NVDA FY25 Q1財報紀錄

• 季度營收創歷史新高 260 億美元，較第四季成長 18%，較去年同期成長 262% 
• 十換一遠期股票分割於 2024 年 6 月 7 日生效
• 分拆後季度現金股利提高 150% 至每股 0.01 美元
• GAAP EPS為 5.98 美元，季增 21%，年增 629%，non-GAAP EPS為6.12 美元，較上一季成長 19%，比去年同期成長 461%
• Operating income Margin 59%，net income Margin 57%
• 營業現金流來到了153.45億美元，Y/Y +427%

• 資料中心季度營收創紀錄，達 226 億美元，較第四季成長 23%，較去年同期成長 427%
• Gaming業務 第一季遊戲營收為 26 億美元，季減 8%，年增 18%
• Profession Visualization 第一季營收為 4.27 億美元，季減 8%，年增 45%
• Automotive 營收為 3.29 億美元，季增 17%，年增 11%。

展望

NVIDIA對2025財年第二季的展望如下：

• 收入預計為 280 億美元，上下浮動 2%。
• GAAP 和非 GAAP 毛利率預計分別為 74.8% 和 75.5%，上下浮動 50 個基點。全年毛利率預計在 70% 左右。
• GAAP 和非 GAAP 營運費用預計分別約為 40 億美元和 28 億美元。預計全年營運支出將成長 40% 左右。
• GAAP 和非 GAAP 其他收入和支出預計約為 3 億美元，不包括非附屬投資的損益。
• GAAP 和非 GAAP 稅率預計為 17%，上下浮動 1%（不包括任何離散項目）。

想法與紀錄

• 這次全村の希望輝達財報開出其實就只證明了一件事：「只有輝達可以超越輝達」
• CEO黃仁勳表示，下一次工業革命已經開始，許多公司和國家正在與 NVIDIA 合作，將價值數兆美元的傳統資料中心安裝基礎轉向加速運算，並建造新型資料中心、人工智慧工廠，以生產新商品—人工智慧；人工智慧將幾乎為每個產業帶來顯著的生產力提升，幫助企業提高成本和能源效率，同時擴大收入機會，這一點可以從各大CSP業者持續擴大資本支出的動作來證實（像是Microsoft、Google、AWS、Meta ）
• 目前絕大多數的運算收入都是由 Hopper GPU 架構所驅動，本季對Hpper的需求持續增加，由於 CUDA 演算法創新，我們能夠將 H100 上的 LLM 推理速度提高高達 3 倍，這意味著為 Llama 3 模型提供服務的成本降低了 3 倍。
• H200 的推理性能幾乎是 H100 的兩倍，為生產部署帶來了巨大的價值，這意味著，在 NVIDIA HGX H200 伺服器上每花費 1 美元，為 Llama 3 提供服務的 API 提供者可以在 4 年內產生 7 美元的收入。
• Blackwell GPU 架構的訓練速度比 H100 快 4 倍，推理速度快 30 倍，並可在兆參數大型語言模型上即時產生 AI；Blackwell 與 Hopper 相比，TCO 和能耗降低了 25 倍
• NVDA確認，B系列晶片已開始生產一段時間，預計將於Q2小批量出貨、Q3放量、Q4 CSP業者使用
• Blackwell 上市客戶包括亞馬遜、Google、Meta、微軟、OpenAI、甲骨文、特斯拉和XAi
• 黃仁勳也宣布，NVDA在Blackwell的芯片架構之後，還有一款芯片，更新速度預計一年一更新
• 黃仁勳認為，就如同過去客戶從A100過渡到H100時的情形一樣，H100的需求依舊非常高
• 根據 MIT Future Tech Research ( https://arxiv.org/pdf/2403.05812.pdf ) LLM 的能力大約每 8 個月就會翻一倍，速度超過摩爾係數

因為有分析師提到對於，未來B200推出後是否會壓縮到H200市場的疑慮

由於我自己之前沒有在追A100這個部分，所以在我看了Nvidia官網上的深度學習說明和看了一些網路youtuber的影片之後，我自己對黃仁勳想表達的理解是：（只是我個人，不表示市場就是這樣認為）

1. 過去的AI模型，其實就是去區別一個東西是什麼ex:給它一張貓狗照片，它可以通過照片當中的各種特性規律來分辨這是狗還是貓；而生成式AI模型不但可以區分這是狗還是貓，在確認它是貓之後，還能夠根據已分辨的特性規律，「自動」生成其他貓的圖片，也就是「擁有快速生成新內容」的能力
2. 建立AI生成模型其中的關鍵之一就是要訓練這個模型，之前的AI模型在訓練時需要的是有標註的數據(ex:需要提供大量「已經標註」好的數據，來讓模型找規律，但問題在於，沒有那麼多已標注的數據來訓練模型，這就限制了AI的成長）
3. 生成式AI的突破則是「不再需要那些已經標注好的數據，而是直接給模型大量的數據，讓它自己學習規律」，數據可以是任何形式（ex:文字、語言、圖片網頁資料等等）
4. 須留意的是，LLM本身並不懂得「語言」，它只是透過文字規律去來推斷出下一個文字應該是什麼，所以用來訓練的文字可以是任何一種語言，包括編程語言（Meta打造的Llama 3就是另一種LLM)
5. 可以想像要訓練這些模型，需要非常強大的算力和速度，因為「越能用越短時間內學習到越多的數據，這個模型就會越加成熟聰明」
6. 根據黃仁勳的看法，他認為「時間」對於這些企業是非常非常寶貴的，為什麼越快建立數據中心，獲得訓練時間會是這麼寶貴？因為下一個取得主要進展的公司，就可以宣稱自己有了「開創式AI」，而第二名只能聲稱自己改善了0.3%，所以問題是，你想再次成為提供突破性人工智慧的公司還是提供更好 0.3% 的人工智慧的公司？這就是為什麼這場競賽與所有技術競賽一樣如此重要
7. 黃仁勳聲稱，Blackwell除了是世界上最強大的芯片，同時能更好地節約能耗，並且還兼容各類數據中心的散熱系統，這還僅僅是模型訓練部分的應用
8. 生成式AI真正的應用是在生成新內容的「推論（inferencing)」，也就是隨著應用領域越來越廣，需要解決的問題也會越來越複雜，所需要的算力速度要求也會越來越高，更強的算力速度意味著能應對更複雜的模型，隨著更多的使用者和每個使用者的使用強度增加，能帶來更高的算力需求
9. 綜合以上，為了能在越短時間得到越聰明成熟的AI模型，我認為目前各大企業、CSP業者甚至是國家只會越渴求更高算力的芯片，而針對生成式AI模型，除了「訓練」還有「推論」，或許過去各家廠商所購買的H100、H200芯片可以用於推論（因為雖然算力較低，但訓練的時間較長、較成熟，但應該不會再有二次需求）而具有更強大算力速度的Blackwell架構芯片則可以進行訓練，訓練出更聰明成熟的模型，未來就能獲得更好更完整的推論

股價的部分反而簡單，畢竟要拆股了，我自己本身當然還是繼續持有，而就基本面和公司的本質來看，拆股不影響一間公司的本質，進出場的判斷除了基本面之外就是點位，但是拆股之後因為價格變便宜，在心理上會覺得更容易入手，所以我自己不論是拆股前或拆股後，都會依照自己的資金規劃和能力再繼續投入