黄仁勋卸任英伟达CEO:33年掌舵后,财报大考谁接班?
“后黄仁勋时代”的首次大考 随着 AI 不断发展,过去这些年,这家公司似乎一直势不可挡。 但这次财报之前,黄仁勋辞职了。 11 月 11 日,黄仁勋辞去英伟达总裁、CEO 和董事会成员职务,即刻生效。CFO Colette Kress 暂代 CEO,董事会开始物色正式接班人。他执掌这家公司 33 年,把它从一家做图形处
“后黄仁勋时代”的第一次大考
这些年AI一路向前,英伟达看上去始终无人能挡。
可就在这份财报发布之前,黄仁勋辞职了。
11月11日,黄仁勋卸下英伟达总裁、CEO及董事会成员职务,当天生效。CEO一职由CFO Colette Kress暂时接手,董事会则着手寻找正式继任者。他掌舵这家公司33年,把它从一家图形处理器厂商做成AI计算平台的核心供货方,多年来那些大额交易和生态布局,多数由他推动。公司方面表示,日常运营与产品路线图不会因此中断。
管理层生变带来的冲击还在发酵,周一英伟达股价又跌了4.12%,收在156.14美元。跟10月6日239.24美元的收盘高点相比,累计跌幅已逼近35%。这种情况下,这份财报一边要回应AI需求是否依旧旺盛,一边还得把投资者的信心稳住。
英伟达给出的第一个回答,是单季营收站上千亿美元。北京时间11月18日凌晨披露的2027财年第三季度财报显示,截至10月25日,公司季度营收1158.44亿美元,同比增长103%,环比增长20%。这一数字高过公司此前1080亿美元指引中值,也超出FactSet调查的约1089亿美元市场预期。
利润也在往上走。GAAP口径下,季度营业利润775.20亿美元,同比增长115%;净利润652.87亿美元,同比增长105%;摊薄每股收益2.70美元。调整后每股收益2.68美元,高于市场此前约2.48美元的预期。收入也好,盈利也好,这份成绩单延续的还是英伟达近几个季度的强劲势头。
增长的大头来自数据中心业务。该业务季度收入1076亿美元,同比增长110%,环比增长21%,占总收入约93%。边缘计算业务收入82亿美元,同比增长42%,环比增长14%。英伟达的收入结构,已经高度压在围绕AI数据中心的基础设施建设上。
支撑这轮增长的关键,是新平台Vera Rubin开始交付。英伟达在财报里把Vera Rubin NVL72称为公司历史上爬坡最快的产品,相关机架已在CoreWeave、Google Cloud、Microsoft Azure、Oracle Cloud Infrastructure和Nebius等合作伙伴处运行。Oracle和Google Cloud也推出了基于Vera Rubin的云服务。
Kress在财报中表示,公司的增长动力是实打实的,Vera Rubin开局强劲,产品路线图仍按计划推进。对刚失去创始人CEO的英伟达来说,这番话正面回应了市场最关切的一点:已经搭起来的产品、工程和客户合作体系,还能不能保持原来的节奏。
科技巨头的过往也说明,创始人离开,多年积累的业务体系并不会跟着散掉。Bill Gates在2000年交出微软CEO职位,2008年退出日常管理,微软后来照样完成了向云计算的转型;Jeff Bezos在2021年把Amazon CEO职位交给Andy Jassy,电商、物流和AWS也照常运转。对英伟达来说,CUDA生态、已进入交付阶段的产品,以及客户正在建设的AI集群,同样具备跨越个人任期的延续性。黄仁勋离任带来了预期上的震荡,但现有业务仍有自己的运行惯性。
另外,财报电话会议一开始,英伟达董事会主席哈维·琼斯(Harvey Jones)就表示,董事会不打算让黄仁勋(Huang)重回首席执行官岗位。
财报发布前几个小时,黄仁勋在个人X账号发了一篇长文,感谢过去一周朋友、行业同事以及英伟达员工和投资者的支持。他再次承认自己在个人生活中犯了错,同时第一次明确表态,愿意重新出任英伟达CEO。
英伟达给出的下一季度指引,同样延续了增长预期。公司预计2027财年第四季度收入1300亿美元,上下浮动3%,高于LSEG汇总的约1252.5亿美元分析师预期。该季度比平常多出一周,指引里仍未计入来自中国的数据中心计算收入。
不过,收入继续扩大的同时,利润率压力也更明显了。第三季度英伟达GAAP毛利率74.8%,调整后毛利率74.9%,比上一季度只是小幅回落;到第四季度,公司预计两种口径的毛利率都会降到71%—72%。
也就是说,下一季度收入就算更高,每一美元销售额留下的毛利润比例也会变少。按1300亿美元收入算,毛利率每变动一个百分点,对应约13亿美元毛利润。对英伟达这种体量的公司来说,几个百分点的变化,已经足以明显影响利润增长。
这份财报至少说明一件事:英伟达的订单和产品交付体系还在高速转。数据中心收入翻倍、新平台进入客户基础设施、下一季度指引高于预期,这些都给管理层交接垫了底。但本季度截至10月25日,时间上早于黄仁勋离任,真正落到新管理层头上的执行考验,还在后头。
摆到Kress面前的,是一家需求仍然旺盛、规模空前庞大,同时要扛起更多供应链投入和系统交付责任的公司。
财报继续狂飙,英伟达还能通吃多久?
英伟达的统治地位是几十年攒下来的。从图形处理器起步,到围绕CUDA搭建软件生态,再到持续投身高带宽内存和芯片间互连,它一点点把竞争从单颗芯片的性能,拉到整个计算系统的效率上。训练大模型所需的计算、数据交换和软件工具,被收进同一套平台。客户用得越深,迁移时要重新适配和验证的活儿就越多。
但话说回来,AI 基础设施比 GPU 复杂得多。CPU 管应用运行、任务调度和工具执行,内存关乎数据能不能及时送到计算单元,网络决定大量芯片能否高效配合。英伟达的优势建立在上述环节的协同之上,压力也正从多个方向逼近:最大客户想要更多采购主动权,AMD 在扩大数据中心业务,制造、内存和封装这些供应链环节又持续牵扯整套系统的交付和成本。
头一股压力,来自云厂商想少依赖供应商。对大规模建 AI 集群的企业来说,GPU 是笔大开支,供货节奏、产品路线、软件生态又都跟同一家供应商绑得很深。采购规模越大,另起一条技术路线的价值就越高。客户既要更多算力,也想在价格、交付和产品选择上多拿主动权。Google 跟 Broadcom 的合作已经做到长期供货安排:Broadcom 在 2026 年 4 月披露,将为 Google 开发和供应未来几代 TPU,并为后者下一代 AI 机架提供网络及其他组件,协议最长延续至 2031 年。同月 Meta 也宣布扩大与 Broadcom 的合作,围绕自研训练与推理加速器 MTIA 推进多代芯片及配套网络技术。Amazon 则有自家的芯片设计团队——AWS 在 2015 年收购 Annapurna Labs,之后逐步搭起 Graviton 和 Trainium 等产品系列。各家云厂商的研发与合作模式不尽相同,方向却一致:把庞大的计算需求变成自研硬件的规模优势。
这些芯片不必替掉所有 GPU,就能改变采购预算的流向。云厂商手里有自己的模型、软件和业务数据,可以先迁走运行量大、流程稳定的任务。只要长期省下的成本够覆盖研发和适配投入,部分工作负载就有动力离开英伟达平台。最大的客户,也就成了最有能力养出替代方案的那批企业。
第二股:AMD 追得实实在在。AMD 长期 CPU、GPU 两手都做,这个布局在 AI 时代开始兑现。2026 年第三季度,AMD 数据中心收入约 85 亿美元,同比增长 97%,动力来自 EPYC 服务器处理器需求以及 Instinct GPU 业务。这说明它不再只是“理论上的替代选项”,而是已经开始实际抢份额。
第三股压力,出在制造环节的集中和供应链成本上。英伟达、AMD 以及云厂商的多条芯片路线,都离不开台积电等关键制造伙伴。芯片设计端竞争越来越凶,上游制造、先进封装和 HBM 供应却没法同步快速扩产。客户多添了芯片供应商,到头来可能还是撞上同样的交付瓶颈。
为了保住后续供应,英伟达正许下更大规模的长期承诺。截至 2026 年 7 月 26 日,其供应与产能承诺从上一季度的 1190 亿美元增至 2790 亿美元,增量主要跟内存采购有关。提前锁定资源撑住了交付,也把更大规模的需求预测风险留在了公司自己身上。
需求分化:推理换了一种活法
AI 的用法在变,英伟达面对的竞争也跟着变。以前要把模型训得更大,就得多上 GPU、加大高带宽内存、加快芯片间网络;现在 AI 从回答问题转向执行任务,新增需求对硬件的要求随之分化。处理一份数百页的合同、实时生成语音、让 Coding Agent 连续干上几个小时,都算推理,却未必适用同一套硬件配置。
McKinsey 在 10 月发布的分析中预计,到 2030 年推理将占 AI 需求的约 60%,训练约占 40%。照这个预测,芯片厂商今后争夺的市场,会越来越多地由模型部署后的日常运行构成。
这就给英伟达出了道更难的题:推理需求涨了,市场能变大,可不同推理任务之间的差异,也在给别的架构腾机会。
拿一款合规工具来说,它读完一份 300 页的合同,最后只返回少量需要留意的条款。大量活儿集中在处理输入的 prefill 阶段,更吃计算能力。语音助手则要持续、快速地出回复,逐 token 输出的 decode 阶段更关键,对内存带宽和延迟更敏感。同一颗芯片能把两种任务都干了,可客户也可能因此为一部分没用足的能力掏钱。
英伟达的 GPU 能把这些需求都兜住。强计算撑起 prefill,HBM 装下模型权重和 KV cache,高速互连让多颗 GPU 一起干活。这种通用性本身就是优势:一套系统能在训练和推理之间切换用途,客户不必为每种任务重建基础设施。不过,当某类任务的运行量足够大,专门为它挑专用硬件,省下的成本就可能盖过软件适配与部署的投入。
Cerebras 盯上的正是这个机会。它把整片晶圆做成一枚芯片,布线跨越不同曝光区域的边界,从而压掉传统芯片间连接的开销。其 WSE-3 配备 44GB 片上 SRAM,带宽达到每秒 21PB;作为对比,H100 配备 80GB HBM,带宽为每秒 3.35TB。两者在内存容量与带宽上的取舍截然不同:Cerebras 拿较小的片上容量换极高的访问速度,图的是让模型更快吐出 token。推理要生成大量 token,显然正是 Cerebras 最擅长的领域。
业内也开始试另一种打法:把同一次推理请求拆开,分给不同硬件处理。McKinsey 列举的方案里,有 AWS 把 Trainium 用于 prefill、Cerebras 用于 decode,也有 Intel 与 SambaNova 把 prefill 分给 GPU、decode 分给可重构数据流单元。AMD 同样与 Cerebras 建立了合作。竞争已经钻进一次请求的执行过程:输入怎么处理、输出怎么生成、缓存搁在哪里,都可能成为重新分配硬件资源的依据。
不过,专用芯片一直绕不开一个时间差。模型架构几个月就可能变样,芯片开发却往往以年计。等一颗为特定工作负载优化的芯片交到客户手里,当初的需求说不定已经改了。McKinsey 提到,Google 已将基于强化学习的布局规划用于多代 TPU;Jeff Dean 也提出过设想,借助 AI 把芯片设计周期从 18 至 30 个月压缩到 3 至 6 个月。这个周期能不能缩短,直接决定专用芯片跟不跟得上模型的变化。
真正的转折点落在 Agent 推理上。回答型推理和 Agent 推理,最终可能长成两套不同的硬件架构。前者围绕人等答案这件事展开;后者是“完成任务”,由计算机听其他计算机的指令持续干活,人不必实时守在旁边。
这一区别会改变延迟的分量。开发者手边的编程助手,每等一次都拖工作节奏;而被安排在夜里跑代码迁移、检查、修复的 Agent,执行窗口要长得多。对后者来说,客户头一个关心的是任务能不能按时完成、总成本多少,未必每一步都要最快响应。
优先级也就跟着挪了位置。Agent 推理最要紧的不再是 token 生成速度,而是内存和存储。
Agent 要上下文、要状态、要历史:一部分作为活跃 KV cache 放在手边,一部分搁在主机内存或 SSD,还有大量内容沉在数据库、日志、向量嵌入和对象存储里。Agent 推理会越来越围着模型周边的分层存储体系转,GPU 回答单个问题只是其中一环。这套体系里,速度和容量得做取舍;延迟既然可以接受,肯为极致算力掏溢价的人就少了。慢一些、便宜一些的传统 DRAM 反倒更有意义;系统大半时间在等内存,芯片也用不着是最快的那款。
这里就冒出一个反直觉的判断:Agent 能吃掉越来越多的算力,客户对最贵算力的依赖却可能往下走。英伟达靠高速计算、HBM 和互连攒下的优势,得在新的任务结构下重新证明自己值那个溢价。当“够用就好”能把活干完,客户就有动力把预算挪给更便宜的计算与存储组合。
英伟达并不是没看到。它推出 Dynamo 推理框架,把推理过程的不同部分拆开,同时交付独立的内存机架和 CPU 机架,支持更大的 KV cache 和更快的工具调用,核心目标都是让昂贵的 GPU 别闲着。可 Agent 推理远没被 GPU 性能卡住,成本和简洁性对云厂商的吸引力只会越来越大。
这不代表英伟达明天就会丢掉主导地位。训练仍然重要,它的架构在训练领域会继续占主导;回答型推理也还是一个有意义的市场,只是规模相对小些。但在 Agent 推理这个有望成为最大增量的市场上——它不受人类数量或时间的限制——英伟达方案的溢价会承受越来越大的压力。
黄仁勋的离任,给这场压力添了一层不确定性。他任内推动的大额交易和生态承诺,是新管理层要接手的资产,也是要回答的问题:照原节奏走,还是重新看一遍。这是财报数字之外,市场真正在等的答案。
参考链接: