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。

　　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。

　　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。

　　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。

　　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”。

　　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”。

　　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。

　　Q4 收入指引：650 亿美元，九游官方平台上下浮动 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。

　　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：

　　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。

　　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。

　　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。

　　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。

　　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”。

　　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：

　　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%。

　　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”。

　　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：

　　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。

　　“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。”

　　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。

　　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。

　　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。

　　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。

　　，英伟达在训练、后训练（推理前的强化、九游官方平台微调）和推理三个阶段，都有一整套软件栈和硬件组合；

　　“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。”

　　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。

　　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。

　　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？

　　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。

　　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。

　　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。

　　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？

　　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；

　　“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。”

　　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；

　　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。

　　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。

　　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。

　　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。

　　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。”

　　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。

　　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”。

　　“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。”