美股盤後，輝達公佈了2027財年第一季度財報。營收和指引依舊超預期，但盤後依舊下跌了 1.3 個點。
市場關注的五大焦點
先看下市場上關於輝達財報的 Preview，大家都在關心那些問題。
1. 現金回報政策的提升潛力輝達在 SPX 指數中佔比高達8.3%，約78%的主動基金經理持有該股。這種極高的持倉度往往成為股價進一步上漲的阻力。其他大型科技公司通過提升現金回報來吸引股息/收益導向的投資者，但輝達在2022-2025年僅將47%的自由現金流用於分紅和回購，遠低於同行約80%的水平。
2. Vera Rubin 的量產時間節點市場預期這一革命性系統將在2026年下半年開始量產，但具體的產能爬坡節奏和客戶部署進度仍是焦點。
3. 毛利率的可持續性在持續的記憶體和其他成本通膨壓力下，輝達能否維持約75%的毛利率水平，這直接關係到其定價能力和成本控制能力的評估。
4. 1兆美元收入目標的更新輝達在 GTC 2026上提出的 Blackwell 和 Vera Rubin 平台2025-2027年累計收入1兆美元的目標，是否會因為 LPU 機架、獨立 CPU 以及 Vera Rubin Ultra 等新產品線的加入而上調。
5. 競爭格局的變化面對 Google TPU、Agentic CPU 以及其他 ASIC 晶片的競爭，輝達的市場份額和技術優勢是否依然穩固。
財報情況
下面看下實際的財報情況。
Q1 營收資料對比
輝達 Q1 營收達到 820 億美元，不僅大幅超越管理層自己的指引，也顯著高於市場共識預期。即便是最樂觀的高盛預期，實際業績也超出了約 20 億美元。
這已經是輝達連續多個季度的歷史規律：根據美銀的統計，過去 10 個季度輝達平均超出當季預期 7-8%，折合金額約 2-4 億美元。但這一次，超預期的絕對金額達到了前所未有的水平。
820億美元的營收意味著：
- 同比增長85% — 這是連續第三個季度同比增速加快
- 環比增長20% — 連續14個季度實現環比增長
在如此龐大的基數上依然保持如此高速的增長，這在科技行業歷史上極為罕見。
大家最關心的資料中心業務收入達到750億美元，同比增長92%，環比增長21%。這一業績主要由 Blackwell 架構驅動，其中 GB300和 NVL72需求尤為強勁。
更值得注意的是，超大規模客戶和前沿模型廠商已累計部署數十萬顆 Blackwell GPU，使其成為公司歷史上產品上量（ramp）最快的季度。這一速度甚至超過了此前創紀錄的 Hopper 架構。
Q2 營收指引對比
輝達給出的 910 億美元 Q2 指引，遠超市場共識預期的 861 億美元，意味著指引本身就已經超出市場預期約 49 億美元。
高盛分析師在財報前就指出，市場的焦點已經從 Q1 的實際業績轉移到 Q2 的指引上。因為連續多年的超預期表現，已經讓 Q1 的“beat”成為了一種形式，真正決定股價走向的是公司對未來增長的信心。
910 億美元的 Q2 指引意味著環比將再增長約 11%，這在如此高的基數上依然保持兩位數增長，充分展現了 AI 需求的持續旺盛。
現金回報政策的重大突破
在市場最關心的現金回報問題上，輝達終於做出了實質性回應：
- 季度股息從1美分大幅提升至25美分 — 提升25倍
- 新增800億美元股票回購授權 — 疊加現有390億美元剩餘額度，總計約1190億美元
- 計畫今年返還約50%自由現金流給股東 — 雖然仍低於同行80%的水平，但已是重大進步
美銀分析師認為，如果輝達將股息收益率從當前的0.02%提升至0.5%-1%（與蘋果、微軟看齊），僅需佔用2026年自由現金流的15%-30%，但卻能顯著擴大投資者基礎，吸引更多收益導向的機構投資者。
電話會上的幾個關鍵問題
輝達把資料中心業務拆成兩塊：Hyperscale 市場（5-6家雲巨頭）收入380億美元，環比增長12%;ACE/Enterprise 市場（數十萬企業客戶）收入370億美元，環比增長31%。兩個市場規模接近，增速差了快3倍。ACE 市場覆蓋全球50-80兆美元經濟規模，客戶需要整合化方案，幾乎沒有競爭對手。管理層明確說，公司增長會快於 hyperscaler 資本支出增速。
市場擔心 CPU 會蠶食 GPU 需求。管理層澄清：在 Agentic 應用中，CPU 負責 I/O 和編排，GPU 負責推理，兩者互補不替代。今年預期的近200億美元獨立 CPU 收入不包含 Vera Rubin 系統裡的 CPU，是打開2000億美元新市場的純增量。
推理市場份額在快速提升。新增 Anthropic、Cursor、Perplexity 等客戶，與 Anthropic 深度合作在多個雲平台擴展容量。Vera Rubin 預計比 Blackwell 更成功，推理吞吐量提升35倍。ACE 市場的推理需求幾乎全部由輝達滿足。
GTC 2026提出的1兆美元收入目標（Blackwell+Rubin,2025-2027）不包含獨立 CPU、Rubin Ultra 等產品線。、Vera CPU和LPX是1 兆美元之外的最大上行來源。
LPX 當前市場佔比遠低於20%，與主流 GPU 互補不替代。Vera Rubin 計畫2026年 Q3開始出貨，Q4爬坡，2027年 Q1顯著增長。系統複雜（7款晶片、5個機架），初期爬坡可能相對平緩，但需求端已有主要客戶訂單。
還有一個容易被忽視的數字：庫存及預付採購承諾總額增至 1450 億美元。這個數字相當於輝達接近兩個季度的營收規模，在科技行業幾乎沒有先例。它說明了三件事：第一，輝達對未來 2-3 年的訂單能見度極其清晰，這不是賭博，而是長期合同已經簽到手；第二，公司正在用現金流提前鎖定台積電的 CoWoS 先進封裝產能、SK 海力士和三星的 HBM 產能，當你把 1450 億美元壓在供應鏈上時，競爭對手想要擴產就會遇到產能瓶頸；第三，這是為 Vera Rubin 的大規模量產做準備，7 款晶片、5 個機架的複雜系統，需要在供應鏈的每一個環節都提前佈局。從某種意義上說，這 1450 億美元本身就是一道護城河。
輝達的護城河到底有多寬
過去兩年，關於“輝達會不會被 ASIC 取代”的討論從未停止。Google 的 TPU、AWS 的 Trainium、Meta 的 MTIA，每一款定製晶片的發佈都會引發一輪“輝達要被顛覆”的討論。但現實是，輝達的市場份額不僅沒有被侵蝕，反而在持續擴大。
CUDA 經過18年的積累，已經形成了一個幾乎不可能被短期複製的開發者網路。每一個新的 AI 框架、每一個最佳化庫、每一個預訓練模型，默認都是為 CUDA 最佳化的。這意味著即便定製晶片在硬體層面做到了性能對標，在軟體層面依然需要大量的適配工作。對於絕大多數企業客戶來說，這個遷移成本是不可接受的。當然不可否認的是，現在 CUDA 的護城河效應正在減弱。
大摩最近做了一個詳細的成本拆解：建設一個 1GW 算力的資料中心，用當前一代的 Blackwell GPU 需要約 330 億美元，而用 TPUv7 或 Trainium3 隻需要 270 億和 150 億美元。看起來定製晶片便宜近一半。但問題在於，這個成本差距主要來自晶片本身的價格——Blackwell 單顆晶片約 3.5 萬美元，而 TPUv7 約 1.6 萬美元，Trainium3 隻有 7000 美元。
可當你把每瓦算力性能算進去，輝達 GB300 能做到 6.8 TFLOPs/瓦，TPUv7 是 4.3,Trainium3 隻有 2.5。換句話說，雲服務商為了省晶片採購成本，最終要在電費、散熱、機房空間上付出更多代價。
博通（Broadcom）在網路交換機 ASIC 領域的反擊值得關注。在 AI 叢集中，交換機晶片的重要性不亞於計算晶片本身——當你需要連線萬顆 GPU 協同工作時，網路頻寬和延遲直接決定了整體性能。博通在這個細分市場的技術積累讓它成為輝達為數不多需要正視的對手。但即便如此，博通的機會也更多集中在超大規模雲服務商的定製需求上，而非通用市場。
超大規模雲服務商的自研晶片策略也在分化。Google 依然堅定投入 TPU,AWS 在 Trainium 和 Inferentia 上持續迭代，Meta 則相對謹慎。但這些自研晶片更多是作為“第二供應商”存在——用於特定的內部工作負載，降低對單一供應商的依賴，但並不打算完全替代輝達。原因很簡單：當你的客戶需要在你的雲平台上運行各種第三方 AI 模型時，輝達 GPU 依然是唯一能保證相容性的選擇。
這就是為什麼輝達能夠在“被競爭”的敘事中持續增長。它不是沒有對手，而是對手們發現，要在通用性、性能、生態三個維度同時超越輝達，難度遠比想像中大。定製晶片可以在某個單點上做到更優，但 AI 市場需要的是一個完整的解決方案——從硬體到軟體，從訓練到推理，從雲端到邊緣。在這個維度上，輝達的領先優勢不是在縮小，而是在擴大。
GPU 直接讀取 SSD
在財報發佈前不久，輝達與亞馬遜合作開發的一項技術突破引發了產業界的廣泛關注：GIDS(GPU-Initiated Direct Storage,GPU 發起的直接儲存訪問）架構。之所以單獨討論這個技術，是因為儲存架構正在成為 AI 算力競賽中的新焦點——當算力不再是唯一瓶頸時，如何高效地管理和呼叫海量資料，決定了下一代 AI 系統的性能上限。
傳統的資料中心架構中，GPU 需要讀取儲存資料時，必須先通過 CPU 發出指令，CPU 再從 SSD 讀取資料，然後傳遞給 GPU。這個“中轉”過程不僅增加了延遲，也讓 CPU 成為瓶頸。在 AI 推理場景中，當模型需要頻繁訪問大量上下文資料（KV Cache）時，這個瓶頸會被無限放大。
GIDS 架構徹底改變了這個流程：GPU 可以直接向 SSD 發出讀寫指令，完全繞過 CPU。配合高頻寬快閃記憶體（HBF）技術，這套架構能將 AI 模型的可用記憶體容量提升16倍以上。具體來說，通過將6個 HBF 堆疊與2個 HBM 堆疊結合，單個 GPU 封裝可以承載約 3120GB 的總記憶體——而當前僅使用8個 HBM 堆疊的配置只有 192GB。
這個突破的意義在那裡？當 AI 模型越來越大，當推理任務需要處理的上下文越來越長，記憶體容量正在成為新的瓶頸。Claude Code 或 Cursor 這類程式碼助手，成本大頭不是生成程式碼本身，而是反覆載入程式碼倉庫的上下文。如果能把這些上下文快取在 SSD 中，需要時由 GPU 直接調取，推理成本能降一大截。
現在儲存顯然已經成為了 AI 的一個瓶頸，所以各個大廠都在做自己的應對措施，無論是輝達的 CMX 方案、Google的 CXL 記憶體池，還是上面提到的 GIDS，以及 LPX 的 SRAM 方案，本質都是想著如何高效利用 Memory，提高推理的性價比。從這一點來看，以後無論那家又出了一個新的演算法說可以節省 xx 的儲存，我們都不應該覺得驚訝，因為這件事是大家每天都在做的。 (傅里葉的貓)