据首席执行黄仁勋称,Nvidia在经历了“大年”之后的一场动荡,终于再次恢复增长。
Nvidia主要生产用于游戏、人工智能工作负载和比特币挖矿的图形处理芯片。本周四,Nvidia公布第四季度财报显示,在上个月下调了预期之后,该季度Nvidia业绩超出预期。
该季度,Nvidia在如股票补偿等某些特定成本前的收益为每股80美分,高于华尔街修正后的75美分。该季度收入同比减少24%,为22.1亿美元,但略高于分析师预期的22亿美元。
黄仁勋在声明中表示:“后加密货币时代的渠道库存过剩,以及最近不断恶化的终端市场,导致了一个令人失望的季度。”
Nvidia曾经在上个季度透露遭遇库存过剩问题,紧接着在1月发布盈利预警,称预期收入仅为22亿美元,低于最初预期的27亿美元。当时Nvidia称,之所以调整预期是因为云和游戏行业以及中国市场对于GPU芯片的需求有所放缓。
这一警告导致Nvidia股价下跌了14%,但今天略好于预期的财报有助于带来一些乐观情绪。在今天的盘后交易时段,Nvidia股票涨幅超过6%。
Pund-IT分析师Charles King表示:“Nvidia股票的盘后跳涨至少部分要归因于Nvidia的业绩结果要好于上个月调整降低的指引。”
对Nvidia最新财报进行快速分析可以发现,对于Nvidia GPU的需求放缓最为明显。Nvidia的游戏部门收入为9.54亿美元,同比下滑45%。来自那些采用Nvidia芯片和知识产权的制造商收入下滑36%至1.16亿美元。另一方面,Nvidia数据中心收入同比增长12%,达到6.79亿美元,专业可视化业务收入增长15%,达到2.93亿美元,汽车收入增长23%,达到1.63亿美元。
2019整个财年的结果要稍好一些。Nvidia的全年收益为每股6.64美元,比上一年增长35%。全年收入增长21%,达到117.2亿美元。Nvidia表示,游戏、数据中心、专业可视化和汽车部门均创下了收入新高。
Nvidia首席财务官Colette Kress在电话会议上表示:“超大规模和云计算采购量在同比和环比上都有所下滑,因为有多个客户在年底暂停采购了。不过我们认为这是暂时性的。”
Kress的乐观态度并非毫无根据。在电话会议中她强调说,Nvidia的GPU已被大型公有云提供商(如AWS和微软)用于训练人工智能模型。Nvidia还在密切关注其软件和GPU在人工智能推理(运行机器学习模型)方面的运用。
有证据表明这种说法属实。例如,上个月谷歌宣布在自己仍处于测试模式的云平台上采用Nvidia低功耗的Tesla T4 GPU,并指出这些处理器由于其低能耗要求而成为推理工作负载的理想选择。
King说:“有很多分析师认为Nvidia的问题是暂时性的。例如,他们认为加密货币市场崩溃导致的过剩库存,以及影响中国销售的宏观经济压力最终会消退。这些观点使得Nvidia对于很多投资者来说仍然是具有吸引力的。”
但他也警告说,Nvidia的库存问题仍然存在,中国市场的问题远未解决,如果许多经济学家预测的经济衰退继续恶化,那么Nvidia可能也会受到影响。
他补充说:“整体而言,2019年Nvidia取得了超出预期的成绩,这一点值得祝贺。未来一年是否可以继续保持这种上升趋势,还有待观察。”
Nvidia还宣布将在最近一个季度推出新款GeForce RTX 2026显卡,适用于游戏和人工智能开发。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。