跳到正文
虎嗅·· 2 天前精選AI 評分84

NVIDIA 2027財年第三季度收入超預期,黃仁勳離任後的接班考驗仍在後面

黄仁勋走了,英伟达仍赚翻了:首份财报超预期,接班人稳住了?

AI 導讀

NVIDIA公佈2027財年第三季度業績,季度收入達1158.44億美元,同比增長103%,高於公司指引中值及市場預期。數據中心收入為1076億美元,佔總收入約93%;公司預計第四季度收入達1300億美元,但毛利率將降至71%—72%。文章分析,Agent 推理可能提高客戶對記憶體與儲存的重視,令 NVIDIA 高價算力方案承受成本壓力;本季截至10月25日,早於黃仁勳離任。

推薦理由

文章由季度業績切入,拆解 Agent 推理對記憶體、儲存與算力成本的不同要求,呈現 NVIDIA 平台優勢面對的壓力。

正文 · 繁體中文

1“後黃仁勳時代”的首次大考

隨着AI不斷發展,過去這些年,這家公司似乎一直勢不可擋。

但這次財報之前,黃仁勳辭職了。

11月11日,黃仁勳辭去英偉達總裁、CEO和董事會成員職務,即刻生效。CFO Colette Kress暫代CEO,董事會開始物色正式接班人。他執掌這家公司33年,把它從一家做圖形處理器的廠商帶成AI計算平台的核心供應商,這些年一連串大額交易和生態佈局,大多是他推的。公司説日常運營和產品路線圖不會中斷。

在管理層變動引發的震盪中,英偉達股價週一再度下跌4.12%,收於156.14美元。相比10月6日創下的239.24美元收盤高點,累計跌幅已接近35%。在此背景下,這份財報既要回答AI需求是否依然強勁,也承擔着穩定投資者信心的任務。

英偉達交出的第一個答案,是單季營收突破千億美元。北京時間11月18日凌晨公佈的2027財年第三季度財報顯示,截至10月25日,公司季度營收達到1158.44億美元,同比增長103%,環比增長20%。這一結果超過公司此前給出的1080億美元指引中值,也高於FactSet調查的約1089億美元市場預期。

利潤同樣繼續增長。按GAAP口徑,季度營業利潤為775.20億美元,同比增長115%;淨利潤為652.87億美元,同比增長105%;攤薄每股收益為2.70美元。調整後每股收益為2.68美元,高於市場此前約2.48美元的預期。從收入到盈利,這份成績單仍然延續着英偉達過去幾個季度的強勢。

其中,數據中心業務貢獻了絕大部分增長。該業務季度收入達到1076億美元,同比增長110%,環比增長21%,佔總收入約93%。邊緣計算業務收入為82億美元,同比增長42%,環比增長14%。英偉達的收入結構,已經高度集中於圍繞AI數據中心展開的基礎設施建設。

這輪增長的重要支撐,是新一代平台Vera Rubin開始交付。英偉達在財報中將Vera Rubin NVL72稱為公司歷史上爬坡速度最快的產品,相關機架已經在CoreWeave、Google Cloud、Microsoft Azure、Oracle Cloud Infrastructure和Nebius等合作伙伴處運行。Oracle和Google Cloud也已推出基於Vera Rubin的雲服務。

Kress在財報中強調,公司的增長動力真實存在,Vera Rubin開局強勁,產品路線圖仍按計劃推進。對於剛剛失去創始人CEO的英偉達,這段表態直接回應了市場最關心的問題:已經形成的產品、工程與客戶合作體系,能否繼續維持原有節奏。

科技巨頭的歷史也表明,創始人離開,並不會讓多年積累的業務體系隨之瓦解。Bill Gates於2000年交出微軟CEO職位,2008年退出日常管理,微軟此後仍完成了向雲計算的轉型;Jeff Bezos在2021年將Amazon CEO職位交給Andy Jassy,電商、物流和AWS也繼續運轉。對英偉達而言,CUDA生態、已經進入交付階段的產品,以及客戶正在建設的AI集羣,同樣擁有跨越個人任期的延續性。黃仁勳離任帶來了預期震盪,但現有業務仍有自身的運行慣性。

英偉達給出的下一季度指引,也延續了增長預期。公司預計,2027財年第四季度收入將達到1300億美元,上下浮動3%,高於LSEG彙總的約1252.5億美元分析師預期。該季度比通常多一週,指引仍未計入來自中國的數據中心計算收入。

不過,收入繼續擴大,伴隨的是更明顯的利潤率壓力。第三季度,英偉達GAAP毛利率為74.8%,調整後毛利率為74.9%,較上一季度僅小幅下降;到了第四季度,公司預計,兩種口徑的毛利率都將降至71%—72%。

這意味着,下一季度即使實現更高收入,每一美元銷售額留下的毛利潤比例也會下降。以1300億美元收入計算,毛利率每變化一個百分點,就對應約13億美元毛利潤。對英偉達這樣規模的公司,幾個百分點的變化,已經足以顯著影響利潤增長。

這份財報首先證明,英偉達的訂單與產品交付體系仍在高速運轉。數據中心收入翻倍、新平台進入客戶基礎設施、下一季度指引高於預期,都為管理層交接提供了支撐。但本季度截至10月25日,早於黃仁勳離任,真正屬於新管理層的執行考驗,還在後面。

Kress接手的,是一家需求依舊強勁、規模空前龐大,也需要承擔更多供應鏈投入和系統交付責任的公司。

2財報繼續狂飆,英偉達還能通吃多久?

英偉達的統治地位經歷了數十年的積累。從圖形處理器起家,到圍繞CUDA建立軟件生態,再到持續投入高帶寬內存和芯片間互連,它逐漸把競爭從單顆芯片的性能,擴展到整個計算系統的效率。訓練大模型需要的計算、數據交換和軟件工具,被整合進同一套平台。客戶採用這套平台越深入,遷移時需要重新適配和驗證的工作就越多。

不過,AI基礎設施遠比GPU更復雜。CPU負責運行應用、調度任務和執行工具,內存決定數據能否及時送到計算單元,網絡決定大量芯片能否高效協作。英偉達的優勢建立在這些環節的協同之上,壓力也正在從不同方向進入:最大的客戶希望掌握更多采購主動權,AMD正在擴大數據中心業務,製造、內存與封裝等供應鏈環節,則持續影響整套系統的交付和成本。

第一股壓力,來自雲廠商降低供應商依賴的動力。對於大規模建設AI集羣的企業,GPU是重要支出,供貨節奏、產品路線和軟件生態又與同一家供應商深度關聯。採購規模越大,建立第二條技術路線的價值也就越高。客戶既希望獲得更多算力,也希望在價格、交付和產品選擇上擁有更多主動權。

Google與Broadcom的合作已經延伸到長期供貨安排。Broadcom在2026年4月披露,將為Google開發和供應未來幾代TPU,併為其下一代AI機架提供網絡及其他組件,相關協議最長延續至2031年。Meta也在同月宣佈擴大與Broadcom的合作,圍繞自研訓練與推理加速器MTIA推進多代芯片及配套網絡技術。Amazon則擁有自己的芯片設計團隊。AWS在2015年收購Annapurna Labs,隨後逐步構建Graviton和Trainium等產品系列。雲廠商採用了不同的研發與合作模式,都在嘗試把龐大的計算需求轉化為自研硬件的規模優勢。

這些芯片無需替代所有GPU,就能改變採購預算的流向。雲廠商掌握自己的模型、軟件和業務數據,可以優先遷移運行量大、流程穩定的任務。只要長期節省的成本足以覆蓋研發和適配投入,部分工作負載就有動力離開英偉達平台。最大的客戶,也因此成為最有能力培育替代方案的企業。

第二股:AMD的實質性追趕。AMD長期同時做CPU和GPU,這個佈局在AI時代開始兑現。2026年第三季度,AMD數據中心收入達到約85億美元,同比增長97%,增長動力包括EPYC服務器處理器需求,以及Instinct GPU業務。説明它不只是“理論上的替代選項”,而是開始實際搶份額。

第三股壓力,來自制造環節的集中與供應鏈成本。英偉達、AMD以及雲廠商的多條芯片路線,都依賴台積電等關鍵製造夥伴。芯片設計上的競爭越來越激烈,上游製造、先進封裝和HBM供應卻無法同步快速擴張。客戶增加了芯片供應商,仍然可能面對相同的交付瓶頸。

為了保障後續供應,英偉達正在作出更大規模的長期承諾。截至2026年7月26日,其供應與產能承諾從上一季度的1190億美元增至2790億美元,增加部分主要與內存採購有關。提前鎖定資源支撐了交付,也將更大規模的需求預測風險留在公司自身。

需求分化:推理換了一種活法

英偉達面對的競爭,正在隨着AI的使用方式發生變化。過去,訓練更大的模型,需要更多GPU、更大的高帶寬內存和更快的芯片間網絡;如今,AI開始從回答問題走向執行任務,新增需求對硬件的要求也隨之分化。處理一份數百頁的合同、實時生成語音,以及讓Coding Agent連續工作幾個小時,都屬於推理,卻未必適合相同的硬件配置。

McKinsey在10月發佈的分析中預計,到2030年,推理將佔AI需求的約60%,訓練約佔40%。這一預測意味着,芯片廠商未來爭奪的市場,會越來越多地由模型部署後的日常運行構成。

這給英偉達帶來了一個更復雜的問題:推理需求增長,能夠擴大它的市場,但不同推理任務之間的差異,也在為其他架構創造機會。

以一款合規工具為例,它讀取一份300頁的合同,最終只返回少量需要關注的條款。大量工作發生在處理輸入的prefill階段,更考驗計算能力。語音助手則需要持續、快速地生成回覆,逐token輸出的decode階段更加重要,對內存帶寬和延遲更敏感。同一顆芯片可以處理兩種任務,但客戶可能因此為一部分沒有充分使用的能力付費。

英偉達的GPU能夠兼顧這些需求。強大的計算能力支持prefill,HBM容納模型權重和KV cache,高速互連則讓多顆GPU協同工作。這種通用性也是其優勢:一套系統可以在訓練和推理之間調整用途,客戶無需為每一種任務重新建設基礎設施。但當某類任務的運行量足夠大時,為它選擇專用硬件,節省下來的成本就可能覆蓋軟件適配與部署投入。

Cerebras瞄準的正是這種機會。它把整片晶圓做成一顆芯片,通過跨越不同曝光區域的邊界進行佈線,減少傳統芯片間連接的開銷。其WSE-3配備44GB片上SRAM,帶寬達到每秒21PB;作為對比,H100配備80GB HBM,帶寬為每秒3.35TB。兩者的內存容量與帶寬取捨截然不同:Cerebras用較小的片上容量換取極高的訪問速度,希望讓模型更快地生成token。推理需要大量token,顯然是Cerebras最擅長的領域。

行業也開始嘗試把同一次推理請求拆開,交給不同硬件處理。McKinsey列舉的方案包括AWS將Trainium用於prefill、將Cerebras用於decode,以及Intel與SambaNova將prefill分配給GPU、將decode分配給可重構數據流單元。AMD也與Cerebras建立了合作。競爭已經深入到一次請求的執行過程:輸入如何處理、輸出如何生成、緩存放在哪裏,都可能成為重新分配硬件資源的依據。

不過,專用芯片始終面臨一個時間差。模型架構幾個月就可能變化,芯片開發卻通常以年計算。一顆為特定工作負載優化的芯片交付時,原先的需求可能已經改變。McKinsey提到,Google已將基於強化學習的佈局規劃用於多代TPU,Jeff Dean也提出過藉助AI將芯片設計週期從18至30個月壓縮到3至6個月的設想。能否縮短這一週期,將直接影響專用芯片追隨模型變化的能力。

真正的轉折點在Agent推理。

回答型推理與Agent推理,最終可能走向不同的硬件架構。回答型推理圍繞人類等待答案展開,Agent推理是“完成任務”,由計算機根據其他計算機的指令持續工作,逐步擺脱人類實時參與的限制。

這種區別會改變延遲的價值。一個開發者正在使用的編程助手,每次等待都會影響工作節奏;一個被安排在夜間執行代碼遷移、檢查和修復的Agent,則擁有更長的執行窗口。對於後者,客戶首先關心的是能否按時完成任務,以及完成任務的總成本,未必需要為每一步都追求最快響應。

於是優先級變了。Agent推理最重要的不再是token生成速度,而是內存與存儲。Agent需要上下文、狀態和歷史:一部分作為活躍KV cache存在,一部分放在主機內存或SSD,大量內容沉在數據庫、日誌、向量嵌入和對象存儲裏。Agent推理將越來越圍繞模型周邊的分層存儲體系展開,GPU回答單個問題只是其中一環。在這個體系裏,速度和容量必須取捨;既然延遲可以接受,為極致算力付溢價的人就會變少。速度較慢、價格較低的傳統DRAM變得更有意義;如果系統大部分時間在等內存,芯片也不必是最快的那一款。

這裏就出現了一個反直覺的判斷:Agent消耗的算力可以越來越多,客戶對最昂貴算力的依賴卻可能下降。英偉達通過高速計算、HBM和互連建立的優勢,需要在新的任務結構下重新證明其溢價。當“夠用就好”能夠完成工作,客戶就有動力把預算分配給更便宜的計算與存儲組合。

英偉達並非沒有察覺。它推出Dynamo推理框架,拆分推理過程的不同部分,同時交付獨立的內存機架和CPU機架,支持更大的KV cache和更快的工具調用——核心目標都是讓昂貴的GPU保持忙碌。但對於遠未受GPU性能限制的Agent推理,成本和簡潔性對雲廠商的吸引力會越來越大。

這不意味着英偉達明天就會失去主導地位。訓練仍然重要,它的架構在訓練領域將繼續佔主導;回答型推理也仍是一個有意義的市場,只是規模相對較小。但在Agent推理這個有望成為最大增量的市場上——因為它不受人類數量或時間的限制——英偉達方案的溢價將承受越來越大的壓力。

黃仁勳的離任,讓這場壓力多了一層不確定性。他任內推動的大額交易和生態承諾,是新管理層要接手的資產,也是要回答的問題:按原節奏走,還是重新看一遍。這將是財報數字之外,市場真正在等的答案。

參考鏈接:

https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-third-quarter-fiscal-2027

來源:虎嗅 · huxiu.com