财报会议

NVIDIA FY25 Q4 财报 — Blackwell ramp

历史背景：Blackwell 商用量产之后的第一份完整季度。单季度 Blackwell 营收 110 亿美元，被 黄仁勋 称为 "NVIDIA 史上最快的产品爬坡"。这场会议上 黄仁勋 也首次公开把 AI 的 scaling law 拓展为三条：pretraining、post-training、以及 test-time scaling/推理时长扩展。他用 DeepSeek-R1 作为切入口，论证 推理时代 的到来——以及为什么 Blackwell 是为这个时代量身定制的。

Q&A 精选

训练、推理的边界正在模糊

分析师问：随着 test-time compute 和强化学习越来越关键，训练和推理的界限越来越模糊。这对未来是否会有"专门用来推理的集群"、以及对 NVIDIA 和你的客户有什么影响？

黄仁勋：现在有多条 scaling law 同时在生效。

第一条是 pretraining scaling。这条会继续放大，因为我们有了多模态、我们有了来自推理过程的数据用于预训练。

第二条是 post-training scaling——用 RLHF、RLAIF、可验证奖励做的强化学习。post-training 用掉的算力实际上已经超过了 pretraining。这件事其实很合理：当你做强化学习的时候，会生成海量合成数据、海量 token——AI 模型本质上在生成 token 来训练另一个 AI 模型。

第三条是 test-time compute / 推理时长扩展 / reasoning。今天一个带 chain-of-thought、带搜索的推理模型，一次任务消耗的 token 量已经是早期单次推理的 100 倍。这才刚刚开始。下一代可能是今天的几千倍；真正的模拟/搜索模型可能是今天的几十万倍、几百万倍。

那怎么去设计这样一个架构呢？有些模型是自回归的，有些是 diffusion 的，有时你要做 disaggregated inference，有时要做紧耦合的。你很难预先知道数据中心最佳配置是什么——这正是为什么 NVIDIA 的架构如此受欢迎。我们跑所有的模型。我们擅长训练。今天我们的算力中有绝大多数都在跑推理，而 Blackwell 把这一切又拉到一个新的高度。

我们设计 Blackwell 的时候就是冲着 reasoning 模型去的。在长思考的 test-time scaling 场景下，Blackwell 比 Hopper 快几十倍、吞吐高 25 倍。你可以根据当前是 pretraining、post-training 还是 scale-out 推理灵活地配置数据中心——我们的架构是 fungible 的。我们看到的是：比以往任何时候都更集中地走向一个统一架构。

GB200 爬坡与 Grace Blackwell 的复杂度

分析师问：GB200 爬坡进展如何？系统级瓶颈是否已经解除？你们对 NVL72 平台还一样有信心吗？

黄仁勋：我今天比 CES 的时候更有信心，因为我们自从 CES 以来已经出货了很多。

我们有大约 350 家工厂在制造每一台 Blackwell 整机柜里的 150 万个零件。这件事非常复杂，但我们成功、快速地爬坡，上季度交出了 110 亿美元 Blackwell 收入。我们得继续扩大规模，因为需求非常高，客户都在焦急地等着拿到自己的 Blackwell 系统。CoreWeave 已经公开宣布成功上线，微软也是，OpenAI 也是。没有一件事是容易的，但我们做得很好。

强需求为什么能延续

分析师问：什么指标让你有信心这种强需求能持续到明年？DeepSeek 改变你的看法了吗？

黄仁勋：Vivek 我们知道几件事。

第一，我们对数据中心的资本开支规模有相当清晰的可见度。

第二，我们知道未来大部分软件都会是基于机器学习的。所以 加速计算 和 生成式 AI、reasoning AI 就是你数据中心里该要的那种架构。

第三是来自顶级合作伙伴的 forecast，以及下一波令人兴奋的创业公司。不管是 agentic AI、reasoning AI 还是 物理 AI，这些公司都在蓬勃涌现，每一家都需要大量算力。

更根本地说：软件已经从"人类手写、跑在 CPU 上"切换成"基于机器学习、跑在 GPU 和加速计算系统上"了。这就是软件的未来。

另一种看法：我们其实才刚刚触及消费级 AI、搜索、广告、推荐系统——这些都是软件的前菜。下一波正在到来：面向企业的 agentic AI、面向机器人的 物理 AI、以及各地区自建生态的 sovereign AI。每一个都还几乎没有起步，我们能看到它们，因为我们就在这些发展的中心。

Blackwell Ultra 与 Vera Rubin 的节奏

分析师问：Blackwell Ultra 下半年量产是否还在计划上？你们同时爬坡两代产品，客户和供应链怎么消化？

黄仁勋：是的，Blackwell Ultra 在下半年。第一代 Blackwell 我们遇到了一个小插曲，大概损失了几个月——当然我们已经完全恢复了。团队表现极其出色。

下一代列车不会停。下一代是年度节奏，Blackwell Ultra 会带来新的网络、新的内存、新的处理器。这次我们已经和所有合作伙伴充分沟通好了。

从 Blackwell 到 Blackwell Ultra 这个过渡，系统架构几乎没变。真正难的是从 Hopper 到 Blackwell 那一跳——我们从 NVLink 8 跳到了 NVLink 72——机架、架构、硬件、供电全都要重做。但 Blackwell Ultra 会直接插进现有架构里。

我们也已经在和大家一起准备 Blackwell Ultra 之后的那一代。它叫 Vera Rubin——会是又一次巨大的跳跃。GTC 见。

ASIC vs GPU：四个理由

分析师问：很多定制 ASIC 出来了。客户会建异构 supercluster 吗？还是这些基础设施各管各的？

黄仁勋：我们和 ASIC 做的事情其实完全不一样。

第一，NVIDIA 的架构是通用的。不管是自回归、diffusion、视觉、多模态还是纯文本模型，我们都很好。因为我们的栈足够通用、生态足够丰富，所以几乎每一个创新算法都会首先以 NVIDIA 架构作为目标。

第二，我们是端到端的。从数据处理、数据 curation，到训练、post-training 里的 RL，再到带 test-time scaling 的推理——整条流水线。

第三，速度就是性能、性能就是收入。数据中心的尺寸是固定的，或者电力是固定的。如果我们的 performance-per-watt 是 2 倍、4 倍、8 倍，那直接就是 2 倍、4 倍、8 倍的收入——因为 AI 工厂 的收入是通过生成的 token 直接变现的。这是过去任何数据中心都没有的特性。

第四，软件栈非常难。建一颗 ASIC 和建一个架构没区别。但今天在我们架构之上的生态系统，已经比两年前复杂了 10 倍。

最后我要说一句：设计一颗芯片不等于它会被部署。你已经看到过很多次了，很多芯片被造出来，但部署的时候，一个商业决策就要做——给这个面积、这个功耗有限的 AI 工厂换上哪个引擎？我们不仅技术更先进、性能更好，软件能力更强，而且我们的部署速度是光速级的。

AI 全面走进主流

分析师问：美国地区营收环比大增 50 亿美元左右。如果其他地区有监管限制，美国能撑起来吗？

黄仁勋：中国现在的比例大致和 Q4、和之前几个季度差不多，大约是出口管制之前的一半。

但更重要的一点：AI 就是软件。它是现代软件，非常了不起的现代软件。AI 已经进入主流。你买一盒牛奶送货上门——AI 参与了。每一个学生都会用 AI 当家教。医疗、金融、气候、矿产勘探、每一所大学、每一家金融科技公司……几乎每一个消费服务里 AI 都是核心。

我们真的在这场转变的开端。过去几十年建起来的数据中心是为"手工编写代码 + 通用 CPU"的世界而设计的。未来几乎所有软件都会被 AI 浸透，所有服务最终都建立在机器学习之上，数据飞轮会成为改善软件和服务的方式，未来的计算机将是加速的，未来的计算机将基于 AI。我们才走了两年——而我们要现代化的，是花了几十年建起来的数据中心体系。

还有最后一点：没有任何一项技术，曾经有机会服务全世界 GDP 这么大的一块。从来没有一个软件工具能达到这种规模。所以，当我们谈论 NVIDIA 的增长是大是小时，必须放在这个背景下看——从这个角度说，我们真的才刚刚开始。

为什么老的 GPU 也没有闲着

分析师问：距离 2023 年 Hopper 拐点快两年了，什么时候是大规模替换周期？

黄仁勋：我先说一件事：今天人们还在用 Volta、Pascal、Ampere。为什么？因为 CUDA 平台 是可编程的，这些老卡总有事情可做。

Blackwell 今天的一大类负载是数据处理和数据 curation。你找出一个 AI 模型不擅长的场景——比如一辆车遇到某种路况——你把它喂给一个视觉语言模型，让它描述"这里发生了什么，我为什么不擅长"，然后你用 AI 去你的整个数据湖里找"类似的情况"，再用另一个 AI 做域随机化生成更多例子，最终生成训练集，喂给 Hopper 系统去训练。

所以这几代架构都是 CUDA 平台 兼容的，负载可以跑在任何一代上。如果你有老的基础设施，你就把负载较轻的活儿丢到上一代装机里——所有人都充分被雇佣。

agentic AI 与物理 AI：企业机会比云更大

分析师问：企业的增速已经和大 CSP 一样了。CSP 的内外部使用怎么分布？未来企业会不会变成更大的一块？

黄仁勋：CSP 大约占我们业务的一半。CSP 本身有内部消费也有外部消费，而我们和他们一起紧密优化内部负载，这让他们已经投入的 NVIDIA 基础设施利用率更高。因为我们对 AI、对视频处理、对 Spark 这种数据处理都能加速——我们是 fungible 的。基础设施的可用寿命更长，TCO 就更低。

至于企业和非 CSP 部分未来会不会变得更大——长期看，我相信它会远远更大。

给你一个例子。以汽车公司为例，它同时做"软的东西"和"硬的东西"。

所以一共涉及三台计算机：一台帮助人；一台为机器构造 AI；一台在物理世界里运行。这些物理系统需要一种新的 AI——我们叫它 物理 AI。它不能仅仅理解语言和意义，它必须理解世界的意义——摩擦力、惯性、物体永恒性、因果。所有这些对你我是常识，但 AI 要去学这些物理效应。

用 agentic AI 彻底改变企业内部工作方式，这才刚开始。然后是 物理 AI，然后是机器人系统。这三台新计算机都是全新的。从长期看，这块会远远更大——这其实合情合理，因为全球 GDP 本质上就是由重工业和为它们服务的公司构成的。

闭幕陈述

Blackwell 的需求是非同寻常的。AI 正在从感知和 生成式 AI 演进到 reasoning。在 reasoning AI 下，我们看到另一条 scaling law 出现——inference time / test-time scaling——模型思考得越多，答案越聪明。OpenAI o3、Grok 3、DeepSeek-R1 都是应用推理时长扩展的 reasoning 模型。Reasoning 模型可以消耗 100 倍的算力。未来的 reasoning 模型可能再消耗更多。

DeepSeek-R1 点燃了全球热情。这是一个了不起的创新——更重要的是，它开源了一个世界级的推理模型。今天几乎每一个 AI 开发者都在用 R1、或者用 R1 那种 chain-of-thought + RL 的技术来扩展自己的模型。

我们现在有三条 scaling law 在推动 AI 算力的需求：
1. 传统的 scaling law 仍然在延续，预训练仍在增长；
2. post-training scaling——RL、微调、蒸馏所需算力是预训练的数倍；
3. 推理时长扩展——一次查询可以多消耗 100 倍算力。

我们正是为这一刻定义了 Blackwell。一个可以从预训练、后训练到推理时长扩展无缝切换的单一平台。Blackwell 的 FP4 transformer engine、NVLink 72 scale-up fabric 和新的软件技术，让它处理 reasoning AI 模型的速度是 Hopper 的 25 倍。Blackwell 现在在全部配置上都已经量产。每一个 Grace Blackwell NVLink 72 机柜都是工程奇迹：150 万个零件，由 350 家工厂、近 10 万名产线工人制造。

AI 正在以光速演进。我们站在 reasoning AI 和推理时长扩展的起点——但真的只是 AI 时代的起点。多模态 AI、企业 AI、主权 AI 和 物理 AI 就在转角处。2025 年我们会有强劲的增长。

往后看，数据中心的大部分资本开支都会投入到加速计算和 AI 上。数据中心会逐步变成 AI 工厂——每家公司要么租用、要么自建。

原文出处：Motley Fool — NVDA Q4 FY25 Earnings Call Transcript
相关卡片：Blackwell · Vera Rubin · 推理时代 · 物理 AI · AI 工厂 · Extreme Co-Design · Hopper · Token 经济