Nvidia 数据中心收入占比 92%，押注进一步加大

Nvidia 上季度从数据中心业务获得 752 亿美元收入，这一惊人的数字解释了其在 Google News 中的突出地位：公司如今 92% 的收入依赖于这一市场。

这种集中度既是 Nvidia 最大的优势，也是其投资逻辑中的核心风险。数据中心销售额同比增长 92%，公司总收入达到 816 亿美元。按计算，数据中心业务约占 Nvidia 季度收入的 92.1%。

这两个相同的百分比纯属巧合，却颇具启示意义。一个衡量年度增长，另一个衡量收入集中度。两者共同说明，Jensen Huang 已将 Nvidia 的未来彻底押注于持续增长的 AI 基础设施支出。

这家公司已不再主要是一家拥有不断增长的数据中心业务的图形处理器供应商。它已成为 AI 基础设施供应商，规模较小的业务几乎不会影响整体业绩。

这一转型带来了非凡的收入和利润增长。但这也意味着，其投资逻辑如今在很大程度上取决于客户是否会继续建设昂贵的计算系统。

因此，核心较量并非 Nvidia 与某一家竞争对手之间的对决，而是 Huang 对 AI 算力需求持续扩张的预期，与客户支出最终可能超过经济回报这一可能性之间的较量。

Nvidia 的 92% 数据中心收入占比究竟说明了什么

Nvidia 最新业绩确认，AI 基础设施已几乎吞噬了整家公司。

在截至 2026 年 4 月 26 日的 2027 财年第一季度，Nvidia 报告总收入为 816.15 亿美元。根据公司发布的季度业绩，数据中心收入达到 752 亿美元。

该数据中心收入较上一季度增长 21%，同比增长 92%。公司总收入环比增长 20%，同比增长 85%。

投资者应区分“92%”的两种含义。Nvidia 官方报告称，数据中心收入较上年同期增长 92%。而用 752 亿美元除以 816.15 亿美元，也显示数据中心业务贡献了约 92% 的总收入。

这一区分很重要，因为增长和集中度回答的是不同问题。增长反映需求扩张的速度；集中度则反映 Nvidia 的业务如今在多大程度上随这种需求而涨落。

其余业务合计贡献约 64 亿美元。单独看这已颇为可观，但规模仍不足以抵消 AI 基础设施出现显著放缓的影响。

Nvidia 还报告 GAAP 营业收入为 535 亿美元，净利润为 583 亿美元。其 74.9% 的毛利率表明，客户购买的远不只是标准化零部件。

他们付费购买的是一套集成系统，涵盖加速器、网络、互连、处理器、软件和部署能力。这种系统级方法让 Nvidia 能够在每个 AI 集群中获得更多收入机会。

Blackwell 系统正体现了这一变化。客户并非只是安装单个图形处理单元，而是部署高度互联的机架，其中结合了计算硬件、NVLink 网络、散热、内存和软件。

因此，Nvidia 的数据中心收入反映了 Huang 所称“AI 工厂”的建设进程。这些是专为训练模型并大规模运行模型而设计的大型计算设施。

这一说法很有用，但投资者不应将其视为客户盈利能力的证据。AI 工厂可以创造有价值的服务，也可能成为利用率偏低的昂贵资产。

当基础设施交付给客户时，Nvidia 就确认销售收入。长期回报则取决于这些客户建设了什么、使用频率如何，以及用户愿意为之支付多少费用。

Nvidia 的销售与其客户的回报之间的差距，定义了这一投资问题。最新季度证明基础设施需求依然强劲，但并未解决如此规模的支出能否持续产生经济效益这一问题。

为什么 Jensen Huang 认为 Nvidia 的 AI 增长将持续

Huang 的增长论点建立在算力需求持续上升之上，而不只是又一轮模型训练。

第一波需求来自训练大型基础模型的公司。较新的工作负载正越来越多地涉及推理，即运行训练完成的模型来生成答案、图像、代码或执行动作。

推理会带来重复性需求，因为每一次用户请求都会消耗计算能力。花费更多时间进行推理的模型，可能需要为每个答案投入显著更多的处理资源。

智能体 AI 又增加了一层需求。AI 智能体可以规划并执行一系列任务，通常会在完成一次用户请求前多次调用模型。

Huang 认为，这种不断扩大的工作负载正在形成新的扩展模式。更多用户、更长的推理过程、更丰富的媒体内容和自主智能体，都会增加数据中心必须提供的推理量。

这也解释了为何 Nvidia 强调生成 token 的成本，即语言模型生成和处理的单位。客户关心芯片性能，但最终需要的是以可接受成本获得可用输出。

Nvidia 表示，其硬件、网络和软件能够在既定的电力和空间限制内处理更多工作，从而降低这一成本。这些说法仍需针对具体工作负载进行测试，因为实际结果取决于模型、软件、利用率和部署设计。

公司的战略也不只在于销售最快的加速器。Nvidia 掌控着 CUDA——开发者用于编程其 GPU 的软件平台——并为专门的 AI 工作负载提供库。

这一软件基础降低了采用每一代新硬件时的阻力。它也形成了转换成本，因为组织多年来一直围绕 Nvidia 的工具积累专业能力并开发应用。

网络同样变得至关重要。大型 AI 模型会将工作分配给数千个加速器，使芯片间的通信速度成为性能约束。

NVLink、InfiniBand 和 Nvidia 的以太网产品使公司能够获得更多集群预算份额。它们也帮助 Nvidia 销售一种数据中心架构，而非仅在单一处理器规格上竞争。

这一更广泛的平台支撑着 Huang 对 Blackwell 和 Vera Rubin——Nvidia 下一代主要架构——的雄心。在 GTC 2026 上，据一份AI 芯片预测，他预计 Blackwell 和 Rubin 到 2027 年的累计收入至少达到 1 万亿美元。

这一预测是管理层预期，而非已签约的结果。它取决于充足的制造能力、电力、融资、客户需求以及成功的产品过渡。

Rubin 于 2026 年进入全面量产，Nvidia 表示合作伙伴系统将在下半年上市。AWS、Google Cloud、Microsoft 和其他服务商预计将部署基于 Rubin 的基础设施。

Rubin 的快速过渡将以两种方式强化 Nvidia 的 AI 增长：它将创造新一轮升级周期，同时为客户扩展容量以承载更新工作负载提供理由。

但快速的产品周期也可能带来复杂性。客户必须决定是部署现有的 Blackwell 系统，还是等待 Rubin；供应商则必须管理重叠的生产需求。

Nvidia 在维持卓越利润率的同时完成了这些过渡。投资者应关注，随着系统日益复杂、发布间隔缩短，这一纪录能否延续。

真正的对手是 AI 支出的回报率

Nvidia 面临的主要挑战，是证明客户的经济回报能够跟上基础设施采购的步伐。

Nvidia 的客户包括云服务商、消费互联网公司、模型开发商、企业和政府。他们的动机各不相同，但许多采购最终都取决于商业 AI 的普及。

最大的云服务商正以历史性速度增加资本开支。S&P Global Ratings 估计，五家主要服务商在 2026 年的支出可能达到约 7500 亿美元，相当于它们合计收入的约 38%。

这项资本支出估算涵盖的远不止 Nvidia 硬件，还包括建筑、电力系统、网络、处理器、内存、土地及其他基础设施。

不过，这类支出创造了支撑 Nvidia 收入的环境。更多数据中心通常意味着更多销售加速器及其连接设备的机会。

Microsoft 是这种张力的有用例证。该公司预计 2026 年日历年的资本开支约为 1900 亿美元，同时扩展 Azure 和自身的 AI 服务。

在其财年第三季度电话会议上，Microsoft 表示需求超过了现有容量。它也承认，投资者担忧资本开支与由此产生的收入之间的时间差。

Microsoft 同时使用 Nvidia 和 AMD 硬件，并开发自己的 Maia 芯片。这种混合模式体现了更广泛的客户战略：在 Nvidia 的性能和生态系统足以证明成本合理时采购 Nvidia；在经济性更有利时使用替代方案。

Google 采用了类似模式，使用其 Tensor Processing Units。Amazon 提供 Trainium 和 Inferentia 芯片，而 Meta 一直在推进内部芯片，并扩大 AMD 硬件的使用。

这些产品并不需要在每一项任务中都胜过 Nvidia。它们只需以更低运营成本处理足够多的重要工作负载。

定制芯片对于成熟、高容量的推理任务尤其具有吸引力。了解自身工作负载的云服务商可以围绕更狭窄的需求优化硬件。

Nvidia 则以灵活性应对这一威胁。其平台支持多种模型和工作负载，在 AI 架构和客户需求持续变化时尤具价值。

如果工作负载趋于标准化，这一优势就会变得不那么决定性。一旦公司准确知道自己需要什么，专用替代方案可能更具经济性。

因此，竞争关乎总成本和部署速度，而不只是基准测试中的领先地位。客户会考虑能源、网络、软件兼容性、利用率、维护以及延迟扩容的成本。

Nvidia 的高毛利率表明客户仍在重视其完整平台。但这也为寻求分享这些利润的竞争者创造了经济空间。

最大的担忧并非每个客户都会抛弃 Nvidia。即便只是工作负载结构逐步转移，如果客户将 Nvidia 系统保留给最困难的任务，并将常规推理转移到其他地方，增长也可能受到影响。

如果整体 AI 需求扩张快于其市场份额下滑，Nvidia 仍可抵消这一压力。这也是 Huang 强调市场增长，而非捍卫一个固定芯片类别的原因。

对投资者而言，所需证据将体现在客户业绩中。云收入、AI 服务采用率、广告业务改善、开发者需求和企业合同，最终都必须证明基础设施投入的合理性。

Nvidia 92% 的集中度，使这些外部经济因素成为其自身的核心变量。若客户获得强劲回报，建设热潮便可持续；若回报不及预期，采购纪律将会收紧。

Google News 标题未能呈现的内容

收入纪录是真实的，但这一标题百分比背后仍隐藏着多项风险。

首先，Nvidia 依赖于高度集中的买方群体。其客户包括分销商、原始设备制造商、系统集成商、云服务提供商和大型互联网公司。

该公司的监管申报文件将客户集中度列为重要考量因素。少数直接客户即可占据单季营收的显著份额。

直接客户数据并不总能反映最终需求，因为一家制造商或分销商可能服务于多个终端用户。即便如此，大额订单仍会使季度业绩对部署进度更为敏感。

数据中心延期、电力接入不可用、散热问题或融资变化，都可能导致数十亿美元收入在不同报告期之间转移。这些变化并不一定意味着需求流失，但会令增长轨迹变得不均衡。

其次，基础设施本身面临物理约束。先进 AI 系统需要电力、冷却设备、土地、网络以及专业化施工能力。

Nvidia 无法仅靠更快的芯片解决这些瓶颈。其申报文件指出，数据中心、能源和资本的可得性对未来营收至关重要。

第三，制造环节依然高度集中。Nvidia 依赖外部合作伙伴提供先进芯片制造、封装、内存和系统组装服务。

即使其他部件供应充足，需求也可能超过某一种组件的供应量。仅仅因为加速器已经准备就绪，整套机架并不意味着能够出货。

第四，贸易限制已将一个重要市场排除在 Nvidia 的近期预测之外。该公司的展望并未假设来自中国的数据中心计算营收。

这一排除体现了 Nvidia 的实力，因为它在未依赖这一机会的情况下仍实现了创纪录的业绩。但这也表明，政策可以迅速重塑公司的可触达市场。

中国国内加速器的发展又增添了一层不确定性。出口管制可能限制 Nvidia，同时鼓励客户和政府资助替代性生态系统。

第五，会计业绩并不衡量终端用户的回报。Nvidia 可以在最终买家证明 AI 应用能够产生可持续现金流之前确认收入。

这正是将 Nvidia 作为整个 AI 经济代理指标的核心局限。它的销售额告诉投资者基础设施正在建设中，而非运行在其上的每项服务都将取得成功。

随着资本需求增加，这一区别变得更加重要。云服务提供商可以支撑漫长的投资周期，但上市公司股东仍会审视利润率和自由现金流。

初创公司面临的压力更大。许多公司依赖外部融资或云服务额度，同时承担可观的推理成本。如果融资环境走弱，它们的需求可能迅速收缩。

这些风险均不会否定 Nvidia 最新业绩的有效性。它们解释了为何创纪录营收不应自动导向无限增长的预测。

Google News 可能让每一次财报惊喜都看似是永久主导地位的新佐证。投资者需要采用更严格的标准。

正确的检验在于：当客户对价格更加敏感、竞争对手持续进步、基础设施限制加剧时，Nvidia 能否维持其平台价值。

投资者也不应将 92% 这一数字视为多元化。网络、加速器、处理器和软件带来了产品广度，但其中大部分营收仍依赖同一个 AI 资本支出周期。

Nvidia 在一个主导性的经济引擎中拥有多种产品。这强于依赖单一芯片，但弱于拥有彼此无关的需求来源。

Vera Rubin 检验 Nvidia 的平台优势

Rubin 将显示 Nvidia 能否将快速的硬件迭代转化为持久的客户经济效益。

Nvidia 宣布，Vera Rubin 平台已进入全面量产阶段，合作伙伴预计将在 2026 年下半年开始提供该平台。该平台结合了 Vera CPU、Rubin GPUs、网络技术和机架级系统。

Nvidia 表示，相较于 Blackwell，Rubin 可以降低推理成本。这一说法很重要，因为客户需要从每一美元基础设施投入中获得更多产出。

不过，性能主张取决于完整的运行环境。基准测试无法涵盖每一种模型、延迟目标、电价、软件栈或利用率。

最有意义的证据将来自实际部署。云服务提供商必须安装系统、提供可用容量、吸引工作负载，并披露有价值的采用信号。

Rubin 同样考验 Nvidia 的执行力。机架级系统需要协调的组件比独立处理器更多。

涉及散热、网络、内存、软件或电力的问题，都可能延误整个部署。复杂性让 Nvidia 有更多机会创造价值，但也会增加故障点。

平台过渡还将揭示客户的采购行为。若 Blackwell 需求强劲，同时 Rubin 在早期便获得采用，将表明买家急需容量。

若在 Rubin 上市前出现明显的采购暂停，则可能表明产品发布时间对订单的影响大于管理层广泛需求叙事所暗示的程度。

竞争将在这一过渡期间保持活跃。AMD 持续开发数据中心加速器，而主要云服务提供商也在扩大自研芯片计划。

Nvidia 的应对方式，是让平台更难被逐一替代。选择 Nvidia 的客户将获得处理器、加速器、网络、软件、库以及旨在协同运作的部署设计。

这种整合可以缩短安装时间并降低技术风险，但也可能加深对单一供应商的依赖。

不同客户会以不同方式评估这种平衡。前沿模型开发商可能优先考虑最高性能和快速获取新能力。

在极大规模下运营的云服务提供商，可能更重视供应多样性和单位成本。内部专业能力有限的企业，则可能偏好完整且有支持的系统。

Rubin 无需消除这些权衡。它需要让 Nvidia 的优势保持足够价值，使客户继续接受其溢价经济模式。

该架构还需要将需求扩展至少数模型开发商之外。企业采用、主权 AI 项目、机器人、科学计算和工业系统都可能提供额外的增长路径。

这些市场具有不同的销售周期和预算约束。它们的扩张速度未必能与超大规模基础设施保持一致。

这正是为什么对 Rubin 成功与否的判断不应只看发布公告。投资者需要部署规模、云端可用性、利用率及客户营收方面的证据。

结果将检验 Nvidia 的平台战略究竟能带来可重复的收益，还是仅在同一客户群体中加速硬件更替。

投资者接下来应关注的三个信号

下一季度必须将 Nvidia 的创纪录销售与持续需求、成功的 Rubin 部署及客户回报改善联系起来。

第一个信号是 Nvidia 预计于 8 月 26 日发布的第二财季报告。营收指引、数据中心增长、毛利率以及管理层对供应的评论，将显示 Blackwell 的势头是否保持完好。

若业绩由广泛的客户需求支撑，将强化 Huang 的观点。若增长主要由少数异常庞大的部署推动，客户集中度担忧仍未得到解决。

投资者应关注环比增长，而不应只依赖同比比较。由于产品过渡和出口相关费用，上一年度的数字可能成为更容易或更困难的比较基准。

毛利率同样值得关注。稳定的利润率将表明，尽管复杂系统正在爬坡、竞争日益加剧，Nvidia 仍保有定价权。

若出现显著下降，可能反映产品组合、过渡成本、供应条件或竞争性定价。投资者应先研究管理层的解释，再将单季度表现视为结构性变化。

第二个信号是 Rubin 通过主要云服务提供商实现可用的情况。Nvidia 表示，AWS、Google Cloud、Microsoft 及其他公司将部署基于 Rubin 的系统。

仅有公告并不足够。更有力的指标通常包括正式可用的实例、客户访问权限、有意义的容量，以及开发者正在迁移生产工作负载的证据。

快速采用将支持 Nvidia 关于客户重视平台级改进的说法。延迟或可用性有限，则会削弱市场对平稳世代过渡的预期。

第三个信号是超大规模云服务提供商披露的 AI 投资回报。投资者应追踪云业务增长、AI 服务营收、广告收益、软件采用情况，以及管理层对容量利用率的评论。

资本支出可以在回报滞后的情况下维持数个季度的高位。但随着时间推移，这一差距必须收窄。

Microsoft、Alphabet、Amazon 和 Meta 不会披露单一、清晰的 AI 基础设施盈利能力指标。读者必须结合多个指标，并避免将所有云业务或广告增长都归因于 AI。

这项工作不如追踪 Google News 上的每一条 Nvidia 消息那么令人兴奋，但更有用。

如果 Nvidia 持续增长，同时客户报告利用率上升和可衡量的 AI 营收，投资逻辑将更加强劲。若支出攀升而客户利润率和变现能力仍承压，投资逻辑则会减弱。

Nvidia 已经展现出非凡的执行力。其 92% 的数据中心集中度意味着，投资者现在需要从购买其系统的公司获得证明。

严谨的审查可以从财报、监管申报文件、部署更新和客户指标开始。个人知识系统可以帮助跨报告期连接这些信号，而不依赖孤立的新闻标题。

决定性的问题已不再是 Nvidia 能否销售 AI 基础设施。它显然可以。问题在于，这些基础设施带来的经济产出能否足够快地扩张，以支撑 Huang 对下一个万亿美元的预期。