【Nvidia季報解析】 獲利能預測無損霸主地位：市場忽略了車用巨大潛力；確立企業 AI 的世界級 TAM

專欄漲價前通知，現在訂閱終身享有原價
本專欄將於 3/14 起調漲訂閱費用，歡迎對於總經、半導體、車用、紡織、零售銷售其中一項有興趣，或是想持續吸收時事資訊的朋友趁漲價前訂閱，終身享有原價。
每年 $990 訂閱方案👉 https://reurl.cc/VNYVxZ
每季 $300 訂閱方案👉https://reurl.cc/O5zq5g

一、本季表現

本季 Nvidia 營運表現再次突破新高，其中：

• 營收為 390.33 億美元，年增 78%，季增 12%，優於市場預期的 381.46 億美元，以及公司 375 億美元上下浮動 2% 的指引
• 毛利率為 73％（Non-Gaap 毛利率為 73.5％），符合指引的 72.5～73.5％ 
• EPS 為 0.89 美元，年增 82%，季增 14%，高於市場預期的 0.8 美元

而如果看到整個 2025 財年（本季為 25Q4）：

• 營收為 1305 億美元，年增 114%
• 毛利率 75％，比去年高了 2.3％
• EPS 為 2.94，年增 147％

另外 Jensen 也介紹了 Blackwell 架構，表示它是一個支援客製化的 AI 基礎設施，具備多種 NVIDIA 晶片、多樣化的網路選項，並適用於風冷 (Air-Cooled) 和液冷 (Liquid-Cooled) 資料中心。

如果根據上季法說的介紹，這套系統能滿足從 x86 到 ARM、訓練到推論 GPU、InfiniBand 到乙太網路交換器、NVLink，以及從液冷到氣冷等多元且持續成長的 AI 市場需求，是一個高度客製化的產品。

所以公司認為本季的營運能夠超越財測，原因為 Blackwell 的產能順利提升，同時預期隨著 Blackwell 產品線的擴展，毛利率將維持在 70% 低緣。

而後續當產能全面提升後，將有許多機會進一步改善成本結構與毛利率，預計本財政年度末毛利率將恢復至 75% 左右。

轉向部門營收

1. 運算與網路 (Compute & Networking)

營收為 360 億美元，年增 101%，季增 16%。

2. 圖形業務 (Graphics)

營收為 33 億美元，年減 22%，季減 19%。

按終端市場劃分

1. 資料中心(Data Center)

營收為 356 億美元，創下歷史新高，年增 93％，季增 16%，主因為 Blackwell 產品線的推動以及 Hopper 200 的持續增長。其中：

• 計算（Compute）營收為 325.5 億美元，季增 18%，年增超過 2 倍
• 網路（Networking）營收 30.2 億美元年減 9％，季減 3％

其中公司解釋了 Networking 部門本季同時年減季減的原因，他們表示目前與 GPU 運算系統相關的 網路基礎設施營運仍保持穩健，目前正在從小型 NVLink 8（搭配 InfiniBand）過渡到大型 NVLink 72（搭配 Spectrum-X）。

而因為 AI 運算對網路技術提出了全新要求，公司透過 NVLink Switch 系統提升計算擴展能力。

在橫向擴展（Scale-Out） 方面則提供了 Quantum InfiniBand 給 HPC 超級電腦，並提供 Spectrum-X 給乙太網路環境。

目前 Spectrum-X 已成功優化 AI 乙太網路運算，並獲得熱烈好評，主要企業正在採用 Spectrum-X，像是 Microsoft Azure、OCI、CoreWeave 等企業正在 大規模建設 AI 工廠，並使用 Spectrum-X 技術。首批 Stargate 資料中心也將採用 Spectrum-X。

此外 Cisco 也在近期宣布要將 Spectrum-X 整合至其網路產品組合，以幫助企業構建 AI 基礎設施，公司認為  Cisco 有著龐大的企業客戶基礎，將把 NVIDIA 乙太網路技術推向全球的各行各業。

所以公司預計 Networking 部門下一季將恢復成長，而 Spectrum-X 和 NVLink Switch 產品的營收將是新興的成長領域。

(1) 探討 Blackwell 優勢

公司表示本季交付了 110 億美元的 Blackwell 營收，超出自身預期，且隨著開發人員和企業利用 微調 (fine-tuning)、強化學習 (reinforcement learning) 及 知識蒸餾 (distillation) 等技術來優化 AI 模型，後期訓練和模型定製化（Model Customization，指的是在 基礎 AI 模型之上進行調整、優化或微調，使其適應特定企業、行業或應用場景的需求） 已成為推動 NVIDIA 基礎設施和軟體需求的關鍵因素。

像是 Hugging Face 平台上就有超過 9 萬個基於 Llama 基礎模型創建的衍生模型。整體而言，後期訓練和模型客製化的運算需求，遠超預訓練 (pre-training) 數個數量級。

另外推理 (Inference) 需求正在加速增長。推理運算的擴展主要受到測試時間擴展 (test-time scaling) 和新型推理模型的驅動，例如 OpenAI O3、DeepSeek-R1 和 Grok 3。與一次性推理 (one-shot inference) 相比，長時間推理 AI 可能需要 100 倍 以上的運算資源。

本次 Blackwell 的推理需求極高，許多早期 GB200 部署即專為推理運算，這也是新架構首次有大量的部署專門用於 AI 推理。所以 Blackwell 全面涵蓋 AI 市場，無論是預訓練、後訓練 ，還是 推理 (inference)，從 雲端到地端，從企業到各產業皆能適用。

(2) 目前客戶採納狀況與動態

此外公司也揭露本季大型 CSP 佔資料中心營收的一半，銷售額年增近 2 倍，像是 Azure、GCP、AWS 和 OCI 等大型 CSP 率先採用 Blackwell，並將 GB200 系統 部署至全球雲端資料中心，以滿足市場對 AI 運算的激增需求。

另外區域型雲端 NVIDIA GPU 託管業務在資料中心營收中的占比持續提升，反映全球 AI 工廠 (AI Factories) 建置加速，以及 AI 推理模型與 AI 代理 (Agents) 需求快速增長。

此外非 CSP 的企業市場（Enterprise Market）需求也非常強勁，營收同樣年增近 2 倍。隨著 fine-tuning、RAG、智能 AI 代理（Agentic AI）工作流程 及 GPU 加速數據處理的需求持續增長，企業市場正在快速擴張。

(3) 區域性

從地理區域來看，美國 是資料中心營收成長最強勁的市場，主要受到 Blackwell 產品線初期增長 的推動。另外全球各國也正在積極建構 AI 生態系統，對 算基礎設施的需求持續激增。

像是歐洲對於 AI 投資規模也非常龐大，歐盟整體的 2,000 億歐元 AI 投資計畫，顯示全球 AI 基礎設施建設正在快速推進，並將在未來數年內重新定義全球 AI 架構。同時法國也宣布投資 2,000 億歐元 用於 AI 領域。

不過若看到中國市場，目前仍受出口管制影響，這裡的資料中心的銷售額占總營收的比例仍遠低於出口管制開始時的水平。公司指出若法規不變，預計中國的出貨量將大致維持在目前的比例。

不過目前當地的資料中心解決方案市場競爭仍非常激烈，公司會在遵守出口管制的同時，繼續為客戶提供服務。

2. 汽車（Automotive）

營收為 5.7 億美元，創下歷史新高，年增 103%，季增 27%。同時全年營收達 17 億美元，年增 55%，強勁的成長主要來自自動駕駛汽車 （Autonomous Vehicles, AV）所推動，包括了乘用車和機器人計程車（Robotaxis）兩個市場都持續擴大。

公司認為自動駕駛汽車是最早且規模最大的機器人應用之一，幾乎所有自動駕駛（AV）公司都在 資料中心、車輛內部或兩者兼具的環境中，並使用 NVIDIA 進行開發。公司預計汽車業務營收在本財年將成長至約 50 億美元，以現在的金額來看將成長近三倍。

3. 遊戲與 AI PC（Gaming）

營收為 25 億美元，年減 11％，季減 22%，而全年營收則達到 114 億美元，年增 9%，且公司認為今年假期期間需求仍然強勁。問題在於本季的出貨量受到供應鏈限制的影響。他們認為隨著供應逐步增加，下一季將出現非常強勁的季成長。

他們特別介紹了全新的 GeForce RTX 50 系列 GPU，採用了 Blackwell 架構，搭載 第五代 Tensor 核心和第四代 RT 核心，擁有高達 3,400 AI TOPS，並引入全新的 AI 驅動渲染技術，包括：

• 神經著色器 (Neural Shaders)
• 數位人技術 (Digital Human Technologies)
• 幾何與光照渲染 (Geometry & Lighting)

同時公司也發布了 GeForce Blackwell 筆記型電腦 GPU，並搭載全新 NVIDIA Max-Q 技術，可將筆電電池壽命延長最高 40%，而搭載此 GPU 的筆電預計將於今年 3 月上市。

4. 專業視覺化（Professional Visualization ）

營收達 5.11 億美元，年增 10%，季增 5%。全年營收 達 19 億美元，年增 21%。

公司表示推動市場需求的關鍵產業包括：汽車市場、醫療保健。此外 Nvidia 的技術和生成式 AI 正在重塑設計 (Design)、工程 (Engineering) 和模擬 (Simulation) 工作負載，提升產業生產力與運算能力。（NVIDIA technologies and generative AI are reshaping design, engineering, and simulation workloads.）

而這些技術 正廣泛應用於 ANSYS、Cadence 和 西門子（Siemens）等領先軟體平台，推動市場對 NVIDIA RTX 工作站的需求成長。

二、展望

展望下一季，公司預估如下：

• 營收為 430 億美元上下浮動 2%，以中位數 430 億美元來看年增 65.1％，季增 10.2％略低於市場預期的 433.7 億美元
• 毛利率 為 70.6%，非 GAAP 毛利率 為 71%，上下浮動 0.5，為近六季以來最低

此外公司表示，由於市場需求持續旺盛，預期 Blackwell 產品線將在第一季度大幅擴展，同時 Data Center 中的兩大業務（Compute、Networking）和 Gaming 都將實現連續成長。

三、其他重點

1. AI 計算模式的演進，與 Blackwell 架構的靈活適配性

Jensen 表示目前 AI 運算的需求正在快速演進，過去的以訓練（Training）為主的需求已轉變為  Post-Training 和 Inference 為主，同時計算需求成長達數百倍至數千倍。

也就是說推理計算需求正超越訓練，未來 AI 可能需要數十萬倍以上的運算能力。而隨著 AI 需求的擴展，Blackwell 已經成為 未來 AI 計算的核心架構，是當前訓練、推理與 AI 基礎建設最具競爭力的解決方案。

這段的脈絡有點長且專業，如果有興趣看的可以往下看，對於技術細節不那麼追求的請直接往下滑到第 2 點：NVIDIA 的毛利率是否已觸底？ AI 市場需求是否能夠持續增長至明年？

脈絡補充：

AI 計算模式的演進與 NVIDIA Blackwell 架構的適應性：

隨著測試時間計算（Test-Time Compute) 和 強化學習（Reinforcement Learning）技術的進步，訓練 (Training) 與推理 (Inference) 的界線正變得越來越模糊，這改變了 AI 計算的基礎模式，並帶來了新的挑戰與機會。Jensen Huang 闡述了 AI 運算的三大擴展規律 (Scaling Laws)，以及 NVIDIA Blackwell 架構如何適應這一變革。

1. AI 運算的三大擴展規律

(1) 預訓練擴展規律 (Pre-Training Scaling Law)

• 預訓練的規模仍在增長，原因在於 AI 模型的 多模態化 (Multimodal) 發展，允許系統利用來自不同來源的數據進行訓練。
• 透過推理生成的新數據 可進一步強化 AI 訓練，讓模型能夠持續自我優化。

(2) 後訓練擴展規律 (Post-Training Scaling Law)

• 後訓練的計算需求已經超過預訓練，這是由於 AI 透過 強化學習 (Reinforcement Learning, RL) 來微調模型，包括：
• • 人類回饋 (RLHF, Reinforcement Learning with Human Feedback)
  • AI 回饋 (RLAIF, Reinforcement Learning with AI Feedback)
  • 可驗證獎勵機制 (Verifiable Rewards)
• AI 可以生成大量的合成數據 (Synthetic Data) 或 合成代幣 (Synthetic Tokens)，加速模型的適應與進化，從而擴大後訓練的規模與計算需求。

(3) 推理擴展規律 (Inference Scaling Law)

• 推理計算需求正在急劇增加，尤其是在 測試時間運算 (Test-Time Compute)、長時間推理 (Long-Think Reasoning) 和推理擴展 (Inference Scaling) 領域。
• 相較於早期 一次性推理 (One-Shot Inference)，目前 推理計算的規模已達到原本 LLM 訓練計算需求的 100 倍。
• 未來 AI 推理的計算需求可能會達到數千倍甚至數百萬倍，特別是基於 模擬 (Simulation-Based) 和 搜尋 (Search-Based) AI 模型，這將徹底改變 AI 計算架構的需求。

2.  AI 運算架構的未來設計

面對推理運算的爆炸性增長，資料中心的架構也必須隨之演進。然而，如何選擇最適合 AI 運算的架構仍是一大挑戰：部分 AI 模型採用自回歸 (Auto-Regressive) ，部分 AI 模型則是擴散式 (Diffusion-Based) ，有些 AI 推理需要分佈式推理架構 (Disaggregated Inference)，另一些則適合 高密度推理架構 (Compacted Inference)，這種多樣化的需求正是 NVIDIA 架構受市場青睞的關鍵，因為它能夠靈活適應各種 AI 計算模式。

3.  Blackwell 架構的優勢與推理效能提升

NVIDIA 透過 Blackwell 架構 重新定義 AI 運算基礎，帶來顯著的效能提升：

• Blackwell 針對推理模型 (Reasoning AI Models) 進行最佳化
• 長時間推理 (Long-Think Reasoning) 及推理擴展 (Inference Scaling) 提速數十倍
• 推理吞吐量 (Token Throughput) 提升 25 倍，相較於 Hopper 架構具備革命性突破
• 能夠靈活適應 AI 訓練、後訓練與推理等不同需求

4. Blackwell 的靈活性：適用於所有 AI 運算場景

Blackwell 架構的最大優勢在於其 高度靈活，能夠適應不同的 AI 運算需求： 

可大規模擴展預訓練 (Scaling Up Pre-Training) →支援大規模後訓練 (Post-Training Scaling) →最佳化推理運算 (Scaling Out Inference)

而這種靈活性使 NVIDIA AI 計算平台的集中度比以往任何時候都要高，不僅適用於 AI 訓練，還能廣泛應用於後訓練與推理擴展，幫助企業與研究機構根據需求最佳化計算資源配置。

2.  NVIDIA 的毛利率是否已觸底？ AI 市場需求是否能夠持續增長至明年？

公司表示在短期內（Q1 FY25）Blackwell 產能提升 (Ramp-Up) 期間毛利率將維持在低 70% 區域，而隨著產能完全擴展，成本結構將進一步優化，預計今年稍晚毛利率將回升至 75% 左右，且未來仍有提升毛利率的機會，來自於：

• 系統架構的最佳化（不同客戶的需求導向不同系統配置）
• 網路技術的選擇（NVLink 72, Spectrum-X, InfiniBand）
• 冷卻技術的應用（液冷、氣冷、水冷）

此外公司也針對短中長期三個層面來評估市場趨勢，並對 AI 市場的成長保持高度信心：

(1) 短期趨勢

• 資料中心的資本支出 (CapEx) 增長趨勢明確，大型雲端供應商 (CSPs) 持續擴建 AI 運算基礎設施。
• 加速運算 (Accelerated Computing)、生成式 AI (Generative AI) 和推理 AI (Reasoning AI) 已成為資料中心的核心架構，不再只是輔助性工作負載。
• NVIDIA 與全球頂級合作夥伴 (Top Partners) 一同制定市場發展計劃，目前的訂單與預測顯示 短期需求仍然強勁。

(2) 中期趨勢

• 企業 AI 基礎設施的投資規模正在擴大，AI 工廠 (AI Factories) 正在全球建構。
• AI 應用場景多元化，如：
• • 企業級 AI (Enterprise AI)
  • 代理 AI (Agentic AI)
  • 物理 AI (Physical AI for Robotics)
  • 區域性 AI 生態系統 (Sovereign AI for Regional Ecosystems)
• 新創企業仍然活躍，每一家 AI 新創公司都需要 大量計算基礎設施，這將持續推動 GPU 需求。

(3) 長期趨勢

• 軟體開發模式已從傳統手寫程式碼 (Hand-Coding on CPUs)，轉向機器學習與 AI 驅動的軟體 (AI-Based Software on GPUs & Accelerated Computing Systems)。
• 未來所有軟體與服務都將內建 AI，企業與資料中心對 AI 運算的需求將成為 長期驅動力。
• NVIDIA 預測 AI 運算將成為全球 GDP 的主要技術支撐，並滲透至幾乎所有產業。

而目前AI 的發展仍處於早期階段，但 NVIDIA 已經觀察到未來幾年的市場變革趨勢：

(1) 消費級 AI（Consumer AI）

目前仍處於早期發展階段，但應用場景正在快速成長：

• 搜尋 (Search)
• 生成式 AI (Generative AI)（如 ChatGPT, Gemini）
• 廣告 (Advertising)
• 推薦系統 (Recommenders)（如 YouTube、Netflix、Amazon）

(2) 企業級 AI（Enterprise AI）

即將迎來爆發性增長，特別是在 以下領域：

• 代理 AI (Agentic AI)：企業內部 AI 助理與自動化決策系統
• 物理 AI (Physical AI for Robotics)：如 AI 自動駕駛、工業機器人
• 區域性 AI 生態系統 (Sovereign AI for Regional Ecosystems)：各國建構自主 AI 基礎設施，以確保 AI 能源與數據主權

而 Nvidia 認為自身為企業 AI 革命做好準備，並佔據有利的位置，能夠觀察到這個市場的強勁成長動能，且認為 AI 產業的成長才剛剛開始。

3. 下一代產品：Blackwell Ultr、Vera Rubin 細節

在小摩分析師詢問 Blackwell Ultra 的市場需求動態，以及 Nvidia 如何同步管理當前一代 Blackwell 與 Blackwell Ultra 的產能提升時，Jensen 表示：

• 第一代 Blackwell 在推出時曾有小問題，導致產能推進稍有延遲，但目前已完全恢復，產能提升順利
• Blackwell Ultra 的開發進度未受影響，並將帶來多項技術升級： 新網路技術、新一代記憶體技術、升級版處理器

目前公司已與所有合作夥伴與客戶保持密切合作，並確保市場能夠平穩過渡至 Blackwell Ultra，同時他認為這次從 Blackwell 轉向 Blackwell Ultra 的過渡將非常順暢，因為兩者的系統架構完全相同，而相比之下從 Hopper 轉向 Blackwell 的轉變要困難得多，原因為：

• NVLink 架構大幅變更（從 NVLink 8 轉換到 NVLink 72）
• 機架底盤 (Chassis)、系統架構 (System Architecture)、硬體設計 (Hardware)、電力供應 (Power Delivery) 全面調整

同時 Jensen 表示 Nvidia 將維持每年推出新產品的節奏（每年推出新一代 AI 加速架構），並且已向所有合作夥伴披露下一代技術計畫，並開始提前準備新架構的導入。下一代架構代號為 Vera Rubin，預計將帶來更大規模的技術飛躍。

4. GPGPU vs. ASIC 的市場定位與價值差異

在瑞銀分析師的提問中，他關注 ASIC 與 Nvida 的標準 GPU 之間的平衡點，以及 市場是否正在規劃採用 GPU+ASIC 的異質超級叢集（Heterogeneous Superclusters），Jensen Huang 表示：

Nvidia 架構與 ASIC 在某些領域有所交集，但本質上是完全不同的技術路線，與 ASIC 相比，Nvidia GPU 更適合作為 AI 研發與部署的通用平台，因此成為 所有創新 AI 算法的首選技術。

同時 Nvidia 技術佈局極為廣泛，不僅僅侷限於雲端，而是遍布於各種 AI 運算場景：雲端 (Cloud) 、本地部署 (On-Premise) 、機器人 (Robotics)、新創企業 (Startups)。相比之下，客製化 ASIC 主要針對特定應用，擴展性與靈活性較低。

所以目前構建 ASIC 的挑戰在於，AI 軟體生態系統的演進速度遠超過硬體開發週期。NVIDIA 的 CUDA 生態系統每年都在不斷擴展，已經涵蓋超過 4,400 種 AI 應用。即使有新的 ASIC 被開發出來，要讓整個 AI 產業導入 ASIC，仍然存在非常高的轉換門檻。

此外若看到 AI 計算效能與投資回報率 (ROI)，他表示 AI 資料中心的基礎設施無論是物理空間還是能源供應通常是固定的，因此提升 AI 計算效能 (Performance per Watt) 直接影響 ROI： 效能提升 2 倍 = 資料中心營收提升 2 倍，且若效能提升 8 倍 = 資料中心營收提升 8 倍

而這與傳統資料中心 (Traditional Data Centers) 的經營模式完全不同：

• 過去，資料中心的價值來自於 計算資源出租 (Compute Leasing)。
• 現在，AI 資料中心已轉型為 "AI 工廠 (AI Factories)"，透過生成 AI 內容 (Tokens) 直接獲利。
• 因此，提升 AI 運算效能的速度，對企業的 ROI 影響極大，而 NVIDIA GPU 能夠提供最快速的 Token Throughput (AI 內容生成速度)。

另外 NVIDIA 採取每年推出新的架構，也能確保 GPU 每年都能獲得大幅度效能提升，且每一代 GPU 的效能提升可以達到 2-8 倍，這意味著 GPU 可以在相同功耗下帶來更高的運算能力，這對 AI 資料中心的 ROI 至關重要。

5. AI 市場的地理分布與 Nvidia 的全球增長動能

由於美國接連祭出對其他國家的 AI 禁令，而 Nvidia 身為 AI 霸主自然首當其中，便有分析師詢問美國市場的強勁成長是否能填補其他地區因監管受限的缺口，並探討市場結構的轉變對 NVIDIA 全球營收的影響。

Jensen 對此表示目前中國市場的營收占比與前幾個季度大致相同，約為出口管制前的一半，但整體來看，全球 AI 市場需求依然強勁，AI 已經從技術創新轉變為產業發展的核心驅動力。

因為 AI 本質上是一種軟體技術，並且已經滲透到各種行業應用，例如物流配送 (Delivery Services)、電子商務 (Shopping Services)、數位助理 (AI Tutors for Students)、醫療保健 (Healthcare AI Solutions)、金融科技 (FinTech AI Solutions)、氣候科技 (Climate Tech AI Solutions)、礦產勘探 (Mineral Discovery AI)、高等教育 (Higher Education AI Integration)，也就是從金融到工業應用，AI 已經滲透至全球經濟的各個領域，這也意味著市場需求將持續增長，不會被地理限制所完全抑制。

目前 AI 產業革命仍處於早期階段：

回顧過去，全球已經建設了數十年的資料中心，但這些基礎設施主要是為傳統運算架構 (CPU & General-Purpose Computing) 而設計的。然而未來的軟體架構將全面轉向 AI，這帶來了數據驅動 (Data Flywheel) 和機器學習 (Machine Learning) 主導的新計算時代。這場產業變革的核心趨勢包括：

• 所有軟體和服務最終都將基於機器學習 (Machine Learning)
• AI 資料中心的軍備競賽將成為影響企業在後續產業中的競爭格局
• 加速運算 (Accelerated Computing) 取代傳統 CPU，成為新一代 IT 基礎設施的核心

也就是說這場變革才剛開始兩年，未來十年的產業結構將發生翻天覆地的變化，且從歷史上來看，從未有任何技術能夠像 AI 一樣，直接影響世界 GDP 如此廣泛。從這個觀點看起來，AI 不僅是技術創新，更是一場全球經濟變革，驅動企業提升效率、創造新商業模式，並開發全新市場。

所以當我們評估 NVIDIA 的增長潛力時，應該考慮更長期的市場動能： AI 正在重塑整個產業結構，市場需求不僅僅來自雲端運算，而是來自各行各業。全球 IT 基礎設施仍處於「AI 化」的早期階段，許多企業尚未全面部署 AI 解決方案。

而無論是企業級 AI (Enterprise AI)、消費級 AI (Consumer AI)，還是自主 AI (Sovereign AI)，未來市場的成長空間仍然巨大。

6. 企業 AI 需求強勁成長，未來市場潛力將超越 CSP

Evercore ISI 分析師詢問企業 AI 市場的增長是否已超過 CSP，並探討隨著 AI 工作流程的變化，企業是否將成為 AI 基礎設施的主要消費者。對此  CFO Colette Kress 證實本季企業 AI 市場的年增率達 2 倍，增長幅度與 CSP 相當。

同時公司也解釋目前企業 AI 部署的方式可分為兩種：

• 企業透過 CSP 取得雲端 AI 運算資源
• 企業自行建置 AI 計算基礎設施

而 Nvidia 正同時推動這兩個市場，使 AI 運算普及化，加速企業數位轉型。目前 CSP 仍是最大客戶，占總營收約 50%，但企業市場的成長速度已經趕上 CSP。

CSP 主要用於 AI 訓練 (Training)、推理運算 (Inference)、影像處理 (Video Processing) 和大數據運算 (Big Data Processing)。而企業市場的增長代表 AI 應用已經從雲端服務擴展到更廣泛的產業應用，包括製造、汽車、物流、醫療等領域。所以長期來看，企業 AI 市場的規模將遠大於 CSP，主要來自於 AI 對「實體產業」的影響，像是：

(1) 企業內部運營(Enterprise AI)

員工使用 AI 來提升 設計、生產、行銷、業務決策效率。

(2) 產品 AI (AI in Products)

• 汽車產業：未來道路上的汽車將是機器人汽車 (Robotic Vehicles)，並透過 AI 進行優化
• 製造業：生產線將全面導入 AI 來優化生產流程與品質管控
• 農業機械：AI 驅動的自動化農機，提高農業生產效率
• 倉儲與物流：智能倉儲與機器人配送系統，優化供應鏈管理

也就是說未來企業將不僅僅擁有傳統工廠，而是同時擁有 AI 工廠： 同時物理 AI 也將成為 AI 發展的核心應用，像是：

• 機器人 AI (Robotic AI)——無人機、機器人、智能建築、智慧倉儲
• 智能基礎設施 (Smart Infrastructure)——自動駕駛、智慧交通、智慧電網

而這些技術的發展，將推動企業 AI 市場規模遠超 CSP，成為 AI 產業的最大增長動能。

四、個人觀點

1.驚訝於車用的強勁成長卻不太有人提及

我認為車用業務本季的強勁成長相當值得關注，卻似乎並沒有獲得與 Data Center 或企業 AI同等程度的討論。事實上，Nvidia 在自動駕駛（Autonomous Vehicles, AV）領域已經深耕多年，這也是 Jensen 反覆強調的「最早且規模最大的機器人應用」之一。從財報數據來看，汽車業務本季營收達到 5.7 億美元，創歷史新高，年增 103%，季增 27%，全年營收更達到 17 億美元，年增 55%——非常驚人的增幅。公司也預估，汽車業務在本財年將成長至約 50 億美元，換句話說，未來四個季度很可能在現有基礎上再翻將近三倍。

回顧過往，市場有一段時間對於自動駕駛的發展速度甚至是能否實現感到質疑，但 Nvidia 所給出的汽車業務營收強勁指引，我認為體現了兩個事實：

(1) 自動駕駛所需的 AI 訓練需求持續在增加

(2) 第二，整個汽車產業對 AI、對自動駕駛的態度還是偏積極的

至少從支出端來看，我們正處於一個萬事接近具備，只等待市場成熟的時間點，各大車廠們並沒有減少他們的研發或設備採購投入，甚至對這端的需求仍在指數級上升。

當然如果市場不依此塊業務的高速成長去對 Nvidia 的估值給予調整非常合理，因為這塊業務佔比目前僅 5.7 億，佔本季的 390 億營收也才約 1％多，但是對於其他車用硬體供應鏈而言，我認為這端的機會仍然受到忽視。

另外若參照恩智浦（NXPI）本季法說重點，也可以發現他們的汽車領域營收已經連續幾季略高於預期，雖然整體車用市場受限於高利率環境仍舊低迷，但這端確實可以認為谷底已過。

且現在市場開始在炒機器人概念股，而 Jensen 則一直在反覆強調汽車是最早且規模最大的機器人應用，這端規模更大，且落地時間更靠近，卻持續被忽視也是匪夷所思。

這麼一來，回顧我們正處於一個萬事接近具備，只等待市場成熟的時間點，我認為此時尋找後續在台股市場找尋硬體端的領先者，便像是 2023 年找出廣達、緯創是同樣的邏輯。

2. 確認今年將會是 RTX50 與遊戲顯卡的巨大週期

公司表示去年假期期間需求仍然強勁。問題在出貨量受到供應鏈限制的影響。他們認為隨著供應逐步增加，下一季將出現非常強勁的季成長，意即需求旺盛，造成下滑的原因只是供應不足。

同時穎崴也表示：Nvidia Blackwell GPU 的需求強勁，將於2025年逐步放量，同詞消費性用的最新 RTX 50 系列繪圖晶片則供不應求。所以 Nvidia 也立即調整資源分配，要求協力廠商擴大因應 RTX50 需求、以解燃眉之急，相關供應商自是訂單滿手、加緊衝刺交貨。

此外 Nvidia 也提到在 Laptop GPU 端將推出 GeForce Blackwell 筆電 GPU，結合今年 3 月上市的時程，可以預見不論是 Desktop 端或 Laptop 端在今年對於換機潮來說都將有新的刺激。

同時回顧過去不斷提及的 Windows10 更新週期，搭配昨天在雙週報提到的，ASML、WDC、SK Hynix 甚至台積電都對今年的消費性電子態度轉為樂觀，以及市場目前對於 32GB 內存的 PC 需求正在快速增加，明顯高於過去 8～16GB 之間的預期的觀察，我持與 1. 同樣的邏輯，儘管這端對 Nvidia 的估值不會有多大的提升，但對於台灣相關廠商如 PSU、PMIC、記憶體，甚至是 PC 品牌廠來說都是一個大週期的開展。認為昨日提到的

3. 確認企業 AI 是未來的主旋律

Nvidia 在本次法說中證實了企業 AI 需求強勁成長，未來市場潛力將超越 CSP，同詞 Cisco 在本季法說中的觀點也可以做補充，他們提到​​過去短短的 12 個月內，Cisco Secure Access 和 XDR 總共獲得了 1,000 多個客戶，而且各自擁有約 100 萬名企業用戶。

他們認為目前 AI 的安全是公司客戶最關心的問題，尤其是在新 AI 模型出現的情況下，所以 AI 領導地位的競爭將在全球展開，競爭將推動創新、採用速度和規模，所有這些都將進一步加速對 AI 網路的基礎設施、數據容量投資和一流人工智慧安全的需求和採用。而這一切對 Cisco 來說有非常正向的幫助。

同時 Cisco 將他們在 AI 領域的機會定位為 3 個彼此獨立但又緊密相連的支柱：

(1) 為網路規模客戶提供AI訓練基礎設施

五大大型網路業者正在後端訓練網路中部署他們的 Cisco 8000、Silicon One、光學和光學系統的組合。

(2) AI 推理和企業雲

公司的 Nexus 交換器、基於 NVIDIA 的 AI 伺服器、AI POD、Hyperfabric 和 AI Defense 軟體旨在簡化和降低 AI 基礎設施部署風險，並為企業帶來開放式超大規模 AI 網路的強大功能。

(3) AI 網路連線

客戶正在利用他們的交換器、路由器、安全和可觀察性技術平台（observability 業務）來實現其網路營運的現代化、安全性和自動化，為廣泛部署人工智慧應用做好準備。且在結合成熟的後端模型後，將導致私有和公有前端雲端網路的容量需求增加。

也都支持後續企業導入 AI 的硬體部署，無論是伺服器或是叢集，接著到推論端所需要的算力支援都將會是巨大的未開發市場，且以 Nvidia 的觀點來看這關甚至是涵蓋各行各業，撼動全球 GDP 的巨大市場。

而這對於交換器、路由器、光纖等資料中心乙太網路的台廠業者，或是終端客戶為 Cisco 等企業 AI 解決方案協力廠而言都將是實質業績幫助。

4. 公司的回應隱含著中國問題無解

當有分析師詢問美國市場的強勁成長是否能填補其他地區因監管受限的缺口，並探討市場結構的轉變對 NVIDIA 全球營收的影響。Jensen 表示目前中國市場的營收占比與前幾個季度大致相同，約為出口管制前的一半，但整體來看，全球 AI 市場需求依然強勁，AI 已經從技術創新轉變為產業發展的核心驅動力。

我認為這番話透露出一個很直接的訊息：Nvidia 與整個美國半導體產業或許都已經接受「中國問題短期內無解」，因為這牽涉到美國政府與中國之間的政治和經濟博弈。即使公司能想方設法推出「客製化規格」（例如 A800、H800 這類對中國限縮性能的 GPU），依然可能因為進一步的管制政策而面臨限制。從公司立場來看，他們當然希望能夠維繫中國市場，但現實情況便不允許，所以公司必須在受限條件下另尋更廣大的全球市場作為增長動能。

不過 Jensen 也從更宏觀的角度來點出 AI 已經成為全球經濟增長的核心引擎，未來五到十年所有產業都會「AI 化」，而資料中心也將變成「AI 工廠」。因此即使失去或削減一部分中國市場，Nvidia 還是能在全球其他地區維持高速成長。

綜合這些觀察，我認為「中國問題」確實暫時無解，不過面對公司在更大格局下佈局如國家層級、全球企業市場，在這些巨大的潛在市場下，中國市場無解的問題暫時無礙於後續的高速發展。

5. 對於 Forward PE 不斷下修的反思

在 Nvidia 的獲利軌跡已經可以 Track，同時企業 AI 端與車用兩端高速成長領域營收佔比偏低的狀況下，我認為 Nvidia 的 Foward PE 逐漸下調是可以理解的。因為如果看到近幾季 Nvidia 的成長表現如下，可以發現年增一直都在掉，季增大約維持 15％ 左右的水準，所以獲利軌跡很好 Track，同時短期內 Nvidia 的毛利率也處於逆風狀態，要回到兩季前的 78％ 看起來仍有一段不確定性要經歷。

• 24Q3 營收： 181.2 億美元，年增 205.51%，季增 33.5%
• 24Q4 營收： 221.03 億美元，年增 265.28%，季增 22%
• 25Q1 營收： 260.44 億美元，年增 262%，季增 17.8%
• 25Q2 營收：300.4 億美元，年增 122.4%，季增 15.3%
• 25Q3 營收： 351 億美元，年增 94%，季增 17%
• 本季營收：年增 78%，季增 12%

也就是說在車用市場規模尚未補上來，而 Gaming 看起來雖然表現良好，但終歸是一個較小市場規模，無法影響目前 Nvidia 這個主要營收都來自於 AI 業務的事業體。所以我認為近期 Nvidia 的價格遇到阻力，核心原因並非他的業績或是產業地位不好，而是估值上正在成長股與價值股之間作過渡。

所以在當下市場將目光從硬體移往軟體，或是你要投資高速發展的 AI 企業端、車用、遊戲顯卡都要營收佔比更純的公司下，實在很難認為這些領域的成長會帶給 Nvidia 多大的估值上的幫助。

6. 亮點：Nvidia 在推論端的佈局超越我的預期，GPGPU vs. ASIC 之路或有轉機

在先前的敘述中，我認為在 DeepSeek 出現後，將加速 CSP 對於 ASIC 的投資，使 GPGPU 的重要性相對下降。然而目前 Jensen 在法說中對於 AI 推論（Inference）與每年一代產品優化的計畫，相較 ASIC 開發週期冗長，ROI 上不優勢的說法我是買單的，或許 Nvidia 在推論端的技術優勢比許多人預期的更強。

展望後續，可預見推理需求將逐步爆發，各種衍生應用（插件、垂直行業微調模型）紛紛冒出，推理的 Token 量呈指數級增長。ASIC 的開發週期卻往往需要兩三年才能投入量產，導致當市場迫切需要大規模部署推理硬體時，ASIC 研發方尚未能及時提供更新版本。反觀 GPGPU 每年一代的架構更新節奏，很可能使 Nvidia 成為「能即時應對爆發性推理需求」的最佳解方。

因此 Nvidia 在推論端的佈局確實超越我的預期：

第一，在技術上（例如 FP4、NVLink 72、Grace Hopper 超級晶片）不斷領先；第二，在市場爆發時（Inference 爆發）也能迅速獲利且擴大佈局；第三，原本市場以為 ASIC 最能在推論端發揮優勢，但實際上 GPU 可能因更高迭代速度、更完整軟體生態而在超大規模推理領域中佔盡優勢。這些都說明 GPGPU vs. ASIC 的競爭格局會繼續延續下去，而目前看起來 ASIC 並沒有太大的優勢，反而是 Nvidia 的 GPGPU 在快速迭代下展現出通用且萬能的特質，持續鞏固從過去的模型訓練，到後續資料中心推理市場的領導地位。