英伟达股东大会:黄仁勋称有用AI已至且盈利,Vera Rubin全面投产

突发:英伟达举行年度股东大会

北京时间周四凌晨,全球市值最高上市公司英伟达举行年度股东大会。AI产业领军人物黄仁勋在股东大会上表示,关于AI投资回报率的问题“已有答案”。

业务更新:AI数据中心与利润逻辑

在业务更新中,黄仁勋反复强调,AI数据中心是“制造词元(token)”的工厂,词元可以变成代码、答案、设计、行动和服务,因此每个token都是利润单位。这里面也包含他整场最有市场情绪的一句话:有用的AI已经到来,并且已经能够赚钱(Useful AI has arrived, and it is profitable)。 黄仁勋同时强调,英伟达系统可能不是采购价格最低的,但能产生最低成本的词元和最高的词元吞吐量——以及最高的收入。换句话说,英伟达的客户购买的不是一堆服务器,而是在建设能够产生收入的AI工厂。

财务表现:惊人增长支撑逻辑

这一逻辑也支撑了英伟达惊人的财务表现。公司全年营收增长65%至2160亿美元,营业收入增长60%至1300亿美元,经营现金流达到1030亿美元,并向股东返还410亿美元。其中,数据中心收入增长68%至1940亿美元。

增长引擎:Vera Rubin架构量产

作为英伟达下一阶段的增长引擎,Vera Rubin架构现在已经进入全面量产阶段。黄仁勋称,Hopper为预训练而生,Blackwell把推理带到机架规模,而Vera Rubin是为智能体打造的。智能体需要不断思考、访问数据库、调用工具、执行代码,如果CPU跟不上,GPU就会闲置;而在AI工厂里,GPU闲置就意味着收入损失。

下一波浪潮:物理AI的展望

除了AI工厂,黄仁勋还把“物理AI”称为下一波增长浪潮。他认为,机器人、汽车和工厂将成为现实世界中的智能体,能够感知、推理、规划并自主行动。英伟达将通过AI工厂训练模型,用Omniverse进行仿真,再通过Jetson等计算平台让模型运行在机器人和设备上。

乐观态度:长期增速与ASIC冲击

黄仁勋也对长期增速和ASIC冲击表达了乐观态度,强调“这轮建设将以数十年为尺度来衡量”,而且英伟达的基础设施能够提供“最佳推理经济性”。

股东回报:计划返还自由现金流

在股东回报方面,黄仁勋表示,计划在今年、明年以及未来,把50%或更多自由现金流返还给股东。

股东大会投票:整体波澜不惊

年度股东大会投票整体波澜不惊。股东以咨询性投票形式批准了公司的高管薪酬方案,并批准全部10名董事会成员连任。另有一项外部股东提案获得通过,该提案要求修改公司章程,使所有股东投票事项均可通过简单多数表决通过。

黄仁勋业务更新实录

对英伟达和整个计算行业来说,这都是非同寻常的一年。每隔10到15年,计算机行业就会经历一次重置:从大型机到PC,从PC到互联网,从互联网到云,再从云到移动云。而这一次重置更大。过去60年里,人类编写软件,计算机执行指令。这个范式已经改变。借助AI,计算机能够理解、推理、规划、使用工具,并完成有用的工作。计算机不再只是一个工具。在AI时代,它是一个会使用工具的助手。由此延伸,数据中心也不再只是一个“工具棚”,而是一个由数字助手组成的AI工厂,是生产数字智能的基础设施。英伟达正在为这个新时代建设计算基础设施。

两年前,生成式AI吸引了全世界的注意。ChatGPT可以写作、绘图、总结并回答问题。随后,推理型AI学会了思考问题。现在,智能体AI已经到来。智能体可以使用工具、访问记忆、编写代码、调用其他智能体、测试结果,并持续工作,直到任务完成。软件编程是企业端第一个重大突破性应用场景。这一点很重要:AI现在已经有用了。当AI能完成有用工作时,token就变得有价值;当token能够带来利润时,对算力的需求就会加速。

看看证据。GitHub开发者在2023年合并了3亿个pull request(注:直译为拉取请求,指的是程序员写完一段代码后,向项目提交“请把我的代码合并进去”的请求),2024年为4亿个,2025年达到5亿个,呈现出清晰而稳定的上升趋势。但在2026年前几个月,这一速度几乎增加了两倍。显然,这意味着全球约3000万名软件开发者——他们每年获得大约3万亿美元薪酬,他们的工作支撑着全球100万亿美元的经济活动——正在被AI放大。借助智能体,同样这批劳动力现在正在创造接近9万亿美元的产出,增加了6万亿美元。

编程只是需求驱动因素之一。有用的AI已经到来。AI的投资回报率问题已经有了答案,各行各业都在竞相采用智能体AI。

英伟达营收增长65%,达到2160亿美元。营业收入增长60%,达到1300亿美元。摊薄后每股收益增长67%,达到4.90美元。我们产生了1030亿美元经营现金流,并向股东返还了410亿美元。

数据中心收入达到1940亿美元,增长68%。Blackwell显著扩大了英伟达基础设施在不同客户群中的覆盖,包括超大规模云厂商、云服务商、AI实验室、工业企业以及主权客户。模型开发商和超大规模云厂商都已经累计部署了数十万颗Blackwell GPU。AI工厂建设仍在各主要行业迅速扩张。Capital One、现代汽车集团、Jane Street和礼来等公司,正在扩展英伟达基础设施以部署AI。

国际收入增长超过三倍,超过300亿美元。近40个国家/地区、合计代表50万亿美元GDP,正在建设由英伟达基础设施驱动的AI工厂。

AI基础设施不再是实验性的,它已经进入生产阶段。AI不仅仅是一个模型,它是一个新的产业。你可以把它想象成一个五层蛋糕:能源、芯片和系统、基础设施、模型以及应用。

传统数据中心存储并提供文件服务。AI工厂则制造token。token会变成代码、答案、设计、行动和服务。

有用的AI是盈利的。每一个token都是一个利润单位,这正是算力需求极其旺盛的原因。客户买的不是计算机,他们是在建设能够产生收入的AI工厂。

(AI)工厂的架构非常重要。问题在于,这座工厂能够产生多少收入,以及成本是多少。推理就是生成token的过程,而英伟达Blackwell树立了标准。在SemiAnalysis的InferenceX基准测试中,Blackwell被认定为“推理之王”,能够提供最低的单token成本,并实现比第二名平台高出30倍的token吞吐量。

这就是架构如此关键的原因。英伟达系统也许不是采购价格最低的,但英伟达能够生成成本最低的token、最高的token吞吐量,以及最高的收入。 Vera Rubin是下一步。Hopper是为预训练打造的。Blackwell把推理带到了机架规模。Vera Rubin则是为智能体打造的。

智能体AI改变了计算模式。智能体会思考、使用工具、访问数据库、检索记忆、执行代码,并反复调用应用,直到任务完成。运行在GPU上的大语言模型负责思考,而CPU必须跟上。如果CPU成为瓶颈,GPU就会闲置。而在AI工厂里,GPU闲置就意味着收入损失。

这就是Vera重要的原因。Vera是面向智能体的CPU,Rubin是负责思考的GPU。NVLink、Spectrum-X、BlueField上的存储与安全能力,以及软件,共同把这些系统连接在一起。

事实上,英伟达是唯一一家拥有三项网络业务的公司。NVLink把一个机架中的GPU连接成一台巨型计算机。Spectrum - X是为AI打造的以太网,它能够在AI工厂内外进行横向扩展,现在其规模已经超过所有其他以太网网络同行的总和。InfiniBand则为全球最大的AI和科学计算系统提供最低延迟网络。

这些技术结合起来,使AI工厂能够从GPU到机架、从数据中心内部到跨数据中心进行整体优化。 Vera Rubin不是一颗芯片,而是一个AI工厂平台,而且生态系统已经开始行动。Vera Rubin已经全面投产。每一家主要模型开发商、公共云、AI云和超大规模云厂商,都在准备基于它进行建设。

Vera打开了一个全新的市场。到目前为止,每一颗CPU都是为人类打造的。我们生活在以秒为单位衡量的世界里。智能体生活在以纳秒为单位衡量的世界里。CPU让智能体等待的每一刻,都是整栋建筑里最昂贵的东西——GPU——处于闲置状态的一刻。

因此,我们从零开始打造了一颗全新的、面向智能体的CPU。这是一个新市场。为人类服务的CPU,是按核心切分和出租的。智能体不是租用核心,而是要求超快响应。未来会有数十亿个智能体,它们需要为自己而打造的CPU。

我们相信,Vera将成为公司历史上最重要的产品发布之一,而订单已经开始到来。

CUDA是我们有史以来最重要的投资之一。20年来,我们一直致力于同一个加速计算架构。装机基础吸引开发者,开发者创造突破性应用,应用创造新市场,新市场又扩大装机基础。这个飞轮正在加速。

CUDA - X是构建在CUDA之上的库栈。这些库是英伟达的皇冠明珠。它们解决了科学和工业领域一些最困难的问题,包括计算光刻、优化、基因组学、物理、数据处理、机器人、AI、无线网络等等。

现在,这些库正在成为智能体的工具。本周我们宣布了BioNeMo,这是一套面向智能体的数字生物学和药物发现工具。

英伟达是垂直整合的,也是横向开放的。我们构建完整技术栈,从而能够对系统进行端到端优化。然后我们将其开放,让整个行业都能在其之上建设。

我们的业务很广,而且正在变得更加多元化。为了让大家更容易理解我们的业务,我们现在用两个市场平台来描述英伟达:数据中心和边缘计算。

在数据中心领域,我们服务两个市场:超大规模数据中心,以及AI云、工业和企业市场。我们的客户基础多元且不断增长。

边缘计算包括PC、工作站、游戏、AI基站、机器人和汽车。我们能够服务所有这些市场,是因为我们拥有一个统一架构、一个软件栈,以及一个丰富的生态系统。

物理AI是英伟达的下一波增长浪潮。物理AI就是现实世界中的智能体AI。机器人、汽车和工厂将能够感知、推理、规划,并在动态环境中运行。

英伟达开创了这一领域,并构建了完整闭环。AI工厂训练模型;Omniverse在虚拟世界中对其进行仿真;NVIDIA Jetson计算机在机器人中运行;Cosmos则是驱动这一切的世界基础模型。

机器人和机器人系统正在各个行业被打造出来,从交通、制造、手术机器人,到酒店和服务业。

过去几个月,AI出现了巨大的加速。最后我想强调几点:有用的AI已经到来,而且它是盈利的。因此,算力就是收入。Vera Rubin已经全面投产。Vera正在打开一个全新的、为智能体打造的CPU市场。每一家企业都正在成为智能体公司,而它们都运行在英伟达之上。

AI时代正在全速前进,英伟达正在建设驱动这一时代的基础设施。

随着我们的成长,我们将继续扩大研发投入,投资我们的生态系统,并向股东返还资本。我们最近宣布大幅提高股息,并扩大股票回购计划。我们计划在今年、明年以及未来,把50%或更多自由现金流返还给股东。

部分Q&A实录

问题:当前AI基础设施建设的可持续性如何?你们业务的主要驱动因素会在什么时候成熟,增长又会在什么时候放缓?

黄仁勋:正如我在演讲中提到的,AI不只是一个模型。它代表着计算领域的一次根本性转变。60年来,计算主要是在检索、存储和发送信息;而现在,计算正在被AI重新发明,变成生成智能。Token是智能的基本单位。它们在一种新型数据中心——AI工厂——中被制造出来,并通过商业化产生收入。算力越多,token越多,收入也就越多。这轮建设将以数十年为尺度来衡量,类似于电网、交通系统和互联网等其他关键基础设施建设。我们相信,这将成为人类历史上规模最大的基础设施建设。智能体AI正在加速基础设施投资,因为这是AI第一次真正开始做实际工作,并创造真实的经济价值。随着各类组织寻求大规模制造智能,对AI工厂的需求将远远超出今天的云计算,延伸到企业、主权国家以及区域性AI云。英伟达凭借全栈、端到端协同设计的基础设施,以及支持这些项目的大型合作伙伴生态,能够以独特方式推动AI工厂建设。下一个主要增长阶段是物理AI,而这才刚刚开始。随着时间推移,AI将从数字世界进入机器人出租车、人形机器人和工业系统,使这些机器能够在物理世界中感知、推理,并以自主性采取行动。驱动物理AI需要新一轮基础设施投资。在这一领域,英伟达提供AI基础设施、Omniverse仿真和数字孪生平台、开放模型、Jetson Thor嵌入式计算平台,以及用于大规模开发和部署物理AI的软件栈。 我们前方还有很长的增长跑道。

问题:英伟达GPU目前支撑着全球大多数人工智能训练基础设施,但随着推理工作负载超过训练,英伟达有多大信心认为GPU架构仍将是大规模推理的首选平台?

黄仁勋:英伟达确实非常擅长训练。而凭借Blackwell,我们也确立了在推理领域的领先地位。推理正在让AI实现商业变现。由于数据中心受到电力限制,其token吞吐量和收入潜力取决于AI基础设施的每瓦性能。在SemiAnalysis的Inference - X基准测试中,Blackwell被称为“推理之王”,实现了最佳每瓦性能、最低token成本,以及高出30倍的token吞吐量。在最新一轮MLPerf推理基准测试中,我们取得了连续第七次胜利。对于AI智能体,Artificial Analysis的New Agent Perf结果显示,与Hopper相比,Grace Blackwell 300 NVLink 72系统在每兆瓦功耗下可运行的智能体数量最多提升20倍。这种优越性能,是英伟达在芯片、系统、算法和软件层面进行极致协同设计的结果。英伟达AI基础设施提供最佳性能,因此也提供最佳推理经济性。但我们的优势不只在于领先性能。我们庞大的装机基础让开发者能够触达最多AI用户。英伟达可编程GPU架构运行超过7000个应用,为云客户带来最大的收入机会,以及融资和承购方面的潜力。对于企业和主权客户,英伟达提供无可比拟的部署灵活性、最广泛地用于定制AI的领先开源模型,以及业内最深入的IT生态支持。如今,英伟达绝大多数计算足迹都用于推理。我们处于有利位置,有望进一步扩大份额,最近我们与Anthropic和苹果的公告也证明了这一点。

问题:能否更新一下资本回报政策?在股息和股票回购方面,投资者应该期待什么?

黄仁勋:英伟达为投资者提供一种独特组合:卓越增长、强劲利润率、自由现金流执行能力,以及不断上升的资本回报。在最近一次财报电话会上,我们宣布季度股息提高25倍,并额外授权800亿美元股票回购。基于我们对可持续市场增长和自由现金流生成能力的信心,我们计划在今年、明年以及更长期内,向股东返还50%或更多自由现金流,并随着时间推移继续提高股票回购和股息。

内容概要:本文围绕列车-轨道-桥梁交互仿真研究,基于Matlab平台构建数值模型,系统分析列车运行过程中轨道与桥梁结构间的动态相互作用机制。研究涵盖多体动力学建模、耦合系统运动方程求解、边界条件设定及仿真结果可视化等关键环节,重点揭示高速行车条件下基础设施的振动传递规律与力学响应特征。该仿真方法可有效评估结构安全性、舒适性指标及疲劳寿命,为轨道交通工程的设计优化与运维管理提供理论支撑和技术路径。文中配套提供了完整的Matlab代码实现方案及操作说明,便于用户复现、验证和拓展相关研究。; 适合人群:具备Matlab编程基础和结构动力学、车辆动力学等相关专业知识的研究生、科研人员及从事铁路工程、桥梁工程与交通系统安全评估的工程技术人才,尤其适合开展轨道交通耦合振动课题的研究者。; 使用场景及目标:①用于高校与科研机构进行列车-轨道-桥梁耦合系统动力学特性的教学演示与科学研究;②支撑高速铁路桥梁的设计优化、运营安全性评估与减振降噪方案验证;③为复杂交通基础设施的多物理场耦合仿真提供建模思路与代码参考。; 阅读建议:建议读者结合所提供的Matlab代码逐模块深入研读,重点关注系统建模假设、质量-刚度-阻尼矩阵构建方法及数值积分算法的实现细节,同时可通过调整参数进行敏感性分析,进一步掌握仿真模型的适用范围与优化方向。
内容概要:本文系统研究了非线性薛定谔方程的物理信息神经网络(PINN)求解方法,提出一种将物理规律嵌入深度学习模型的科学计算新范式。通过构建全连接神经网络架构,将非线性薛定谔方程及其初始/边界条件作为损失函数的核心组成部分,实现了在无须大量标注数据的前提下对复值偏微分方程的高精度数值求解。该方法充分利用自动微分技术精确计算方程残差,有效融合了数据驱动与模型驱动的优势,在光学孤子传播、量子系统演化等典型场景中展现出优异的逼近能力与泛化性能。文中配套提供了完整的Python实现代码,涵盖网络搭建、损失定义、训练优化与结果可视化全流程。; 适合人群:具备Python编程能力与深度学习基础知识,熟悉偏微分方程理论及科学计算的理工科研究生、科研人员,以及从事光学、量子物理、流体力学等领域建模与仿真的工程技术人员。; 使用场景及目标:① 掌握PINN方法的基本原理与实现技巧;② 学习如何将复杂物理方程转化为可训练的神经网络损失项;③ 应用于非线性光学、玻色-爱因斯坦凝聚、水波动力学等问题的仿真与预测;④ 为相关科研课题提供可复现的算法原型与代码参考。; 阅读建议:建议读者结合所提供的Python代码进行动手实践,重点理解神经网络对微分算子的近似机制、损失函数的多任务加权策略以及训练过程中的超参数调优方法,进而可迁移至其他非线性偏微分方程的求解任务,拓展其在交叉学科中的应用边界。
源码下载地址: https://pan.quark.cn/s/a4b39357ea24 微软推出的【AZ-900微软认证】是一项针对初学者的基础级云服务资格认证,其目的在于帮助学习者掌握云概念、微软Azure服务的运作机制以及云解决方案的核心知识。获得这一认证后,考生将能够清晰地理解云计算领域的基础术语、服务模式(包括IaaS、PaaS、SaaS等)以及这些服务在Azure平台上的实际应用方式。 在【必过考题】部分,我们可以观察到两个重点议题,它们分别聚焦于PaaS(平台即服务)的概念阐释和云成本的计算方式。 在第一个议题中,考生被要求辨别关于PaaS的正确性描述。PaaS平台提供了一个开发环境,但并不允许用户直接访问操作系统(Box 1: No)。比如,Azure Web Apps服务可以用来部署web应用,但用户无法直接管理虚拟机或IIS系统。另一方面,PaaS确实具备自动扩展的功能(Box 2: Yes),这表示可以根据实际需求自动增加负载均衡的虚拟机以支持web应用的运行。PaaS框架还为开发人员提供了构建和调整云端应用的工具,预置的应用组件能够有效缩短新应用的编程周期(Box 3: Yes)。 第二个议题同样关注云计算理念的理解,尤其强调IT支出从资本性支出(CapEx)向运营性支出(OpEx)的转型思想。传统的IT投资通常被视为CapEx,而云计算的按需付费机制使企业能够将这部分开支转化为OpEx,从而在财务规划上获得更大的自由度。 在为AZ-900考试做准备时,考生需要特别关注以下几个核心知识点: 1. **云服务模式**:深入理解IaaS(基础设施即服务)、PaaS和SaaS(软件即服务)之间的差异及其各自的应用情境。 2. **Azure服务*...
源码下载地址: https://pan.quark.cn/s/239a0d536a1e 依据所提供的文件资料,可以归纳出以下核心内容:由清华大学计算机系邓俊辉教授精心编纂的算法训练营题目合集,对于CSP(中国软件专业人才设计与创业大赛)及PAT(程序设计能力测试)这类编程竞赛具有极高的参考价值,堪一份极具价值的参考资料。此类竞赛普遍对参赛者的算法功底和编程技巧提出严苛要求。该合集中的题目与算法领域紧密相连,其中包含了“最大红矩形”这一典型题目。所谓最大红矩形题目,其核心任务是针对一个由红色与绿色方格构成的棋盘,寻觅出最大的纯红矩形区域。要攻克这一问题,必须运用数据结构与算法的相关知识,特别是栈这一数据结构的应用。 “最大红矩形”问题能够被抽象转化为“直方图最大面积”问题。具体转化方法是将棋盘的每一列视为一个独立的直方图单元,其中红色方格的贡献体现为当前位置与前一个绿色方格所在行数的差值,从而保证每个直方图的基宽恒定为1。随后,借助扫描直方图的技术手段来探寻最大矩形面积。这一过程需要对每个直方图进行系统性遍历,并利用栈来记录各直方图的下标信息。一旦检测到当前直方图的高度小于栈顶元素所记录的高度,则意味着遭遇了一个“高点”,此时需计算以该“高点”为右边界条件的最大矩形面积。 在编程实践环节,必须高度关注栈的操作细节,以及如何精确地初始化和操纵栈来应对直方图问题。代码实现中,通常配置两个栈,一个用于储存直方图的高度值,另一个用于标记直方图的下标位置。当面对新高度时,需审慎判断当前高度与栈顶高度的相对关系,并据此抉择是执行入栈操作还是计算面积。针对“低点”(即当前高度小于栈顶),应直接将当前高度纳入栈中;而对于“高点”,则需执行弹出栈顶元素的操作,并基于该栈顶元素的高...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值