重点摘要
- NVIDIA Q1 FY27 营收 820 亿美元，年增 85%、季增 20%，营业利益与自由现金流均创新高，本季反映 inference 需求进入拐点，Blackwell 系统在 hyperscaler、model maker、AI cloud provider 与 sovereign customer 间快速放量，并使公司连续第 3 季年增率加速、连续第 14 季季增。
- Data Center 营收达 750 亿美元，年增 92%、季增 21%，其中 computing revenue 为 600 亿美元、年增 77%，networking revenue 为 150 亿美元、年增近 3 倍， Blackwell 架构需求维持强劲，GB300 NVL72 在 frontier model builders 与 hyperscalers 的需求尤其突出，并已成为公司史上最快的产品 ramp。
- AI infrastructure 需求持续以超预期速度扩张，超过 10MW 的 partner data centers 数量一年内近乎翻倍至逾 80 座，sovereign revenue 年增超过 80%，NVIDIA AI infrastructure 已部署于近 40 个国家、涵盖 50 兆美元 GDP。
- AI infrastructure build-out 的两大驱动因素为 hyperscale 工作负载持续由 CPU 转向 GPU-based accelerated computing，以及 AI-native products and services 从 one-shot inference 演进至 reasoning 与 agentic AI，并表示在 hyperscale CapEx 于 2027 年预期超过 1 兆美元、agentic AI 扩散至各产业的背景下，AI infrastructure spending 有望在本十年末达每年 3 至 4 兆美元。
- GB300 相较六个月前的系统在 MLPerf inference 中达成 2.7 倍 throughput 提升与 60% cost per token 降低，AI factories 的经济性不应只以 GPU 采购价格衡量，而应以 token per watt、tokens per dollar、uptime、utilization、time to production、software durability 与 asset life 衡量，并表示 NVIDIA 在上述指标均具备较佳 ROI 与可融资性。
- Vera CPU 被定位为 agentic AI 的新成长平台， Vera 将带来约 2000 亿美元的新 TAM，且公司今年已有近 200 亿美元 total CPU revenue visibility，其中 standalone CPU revenue 并未包含在先前 Blackwell 与 Rubin 2025 至 2027 年 1 兆美元 revenue visibility 内，因此可视为潜在增量来源。
- 供给面方面，公司 Q1 将 inventory、purchase commitments 与 prepaids 合计的 total supply 提高至 1450 亿美元，虽然仍无法完全免于供应挑战，但将持续透过规模、供应链伙伴关系与前端投资支撑客户成长需求，并对 2025 至 2027 年 Blackwell 与 Rubin 累计 1 兆美元收入具备充分信心。
- Q2 营收指引为 910 亿美元、上下浮动 2%，季增主要由 Data Center 驱动，公司未将任何 China Data Center compute revenue 纳入展望，因虽然美国政府已批准 H200 出货至中国客户的 license，但公司尚未产生相关收入且仍不确定中国是否允许进口；预期 Q2 non-GAAP gross margin 约 75.0%、全年维持 mid-70s，显示产品 ramp 与供应链扩张下毛利仍维持高档。
FY 1Q27 财务概况
简明损益表
| 单位：百万美元 | FY1Q27 | FY4Q26 | FY1Q26 | QoQ | YoY |
|---|---|---|---|---|---|
| 营业收入 | 81,615 | 68,127 | 44,062 | 20% | 85% |
| 毛利率 | 75.0% | 75.1% | 60.8% | (0.1) pts | 14.2 pts |
| 营业费用 | 7,449 | 6,666 | 4,993 | 12% | 49% |
| 营业利益 | 53,783 | 44,474 | 21,801 | 21% | 147% |
| 税后净利 | 45,548 | 38,969 | 19,094 | 17% | 139% |
| EPS (元) | 1.87 | 1.59 | 0.78 | 18% | 140% |
营运部门财务绩效
| 单位：百万美元 | FY1Q27 | FY4Q26 | FY1Q26 | QoQ | YoY |
|---|---|---|---|---|---|
| Graphics | 6,392 | 6,476 | 4,951 | -1% | 29% |
| Compute & Networking | 75,223 | 61,651 | 39,111 | 22% | 92% |
| 总计 | 81,615 | 68,127 | 44,062 | 20% | 85% |
FY 2Q27 财测指引
| 单位：十亿美元 | FY 2Q27 (G) | FY 1Q27 (A) |
|---|---|---|
| 营业收入 | 91.0 ± 2% | 81.6 |
| 毛利率 (Non-GAAP) | 75.0% ± 50bps | 75.0% |
| 营业费用 (Non-GAAP) | 8.3 | 7.4 |
核心观点
CUDA 护城河从软体生态转向系统级 ROI
上一季我们在讨论 CUDA 护城河时，重点主要放在软硬体共同设计、开发者的迁移成本，以及在电力受限情况下，每瓦效能对客户经济效益的重要性。本季管理层则进一步把这个论述，从「CUDA 的护城河」推进到「AI 工厂经济学（AI factory economics）」的层次。客户现在购买 GPU，不只是为了训练模型，而是进一步建置能够产生营收的 AI 工厂。因此，真正重要的评估指标，已经变成 AI 工厂整个生命周期的总成本（lifetime cost of an AI factory）。其中包含：包括 token per watt、tokens per dollar、uptime、utilization、time to production、software durability 与 asset life。
此外，推论（inference）需求也开始成为公司财务表现与产品放量（ramp）的核心驱动因素。本季 NVIDIA 受惠于推论需求进入拐点（inference demand inflection），Blackwell 系统已在 hyperscaler、大型模型开发商、AI 云端服务商以及主权型客户之间快速放量。同时，GB300 相较于六个月前，吞吐量提升了 2.7 倍，而每个 token 的成本则降低了 60%。Jensen Huang 在结语中更直接表示，Agentic AI（代理型 AI）时代已经到来，「token 现在已经能够带来利润（tokens are now profitable）」，而运算能力本身就是营收与利润（compute capacity is revenue and profits）。这也让市场对 AI 资本支出（AI CapEx）能否有效变现（monetization）的疑虑，获得了阶段性的缓解。
不过，后续仍需持续观察与验证，包括 OpenAI、Anthropic、Cursor、Perplexity 等前沿 AI 公司所带动的需求，是否能持续转化为稳定的 GPU 使用率。同时，也需要关注 NVIDIA 所主张的「每 token 成本下降」，是否足以抵销模型复杂度持续提升，以及电力与资本成本增加，对客户投资报酬率（ROI）带来的压力。
Rubin ramp 与供应链执行仍是下半年追踪重点
上一季公司提到，Vera Rubin 样品已开始出货，预计将于 2026 年下半年进入量产，而且几乎所有云端服务商与大型模型建置客户都会导入 Vera Rubin 平台。当时管理层也指出，独立 CPU 的角色，主要是用来加速资料处理、agentic workflow，以及高度依赖单执行绪效能的工作环节。在本次的法说会上，这个论述被进一步明确化，而且重要性显著提升。管理层直接表示，Vera 是专门为 Agentic AI（代理型 AI）打造的 CPU（purpose-built for agentic AI），并认为它将开启一个规模达 2,000 亿美元的新市场（TAM）。
同时，公司透露，今年已经看见接近 200 亿美元的独立 CPU 收入能见度（standalone CPU revenue visibility），而且特别强调，这部分收入并未包含在 2025 至 2027 年 Blackwell 与 Rubin 平台合计 1 兆美元的营收能见度之内，因此可视为额外的上行空间（upside）。更具投资意义的是，管理层清楚区分了 CPU 与 GPU 在 Agentic AI 架构中的分工：orchestration、I/O、memory management、tool use、browser 与 compiler 等 harness 工作主要由 CPU 执行，而真正的思考（thinking）与推论（inference）则仍由 GPU 执行。
因此，Vera 并不是要取代或侵蚀 GPU，而是让 NVIDIA 能进一步掌握过去由传统 CPU 厂商所主导的 Agentic AI 基础架构价值链。这也意味 NVIDIA 的定位，正在从单纯的 GPU 平台公司，进一步扩张为更完整的 AI 基础设施供应商（AI infrastructure supplier）。这样的变化，也可能对以下几个方向带来中期影响：
- Arm-based server CPU 的渗透率
- x86 市占转移（share shift）
- AI server BOM（物料成本结构）的变化
后续需要追踪的是，Vera Rubin Q3 开始 production shipments、Q4 ramp、明年 Q1 放量的节奏是否顺利，以及 standalone Vera CPU 是否真能独立形成可量化的收入曲线，不单附属于 Rubin platform 的系统组件。
Q&A
Q1: 新分部揭露的调整原因与背后逻辑是什么？Hyperscale、ACIE 与 Edge Computing 之间的竞争差异为何？管理层提到接近 200 亿美元 CPU revenue visibility，这个机会如何分布在不同业务分部中？
新的分部揭露主要是为了让投资人更清楚理解 NVIDIA 业务已从单一 AI data center demand 扩展为多元运算平台。AI 的工作负载、应用场景、部署位置与治理需求均日益分散，从 hyperscale cloud、AI native cloud、enterprise on-prem、industrial on-prem、sovereign AI 到 edge robotics 与 AI-RAN 均有不同需求。将 Data Center 拆为 Hyperscale 与 ACIE，是因为前者主要面向少数大型云端与网路平台，后者则涵盖 AI clouds、enterprise、industrial 与 sovereign AI，客户数量可达数千甚至未来数十万家公司，go-to-market 更复杂，也更依赖 NVIDIA 完整整合但开放的 full-stack solution。Edge Computing 则涵盖 personal AI、self-driving cars、robotics 与未来 AI-powered radio networks 等场景。
Q2: 公司是否预期 Data Center 业务可以持续成长快于 hyperscaler CapEx？Hyperscaler CapEx 在今年高速成长后，未来是否仍会维持快速成长？公司对本十年末 AI data center 3 至 4 兆美元机会的信心来自哪里？
NVIDIA 应能成长快于 hyperscaler CapEx，主因 Data Center 业务不只受惠于 hyperscale cloud，也受惠于第二大类别 ACIE 的快速扩张。 hyperscaler CapEx 目前约 1 兆美元且仍会持续成长，因为未来 compute capacity 将直接对应 revenue 与 profit，AI 相较传统 SaaS 需要更多运算资源。除此之外，AI native clouds、enterprise AI factories、industrial AI factories 与 sovereign AI clouds 形成更分散且庞大的增量市场，许多企业与工业场景无法单纯依赖 public cloud，而需要在资料与行动发生的场域部署 AI infrastructure。这些市场目前仍被低估，且 NVIDIA 几乎是少数能提供完整平台解决方案的供应商，因此有望推动 AI infrastructure spending 朝本十年末每年 3 至 4 兆美元规模发展。
Q3: Vera Rubin 与 extreme co-engineering 将如何影响 NVIDIA 在 inference market 的市占？公司如何看待 2026 下半年至 2027 年 inference 需求与 frontier model customers 的 adoption？
NVIDIA 在 inference 的市占正在快速提升，主要来自 frontier model companies 数量增加，以及公司新增 Anthropic 作为重要合作伙伴后，将透过 Azure、AWS、CoreWeave 等平台协助其扩大运算容量。NVIDIA 过去在 Anthropic 的覆盖几乎为零，但今年与明年的新增 capacity 将相当显著，因此推动公司在 frontier AI inference 的份额快速提升。Vera Rubin 的 adoption 预期将比 Grace Blackwell 更成功，几乎所有 frontier model company 都会从一开始即导入 Vera Rubin。此外，在 hyperscale 之外，AI native、enterprise、industrial 与 sovereign AI data centers 的 inference 需求多数由 NVIDIA 服务，而 physical AI 也几乎由 NVIDIA 主导，进一步支撑 inference share gains。
Q4: CPX、LPX 等 custom merchant products 的 traction 如何？LPX 在高 token rate、低延迟工作负载中的市场定位为何？这些产品如何融入 NVIDIA 更广泛的平台策略？
LPX 主要设计目标是低延迟与高 token rate，但其 throughput、model size capacity 与 context processing ability 较低，因此应用场景并不广泛。 LPX 更适合拥有多元 token service portfolio 的服务商，尤其是部分高阶 premium services 需要非常高的 token rate，但客户数量相对有限的场景。预期 LPX 与其他 SRAM-based、decode-focused、high token rate accelerators 在一段时间内会维持 niche product 定位。相较之下，Grace Blackwell 与 Vera Rubin 支援 AI 全生命周期，涵盖 data processing、pre-training、post-training、reinforcement learning 与 inference，因此仍是 NVIDIA 平台策略的核心；LPX 则是在特定高 token rate 服务中作为补充产品。
Q5: Agentic AI 对 CPU 的需求是新增工作负载还是会 cannibalize GPU 需求？CPU 数量是否可能超过 GPU？公司提到的 200 亿美元 CPU revenue visibility 是 standalone Vera CPU，还是已包含在 Vera Rubin 系统中？
近 200 亿美元 CPU revenue visibility 指的是 standalone CPU，并非包含于 Vera Rubin 系统内的 CPU。Vera 有四种使用方式，包括作为 Vera Rubin 系统的一部分、standalone CPU、搭配 CX9 与 storage software stack，以及搭配 CX9 用于 security、compute isolation 与 confidential computing。就工作负载而言，agentic AI 会带来新增 CPU 需求，因为 agent 的 harness、I/O、orchestration、memory management、tool use、browser、compiler 等多数功能运行于 CPU，而真正的 thinking 与 inference 则运行于 GPU。未来全球将有数十亿 agents，每个 agent 可能产生 sub-agents 并调用工具，因此 CPU 与 GPU 需求将同步扩大，而非简单替代关系。Vera 被设计为 agentic CPU，核心经济性不再是传统 cloud 的 dollars per core，而是 AI 时代的 tokens per dollar 或 dollars per token。
Q6: Neo clouds 应归入 Hyperscale 还是 AI cloud 类别？AI cloud、enterprise、industrial 与 sovereign AI 这一类 ACIE 是否会比 Hyperscale 成长更快？长期来看两个分部的规模与成长性如何？
neo clouds 或 AI native clouds 属于第二类 ACIE，而非 Hyperscale。AI native clouds 通常不自行设计晶片，也难以将不相关的零组件自行整合成 AI factory，因此更需要 NVIDIA 这种完整、可租用性高、TCO 较佳且容易融资的整合架构。Hyperscale 之所以较早发展，是因为大型云端公司具备强大的 computer science 与 data center 能力，且多数先从 consumer applications 起步；但企业、工业与 sovereign applications 需要 AI 更成熟、安全且能带来实际收入后才会快速导入。 ACIE 从较晚基期开始发展，因此未来几年成长速度可能高于 Hyperscale，且长期来看 enterprise 与 industrial 对应全球 50 至 80 兆美元经济活动，最终可能成为更大的市场。
Q7: 先前提到的 2025 至 2027 年 Blackwell 与 Rubin 平台 1 兆美元 revenue visibility 是否包含 LPX、Rubin CPX 与 Vera CPU racks？Vera standalone CPU 是否会是超出 1 兆美元 visibility 的最大 upside？公司是否会透过更多 CPU 组合产品取得更大的 TAM share？
1 兆美元 Blackwell 与 Rubin revenue visibility 并未包含 standalone Vera CPU，因此 Vera CPU 是该 visibility 之外的重要增量来源之一。超出 1 兆美元的 upside 首先来自 frontier AI models share 持续提升，其次是 standalone Vera CPU，因为 agentic systems 的 TAM 很大，客户对 Vera 需求强劲，预期将销售大量 Vera。第三个 upside 来源则是 LPX，但 LPX 由于 SRAM 架构虽具备低延迟与高互动性，却在 throughput 与 context processing 上较受限制，因此定位较小。整体而言，希望透过 Vera Rubin 与 LPX 的组合，覆盖从 pre-training、post-training 到 inference agentic systems 的完整 AI spectrum。
Q8: GB300 是公司史上最快的产品 ramp，Vera Rubin 的 ramp 应如何与 GB300 比较？Vera Rubin 因为是新 silicon 架构，是否会比 GB300 更慢？Q3、Q4 与明年 Q1 的 ramp 节奏如何？
Vera Rubin 将在下半年推出，Q3 开始初步出货与系统整合，Q4 ramp 将持续扩大，明年 Q1 也会非常大。，目前仍难以判断 Vera Rubin ramp 是否会快于 GB300，但公司已经有明确需求规划与 PO，几乎所有主要客户均已准备导入。Vera Rubin 系统复杂度高，需要整合多种不同系统与零组件，因此 ramp 的关键限制主要是生产与系统组装时程，而非需求不足。
