商”；它已成为一家以完全可运营形态交付 AI 工厂的公司。

* 本报告基于截至 2026-01-07 的数据编制。

公司做什么（用一句话让初中生也能理解）

NVIDIA (NVDA) 构建驱动 AI 的“计算引擎（GPU）”，并将周边硬件、网络与软件打包，使客户能够在真实世界中运行 AI——换句话说，它交付一座真正能运转的 AI 工厂。历史上，游戏图形是核心业务，但近几年 AI 数据中心已成为主导支柱。

它为谁创造价值（客户）

主要客户是已经拥有——或正在尝试构建——大规模算力能力的组织。

• 云服务商（向企业出租服务器的公司）
• 大型企业的 IT 部门（构建并使用内部 AI）
• AI 服务公司（生成式 AI、搜索、广告、翻译、视频、机器人等）
• 服务器组装商与数据中心运营商（使用 NVIDIA 组件构建“成品”的一方）

次要客户包括游戏玩家与创作者、汽车与自动驾驶相关参与者，以及研究机构、大学与政府实体（规模相对较小）。

它卖什么（收入支柱）

NVIDIA 的业务并不局限于销售独立 GPU。更好的理解方式是三大收入支柱。

• 面向 AI 数据中心（最大支柱）：除 GPU 外，还提供 CPU、网络设备、机架级成品配置，以及核心软件栈，作为“一站式端到端套件”
• 面向游戏与创作者：高性能 PC GPU（让游戏流畅运行；加速视频制作与 3D 工作流）
• 面向汽车、机器人与工业（中等规模到加速爬坡）：车载计算机、工厂机器人与检测、工厂仿真等

近期方向：AI 工厂套装与下一代平台

最近，NVIDIA 更加用力推进“作为完整系统的 AI 工厂”。它重点展示面向希望在本地部署 AI 的企业的 DGX SuperPOD 等套装，并将 Vera Rubin 定位为下一代平台——释放出一条路径，预期在 2H26 与合作伙伴实现可用性。

它如何赚钱：硬件 × 软件 × 云

(1) 硬件变现：GPU 与“近乎交钥匙”的配置

基础业务是销售大量 GPU 及相关组件。但随着产品向机架与服务器配置等更高层级上移，平均售价通常会上升。客户越是从“购买零部件”转向“部署一座可运行的 AI 工厂”，单笔交易规模往往越容易放大。

(2) 软件：客户持续回来的原因

AI 并不止于购买硬件；要有效使用，还需要开发与运维软件。多年积累下，NVIDIA 构建了基于 CUDA 的开发环境与库，形成真实的“惯性”：开发者在 NVIDIA 上标准化，企业系统以 NVIDIA 为默认构建，客户也更可能再次选择 NVIDIA。

此外，面向企业，它正在推动更广泛的运维软件套件，以及以模块化形式分发 AI 组件的机制（例如 NIM 风格），通过硬件 + 软件的组合进一步增强粘性。

(3) 云模式：通过 DGX Cloud 等产品“租用”算力

NVIDIA 也在通过云端为更偏好租用而非购买 GPU 的企业扩展对 NVIDIA 环境的访问（例如 DGX Cloud）。随着部署模式多样化，这些近似“按需付费”的收入机会有望增长。

它为何被选择：价值主张的三部分

• 不只是快，而是“端到端取胜”：不仅优化 GPU，还优化网络、电力与散热一体化设计，以及用于运行 AI 的软件栈，使客户能够达到“可运营状态”
• 用户越多 = 信息与人才越多：实际收益包括更容易获取案例与解决方案，以及更容易招聘
• 随下一波演进（推理、智能体、大规模运营）：持续进行代际更新（例如 Blackwell Ultra 与 Rubin），与不断上升的算力需求对齐

结构性顺风：增长由“需求形态”驱动

NVIDIA 的顺风不只是“AI 很火”。真正的驱动在于，AI 的购买方式与部署位置都在变化。

• 企业转向自建内部 AI：随着 AI 使用增长，客户不仅需要 GPU，也需要网络与完整服务器栈
• “AI 工厂”采购模式在扩散：市场对开箱即用、可运行的集成化部署需求强劲，而非碎片化采购
• 大型合作伙伴与超大规模基础设施：宣布与 OpenAI 合作，意在“使用 NVIDIA 系统部署大规模 AI 数据中心”，预计在 2H26 随 Rubin 进行初始部署
• AI 渗透制造与工业：随着用例从 IT 扩展到现场——例如欧洲面向制造业的“工业 AI 云”概念——算力需求的基础面扩大

潜在未来支柱：即使今天不是核心也很重要的三项

• 面向物理世界的 AI（机器人、工厂、汽车）：在真实世界中行动的 AI 往往需要长周期、大规模算力，随着 AI 走向现场，其重要性提升
• 面向以推理为中心时代的下一代平台：当推理与训练同等关键时，算力需求增加，Blackwell Ultra 与 Rubin 等代际更新成为下一基础
• 企业软件与运维的打包：企业往往不那么困于“搭建”，而更困于“安全、稳定、低成本地运营”，使端到端运维支持成为关键增长机会

重要的“内部基础设施”：强势背后的隐形底座

NVIDIA 的优势较少来自工厂或门店等实体资产，而更多来自以下底层基础。

• 开发环境与库（CUDA 栈）
• 为优化而进行软硬件协同设计的构建方式
• “全系统设计”，包括用于大规模连接 GPU 的网络技术

由于这一基础已经就位，当新的 AI 浪潮到来时，NVIDIA 可以从“做产品并销售”进一步走向“交付系统本身”。

长期基本面：NVDA 属于哪种“类型”的股票？

Lynch 分类：Fast Grower + Cyclical（混合型）

按 Lynch 的六类划分，NVDA 最适合被视为混合型：它明确符合成长股（Fast Grower），同时也呈现 Cyclical 特征，即盈利可能出现显著波动。

为何符合 Fast Grower（长期增长与 ROE）

• 5 年 EPS 增长率（年化）：+92.9%
• 5 年营收增长率（年化）：+64.2%
• ROE（最新 FY）：91.9%

尤其是 ROE，高于过去 5 年区间的上沿。这并不意味着该水平会永久持续，但确实表明在最新财年公司以异常高的资本效率运营。

为何也呈现 Cyclical（利润率与 FCF 利润率的波动）

尽管长期增长强劲，盈利能力仍呈现可见的波动。例如按 FY 口径，净利率从 FY2022 的 36.2% 大幅下滑至 FY2023 的 16.2%，随后回升至 FY2024 的 48.8% 与 FY2025 的 55.8%。FCF 利润率也从 FY2022 的 30.2% 降至 FY2023 的 14.1%，随后升至 FY2024 的 44.4% 与 FY2025 的 46.6%。

这不是典型的“亏损转盈利”式扭转。更准确的描述是极高盈利能力伴随显著波动——其画像中嵌入了一层周期性。

5 年 vs 10 年：增长处于“加速”阶段

按 5 年（年化）计算，EPS 为 +92.9%，营收 +64.2%，净利润 +92.0%，FCF +70.1%；按 10 年（年化）计算，EPS 为 +58.2%，营收 +39.5%，净利润 +60.8%，FCF +54.5%。最近 5 年的增速快于 10 年平均，意味着在更长周期中这是一段加速阶段（即便“波动”特征仍在）。

盈利能力（FY）：最新水平异常高

• 毛利率（FY2025）：75.0%
• 营业利润率（FY2025）：62.4%
• 净利率（FY2025）：55.8%
• 自由现金流利润率（FY2025）：46.6%

在 FY2023 下滑之后，盈利能力在 FY2024–FY2025 显著扩张。相较历史区间，ROE 与 FCF 利润率接近此前区间的上沿。

财务画像：低杠杆，实质上为净现金

• D/E（最新 FY）：0.129
• Net Debt / EBITDA（最新 FY）：-0.38（为负 = 接近净现金状态）
• 现金比率（最新 FY）：2.39

即便处于“高增长 × 高盈利”阶段，数据也表明公司并未显著依赖财务杠杆。

资本开支负担：相对经营现金流较轻

Capex / operating cash flow 为 0.0689，表明资本开支需求相对经营现金流较小。从结构上看，这可能使现金流更容易跟随盈利（并非确定性结论，但在该结构下是合理推论）。

资本配置：分红“象征性”，增长投资空间充足

对大多数投资者而言，NVDA 的分红不太可能成为决定性因素。TTM 股息率为 0.02%，每股股息为 0.0399 USD。该收益率即便相较历史均值也偏低（5 年均值 0.093%，10 年均值 0.420%），这只是反映分红通常并非 NVDA 叙事的核心。

不过，分红负担极小：TTM 派息率按盈利口径为 0.985%，按 FCF 口径为 1.26%，FCF 股息覆盖倍数为 约 79.1x。在 D/E 0.129、利息保障倍数 341.19、Net Debt/EBITDA -0.38 的情况下，至少在当前，现有分红看起来并不构成财务负担。

历史上，公司已分红 13 年，连续提高股息 1 年，并在 2024 年出现过一次分红下调/削减。与其将其视为长期股息增长股，不如更准确地把 NVDA 看作“会分红，但分红不是重点”的公司。

短期（TTM），“类型”是否仍成立？增长强劲，但加速降温

最近一年（TTM）增长：仍符合 Fast Grower

• EPS（TTM）：4.0517，EPS 增长（TTM YoY）：+59.1%
• 营收（TTM）：187.1420B USD，营收增长（TTM YoY）：+65.2%
• FCF（TTM）：77.3240B USD，FCF 增长（TTM YoY）：+36.7%
• FCF 利润率（TTM）：41.3%

即便仅看最近一年，营收、EPS 与 FCF 仍大幅增长，符合“AI 数据中心是主要驱动因素”的判断。

单一年份中“波动”不明显，但仍与 Cyclical 一致

仅看 TTM 增速，指标均强劲为正，因此周期性不会表现为短期“疲弱”。Cyclical 因素更适合用按 FY 口径的利润率与 FCF 利润率大幅波动历史来刻画。强劲的 TTM 表现并不与周期性矛盾；周期股往往在有利阶段打印出最好的数据。

P/E 画像：按成长股定价

在股价 188.12 USD 下，P/E（TTM）为 46.43x。总体而言，这一估值更偏向于计入高增长，而非成熟、低增长画像——与 Fast Grower 的框架一致。

当前估值位置：NVDA 相对其自身历史

本节不与同业对比，而是将 NVDA 放在其自身历史数据中定位（以 5 年为主，10 年作为背景）。

PEG（相对增长的估值）

PEG 当前为 0.785。它处于过去 5 年区间内但偏向窗口上沿，同时也接近过去 10 年区间的上侧。过去 2 年趋势向上。

P/E（相对盈利的估值）

P/E（TTM）为 46.43x，略低于过去 5 年区间下沿，并处于过去 10 年的正常区间内（偏向上侧）。其在 5 年与 10 年视角下呈现差异是时间跨度效应，并非矛盾。过去 2 年趋势持平至略降。

自由现金流收益率

FCF yield（TTM）为 1.69%，处于过去 5 年区间内，并略低于过去 10 年区间下沿。过去 2 年方向向下（收益率走低）。5 年与 10 年定位差异反映的是时间跨度差异。

ROE（资本效率）

ROE（最新 FY）为 91.9%，处于异常高水平，高于过去 5 年与 10 年的正常区间。过去 2 年趋势也向上。

自由现金流利润率

FCF 利润率（TTM）为 41.3%，接近过去 5 年区间上沿，并高于过去 10 年的正常区间。过去 2 年趋势向上。

Net Debt / EBITDA（财务杠杆：反向指标）

Net Debt / EBITDA 为 -0.38。该指标越小（越负）通常意味着现金状况越强；由于为负，可描述为接近净现金状态。过去 5 年处于正常区间内，位置略偏向 0。注意 10 年中位数与正常区间无法计算，因此难以评估 10 年定位。过去 2 年趋势持平。

短期动量（TTM / 最近 8 个季度）：仍在增长，但“加速”在放缓

结论：减速

TTM YoY 增长仍然强劲，但部分指标低于 5 年平均增速，因此动量被归类为“减速”。这并非恶化判断；它只是意味着相较过去 5 年的平均增长模式，加速节奏有所降温。

• EPS 增长：TTM YoY +59.1% vs 5 年 CAGR +92.9%（近期强劲为正，但低于 5 年平均）
• 营收增长：TTM YoY +65.2% vs 5 年 CAGR +64.2%（数值接近；难以称为明确加速）
• FCF 增长：TTM YoY +36.7% vs 5 年 CAGR +70.1%（现金增长加速放缓）

最近 8 个季度的方向：未见拐头，仍在上行

过去 2 年（8 个季度）趋势相关系数分别为 EPS +0.996、营收 +1.000、净利润 +0.995、FCF +0.981——均指向上行。换言之，方向向上，但增速并未以过去 5 年平均的同等速度加速。

动量“质量”：卓越的现金创造能力

按 TTM 口径，营收为 187.142B USD，FCF 为 77.324B USD，FCF 利润率为 41.3%，反映出可观的现金留存。即便加速放缓，盈利水平与现金创造能力仍异常高——这是一个重要事实。

财务稳健性（含破产风险）：目前缓冲看起来充足

以下是投资者通常最关注的关键数值事实：流动性、利息负担与债务韧性。

• Net Debt / EBITDA（最新 FY）：-0.38（接近净现金状态）
• D/E（最新 FY）：0.129（低杠杆）
• 利息保障倍数（最新 FY）：341.19（偿付利息能力非常强）
• 现金比率（最新 FY）：2.39（厚实的流动性缓冲）

基于这些数据，很难认为债务或利息支出会在短期内成为抬升破产风险的约束；财务灵活性看起来相当充足（并非对未来的保证，而是对当前结构的描述）。

现金流倾向：EPS 与 FCF 通常同向，但增速差值得关注

长期来看，FCF 也快速增长（5 年 CAGR +70.1%），最新一年也确认了较高的 FCF 利润率（FY2025 46.6%，TTM 41.3%）。较低的 capex/operating CF（0.0689）也可能支持“利润向现金转化”的结构。

但短期内，TTM FCF 增长（+36.7%）慢于 TTM EPS 增长（+59.1%），意味着当前阶段“利润增长”的加速与“现金增长”的加速并未完全对齐。由于这可能反映多种因素（投资、营运资本等），更适合将其视为观察——“存在增速差”——而非对因果的结论。

这家公司为何能赢（成功叙事）：卖的是“可运营就绪”，不是零部件

NVDA 的核心价值在于：它能够将用于“构建（训练）”与“运行（推理）”AI 的算力基础以可运行系统的形式交付，而不是一堆组件。替代难度主要体现在两层。

• 开发与运维惯性：软件资产与经验会随时间复利积累，因此切换可能需要大量“重建”
• 机架级集成：价值从比较独立 GPU 转向通过系统设计与优化实现“大规模打包与运行”的领域

客户价值点（作为一般化模式）往往与这一成功叙事一致：“以最高概率最快达到目标性能”、“通过参考设计与生态提供清晰的落地路径”，以及“与人才市场对齐，使招聘、培训与迁移更容易”。

叙事是否仍成立？从 GPU 公司到 AI 系统公司

过去 1–2 年，叙事已明显从“GPU 公司”转向“AI 系统公司”。即便对 Rubin 这样的下一代平台，NVIDIA 也在强调机架级与大 pod 交付——与客户尽快进入生产的现实需求一致。

同时，在需求强劲之外，“供给与爬坡难度”也成为叙事的一部分。有报道称先进封装约束与设计修订可能影响良率；随着集成加深，实施与供给摩擦更可能显现。

此外，随着收入规模变得巨大，客户结构集中度的重要性上升。对大客户的依赖更为可见——例如披露中对客户集中度的关注度提高。

Quiet Structural Risks：即使在强势阶段也可能出现裂缝的地方

本节并不是在说“现在情况很糟”。它只是列出即便业务看起来强劲也可能存在的内部失效模式。

• 客户依赖偏斜：少数资本开支计划几乎可以驱动需求函数；当“在增长，但增长高度集中”时，波动性上升
• 竞争环境快速变化（转换成本下降）：如果通过提升兼容性降低采用摩擦的竞争，比纯性能更具决定性，那么即便在报表数字中需要时间体现，采购多元化也可能推进
• 差异化轴的变化：如果评估从“最佳性能”转向“够用性能 × 运营效率与总拥有成本”，议价压力与摩擦可能上升
• 供应链依赖：先进封装可能成为瓶颈；需求越强，供给“堵塞”越可能直接影响收入确认时点
• 组织文化恶化：在本文范围内无法获得足够的一手信息，因此难以判断恶化/改善方向（额外研究项）
• 盈利能力恶化：越接近峰值，越可能先通过供给约束、代际切换与爬坡成本体现恶化，而非需求放缓
• 财务负担恶化（付息能力）：当前杠杆较低，且不太可能是核心问题，但客户侧融资仍可能通过其他渠道反馈到需求
• 行业结构变化（客户融资与投资周期）：例如以 GPU 作抵押的融资等脆弱结构可能影响需求平滑性，潜在表现为“需求突然停止 / 二手供给涌入市场”

竞争格局：NVDA 竞争的更少是“芯片”，更多是“系统”

NVDA 的竞争集合不只是芯片厂商之间的性能对决；它是在三个层面同时进行的系统竞赛。

• 加速器（GPU 与 AI 加速器）：与 AMD 等直接竞争
• 机架与集群：围绕“让 AI 工厂投入运行”的竞争，包括电力、散热、网络与运维设计
• 客户自研：通过云服务商自研芯片实现采购多元化（TPU、Trainium/Inferentia、Maia、MTIA 等）

关键竞争参与者（从“可能分流需求的路径”视角）

• AMD（数据中心 GPU 的直接竞争）
• Intel（Gaudi 系列等；赛场往往不同，但存在竞争路径）
• Google（TPU；据报道通过提升兼容性降低切换壁垒）
• AWS（Trainium 与 Inferentia）
• Microsoft（Maia 等）与 Meta（MTIA 等）
• Broadcom（支持定制 AI 芯片 = 承接客户自研的“容器”）

常见客户痛点（一般化模式）

• 供给与交付周期难以预测（无法在需要时拿到所需）
• 总体部署成本高，电力、散热与安装等周边要求也具挑战
• 容易对特定供应商形成依赖（锁定的心理成本）

投资者应监测的竞争相关变化

• 主要云厂商自研芯片占比在何时上升（训练与推理；哪些用例先发生）
• 框架兼容性进展是否在降低迁移壁垒（尤其是 PyTorch 相关）
• 在大规模机架部署中，设计变更、爬坡延迟与供给约束被讨论的程度
• AMD 的大型胜出是否以持续项目而非一次性订单的形式累积
• 网络与互连领域的多供应商采购与开放性是否推进
• 随着客户集中度上升，官方表述中采购政策（避免单一供应商）如何变化

护城河：是什么，以及可能有多耐久

NVDA 的护城河较少来自“独立性能峰值”，更多来自让真实世界部署达到可运营就绪（Time-to-Run）。具体而言，它由以下组合构成。

• 面向大规模部署的参考设计（机架、网络、散热）
• 开发与运维工具的标准化（生态粘性）
• 供给与爬坡支持的实战经验

这里的耐久性并非“锁定式垄断”类型。在客户自研与多源采购的持续压力下，这是一条通过代际更新与集成交付执行不断刷新优势来维持的护城河。

AI 时代的结构性位置：处于顺风中心，但份额可能变化

网络效应：积累的经验强化采用

当开发者在同一基础上构建、企业在招聘与运维上标准化时，“知识积累 → 更快采用 → 更多知识”的循环会形成。然而，随着兼容性提升，这种粘性在相对意义上可能减弱。

数据优势：不是专有数据，而是来自真实运营的优化经验

优势较少来自独占训练数据，而更多来自运营学习——在何种配置与条件下会出现哪些瓶颈。但随着最大客户构建类似的内部经验，随着客户规模扩大，这一优势可能更偏相对化。

AI 集成与关键任务属性：越关键，多源采购越容易推进

随着产品从芯片转向“可运行系统”，集成度提高。算力基础设施变得接近“不能停止投资”，但越是关键任务，客户越倾向于为供给保障、价格杠杆与谈判能力而推进多路径采购。

在技术栈中的位置：更接近 AI 基础设施的 OS（但基于持续更新）

NVDA 的位置更接近 AI 基础设施的 OS 层——更容易在计算、网络与运维之间影响标准的那一层。然而，随着兼容性提升与客户自研推进，类似 OS 的主导地位可能被一步步挑战。换言之，这一层的优势并非永久；它是基于持续更新的。

领导力与文化：与战略一致，但规模化问题仍在

创始人 CEO 的一致性：从 GPU 延伸到系统交付

CEO Jensen Huang 一直推动的战略是：交付的不只是独立 GPU，而是以系统形式运行 AI 的算力基础。对外表述也似乎更少聚焦 AI 未来主义，而更扎根于工程、落地、供给与生态的现实。

人格与价值观（按四个轴组织）

• 性格倾向：强任务与执行导向 / 高标准 / 强调长期战的耐力
• 价值观：工程现实主义 / 谦逊（不制造角色等级）/ 对结果的公平（偏向绩效主义）
• 优先级：Time-to-Run（达到可运营就绪）/ 信息流动性 / 技术与供给的平衡。倾向于排斥：过度层级与官僚主义、对上层过度照顾
• 沟通：提供大量简短反馈 / 跨广泛范围的直接触达 / 在多人场景中共享决策

它通常如何体现为文化

• 扁平化取向（层级较薄以加速决策）
• 高密度与高负荷（要求高门槛与高速度）
• “制定并分发运营标准”的文化（将研发转化为客户运营）

员工评价中的一般化模式（避免确定性断言）

本次由于无法获得足够的统计性一手来源，我们仅在常见讨论模式范围内表述。

• 正面：技术学习密度高 / 决策快 / 当胜利路径清晰时士气往往上升
• 负面：高标准与高工作量 / 可能感到来自高层与资深层的频繁介入 / 频繁调整优先级带来的压力

与长期投资者的契合度：优势与关注点

• 契合点：创始人 CEO 的长期视角；扁平化取向带来的适应速度
• 关注点：结构可能依赖关键个人与强势高层介入 / 高负荷文化的可持续性（倦怠、流失与招聘难度可能成为未来瓶颈）

未来 10 年的竞争情景：需求扩张下“蛋糕份额”如何变化

• Bull：AI 工厂更复杂；最快投产与稳定运营最重要；集成交付标准化并持续采用。多源采购仍为部分存在
• Base：总需求增长，但通过自研与采用 AMD 逐步实现采购多元化。NVDA 仍居核心，但收敛为领先的大型供应商，而非“垄断”
• Bear：兼容性提升降低转换成本；定制芯片供给增加且自研占比上升；采购条款（价格、供给、支持）压力加大

Two-minute Drill：需要牢记的长期“逻辑骨架”

长期理解 NVDA 的关键，并不是泛泛地说“AI 扩散带来算力需求上升”。关键在于一个现实转变：客户正在从购买“芯片”转向购买“可运行的 AI 工厂”。NVDA 处于这一转变的中心，以 Time-to-Run 为核心武器——通过整合 GPU + 网络 + 机架 + 软件 + 运维，以最快速度达到可运营就绪。

但创造强势的同一区域也会带来脆弱性：随着客户规模扩大，多源采购与自研变得更理性，而兼容性提升降低切换壁垒。并且随着集成加深，供给、爬坡与代际切换瓶颈可能以收入确认时点与盈利波动的形式出现。

因此，长期投资者的关注点会从需求本身转向“持续刷新优势的执行力”以及“标准地位是否被逐步谈判稀释（份额分散）”。

KPI tree：企业价值扩张的因果结构（关注什么）

结果

• 利润的持续扩张
• 自由现金流创造能力
• 资本效率（以高 ROE 体现的效率）
• 能够持续“刷新优势”的状态

中间层 KPI（价值驱动因素）

• 总体算力需求扩张（训练 + 推理 + 运营）
• 单客户部署规模（组件 → 工厂）
• 产品供给的集成度（组件 → 系统）
• Time-to-Run（达到可运营就绪的速度）
• 软件资产与开发者惯性（生态）
• 盈利能力（利润率与现金留存程度）
• 供给与爬坡执行力
• 客户结构集中度（少数超大规模客户的占比）

约束与瓶颈假设（监测点）

• 供给与交付周期不确定性是否与客户的建设、电力与安装计划匹配
• 集成交付复杂性是否通过设计变更与爬坡延迟直接转化为收入确认时点变化
• 总体部署成本约束（电力、散热、安装）是否影响采用速度
• 客户多源采购是保持“部分共存”，还是扩展到“核心组件”
• 兼容性提升是否在降低切换的心理与实际门槛
• 当评估从性能转向运营效率与总拥有成本时，优势是否仍能维持
• 供给约束（先进制造、先进封装）是否在对冲强劲需求
• 随着规模扩大，扁平、高密度的执行文化是否出现拥塞