重點摘要
- NVIDIA Q1 FY27 營收 820 億美元，年增 85%、季增 20%，營業利益與自由現金流均創新高，本季反映 inference 需求進入拐點，Blackwell 系統在 hyperscaler、model maker、AI cloud provider 與 sovereign customer 間快速放量，並使公司連續第 3 季年增率加速、連續第 14 季季增。
- Data Center 營收達 750 億美元，年增 92%、季增 21%，其中 computing revenue 為 600 億美元、年增 77%，networking revenue 為 150 億美元、年增近 3 倍， Blackwell 架構需求維持強勁，GB300 NVL72 在 frontier model builders 與 hyperscalers 的需求尤其突出，並已成為公司史上最快的產品 ramp。
- AI infrastructure 需求持續以超預期速度擴張，超過 10MW 的 partner data centers 數量一年內近乎翻倍至逾 80 座，sovereign revenue 年增超過 80%，NVIDIA AI infrastructure 已部署於近 40 個國家、涵蓋 50 兆美元 GDP。
- AI infrastructure build-out 的兩大驅動因素為 hyperscale 工作負載持續由 CPU 轉向 GPU-based accelerated computing，以及 AI-native products and services 從 one-shot inference 演進至 reasoning 與 agentic AI，並表示在 hyperscale CapEx 於 2027 年預期超過 1 兆美元、agentic AI 擴散至各產業的背景下，AI infrastructure spending 有望在本十年末達每年 3 至 4 兆美元。
- GB300 相較六個月前的系統在 MLPerf inference 中達成 2.7 倍 throughput 提升與 60% cost per token 降低，AI factories 的經濟性不應只以 GPU 採購價格衡量，而應以 token per watt、tokens per dollar、uptime、utilization、time to production、software durability 與 asset life 衡量，並表示 NVIDIA 在上述指標均具備較佳 ROI 與可融資性。
- Vera CPU 被定位為 agentic AI 的新成長平台， Vera 將帶來約 2000 億美元的新 TAM，且公司今年已有近 200 億美元 total CPU revenue visibility，其中 standalone CPU revenue 並未包含在先前 Blackwell 與 Rubin 2025 至 2027 年 1 兆美元 revenue visibility 內，因此可視為潛在增量來源。
- 供給面方面，公司 Q1 將 inventory、purchase commitments 與 prepaids 合計的 total supply 提高至 1450 億美元，雖然仍無法完全免於供應挑戰，但將持續透過規模、供應鏈夥伴關係與前端投資支撐客戶成長需求，並對 2025 至 2027 年 Blackwell 與 Rubin 累計 1 兆美元收入具備充分信心。
- Q2 營收指引為 910 億美元、上下浮動 2%，季增主要由 Data Center 驅動，公司未將任何 China Data Center compute revenue 納入展望，因雖然美國政府已批准 H200 出貨至中國客戶的 license，但公司尚未產生相關收入且仍不確定中國是否允許進口；預期 Q2 non-GAAP gross margin 約 75.0%、全年維持 mid-70s，顯示產品 ramp 與供應鏈擴張下毛利仍維持高檔。
FY 1Q27 財務概況
簡明損益表
| 單位：百萬美元 | FY1Q27 | FY4Q26 | FY1Q26 | QoQ | YoY |
|---|---|---|---|---|---|
| 營業收入 | 81,615 | 68,127 | 44,062 | 20% | 85% |
| 毛利率 | 75.0% | 75.1% | 60.8% | (0.1) pts | 14.2 pts |
| 營業費用 | 7,449 | 6,666 | 4,993 | 12% | 49% |
| 營業利益 | 53,783 | 44,474 | 21,801 | 21% | 147% |
| 稅後淨利 | 45,548 | 38,969 | 19,094 | 17% | 139% |
| EPS (元) | 1.87 | 1.59 | 0.78 | 18% | 140% |
營運部門財務績效
| 單位：百萬美元 | FY1Q27 | FY4Q26 | FY1Q26 | QoQ | YoY |
|---|---|---|---|---|---|
| Graphics | 6,392 | 6,476 | 4,951 | -1% | 29% |
| Compute & Networking | 75,223 | 61,651 | 39,111 | 22% | 92% |
| 總計 | 81,615 | 68,127 | 44,062 | 20% | 85% |
FY 2Q27 財測指引
| 單位：十億美元 | FY 2Q27 (G) | FY 1Q27 (A) |
|---|---|---|
| 營業收入 | 91.0 ± 2% | 81.6 |
| 毛利率 (Non-GAAP) | 75.0% ± 50bps | 75.0% |
| 營業費用 (Non-GAAP) | 8.3 | 7.4 |
核心觀點
CUDA 護城河從軟體生態轉向系統級 ROI
上一季我們在討論 CUDA 護城河時，重點主要放在軟硬體共同設計、開發者的遷移成本，以及在電力受限情況下，每瓦效能對客戶經濟效益的重要性。本季管理層則進一步把這個論述，從「CUDA 的護城河」推進到「AI 工廠經濟學（AI factory economics）」的層次。客戶現在購買 GPU，不只是為了訓練模型，而是進一步建置能夠產生營收的 AI 工廠。因此，真正重要的評估指標，已經變成 AI 工廠整個生命週期的總成本（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 與 asset life。
此外，推論（inference）需求也開始成為公司財務表現與產品放量（ramp）的核心驅動因素。本季 NVIDIA 受惠於推論需求進入拐點（inference demand inflection），Blackwell 系統已在 hyperscaler、大型模型開發商、AI 雲端服務商以及主權型客戶之間快速放量。同時，GB300 相較於六個月前，吞吐量提升了 2.7 倍，而每個 token 的成本則降低了 60%。Jensen Huang 在結語中更直接表示，Agentic AI（代理型 AI）時代已經到來，「token 現在已經能夠帶來利潤（tokens are now profitable）」，而運算能力本身就是營收與利潤（compute capacity is revenue and profits）。這也讓市場對 AI 資本支出（AI CapEx）能否有效變現（monetization）的疑慮，獲得了階段性的緩解。
不過，後續仍需持續觀察與驗證，包括 OpenAI、Anthropic、Cursor、Perplexity 等前沿 AI 公司所帶動的需求，是否能持續轉化為穩定的 GPU 使用率。同時，也需要關注 NVIDIA 所主張的「每 token 成本下降」，是否足以抵銷模型複雜度持續提升，以及電力與資本成本增加，對客戶投資報酬率（ROI）帶來的壓力。
Rubin ramp 與供應鏈執行仍是下半年追蹤重點
上一季公司提到，Vera Rubin 樣品已開始出貨，預計將於 2026 年下半年進入量產，而且幾乎所有雲端服務商與大型模型建置客戶都會導入 Vera Rubin 平台。當時管理層也指出，獨立 CPU 的角色，主要是用來加速資料處理、agentic workflow，以及高度依賴單執行緒效能的工作環節。在本次的法說會上，這個論述被進一步明確化，而且重要性顯著提升。管理層直接表示，Vera 是專門為 Agentic AI（代理型 AI）打造的 CPU（purpose-built for agentic AI），並認為它將開啟一個規模達 2,000 億美元的新市場（TAM）。
同時，公司透露，今年已經看見接近 200 億美元的獨立 CPU 收入能見度（standalone CPU revenue visibility），而且特別強調，這部分收入並未包含在 2025 至 2027 年 Blackwell 與 Rubin 平台合計 1 兆美元的營收能見度之內，因此可視為額外的上行空間（upside）。更具投資意義的是，管理層清楚區分了 CPU 與 GPU 在 Agentic AI 架構中的分工：orchestration、I/O、memory management、tool use、browser 與 compiler 等 harness 工作主要由 CPU 執行，而真正的思考（thinking）與推論（inference）則仍由 GPU 執行。
因此，Vera 並不是要取代或侵蝕 GPU，而是讓 NVIDIA 能進一步掌握過去由傳統 CPU 廠商所主導的 Agentic AI 基礎架構價值鏈。這也意味 NVIDIA 的定位，正在從單純的 GPU 平台公司，進一步擴張為更完整的 AI 基礎設施供應商（AI infrastructure supplier）。這樣的變化，也可能對以下幾個方向帶來中期影響：
- Arm-based server CPU 的滲透率
- x86 市占轉移（share shift）
- AI server BOM（物料成本結構）的變化
後續需要追蹤的是，Vera Rubin Q3 開始 production shipments、Q4 ramp、明年 Q1 放量的節奏是否順利，以及 standalone Vera CPU 是否真能獨立形成可量化的收入曲線，不單附屬於 Rubin platform 的系統組件。
Q&A
Q1: 新分部揭露的調整原因與背後邏輯是什麼？Hyperscale、ACIE 與 Edge Computing 之間的競爭差異為何？管理層提到接近 200 億美元 CPU revenue visibility，這個機會如何分布在不同業務分部中？
新的分部揭露主要是為了讓投資人更清楚理解 NVIDIA 業務已從單一 AI data center demand 擴展為多元運算平台。AI 的工作負載、應用場景、部署位置與治理需求均日益分散，從 hyperscale cloud、AI native cloud、enterprise on-prem、industrial on-prem、sovereign AI 到 edge robotics 與 AI-RAN 均有不同需求。將 Data Center 拆為 Hyperscale 與 ACIE，是因為前者主要面向少數大型雲端與網路平台，後者則涵蓋 AI clouds、enterprise、industrial 與 sovereign AI，客戶數量可達數千甚至未來數十萬家公司，go-to-market 更複雜，也更依賴 NVIDIA 完整整合但開放的 full-stack solution。Edge Computing 則涵蓋 personal AI、self-driving cars、robotics 與未來 AI-powered radio networks 等場景。
Q2: 公司是否預期 Data Center 業務可以持續成長快於 hyperscaler CapEx？Hyperscaler CapEx 在今年高速成長後，未來是否仍會維持快速成長？公司對本十年末 AI data center 3 至 4 兆美元機會的信心來自哪裡？
NVIDIA 應能成長快於 hyperscaler CapEx，主因 Data Center 業務不只受惠於 hyperscale cloud，也受惠於第二大類別 ACIE 的快速擴張。 hyperscaler CapEx 目前約 1 兆美元且仍會持續成長，因為未來 compute capacity 將直接對應 revenue 與 profit，AI 相較傳統 SaaS 需要更多運算資源。除此之外，AI native clouds、enterprise AI factories、industrial AI factories 與 sovereign AI clouds 形成更分散且龐大的增量市場，許多企業與工業場景無法單純依賴 public cloud，而需要在資料與行動發生的場域部署 AI infrastructure。這些市場目前仍被低估，且 NVIDIA 幾乎是少數能提供完整平台解決方案的供應商，因此有望推動 AI infrastructure spending 朝本十年末每年 3 至 4 兆美元規模發展。
Q3: Vera Rubin 與 extreme co-engineering 將如何影響 NVIDIA 在 inference market 的市占？公司如何看待 2026 下半年至 2027 年 inference 需求與 frontier model customers 的 adoption？
NVIDIA 在 inference 的市占正在快速提升，主要來自 frontier model companies 數量增加，以及公司新增 Anthropic 作為重要合作夥伴後，將透過 Azure、AWS、CoreWeave 等平台協助其擴大運算容量。NVIDIA 過去在 Anthropic 的覆蓋幾乎為零，但今年與明年的新增 capacity 將相當顯著，因此推動公司在 frontier AI inference 的份額快速提升。Vera Rubin 的 adoption 預期將比 Grace Blackwell 更成功，幾乎所有 frontier model company 都會從一開始即導入 Vera Rubin。此外，在 hyperscale 之外，AI native、enterprise、industrial 與 sovereign AI data centers 的 inference 需求多數由 NVIDIA 服務，而 physical AI 也幾乎由 NVIDIA 主導，進一步支撐 inference share gains。
Q4: CPX、LPX 等 custom merchant products 的 traction 如何？LPX 在高 token rate、低延遲工作負載中的市場定位為何？這些產品如何融入 NVIDIA 更廣泛的平台策略？
LPX 主要設計目標是低延遲與高 token rate，但其 throughput、model size capacity 與 context processing ability 較低，因此應用場景並不廣泛。 LPX 更適合擁有多元 token service portfolio 的服務商，尤其是部分高階 premium services 需要非常高的 token rate，但客戶數量相對有限的場景。預期 LPX 與其他 SRAM-based、decode-focused、high token rate accelerators 在一段時間內會維持 niche product 定位。相較之下，Grace Blackwell 與 Vera Rubin 支援 AI 全生命週期，涵蓋 data processing、pre-training、post-training、reinforcement learning 與 inference，因此仍是 NVIDIA 平台策略的核心；LPX 則是在特定高 token rate 服務中作為補充產品。
Q5: Agentic AI 對 CPU 的需求是新增工作負載還是會 cannibalize GPU 需求？CPU 數量是否可能超過 GPU？公司提到的 200 億美元 CPU revenue visibility 是 standalone Vera CPU，還是已包含在 Vera Rubin 系統中？
近 200 億美元 CPU revenue visibility 指的是 standalone CPU，並非包含於 Vera Rubin 系統內的 CPU。Vera 有四種使用方式，包括作為 Vera Rubin 系統的一部分、standalone CPU、搭配 CX9 與 storage software stack，以及搭配 CX9 用於 security、compute isolation 與 confidential computing。就工作負載而言，agentic AI 會帶來新增 CPU 需求，因為 agent 的 harness、I/O、orchestration、memory management、tool use、browser、compiler 等多數功能運行於 CPU，而真正的 thinking 與 inference 則運行於 GPU。未來全球將有數十億 agents，每個 agent 可能產生 sub-agents 並調用工具，因此 CPU 與 GPU 需求將同步擴大，而非簡單替代關係。Vera 被設計為 agentic CPU，核心經濟性不再是傳統 cloud 的 dollars per core，而是 AI 時代的 tokens per dollar 或 dollars per token。
Q6: Neo clouds 應歸入 Hyperscale 還是 AI cloud 類別？AI cloud、enterprise、industrial 與 sovereign AI 這一類 ACIE 是否會比 Hyperscale 成長更快？長期來看兩個分部的規模與成長性如何？
neo clouds 或 AI native clouds 屬於第二類 ACIE，而非 Hyperscale。AI native clouds 通常不自行設計晶片，也難以將不相關的零組件自行整合成 AI factory，因此更需要 NVIDIA 這種完整、可租用性高、TCO 較佳且容易融資的整合架構。Hyperscale 之所以較早發展，是因為大型雲端公司具備強大的 computer science 與 data center 能力，且多數先從 consumer applications 起步；但企業、工業與 sovereign applications 需要 AI 更成熟、安全且能帶來實際收入後才會快速導入。 ACIE 從較晚基期開始發展，因此未來幾年成長速度可能高於 Hyperscale，且長期來看 enterprise 與 industrial 對應全球 50 至 80 兆美元經濟活動，最終可能成為更大的市場。
Q7: 先前提到的 2025 至 2027 年 Blackwell 與 Rubin 平台 1 兆美元 revenue visibility 是否包含 LPX、Rubin CPX 與 Vera CPU racks？Vera standalone CPU 是否會是超出 1 兆美元 visibility 的最大 upside？公司是否會透過更多 CPU 組合產品取得更大的 TAM share？
1 兆美元 Blackwell 與 Rubin revenue visibility 並未包含 standalone Vera CPU，因此 Vera CPU 是該 visibility 之外的重要增量來源之一。超出 1 兆美元的 upside 首先來自 frontier AI models share 持續提升，其次是 standalone Vera CPU，因為 agentic systems 的 TAM 很大，客戶對 Vera 需求強勁，預期將銷售大量 Vera。第三個 upside 來源則是 LPX，但 LPX 由於 SRAM 架構雖具備低延遲與高互動性，卻在 throughput 與 context processing 上較受限制，因此定位較小。整體而言，希望透過 Vera Rubin 與 LPX 的組合，覆蓋從 pre-training、post-training 到 inference agentic systems 的完整 AI spectrum。
Q8: GB300 是公司史上最快的產品 ramp，Vera Rubin 的 ramp 應如何與 GB300 比較？Vera Rubin 因為是新 silicon 架構，是否會比 GB300 更慢？Q3、Q4 與明年 Q1 的 ramp 節奏如何？
Vera Rubin 將在下半年推出，Q3 開始初步出貨與系統整合，Q4 ramp 將持續擴大，明年 Q1 也會非常大。，目前仍難以判斷 Vera Rubin ramp 是否會快於 GB300，但公司已經有明確需求規劃與 PO，幾乎所有主要客戶均已準備導入。Vera Rubin 系統複雜度高，需要整合多種不同系統與零組件，因此 ramp 的關鍵限制主要是生產與系統組裝時程，而非需求不足。
