营收57000000000美元，英伟达：泡沫？什么泡沫

Source

2025 年 11 月 19 日，美国东部时间下午 5 点，英伟达发布2026 财年第三季度财报。

这一季的数据很夸张：营收 570 亿美元，同比增长 62%，环比多了整整 100 亿美元（+22%），数据中心业务继续飞奔，网络、计算、汽车、专业可视化全部双位数增长。但比数字更值得编译和整理的，是管理层在电话会里给出的那套逻辑：

他们几乎把所有关于“AI 泡沫”的质疑，重新改写成了一场“三次平台大迁移 + 十年基础设施周期”的故事。

基于这份电话会议记录，本文对管理层的核心观点做了一次系统的编译和梳理。

一、成绩单：570 亿美元的大头，几乎都来自 AI 工厂

先把关键数字捋清楚：

  • 总收入： 570 亿美元，同比 +62%，环比增加 100 亿美元（+22%）。
  • 数据中心收入： 510 亿美元，同比 +66%，再创新高，几乎就是整家公司。
  • 网络收入： 82 亿美元，同比飙升 162%，靠的是 NVLink、InfiniBand 和 Spectrum X 以太网。
  • 计算部门： 同比 +56%，核心驱动力来自 GB300 GPU 的放量，Hopper 平台本季仍贡献了约 20 亿美元收入。
  • 游戏业务： 43 亿美元，同比 +30%，主要是游戏玩家和本地 AI 需求的叠加。
  • 专业可视化： 7.6 亿美元，同比 +56%，DGX Spark 被点名是关键贡献者。
  • 汽车业务： 5.92 亿美元，同比 +32%，自动驾驶解决方案是主力。

盈利能力同样“变态”：

  • GAAP 毛利率： 73.4%，
  • Non-GAAP 毛利率： 73.6%， 都比之前的指引更高。Colette Kress 解释，主要得益于数据中心产品组合、生产周期时间改善以及成本结构优化。

但也不是全是甜蜜，电话会一上来就坦白了三点风险：

  1. 中国收入被“掐断”： 由于地缘政治和本地竞争，本季度原本计划的大额订单没有落地，直接影响了高端数据中心计算产品对中国的出货。Colette 还明确表示，在 Q4 的指引里，“我们没有假设来自中国的任何数据中心计算收入”。
  2. 投入成本在上升： 面向 2027 财年，内存等关键元件价格抬头，系统复杂度也在增加。公司一边加大采购锁价，一边强调，仍会努力把毛利率“压在 70% 中段”。
  3. 库存和供应承诺同步上扬： 库存环比增加 32%，供应承诺环比增加 63%。管理层的态度是：这是主动为未来更大规模的增长“铺货”，而不是需求不行的被动堆库存。

展望第四季度，指引同样激进：

  • Q4 收入指引： 650 亿美元，上下浮动 2%，按中值算环比还要再涨 14%，主要由 Blackwell 架构继续放量带动。
  • 毛利率指引： GAAP 和 Non-GAAP 都预计维持在 70% 中段，尽管投入成本上涨。

从这张“财务快照”可以看出一个核心事实：

英伟达现在的财报，其实就是一张全球 AI 工厂建设进度表。

二、CFO 的视角：三大平台转型 + 5000 亿 Blackwell/Rubin 收入蓝图

在财务数字之后，CFO Colette Kress 用相当长的一段话，把这季的增长放进了一个更大的框架里：

“三大平台转型”还在早期

她强调，客户现在集中在三条主线做投入：

向加速计算迁移：

从传统 CPU 通用计算，转向 GPU 加速计算，把原本跑在 CPU 上的大量数据处理、科学计算工作负载搬到 CUDA 平台上。

向大模型/生成式 AI 迁移：

搜索、推荐、内容理解、广告排序，从传统机器学习体系切换到大模型，重写生产线。

向智能体（Agent）应用迁移：

自主推理、规划、调用工具的“智能代理 AI”，开始渗透到编程、医疗、金融、运营等业务线。

她的判断是：这三件事都还在早期阶段，“会波及所有行业”。

Blackwell + Rubin：到 2026 年底要拿下 5000 亿美元营收

Colette 给了一个颇具争议、但已经被资本市场广泛引用的数字：

从今年开始到 2026 年年底，Blackwell 和 Rubin 两代平台，合计营收目标是 5000 亿美元。

电话会记录里，她再次确认这一目标“正在推进”：

  • 部分收入已经在过去几个季度确认；
  • 接下来还有几个季度会持续兑现；
  • 而且，这 5000 亿本身还有“上调空间”：比如当天刚刚宣布的与沙特的合作，未来三年新增 40–60 万块 GPU；和 Anthropic 的协议，同样是原先规划之外的增量计算需求。

在她的叙事里，英伟达的角色很明确：

要在未来十年走向年均 3–4 万亿美元规模的全球 AI 基础设施建设里，做“首选平台”。

“云已售罄”：GPU 安装基础完全被吃满

Colette 多次重复一个说法：“云服务已售罄（clouds are sold out）”；Blackwell、Hopper、Ampere 等几代 GPU 的安装基础 “全部在满负荷运行”。第三季度数据中心收入 510 亿美元，就是在这样的高稼动率之上做出来的。配合这点，她给出了一串“案例库”，说明这些算力在被用在什么地方：

  • 互联网平台：Meta 用基于 GPU 集群训练的 Gem 广告推荐基础模型，让 Instagram 广告转化率 +5%，Facebook 信息流 +3%；用户在 Facebook、Threads 等应用上花的时间明显上升。
  • 基础模型公司：OpenAI：周活用户 8 亿，企业客户超过 100 万，毛利率保持健康；Anthropic：年化营收从年初的 10 亿美元，涨到 70 亿美元。其他名字还包括 Mistral、Reflection、Safe Superintelligence、xAI 等。
  • 垂直场景：RBC 用智能体 AI 把分析师写报告的时间，从几小时压缩到几分钟；联合利华通过 AI + 数字孪生，让内容创作效率提升 2 倍、成本下降 55%；Salesforce 工程团队使用 Cursor 后，新代码开发效率至少提升 30%。

这些例子共同指向一个判断：

AI 基础设施的投入，已经开始在真实业务里“找回报”，而不止停留在“创新预算”。

五百万 GPU 的 AI 工厂计划

本季英伟达还宣布了一串 AI 工厂和基础设施项目，总量涉及 约 500 万块 GPU，覆盖：

  • 公有云 CSP、主权国家数据中心；
  • 制药、制造等行业的“AI 工厂”；
  • 标志性项目包括：xAI 的 Colossus 2 —— 全球首个千兆瓦级数据中心；礼来（Eli Lilly）的 AI 工厂，用于药物研发；AWS + Humane 的扩展合作：部署多达 15 万台 AI 加速器（包括 GB300），以及一座 500 兆瓦的旗舰 GPU 数据中心。

在这套叙事下，“570 亿营收”只是起点，真正让市场紧张的是：

未来两三年，这家公司打算吃下多大一块 AI 基建蛋糕。

三、黄仁勋的“反泡沫”故事：三次平台大迁移

轮到黄仁勋发言时，他没有先谈估值，而是直接回应了“泡沫”这个词：

“关于人工智能泡沫的讨论很多。 从我们的角度来看，我们看到的是截然不同的情况。”

他的核心论点，可以浓缩成一句话：

世界正在同时经历三次巨大的平台级迁移，而英伟达刚好站在这三次迁移的交叉点。

第一次迁移：从 CPU 到 GPU 的加速计算

  • 摩尔定律放缓，传统 CPU 性能/成本的提升越来越难；
  • 大量原本跑在 CPU 上的非 AI 工作负载——数据处理、科学与工程仿真等——正向 CUDA GPU 迁移；
  • 这一层迁移，本质上是为了 延续“算力通缩”：用更低的单位成本获得更多计算。

黄仁勋把这部分定义为“基础且必要的转型”：

“在后摩尔定律时代，这是至关重要的。”

第二次迁移：从传统机器学习到生成式 AI

第二层，是我们熟悉的那波浪潮：

  • 搜索排序、推荐系统、广告投放、内容审核等，正在从传统 ML/深度学习体系，迁移到基于大模型与生成式 AI 的范式；
  • Meta 的 Gem 模型就是典型案例：依托大规模 GPU 集群训练，把广告推荐效果实打实抬高了几个百分点，这直接体现在收入上。

在这层上，AI 不再只是“节约成本”的工具，而是 直接带来营收增量的引擎。

第三次迁移：向智能体和物理 AI

第三层，是“智能体 AI”和“物理 AI”：

  • 这类系统具备 推理、规划和使用工具 的能力；
  • 从代码助手（Cursor、Claude Code、GitHub Copilot），到医疗放射影像助手（iDoc）、法律助手（Harvey），再到自动驾驶司机（Tesla FSD、Waymo），都被他归类为“智能代理 AI”；
  • 更往下，是与机器人、工厂、车队、城市基础设施深度耦合的“物理 AI”：利用 Omniverse 做数字孪生工厂的台积电、丰田、富士康、Lucid 等；用 Jetson 平台和 Cosmos 世界模型做人形/移动机器人开发的 Agility Robotics、Amazon Robotics、Figure 等。

在他看来，这一层会带来 全新的应用、产品、公司和服务，是最具颠覆性的一层。

英伟达如何把三次迁移“捏”在一起？

黄仁勋的自我定位是非常“野心家”的：

  • 在加速计算的迁移中，CUDA + GPU 是最成熟的方案；
  • 在生成式 AI 迁移中，英伟达在训练、后训练（推理前的强化、微调）和推理三个阶段，都有一整套软件栈和硬件组合；
  • 在智能体和物理 AI 中，从数据中心到机器人边缘设备，一条链路都在用同一套架构。

他说得很直白：

“无论是 AI 的每个阶段，还是各种不同的计算需求， 我们的架构都是通用的。 你可以投资一种架构，然后在所有这些阶段和工作负载上放心使用。”

这就是他对“泡沫”质疑的整体回应：

资本市场看的是市值曲线，而他强调的是： 三条不同性质的迁移曲线，正在同时发生，且都压在英伟达的 GPU 上。

四、关键问答：5000 亿订单、供给瓶颈与中国风险

电话会议的 Q&A 部分，补足了很多关键信息。挑几个重点说。

5000 亿 Blackwell + Rubin 收入，还靠谱吗？

摩根士丹利的 Joseph Moore 追问：

GTC 上提的 2025–2026 年 Blackwell + Rubin 5000 亿美元收入预期，现在还有没有变化？

Colette 的回答是：

  • 目标没变，“我们正在按这个路径执行”；
  • 5000 亿中已经有一部分在前几个季度确认；
  • 接下来到 2026 年底，还有几个季度会持续贡献；
  • 而且，“这个数字有上调可能”：和沙特的协议，在未来三年新增 40–60 万块 GPU；与 Anthropic 的合作，则带来了高达 1 吉瓦算力承诺。

——这些，都还没算在最初的 5000 亿里。

供应能不能赶上需求？ROI 会不会撑不住？

Cantor Fitzgerald 的 C.J. Muse 问了一个所有人都在想的现实问题：

一边是大家担心 AI 基础设施建设太烧钱、ROI 与融资能力成问题； 另一边是你们自己又在说“GPU 全部售罄、云都卖空了”。 那么未来 12–18 个月里，供应会赶上需求吗？

黄仁勋的回答重点有三：

  1. 供应链规划：英伟达的供应链覆盖台积电及其封装、内存供应商、系统 ODM 等，“我们和他们做了非常长周期的规划”；“我们原本就计划迎来一个大年”，而现在的需求增长，印证了他们对三个转型的判断。
  2. 需求结构：不仅仅是“聊天机器人”在用 GPU，从数据处理到推荐系统，从生成式 AI 到各种 agent 工具，哪一层都在吃 GPU，且增速都很快。
  3. ROI 来源：一部分投资来自 通用计算迁移，本质上是为了延续“算力通缩”；一部分投资来自 生成式 AI 提升现有业务收入；还有一部分来自 全新的 agentic & 物理 AI 应用。

换句话说，他认为 需求是真实且多层次的，而不是单一领域炒作。

每吉瓦能卖多少钱硬件？谁来为三四万亿 AI 基建买单？

BofA 的 Vivek Arya 问得很具体：

  • 在你口中的 5000 亿里，你假设的“每 1 吉瓦数据中心对应多少美元硬件”是多少？
  • 到 2030 年，全球数据中心 3–4 万亿美元投资中，有多少需要靠供应商融资，有多少可以由客户自己现金流支持？

黄仁勋给出了一组有参考意义的量级（非精确指引）：

  • 在 Hopper 这一代，一个 1 吉瓦数据中心，相当于大约 20–25 亿美元 的英伟达数据中心产品；
  • 到 Grace Blackwell/GB200，可能来到 30 亿美元以上；
  • Rubin 一代会更高，因为每瓦性能进一步提升。

关键句是这句：

“一个吉瓦数据中心就是一个吉瓦功率。 你的每瓦性能，几乎直接决定你的收入上限。”

这背后的逻辑是：

  • 电力是刚性约束：一个园区就是 1 吉瓦电进来，不会无限扩张；
  • 在同样的 1 吉瓦电、同样的机房面积下，谁的架构性能/瓦更高，谁就能卖出更多的硬件票面；
  • 因此，架构效率不只是技术指标，而是收入天花板。

至于“谁来为 3–4 万亿买单”，他的回答更宏观：

  • 不能只盯着美国几大云厂商；
  • 每个国家都会为自己的 AI 基础设施买单；
  • 大多数行业的 agentic AI、物理 AI 才刚刚开始，未来会有一波又一波新的融资主体加入。

中国市场：短期清零，长期仍想“留门”

关于中国，Colette 的表态比较直接：

  • 本季度原计划的大额订单并未落地，H20 销售额仅约 5000 万美元；
  • 原因是 地缘政治 + 中国本地竞争加剧；
  • 因此公司在 Q4 指引中，假设来自中国的数据中心计算收入为 0。

但黄仁勋也强调，英伟达会持续同中美两国政府沟通，长期目标仍然是：

“要在包括中国在内的所有商业企业中，成为开发者和企业的首选平台。”

这意味着，当前对华高端芯片出口的限制，英伟达视为“节奏问题”，而不是长期放弃的市场。

ASIC vs GPU：为什么英伟达认为自己“不可替代”？

Wells Fargo 的 Aaron Rakers 问到定制 AI ASIC 的竞争，问黄仁勋是否改变了看法。

他的回答可以总结为“五个维度的护城河”：

  1. 覆盖所有转型阶段： 从通用加速计算，到生成式 AI，再到代理式 / 物理 AI，同一套架构都能胜任。
  2. 覆盖 AI 的每个阶段： 预训练、后训练、推理这三步都极其复杂，尤其是链式思维等推理型推理，“事实证明推理是最难的”，而英伟达在三阶段都有很强的系统方案。
  3. 覆盖所有主流模型： 自回归、扩散、专家混合（MoE）、各种生物/物理模型—— “我们是唯一一个能把所有这些模型跑在一个平台上的架构。”
  4. 覆盖所有云和边缘形态： 从公有云、私有云，到本地 DGX Spark 再到机器人和 PC，一套 CUDA 生态贯穿始终，这大幅降低了开发者的心智成本。
  5. 带来真正的需求与多样性： 对云厂商、新创云（CoreWeave、Lambda 等）乃至新公司（Humane）来说，把 GPU 算力“挂上架”后，背后是庞大的模型生态和开发者需求，而不是一个“孤立的 ASIC”。

他最后的总结是：

“这不是简单往数据中心里塞一个随机 ASIC 的问题。需求从哪来？多样性从哪来？韧性从哪来？ 英伟达的生态系统，已经证明它能把这些全部带给客户。”

这一次，泡沫没有破裂。音乐继续。