我原本只是想拆一份英伟达的 Q2 财报。FY2027 Q2，英伟达收入做到 962 亿美元，同比增长 106%；毛利率 75%，经营利润达到 637 亿美元，经营利润率高达 66.2%。如果只看利润表，这几乎是一份无可挑剔的成绩单。

但真正让我停下来的，不是这些创纪录的利润数字，而是现金流。这个季度，637 亿美元经营利润，最终只形成了 241 亿美元经营现金流；再扣掉约 27 亿美元资本开支，自由现金流只剩下约 214 亿美元。与此同时，DSO 从 45 天升到了 60 天，库存从 258 亿美元增加到了 316 亿美元，未来供应和产能承诺更是从 1190 亿美元，一口气跳到了 2790 亿美元。

这么赚钱的一家公司，钱为什么突然变少了？

顺着这个问题继续往下追，我发现真正需要重新研究的，已经不只是这一季度的财务数字。如果今天还把英伟达理解成一家“卖 GPU 的芯片公司”，这些变化其实很难解释。于是这份财报最终把我带回到了一个更底层的第一性原理问题：今天的 NVIDIA，到底已经变成了一家什么公司？

我在2023年第一次接触ChatGpt之后，做出选择重仓NVIDIA，之后对这家公司的研究主线都是卖GPU，是给AI提供算力的，但今天我也借助这次财报的复盘，我要更新对它的认知。

一、先别急着看利润，先把钱是怎么流的搞清楚

我现在越来越觉得，看财报最容易犯的错误，是利润表看完就结束。收入增长多少、毛利率多少、EPS 有没有 Beat，这些当然重要，但如果不继续追到现金流，很多时候我们看到的只是“会计上的成功”，而不是商业模式真实的资金效率。

NVIDIA 这份财报就是一个很好的例子。它的 Revenue、Gross Profit、Operating Income 都在高速增长，但到了 Net Income 往 OCF 转化这一段，现金明显掉了下来。这里不是简单地“少赚了钱”，而是 Earnings Quality、Working Capital、Cash Tax、AR、Inventory 等因素开始一起影响现金回收。

我单独围绕现金这条线做出了一张图，来分析英伟达这么赚钱，到底是按照什么漏斗，钱为什么变少了？

这里我以后会长期保留一个指标：OCF Conversion 经营现金流占比净利润= Operating Cash Flow ÷ Net Income。NVIDIA Q2 大约是 24.1 ÷ 59.7，也就是 40% 左右。这并不意味着 NVIDIA 的商业模式突然恶化，因为单季度 Working Capital 和 Cash Tax 会产生很大扰动，但它足以提醒我：利润增长和现金增长正在短暂脱节。

更重要的是，这个问题并不是 NVIDIA 自身 Capex 太高造成的。它仍然是 Fabless，公司自己的资本开支只有约 27 亿美元，并没有像台积电那样自己去建设巨型晶圆厂。真正开始变重的，是前面的营运资本，以及后面的长期供应和生态承诺。据SEC 披露，截至 2026 年 7 月 26 日，NVIDIA 的 Supply and Capacity Commitments 已经从上季度的 1190 亿美元增加到 2790 亿美元，主要用于锁定未来数据中心系统所需的 Memory 和 Manufacturing Capacity；同时，公司也开始通过 Cloud Agreements、数据中心租赁、担保等方式，更深入参与 AI 基础设施生态，到这里你就发现，英伟达开始要转变商业模式了。

厂房可能不在 NVIDIA 的账上，但资本责任正在越来越靠近 NVIDIA。 这也是这份财报让我第一次认真思考：英伟达是不是已经从一家极轻的芯片设计公司，逐渐变成了 AI Factory 生态中的资本协调者。

二、要解释现金流，得先重新定义今天的 NVIDIA

FY2027 Q2，NVIDIA 总收入 962 亿美元，其中 Data Center Revenue 已经达到 890 亿美元，占总收入约 92.5%。再往里拆，Hyperscale 是 487 亿美元，ACIE——也就是 AI Clouds、Industrial、Enterprise——是 403 亿美元。换句话说，今天研究 NVIDIA，真正决定公司增长的已经不是 Gaming，而是 AI Data Center。

所以我现在会把 NVIDIA 重新定义成：AI Data Center Infrastructure Platform。 这里要把需求端和产品端分开。Hyperscale 和 ACIE 回答的是“谁在买”；GPU Compute、Networking、Systems 和 Software 回答的是“NVIDIA 到底卖什么”。如果把这两个维度混在一起，很容易把业务结构理解错。

这里我做个介绍：Hyperscale 是大型云和互联网公司建设超大规模 AI 数据中心；ACIE 则把需求扩展到 AI Cloud、企业、工业和 Sovereign AI。两类客户的商业模式不同，但最后都会变成对 Compute、Networking 和 System 的采购。

这也改变了我看 NVIDIA 的方式。过去我们自然会问，一颗 GPU 卖多少钱、出货多少颗；今天更应该问的是：一座 AI 数据中心每投入 1 美元资本开支，NVIDIA 最终可以拿走多少？ 因为黄仁勋真正做的事情，就是不断扩大 NVIDIA 在一座 AI Factory 里的 Value Capture。

三、AI 不是突然来的，英伟达其实等了它二十年

把时间拉回到 1993 年，会发现 NVIDIA 三十多年的商业模式变化其实非常连贯。1993 年，公司从 3D Graphics 起步；1999 年推出 GPU；2006 年推出 CUDA，把 GPU 的并行处理能力开放到科学计算；2012 年，GPU 支撑 AlexNet，正式和现代深度学习发生交汇。这几个节点，NVIDIA 自己也放在公司历史的核心位置。

真正值得研究的，为什么英伟达不是每一年推出了什么产品，而是每一次技术选择之后，公司都把自己的商业边界向外推进了一层。我也把英伟达公司33年的发展史画出来了，你非常清晰可见，英伟达这家公司成长的边界，一次一次沿着半导体行业发展向外推进。

2006 年 CUDA 是我认为最关键的一步。CUDA 出现之前，GPU 再强，本质还是硬件；CUDA 让开发者能够直接调用 GPU 的并行计算能力，GPU 第一次从“产品”变成了“平台”。产品卖出去，交易基本结束；平台一旦形成，却会吸引开发者、Library、Framework 和越来越多新的 Workload。

所以 2012 年 Deep Learning 真正爆发时，NVIDIA 并不是临时进入 AI。GPU、CUDA、开发工具和开发者生态已经准备了很多年。与其说 NVIDIA 抓住了 AI，不如说 AI 最终找到了 NVIDIA 已经准备多年的计算平台。

2016 年的 DGX-1 又把这条路向前推了一步。NVIDIA 不再只是把 GPU 交给客户，而是开始把 GPU、软件和开发工具组合成完整的 Deep Learning System。到 2020 年，NVIDIA 再用 70 亿美元收购 Mellanox，把能力从 Compute 延伸到 Networking。黄仁勋当时的表述已经非常清楚：未来的数据中心需要的是从 AI Computing 到 Networking、从 Processor 到 Software 的 Full-stack 全栈能力。

所以 CUDA 让 NVIDIA 从芯片走向平台，DGX 让它从平台走向系统，Mellanox 又让它从计算走向完整的数据中心架构。今天的 AI Factory，并不是一个突然冒出来的新故事，而是过去二十多年战略选择自然走到的结果。

四、真正的护城河，不只是 CUDA，而是一个已经转了二十年的飞轮

说到 NVIDIA 的护城河，大家最常提到 CUDA。这个判断没有错，但如果只看到 CUDA，我觉得还是低估了 NVIDIA。因为 CUDA 真正的价值，不只是“开发者迁移成本高”，而是它帮助 NVIDIA 建立了一个持续自我强化的商业飞轮。

这条飞轮在 AI 时代又增加了一层。GPU 数量越多，Cluster 越大；Cluster 越大，Networking 就越重要；Networking 越重要，System Design 和 Software Scheduling 的价值越高。于是 NVIDIA 可以从同一个客户身上卖出更多东西，从 GPU 延伸到 NVLink、Ethernet、DPU、Rack 和 Software，Share of Wallet 随之提高。

所以今天再问 NVIDIA 的护城河，我更愿意把它拆成六个部分：Architecture + CUDA + Developer Ecosystem + Networking + Systems + Installed Base。 这些东西不是并列的，它们互相强化：硬件领先吸引软件，软件扩大 Installed Base，Installed Base 又吸引云厂商和开发者，Revenue 再反哺研发。真正难复制的，不是某一个产品，而是一个已经运行二十多年的系统。

也正因为如此，研究 NVIDIA 已经不能只问“一颗 GPU 可以卖多少钱”，更应该问：一座 AI Factory 每增加 1 美元资本开支，NVIDIA 的 Share of Wallet 到底还能扩大多少。

五、Blackwell 到 Rubin，黄仁勋正在重新定义“计算机”

理解了这条商业路径，再看 Blackwell 和 Vera Rubin，会发现它们已经不能简单理解成“GPU 换代”。Vera Rubin 是一整套平台，CPU、GPU、NVLink、NIC、DPU、Ethernet 和 Rack-level System 被放在一个架构里共同设计。2026 年，Vera Rubin 已进入全面量产，全球服务器厂商和供应链也已经围绕它进行规模化生产。

过去我们理解一台计算机，核心是 CPU；今天 NVIDIA 正在尝试把一整座 AI 数据中心当成“一台计算机”来设计。

这就是为什么 NVIDIA 的竞争单位已经从一颗 GPU，升级到一个 Rack、一套 Cluster，甚至一整座 AI Factory。这个变化的意义，英伟达不只是产品线越来越多，而是公司在一座数据中心里的价值捕获边界越来越宽。

也正是在这里，我重新理解了这份财报里那些越来越大的 Supply Commitments。NVIDIA 想做的已经不是简单地“交付一颗 GPU”，它必须确保 HBM、先进封装、Networking、服务器系统、土地、电力和数据中心能力都能够跟得上。商业边界扩大以后，收入机会变大了，责任边界也同时变大。

六、75%的毛利率和接近100%的ROIC，才是商业模式最直接的结果

回到 Q2 财报，NVIDIA 的 Gross Margin 达到 75.0%，Operating Margin 达到 66.2%。这两个数字之所以重要，不是因为它们“高”，而是因为它们告诉我们，NVIDIA 虽然仍以硬件作为主要交付形式，但客户真正付钱买的已经不是一颗 Commodity Chip，而是一整套高度差异化的平台能力。

Gross Margin = Gross Profit ÷ Revenue，它反映的是每 100 美元收入在扣掉直接成本之后还能留下多少钱；Operating Margin 则进一步扣除研发、销售和管理费用。NVIDIA 每 100 美元收入能留下 75 美元毛利，最终还能留下 66 美元左右的经营利润，这背后其实就是 Architecture、CUDA、Networking 和 System Design 最终形成的 Pricing Power。

但如果说毛利率告诉我们公司“有多能赚”，ROIC 才真正告诉我们“这种赚钱方式有多值钱”。

其中，ROE 是 TTM Net Income ÷ Average Equity，ROA 是 TTM Net Income ÷ Average Total Assets。我更关注的是 ROIC——Return on Invested Capital，投入资本回报率。本篇沿用报告口径：

ROIC = TTM NOPAT ÷ Average Invested Capital

简单理解，就是公司真正投入经营的每 1 美元资本，一年能够创造多少税后经营利润。

NVIDIA 接近 100% 的 ROIC 为什么这么高？一边是 75% 的毛利率和 66% 的 Operating Margin，另一边又是 Fabless 模式，资本基数相对轻。于是非常高的 NOPAT 除以相对有限的 Invested Capital，就得到非常夸张的资本回报。

但我现在更关心的，其实不是 98.5% 有多高，而是它为什么从一年前的 106.5% 开始往下走。逻辑正好和前面的现金流接上：NOPAT 还在增长，但 AR、Inventory、Commitments 和 Ecosystem Investment 同样在增加。如果 Invested Capital 增长得比 NOPAT 更快，ROIC 就会下降。

所以我现在会用四个指标理解一家公司的价值：Revenue 看增长，Margin 看定价权，FCF 看有没有真钱，ROIC 看这种增长到底值不值得。

七、NVIDIA 最大的风险，可能不是 AI 失败

分析完商业模式和现金流以后，我对 NVIDIA 风险的理解也发生了变化。AI 泡沫当然是风险，但我现在更关心的，是另一个场景：如果 AI 继续成功，NVIDIA 还能不能继续拿走今天这么高比例的价值？

第一层是 AI CapEx 的最终 ROI。过去产业最关心的是 GPU 不够、HBM 不够、CoWoS 不够，未来可能越来越需要问的是：土地、电力、数据中心和资本够不够，更重要的是 AI 应用最终赚到的钱，能不能支撑越来越大的基础设施投资。NVIDIA 在 10-Q 里也明确写到，Land、Power、Shell 和 Capital 都可能制约客户数据中心部署，客户甚至可能因为资金不足而推迟新架构采购。

第二层是 Hyperscaler 自研 ASIC。今天的大客户同时也是潜在竞争者。当采购规模越来越大，自研 TPU、Trainium、Maia、MTIA 的经济性自然提高。真正危险的场景未必是 AI TAM 不增长，也可能是 TAM 继续高速增长，但 NVIDIA 在每 1 美元 AI CapEx 里的 Share of Wallet 下降。

第三层是 Gross Margin。AI Factory 越复杂，NVIDIA 承担的 HBM、先进封装、Networking、Systems 等成本越多；与此同时，Full-stack 能力也在提高客户价值和定价权。未来毛利率反映的就是这两股力量的博弈：系统复杂度带来的成本上涨，能不能被平台价值和 Pricing Power 覆盖。

第四层是 Capital Intensity。如果 DSO、Inventory、Supply Commitments、AI Cloud Investment 持续上升，而 OCF 和 ROIC 一直下降，那么问题就不再只是某一季度 Working Capital 波动，而可能意味着 NVIDIA 正从一个极轻资产的平台，逐步变成资本责任更重的 AI Infrastructure 组织者。

八、Q3 不是再猜一次财报，而是给 Q2 发现的问题做一次考试

这也是我这次研究方法上最大的变化之一。过去看完一份财报，往往会列几个风险，然后等三个月以后再看下一份财报。现在我更愿意把每一个风险直接转成下一季度的验证条件。

NVIDIA 给出的 Q3 Revenue Guidance 是 1080 亿美元 ±2%，GAAP Gross Margin Guidance 是 74% ±50bps。 但“1080 亿美元”本身并不是最有价值的信息，真正值得研究的是：要完成这个数字，现实世界里必须发生什么。

我们已经可以沿着业务链反推：Q3 Data Center 必须继续增长；Hyperscale 如果相对平稳，主要增量就要靠 ACIE；Vera Rubin 必须开始真正形成收入；同时 HBM、TSMC、先进封装和 Networking 必须支持交付。收入兑现以后，再去看 74% 的毛利率能否守住，DSO 和 Inventory 有没有改善，OCF 是否恢复，最终 ROIC 能不能企稳。

所以 Q3 真正要看的，不只是 NVIDIA 有没有 Beat 1080 亿美元，而是 这 1080 亿美元是怎么来的、付出了多少毛利率代价、有没有真正变成现金、为了增长又新增了多少资本承诺。

Guidance 在这里不是答案，而是一组需要现实世界逐项兑现的假设。从 Q2 财报结束到 Q3 财报出来之前，我们真正需要做的，就是持续验证这些假设。这才是做投资用时间去等待的结果。

九、从 NVIDIA，我开始重新理解这一轮 AI 半导体周期

这次研究最大的外溢价值，是让我重新思考“半导体周期”本身。

传统半导体周期，我们习惯看 Inventory、ASP、Capex 和 Capacity。需求上行以后价格上涨，厂商扩产，新增产能释放以后供给增加，再进入库存调整，这是很经典的周期框架。

但 AI 半导体周期比这个多了一层，因为这一轮最上游的需求来源，不是手机销量，也不是 PC 出货，而是 AI 最终能不能创造经济价值。

这个周期真正的终点，并不是 GPU，也不是 HBM，而是应用。算力越来越便宜，能不能创造更多 AI 使用量；更多使用量能不能创造收入和现金；这些现金又能不能支撑下一轮更大的 AI CapEx。

只要这个反馈环持续强化，AI Infrastructure 的大周期就还有动力。反过来，如果未来持续看到 AI Revenue 的增长长期落后于 AI CapEx 的增长，那才是这一轮半导体周期真正值得提高警惕的阶段。

所以以后研究 AI 半导体，我不会只看 NVIDIA、TSMC、HBM、CoWoS 和光模块。我会把 Microsoft、Amazon、Google、Meta 的 AI Revenue、OCF、FCF、ROIC 一起放进研究框架。它们看起来是上下游，但从资本循环角度看，其实是同一个现金循环。

十、最后回到估值：先别问 PE 贵不贵

研究到最后，估值反而应该变得更简单。真正决定 NVIDIA 长期价值的变量，其实前面已经全部拆出来了：AI CapEx 决定大盘需求，NVIDIA Share of Wallet 决定它能拿走多少收入，Gross Margin 和 Operating Margin 决定利润，Cash Conversion 决定最终 FCF，ROIC 则决定这些新增资本有没有真正创造价值。

所以我不想一上来问，NVIDIA 到底应该给 30 倍、40 倍还是 50 倍 PE。更有价值的做法，是先建立 FY27—FY31 的正常化经营模型，再做三层估值。

第一层是 Forward P/E，看市场给未来正常化盈利多少倍。

第二层是 DCF，但这里不能直接拿 Q2 的 214 亿美元 FCF 年化，因为本季度的 Working Capital 明显异常，需要重新预测 Normalized Operating Margin、Working Capital、Capex 和 FCF。

第三层也是我认为最重要的，是 Reverse DCF。

Reverse DCF 不是先问“NVIDIA 应该值多少钱”，而是反过来问：今天这个市值，已经假设 NVIDIA 未来必须做到什么？ 它隐含了多少 Revenue CAGR、多高的 Operating Margin、多少 FCF Margin，以及多高的长期 ROIC。然后再把这些市场隐含假设，和前面研究出来的 AI CapEx、ASIC 竞争、Gross Margin、Cash Conversion 和 ROIC 一项项对照。

估值的本质，不是简单判断贵还是便宜，而是比较“市场已经相信的未来”和“我们研究以后相信的未来”，两者到底差多少。

十一、黄仁勋真正值得学习的，不是“押中了 AI”

写到这里以后，我越来越不愿意用“黄仁勋提前押中了 AI”来总结他，因为这反而把事情说小了。

2006 年做 CUDA 时没有 ChatGPT，2012 年 AlexNet 之前也没人知道生成式 AI 最终会发展成今天这样。黄仁勋真正长期坚持的，是一个更底层的判断：General-purpose Computing 会越来越需要 Accelerated Computing。

围绕这个判断，他做 CUDA、做 DGX、收购 Mellanox，从 GPU 走到 Networking，再从 Networking 走到 AI Factory。这些选择有一个很一致的特征：不是等市场已经形成以后再去追，而是先把能力建设出来，再等待市场长到自己面前。

所以如果让我把三十多年的 NVIDIA 压缩成一句话，我会写：

黄仁勋真正厉害的，不是提前二十年预测到了 ChatGPT，而是提前二十年，把 NVIDIA 建设成了一台可以不断承接新计算需求的机器。

真正优秀的战略，也许从来都不是每次都准确猜中下一个热点，而是在一个正确的底层判断上长期投入，不断扩大自己的能力边界。直到有一天，时代的需求和你的能力突然发生重合。

AI 就是 NVIDIA 等了很多年的那个时刻。

研究完这份财报以后，我对“怎么看一家公司”也有了一个更清楚的框架。财报从来不是答案，它只是商业模式留下来的痕迹。收入告诉我市场有没有需求，毛利率告诉我有没有定价权，经营利润告诉我规模效应，现金流告诉我利润有没有真正变成钱，ROIC 最后告诉我，资本投进去以后到底有没有继续创造价值。

而风险、Management Guidance 和下一季度真正出来的 Actual，又会不断检验过去有效的商业模式未来还能不能继续有效。所以这次研究 NVIDIA，我最后沉淀下来的，其实不是某一个财务指标，也不是一个目标价，而是一条完整的研究路径：

Company Evolution → Business Model → Growth Flywheel → Earnings → Cash → ROIC → Risk → Guidance → Tracking → Next Actual → Valuation

从一份财报开始，最后看懂的并不是一组数字。而是一家公司三十多年做过的选择，以及这些选择为什么在今天形成了如此强大的商业结果。