黄仁勋卸任后首份财报超预期:英伟达接班人稳住了吗?
1 “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
1
“后黄仁勋时代”的首次大考
这些年AI一路往前跑,这家公司看上去始终没人拦得住。
可这份财报出炉之前,黄仁勋先走了。
11 月 11 日,黄仁勋卸下英伟达总裁、CEO 和董事会成员三个身份,当天生效。CEO 一职由 CFO Colette Kress 暂时接下,董事会 meanwhile 着手寻找正式接班人。他管了这家公司 33 年,把它从一家图形处理器厂商做成 AI 计算平台的核心供应商,那些年一连串大额交易和生态布局,多数由他推动。公司方面表示,日常运营和产品路线图不会中断。
管理层生变带来震荡,英伟达股价周一又跌了 4.12%,收在 156.14 美元。跟 10 月 6 日 239.24 美元的收盘高点比,累计跌幅已接近 35%。这样一份财报,既要说明AI需求还旺不旺,也得把投资者的信心稳住。
英伟达给出的第一个回答,是单季营收过了千亿美元。北京时间 11 月 18 日凌晨,2027 财年第三季度财报公布:截至 10 月 25 日,季度营收 1158.44 亿美元,同比增长 103%,环比增长 20%。这个数字高过公司原先 1080 亿美元的指引中值,也高于 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,超出市场此前约 2.48 美元的预期。收入到盈利,这份成绩单还是英伟达过去几个季度那股强势劲头。
增长的大头来自数据中心业务。这块季度收入 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,已经紧紧压在围绕 AI 数据中心的基础设施建设上。
撑起这轮增长的,是新平台 Vera Rubin 开始交付。财报里,英伟达把 Vera Rubin NVL72 称作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在意的事:已经搭起来的产品、工程和客户合作体系,还能不能照原来的节奏走。
科技巨头的历史也摆在那儿:创始人离开,多年积累的业务体系未必跟着散架。Bill Gates 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 2021 年把 Amazon CEO 职位交给 Andy Jassy,电商、物流和 AWS 也继续运转。对英伟达来说,CUDA 生态、已进入交付阶段的产品,以及客户正在建的 AI 集群,同样有跨越个人任期的延续性。黄仁勋离任带来了预期震荡,但现有业务仍有自己的运行惯性。
英伟达对下一季度的指引同样指向继续增长:公司预计 2027 财年第四季度收入为 1300 亿美元,上下浮动 3%,而 LSEG 汇总的分析师预期约为 1252.5 亿美元,指引高于这一水平。该季度比通常多出一周,来自中国的数据中心计算收入仍未纳入这份指引。
不过收入继续扩大,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下滑;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,几个百分点足以明显影响利润增长。
这份财报首先说明,英伟达的订单和产品交付体系还在高速运转。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,都给管理层交接添了底气。但本季度截至 10 月 25 日,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。
Kress 接手的这家公司,需求依旧强劲,规模空前庞大,也要承担更多供应链投入和系统交付责任。
2
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出来的。从图形处理器起家,到围绕 CUDA 建起软件生态,再到持续投入高带宽内存和芯片间互连,它慢慢把竞争从单颗芯片的性能,拉到整个计算系统的效率上。训练大模型要用的计算、数据交换和软件工具,被拢进同一套平台。客户用得越深,迁移时要重新适配和验证的活就越多。
但 AI 基础设施比 GPU 复杂得多。CPU 管运行应用、调度任务和执行工具,内存决定数据能不能及时送到计算单元,网络决定大量芯片能不能高效协作。英伟达的优势建在这些环节的协同上,压力也从不同方向挤进来:最大的客户想多拿采购主动权,AMD 正在扩大数据中心业务,制造、内存与封装等供应链环节,则持续影响整套系统的交付和成本。
第一股压力,来自云厂商想少依赖供应商。对大规模建 AI 集群的企业,GPU 是笔大开销,供货节奏、产品路线和软件生态又都跟同一家供应商绑得很深。采购规模越大,另建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点主动权。
Google 和 Broadcom 的供货关系已经排到了更远的年份。Broadcom 在 2026 年 4 月透露,接下来几代 TPU 都由它替 Google 开发并供应,下一代 AI 机架的配套网络和组件也归它做,协议最晚覆盖到 2031 年。同一个月,Meta 也说要加大和 Broadcom 的合作,围绕自研的训练与推理加速器 MTIA,做多代芯片和配套网络技术。Amazon 走的是另一条路:AWS 在 2015 年买下 Annapurna Labs,之后慢慢搭起 Graviton、Trainium 等产品线。几家云厂商的研发和合作方式各不相同,方向却一致——把庞大的算力需求变成自研硬件的规模优势。
这类芯片并不需要把 GPU 全部替换掉,采购预算的走向就会变。云厂商手里有自己的模型、软件和业务数据,运行量大、流程稳定的任务可以优先搬走。说到底,只要长期省下的钱能覆盖研发和适配的投入,一部分工作负载就有理由离开英伟达的平台。最大的客户,反而最有条件把替代方案养大。
第二股:AMD 的追赶已经落到实处。AMD 多年来 CPU 和 GPU 两条线并行,这个布局在 AI 时代开始变现。2026 年第三季度,AMD 数据中心收入约 85 亿美元,同比增长 97%,拉动增长的有 EPYC 服务器处理器的需求,也有 Instinct GPU 业务。它不再只是纸面上的替代选项,份额是真的在抢。
第三股压力来自制造端的集中和供应链成本。英伟达、AMD 和云厂商的多条芯片路线,都离不开台积电等关键制造伙伴。芯片设计这边竞争越来越凶,上游的制造、先进封装和 HBM 供应却没法同样快地扩产。客户即便多找了几家芯片供应商,交付瓶颈可能还是同一个。
为了保住后续供应,英伟达正在签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 亿美元涨到 2790 亿美元,增量主要和内存采购有关。提前锁定资源撑住了交付,更大规模的需求预测风险也就留在了公司自己身上。
需求分化:推理换了一种活法
英伟达面对的竞争,正随着 AI 的用法一起变。以前,训练更大的模型意味着更多 GPU、更大的高带宽内存、更快的芯片间网络;现在 AI 从回答问题转向执行任务,新增需求对硬件的要求跟着分化。读一份几百页的合同、实时生成语音、让 Coding Agent 连续跑上几个小时,这些都算推理,但未必适合同一套硬件配置。
McKinsey 在 10 月发布的分析预计,到 2030 年推理将占 AI 需求的约 60%,训练约占 40%。照这个预测,芯片厂商未来争的市场,会越来越多地由模型部署后的日常运行构成。
问题因此变得更复杂:推理需求增长能扩大英伟达的市场,可不同推理任务之间的差异,也在给其他架构留机会。
拿一款合规工具来说,它读一份 300 页的合同,最后只返回少量需要关注的条款。大量工作发生在处理输入的 prefill 阶段,更吃计算能力。语音助手则要持续、快速地生成回复,逐 token 输出的 decode 阶段更关键,对内存带宽和延迟更敏感。同一颗芯片能处理这两种任务,但客户可能要为一部分没充分用上的能力付钱。
英伟达的 GPU 能兼顾这些需求。强大的计算能力撑得起 prefill,HBM 装得下模型权重和 KV cache,高速互连让多颗 GPU 协同工作。这种通用性本身就是优势:一套系统可以在训练和推理之间切换用途,客户不用为每种任务重新建基础设施。不过,当某类任务的运行量足够大,为它选专用硬件,省下来的成本就可能覆盖软件适配与部署投入。
Cerebras 盯上的正是这种机会。它把整片晶圆做成一颗芯片,通过跨越不同曝光区域的边界进行布线,减少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。两者的内存容量与带宽取舍截然不同:Cerebras 用较小的片上容量换取极高的访问速度,希望让模型更快地生成 token。推理需要大量 token,显然是 Cerebras 最擅长的领域。
行业也开始尝试把同一次推理请求拆开,交给不同硬件处理。McKinsey 列举的方案包括 AWS 将 Trainium 用于 prefill、将 Cerebras 用于 decode,以及 Intel 与 SambaNova 将 prefill 分配给 GPU、将 decode 分配给可重构数据流单元。AMD 也与 Cerebras 建立了合作。竞争已经深入到一次请求的执行过程:输入如何处理、输出如何生成、缓存放在哪里,都可能成为重新分配硬件资源的依据。
专用芯片绕不开的另一个问题,是节奏对不上。芯片从立项到交付往往按年算,模型架构却可能几个月就换一版。等一颗针对特定负载调优的芯片真正到货,当初那个需求说不定早就变了。McKinsey 提到,Google 在多代 TPU 上已经用上基于强化学习的布局规划;Jeff Dean 也设想过,靠 AI 把芯片设计周期从 18 至 30 个月压到 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。
真正的转折点在 Agent 推理。
回答型推理和 Agent 推理,最终可能走向不同的硬件架构。前者围绕人类等答案展开,后者是“完成任务”,由计算机根据其他计算机的指令持续工作,逐步摆脱人类实时参与的限制。
延迟的价值也跟着变了。开发者手边的编程助手,每等一次都会打断手上的节奏;而夜里跑代码迁移、检查与修复的 Agent,执行窗口要宽得多。对后者来说,客户先看的是能不能按时交付、整体花多少钱,未必每一步都要求最快响应。
优先级因此挪了位置。Agent 推理最看重的已不是 token 生成速度,而是内存与存储。上下文、状态、历史都得有地方放:一部分作为活跃 KV cache,一部分搁在主机内存或 SSD 上,还有大量内容沉在数据库、日志、向量嵌入和对象存储里。GPU 答完单个问题只是其中一环,Agent 推理会越来越围着模型周边的分层存储体系转。这套体系里,速度和容量得做取舍;延迟既然能接受,愿意为极致算力掏溢价的人自然就少了。速度慢些、价格低些的传统 DRAM 反而更有意义——系统大半时间在等内存,芯片也用不着是最快的那款。
这里有个反直觉的判断:Agent 吃掉的算力可以越来越多,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,得在新任务结构下重新证明自己值那个溢价。当“够用就好”也能把活干完,客户就有动力把预算挪给更便宜的计算加存储。
英伟达其实看在眼里。它拿出 Dynamo 推理框架,把推理过程的不同环节拆开,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——说到底都是为了让昂贵的 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。
这倒不是说英伟达明天就要丢主导地位。训练依旧要紧,它的架构在训练领域还会继续占上风;回答型推理也仍是一个有意义的市场,只是盘子相对小。可在 Agent 推理这个有望做成最大增量的市场上——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,给这层压力又添了不确定性。他任内推动的大额交易和生态承诺,是新管理层接手的资产,也是要回答的问题:照原节奏走,还是重新过一遍。财报数字之外,市场真正在等的就是这个答案。
参考链接:
https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-third-quarter-fiscal-2027