TL;DR：NVIDIA FY2027 Q1 又是一份干净的 beat——816亿美元营收（同比+85%），752亿美元数据中心（同比+92%），EPS 1.87美元 vs 预期 1.78美元。盘后股价还是跌了 1–2%。漂亮数字已经不够了；市场现在要看到AI 资本开支的可持续 ROI、Blackwell 到 Rubin 的平滑过渡，以及500亿美元中国市场在指引中被归零后的出路。

1. 数字：又一次超预期，又一次没反应

1.1 核心指标一览

NVIDIA 于 2026年5月20日 盘后发布了 FY2027 Q1 财报（截至2026年4月27日的财季）。头条数字毋庸置疑地强劲，但市场的冷淡反应说明投资者给这只股票定价的方式已经发生了深刻变化。[^41^][^28^]

核心矛盾体现在增速的衰减曲线上。同比+85% 在绝对值上极其惊人，但和 FY2025 Q1 的 +262% 相比就黯然失色了。市场已经从”惊叹增长”阶段切换到了”验证可持续性”阶段——估值框架也随之位移。

1.2 新报告结构：数据中心 vs 边缘计算

本季度一个重要的结构性变化是 NVIDIA 将业务部门重组为两大类：[^25^]

• 数据中心：超大规模云、AI 云提供商、工业和企业客户
• 边缘计算：PC、游戏主机、工作站、AI-RAN、机器人和汽车

在这个框架下，数据中心贡献了 $75.24B（占总营收 92.2%），边缘计算贡献了 $6.37B（7.7%）。数据中心内部，计算收入（主要是 GPU）创纪录地达到 $60.4B（同比+77%，环比+18%），网络收入达到 $14.8B（同比+199%，环比+35%）。[^25^][^27^]

# 营收结构验证
total_revenue = 81.62        # 十亿美元
data_center = 75.24
edge_computing = 6.37

dc_compute = 60.4            # GPU 计算
dc_network = 14.8            # 网络

print("=" * 50)
print("NVIDIA FY2027 Q1 营收结构")
print("=" * 50)
print(f"总营收:                 ${total_revenue:.2f}B")
print(f"  数据中心:             ${data_center:.2f}B  ({data_center/total_revenue*100:.1f}%)")
print(f"    ├─ 计算 (GPU):      ${dc_compute:.1f}B  ({dc_compute/data_center*100:.1f}% of DC)")
print(f"    └─ 网络:             ${dc_network:.1f}B  ({dc_network/data_center*100:.1f}% of DC)")
print(f"  边缘计算:             ${edge_computing:.2f}B  ({edge_computing/total_revenue*100:.1f}%)")
print(f"\n网络业务同比增速: +199%——被严重低估的亮点")
print(f"这反映了 AI 集群规模指数级扩张的特征：1K→10K→100K GPU")
print(f"需要 NVLink、InfiniBand、Spectrum-X 规模化部署。")

关键洞察：网络业务 +199% 的同比增速是最被低估的亮点。它反映了 AI 集群规模的指数级增长——当 GPU 数量从数千增长到数十万，NVLink、InfiniBand 和 Spectrum-X 以太网就成了系统级瓶颈。网络业务的超常增长，正是 NVIDIA”全栈 AI 工厂”叙事的有力验证。

2. 估值：从”增长溢价”到”现金牛定价”

2.1 当前估值指标

市值约 5.41万亿美元，NVIDIA 当前的交易倍数如下：[^26^]

NVIDIA 的 Forward P/E 约 24倍，低于半导体行业中位数——对一家营收增速 85% 的公司来说，这很反常。[^38^] 这意味着过去一年利润的增长速度已经超过了股价的上涨速度，估值倍数被”被动压缩”了。

用 Gordon 增长模型做一个粗略的公允价值估算：假设要求回报率 (r = 10%)，Forward EPS 约 ($7.5)，可持续长期增长率 (g = 8%)：

[ P = \frac{\text{EPS} \times (1 + g)}{r - g} = \frac{7.5 \times 1.08}{0.10 - 0.08} = \frac{8.1}{0.02} = $405 ]

这个简化版 DDM 没有考虑周期性、地缘政治风险或竞争动态。更严谨的方法是用概率加权的 DCF 场景：

"""
NVIDIA 三场景 DCF 估值（十亿美元）
"""
import numpy as np

def dcf_valuation(fcf_base, growth_rates, terminal_growth, wacc, shares=24.22):
    """多期 DCF，包含显式预测期。"""
    pv_fcf = 0.0
    fcf = fcf_base

    for i, g in enumerate(growth_rates):
        fcf *= (1 + g)
        pv_fcf += fcf / ((1 + wacc) ** (i + 1))

    terminal_fcf = fcf * (1 + terminal_growth)
    terminal_value = terminal_fcf / (wacc - terminal_growth)
    pv_terminal = terminal_value / ((1 + wacc) ** len(growth_rates))

    return (pv_fcf + pv_terminal) / shares

# Q1 FCF ≈ $49B；年化基线约 $196B
base_fcf = 49 * 4

scenarios = {
    "乐观（AI 热潮持续）": {
        "growth": [0.50, 0.40, 0.30, 0.20, 0.15],
        "terminal": 0.06, "wacc": 0.09, "weight": 0.50
    },
    "基准（回归常态）": {
        "growth": [0.35, 0.25, 0.18, 0.12, 0.10],
        "terminal": 0.04, "wacc": 0.10, "weight": 0.35
    },
    "悲观（中国市场丢失+竞争加剧）": {
        "growth": [0.20, 0.12, 0.08, 0.05, 0.03],
        "terminal": 0.03, "wacc": 0.11, "weight": 0.15
    }
}

print(f"{'场景':<40} {'每股价值':>12} {'权重':>8}")
print("-" * 65)

weighted = 0.0
for name, params in scenarios.items():
    val = dcf_valuation(base_fcf, params["growth"],
                        params["terminal"], params["wacc"])
    weighted += val * params["weight"]
    print(f"{name:<40} ${val:>10.0f}   {params['weight']:>6.0%}")

print("-" * 65)
print(f"{'概率加权公允价值':<40} ${weighted:>10.0f}")
print(f"\n当前股价（~$223）落于'基准'到'乐观'之间")

2.2 资本回报：向”蓝筹”看齐

对价值投资者来说，本季度最值得关注的不是营收超预期，而是两项资本回报公告：[^41^][^35^]

1. 股息大幅上调：季度股息从 $0.01 提高至 $0.25——涨了 24倍。按 ~$223/股计算，年化收益率约 0.45%，金额不大，但象征意义极强：管理层释放了定期审议股息的信号。

2. $800亿回购授权：在尚有 $385亿 未使用的既有授权基础上，董事会又追加了 $800亿，[^35^] 相当于市值的约 14.8%——美国股市历史上规模最大的回购计划之一。

这些动作，加上创纪录的 $490亿季度自由现金流（高于 FY2026 Q4 的 $350亿），[^35^] 清晰地勾勒出一个叙事：NVIDIA 不再是一只依赖资本市场输血的成长故事股。它是一台自我造血的印钞机，正在向股东返还资本。

3. “AI 工厂”叙事：黄仁勋的长期赌注

3.1 从”卖铲子”到”建电厂”

在财报声明中，黄仁勋将 AI 基础设施建设描述为人类历史上最大规模的基础设施扩张：[^41^]

“AI 工厂的建设——人类历史上最大规模的基础设施扩张——正在以非凡的速度加速推进。Agentic AI 已经到来，正在做着有产出的工作，创造着实实在在的价值，并在企业和行业中快速规模化。”

“AI 工厂”框架代表了 NVIDIA 从”GPU 设计公司”到”全栈 AI 基础设施提供商”的战略进化。它运作在三个层次：

graph TD
    A["🤖 AI 工厂：三层架构"] --> B["🔷 芯片层"]
    A --> C["⚙️ 系统层"]
    A --> D["💻 软件层"]
    
    B --> B1["Blackwell/Rubin GPU + Grace CPU"]
    B --> B2["208B→400B+ 晶体管/GPU"]
    B --> B3["TSMC 3nm + HBM4E 显存"]
    
    C --> C1["GB200/GB300 NVL72 服务器"]
    C --> C2["NVLink 6：3.6TB/s 互联"]
    C --> C3["InfiniBand / Spectrum-X 网络"]
    
    D --> D1["CUDA：1500万+ 开发者"]
    D --> D2["cuDNN + TensorRT + AI Enterprise"]
    D --> D3["6-12个月迁移成本护城河"]
    
    style A fill:#e3f2fd,stroke:#1a73e8,stroke-width:3px
    style B fill:#fff3e0,stroke:#f57c00,stroke-width:2px
    style C fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
    style D fill:#fce4ec,stroke:#c2185b,stroke-width:2px

3.2 Agentic AI：下一个需求引擎

财报电话会重点强调了 Agentic AI——能够执行多步骤任务的自主代理，从编程、数据分析到业务流程自动化。与专注于内容生成的生成式 AI 不同，Agentic AI 将计算密集度从训练转向了推理，而推理中的实时响应需求和复杂决策链可能会要求更高的计算密度。[^25^]

CFO Colette Kress 披露，超大规模云客户约占数据中心销售额的 50%，另外 50% 来自 AI 云、工业、企业和主权客户——且后者的环比增速高于前者。[^20^] 这表明 AI 需求正在从少数几家科技巨头扩散到更广泛的长尾采用者群体——这正是”AI 工厂”理论需要的外部验证。

4. Blackwell → Rubin：走钢丝

4.1 产品路线图与爬坡时间表

NVIDIA 在财报电话会上确认了以下下一代架构时间表：[^27^][^42^]

timeline
    title NVIDIA 数据中心 GPU 架构路线图
    2022 : Hopper (H100)
         : 800亿晶体管
         : HBM3，3.35 TB/s
    2024 : Blackwell (B200)
         : 2080亿晶体管  
         : HBM3E，8 TB/s
    2025 : Blackwell Ultra (B300)
         : 2080亿晶体管
         : 12层 HBM3E，~12 TB/s
         : 性能较 B200 +50%
    2026 : Vera Rubin
         : TSMC 3nm，~3000亿晶体管
         : HBM4E 8层，~18 TB/s
         : Q3 发布，Q4 量产爬坡
    2027 : Rubin Ultra
         : ~4000亿晶体管
         : HBM4E 12层，~25 TB/s
         : 5.5倍光罩 CoWoS

Blackwell 的需求目前被描述为”远超供应”，[^3^] 这也是支持 NVIDIA 75% 毛利率的基础。但随着 Vera Rubin 的样品已经交到客户手中，市场担心出现”等 Rubin”效应——客户延迟 Blackwell 订单，直接跳到下一代。

4.2 供应链风险：CoWoS 依然是持久瓶颈

Blackwell 约 3 个月的生产延迟已经暴露了先进封装的脆弱性。[^3^] 随着芯片设计从单片（Hopper）演进到双 die（Blackwell），再到多 die + 光互联（Rubin），封装复杂度呈指数级增长。TSMC 的 CoWoS 产能在扩张，但供需失衡预计将持续到 2026–2027 年。

flowchart LR
    subgraph Q1 ["FY2027 Q1（现在）"]
        A["🟢 Blackwell\n售罄\n需求 >> 供应"]
    end
    
    subgraph Q2Q3 ["FY2027 Q2-Q3"]
        B["🔵 Blackwell Ultra\n量产爬坡"]
        C["🟡 Vera Rubin\n客户送样"]
    end
    
    subgraph Q4 ["FY2027 Q4"]
        D["🟠 关键风险窗口：\nRubin 过渡期"]
    end
    
    subgraph FY28 ["FY2028"]
        E["🟣 Rubin Ultra\n全面量产"]
    end
    
    A --> B --> D --> E
    C -.-> D
    
    style A fill:#c8e6c9,stroke:#2e7d32,stroke-width:2px
    style D fill:#fff3e0,stroke:#ef6c00,stroke-width:3px
    style E fill:#e3f2fd,stroke:#1565c0,stroke-width:2px

5. 中国：薛定谔的 500亿美元市场

5.1 量化 H20 禁令的影响

FY2027 Q1 指引明确假设中国数据中心收入为零。[^41^] 这源于 2025 年 4 月美国政府禁止向中国出口 H20 芯片——即便是特供中国的降级版本也被封锁了。[^48^]

财务影响直接而剧烈：[^48^][^60^]

• $55亿一次性计提：H20 相关产品的库存减计、采购承诺和准备金
• Q2 FY2027 额外损失 $80亿营收：禁令在第二季度的预期影响
• 上半年合计损失 $105亿：仅 FY2027 上半年就因禁令损失了这笔收入
• 中国收入占比轨迹：从 2022 年占总营收的 26%，到 FY2025 年约 ~13%（约 $171亿），现在被指引为零

"""
NVIDIA 中国市场影响分析（十亿美元）
"""
charge_inventory = 5.5       # Q1 一次性计提
q1_lost_revenue = 2.5       # Q1 因 H20 禁令损失的收入
q2_lost_revenue = 8.0       # Q2 预期收入影响

fy2025_china_revenue = 17.1  # FY2025 中国+香港收入
china_pct_2022 = 26.0
china_pct_fy2025 = 13.0

addressable_china_tam = 50.0  # 中国 AI 加速器 TAM 估计约 $500亿

print("=" * 55)
print("NVIDIA 中国市场影响分析")
print("=" * 55)
print(f"一次性库存计提（Q1）:              ${charge_inventory:.1f}B")
print(f"Q1 H20 禁令损失收入:               ${q1_lost_revenue:.1f}B")
print(f"Q2 预期收入影响:                   ${q2_lost_revenue:.1f}B")
print(f"FY2027 上半年合计收入影响:          ${q1_lost_revenue + q2_lost_revenue:.1f}B")
print(f"\n中国收入占比轨迹:")
print(f"  2022:     {china_pct_2022:.0f}% 占总营收")
print(f"  FY2025:   {china_pct_fy2025:.0f}% (~${fy2025_china_revenue:.1f}B)")
print(f"  FY2027 指引: 0%（明确排除）")
print(f"\n中国 AI 加速器可寻址市场: ~${addressable_china_tam:.0f}B")
print(f"这是 NVIDIA 估值中最大的一项不确定性。")

5.2 地缘政治的叠加态

中国的情况处在一种类似量子叠加态之中——“可能重新开放”和”永久关闭”同时存在：[^41^][^4^]

• 美方：特朗普政府在 2025 年 12 月宣布，NVIDIA 可以向中国出售 H200 芯片，条件是向美国政府缴纳营收的 25%——这一前所未有的安排的法律和操作可行性，用 CFO Colette Kress 的话说，目前仍”不确定”。[^41^]
• 中方：北京正敦促国内企业采用国产替代方案（如华为昇腾 910B），并警告 NVIDIA 芯片可能存在安全后门。[^4^]

这个约 500亿美元 可寻址市场的走向，是嵌入 NVIDIA 估值的最大单一不确定性。

6. 超大规模资本开支：7250亿美元的 AI 军备竞赛

6.1 超大规模厂商的”囚徒困境”

NVIDIA 的收入引擎由四大超大规模厂商合计约 7250亿美元的 2026 年资本开支承诺驱动——较 2025 年的约 4100亿美元增长 77%。[^40^][^43^]

xychart-beta
    title "超大规模 AI 资本开支：2025 实际 vs 2026 指引（十亿美元）"
    x-axis [Amazon, Alphabet, Microsoft, Meta, Oracle]
    y-axis "资本开支（十亿美元）" 0 --> 220
    bar [100, 91.4, 80, 72.2, 35]
    bar [200, 190, 190, 145, 50]
    line [100, 91.4, 80, 72.2, 35]
    line [200, 190, 190, 145, 50]

超大规模厂商的 AI 资本开支中约 40% 流向半导体层，NVIDIA 仍是最大的受益者。[^31^] 但一个关键趋势正在加速：每家超大规模厂商都在投入数十亿美元开发定制 ASIC（谷歌 TPU、亚马逊 Trainium、微软 Maia），以降低对 NVIDIA 的依赖。

6.2 资本开支 ROI 的达摩克利斯之剑

投资者对这种烧钱的态度正在转变。2026 年 4 月，当 Meta 将 2026 年资本开支指引上调至 $125–145B 时，其股价盘后暴跌 9%——尽管营收超预期 33%、经营利润率高达 41%。[^30^] 市场越来越在意 AI 投资是否产生了对等的回报。

graph TB
    A["💰 超大规模 $7250亿+ 资本开支"] --> B["~40% → 半导体"]
    A --> C["~30% → 数据中心建设"]
    A --> D["~20% → 网络/存储/其他"]
    A --> E["~10% → 软件/服务"]
    
    B --> F["NVIDIA：~60-70% 份额\n→ $1700-2000亿收入机会"]
    B --> G["定制 ASIC：快速增长\n→ 长期份额威胁"]
    
    C --> H["电力/冷却需求激增\n→ 核能/天然气受益者"]
    
    F --> I{"❓ 核心问题：\n客户从 AI 投入中获得 ROI 了吗？"}
    I --> J["✅ 是：资本开支继续扩大\nNVIDIA 进入多年上行周期"]
    I --> K["❌ 否：2027-2028 进入\n消化期"]
    
    style A fill:#e3f2fd,stroke:#1a73e8,stroke-width:2px
    style F fill:#c8e6c9,stroke:#2e7d32,stroke-width:2px
    style I fill:#fff3e0,stroke:#ef6c00,stroke-width:3px
    style J fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style K fill:#ffebee,stroke:#c62828,stroke-width:2px

7. 竞争格局：CUDA 护城河 vs ASIC 侵蚀

7.1 NVIDIA 的竞争优势矩阵

NVIDIA 的主导地位建立在一个多层护城河之上，远不止芯片性能：

7.2 ASIC 威胁：真实但范围有限

最可信的长期威胁来自超大规模厂商的定制 ASIC。摩根大通估计定制芯片将在 2028 年占据 AI 芯片市场的 45%，高于 2024 年的 37%。[^47^] 不过，威胁的实质比标题数字更微妙：

• 谷歌 TPU：最成熟的 ASIC 项目。TPU v7（Ironwood）提供卓越的推理效率，Anthropic 承诺部署数十万颗 Trillium 芯片。[^57^] 但 TPU 仍主要用于谷歌内部工作负载和云客户。
• 亚马逊 Trainium：三位数增速增长。AWS 声称特定工作负载的性价比比 GPU 实例高 30–40%。[^50^] 亚马逊芯片部门年化收入已突破 $200亿。[^20^]
• 微软 Maia：据报道进度延迟且性能不及 Blackwell，迫使微软仍然严重依赖 NVIDIA。[^50^]

"""
AI 加速器市场份额预测（2024-2028）
"""
years = [2024, 2025, 2026, 2027, 2028]

# NVIDIA GPU 份额随 ASIC 增长而下降
nvidia_share =    [63, 60, 58, 55, 52]  # %
custom_asic =     [37, 40, 42, 45, 48]  # %（谷歌 TPU + 亚马逊 Trainium + Meta + MSFT）

# 定制 ASIC 内部分布
google_tpu =      [18, 20, 22, 24, 25]
amazon_trainium = [10, 12, 13, 14, 15]
other_asic =      [9,  8,  7,  7,  8]

print("=" * 60)
print("AI 加速器市场：GPU vs 定制 ASIC 份额")
print("=" * 60)
print(f"{'年份':<8} {'NVIDIA GPU':>12} {'定制 ASIC':>14} {'TPU':>8} {'Trainium':>10}")
print("-" * 60)
for i, y in enumerate(years):
    print(f"{y:<8} {nvidia_share[i]:>11}% {custom_asic[i]:>13}% {google_tpu[i]:>7}% {amazon_trainium[i]:>9}%")
print("-" * 60)
print("\n关键洞察：ASIC 不是在替代 NVIDIA GPU。")
print("它们是在分流增量的推理需求。")
print("训练工作负载仍由 NVIDIA 主导，占比超过 80%。")
print("来源：摩根大通研究，公司披露")

关键区别：定制 ASIC 主要分流的是推理工作负载，而非训练。训练大型基础模型（LLM）仍然需要只有 NVIDIA GPU 才能提供的可编程性、内存带宽和生态灵活性。这种分化对行业多元化是健康的，但并不威胁 NVIDIA 的核心训练主导地位。一位分析师这样概括：NVIDIA 可能在 2026 年失去 1-2个百分点的市场份额，但这是”在 NVIDIA 继续扩张的同时进行实验，而非替代”。[^61^]

8. 解码市场反应：为什么好消息还不够好

8.1 预期管理的四个阶段

NVIDIA 的股价在过去五个季度中有四次在业绩超预期后反而下跌——这一模式揭示了市场预期如何发生了结构性迁移：[^18^]

flowchart LR
    A["🌱 第一阶段：\nAI 叙事发现"] --> B["🚀 第二阶段：\n盈利爆发"]
    B --> C["🏭 第三阶段：\n供应实现"]
    C --> D["⚖️ 第四阶段：\n资本开支验证\n（当前所处）"]
    
    A -->|"ChatGPT 之后：\nGPU = AI 核心"| A1["估值快速膨胀\nP/E 50-100x"]
    B -->|"数据中心每季翻倍"| B1["盈利消化估值\nP/E 30-50x"]
    C -->|"Blackwell、CoWoS、HBM"| C1("供应链成为\n瓶颈焦点")
    D -->|"客户 ROI？"| D1("资本开支可持续性\n+ Rubin 过渡风险")
    
    style A fill:#e3f2fd,stroke:#1565c0,stroke-width:2px
    style B fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style C fill:#fff3e0,stroke:#ef6c00,stroke-width:2px
    style D fill:#ffebee,stroke:#c62828,stroke-width:3px
    style D1 fill:#ffebee,stroke:#c62828,stroke-width:2px

市场已经进入了第四阶段。投资者不再问”NVIDIA 卖了多少 GPU？“，而是问：“买这些 GPU 的客户能产生足够的回报来继续买更多吗？” 这是一个宏观层面的、更难验证的问题——这也解释了为什么 NVIDIA 约 24 倍的 Forward P/E，即便低于半导体中位数，也不会自动意味着”买”。

8.2 期权市场信号

财报前期权定价隐含了 5–10% 的盘后波动，[^18^] 而实际盘后波动仅为 1–2%。这种”低波动超预期”模式表明，机构投资者已经提前消化了强劲业绩，他们的注意力集中在Q2 指引和关于未来需求的定性评论上，而非头条数字。

9. 前瞻展望：FY2027 全年与关键催化剂

9.1 全年营收框架

基于 Q1 实际值和 Q2 指引，我们可以构建 FY2027 的营收框架：

"""
NVIDIA FY2027 全年营收预测（十亿美元）
"""
q1_actual = 81.62
q2_guidance_mid = 91.0
q3_estimate = 98.0       # Blackwell Ultra + Rubin 早期
q4_estimate = 105.0      # Rubin 量产爬坡

fy2027_total = q1_actual + q2_guidance_mid + q3_estimate + q4_estimate
fy2026_total = 221.0      # FY2026 实际约 $221B

consensus_dc_fy2027 = 343.4  # Visible Alpha 一致预期 [^2^]

print("=" * 55)
print("NVIDIA FY2027 全年营收预测")
print("=" * 55)
print(f"Q1（实际）:          ${q1_actual:>8.2f}B")
print(f"Q2（指引中值）:      ${q2_guidance_mid:>8.2f}B")
print(f"Q3（预估）:           ${q3_estimate:>8.2f}B  (Blackwell Ultra + Rubin 早期)")
print(f"Q4（预估）:           ${q4_estimate:>8.2f}B  (Rubin 量产爬坡)")
print("-" * 55)
print(f"FY2027 合计:          ${fy2027_total:>8.2f}B")
print(f"FY2026 实际:          ${fy2026_total:>8.2f}B")
print(f"同比增速:             +{((fy2027_total/fy2026_total)-1)*100:.1f}%")
print(f"\n分析师一致预期（仅数据中心）:")
print(f"  Visible Alpha:      ${consensus_dc_fy2027:.1f}B")
print(f"  隐含总营收:         ~${consensus_dc_fy2027/0.92:.0f}B (假设 DC 占 92%)")

Visible Alpha 的一致预期预测 FY2027 数据中心收入为 $343.4B，[^2^] 这意味着下半年（尤其是 Q4）必须显著加速——前提是 Rubin 的量产爬坡不出现中断。

9.2 催化剂日历

10. 结论：NVIDIA 的三道门

NVIDIA FY2027 Q1——$81.6B 营收、$1.87 EPS——再次确认了公司在 AI 基础设施领域的绝对主导地位。但盘后股价下跌揭示了一个更深刻的投资命题：NVIDIA 已经从”能不能增长？“变成了”增长质量怎么样？”。

未来 12–18 个月，NVIDIA 必须通过三道门：

三道门全过，NVIDIA 约 24倍 的 Forward P/E 和约 0.60 的 PEG 将显得异常有吸引力。任何一道门出问题，市场都会要求估值重估。正如黄仁勋所说，AI 工厂代表着”人类历史上最大规模的基础设施扩张”——但这场扩张有没有终点，以及 NVIDIA 能从中捕获多少份额，这个问题连 816 亿美元的季度营收都无法完全回答。

免责声明：本文仅供信息和分析目的，不构成投资建议。所有数据来源于公开的财务报告和行业分析。过往业绩不代表未来表现。