Nvidia今天发布了第一季度财报,游戏和数据中心业务销售额的巨大增长,使得Nvidia的业绩再次超出了华尔街的预期水平。
Nvidia宣布,该季度每股利润为3.66美元,收入为56.6亿美元,同比增长84%,高于华尔街此前预期的每股利润3.28美元,收入54.1亿美元。该季度Nvidia的净收入为19.1亿美元,或每股3.03美元。

Nvidia首席执行官黄仁勋表示,这是一个“梦幻般的季度”,市场对Nvidia产品的强劲需求使得“收入创下新高”。
当前全球半导体短缺推动了市场对Nvidia产品的大量需求,过去一年中Nvidia的表现非常出色。新冠疫情期间人们在家的时间越来越长,因此对于采用了Nvidia芯片的产品(包括游戏机和游戏PC)的需求也出现增长。
Nvidia的GPU是游戏产品、以及人工智能、加密货币挖矿(近几个月非常火)所需关键组件。
该季度Nvidia的GPU业务收入为34.5亿美元,比去年同期增长了81%,其中游戏板块的收入增长了106%,达到27.6亿美元。
Nvidia首席财务官Colette Kress在分析师电话会议上表示,游戏爱好者和学生是推高市场对其GPU需求的主要因素,她预计今年下半年游戏机平台的现有升级周期还将保持强劲水平。
Nvidia的计算和网络业务(包括用于数据中心的芯片)该季度增长了88%,达到22.1亿美元。Nvidia方面表示,去年收购数据中心网络公司Mellanox对该部门来说是一个极大的推动力,此外对服务器用GPU的需求也很强劲。
黄仁勋表示:“随着全球各行各业采用Nvidia AI来处理计算机视觉、对话式AI、自然语言理解和推荐系统,我们的数据中心业务将持续扩张。一年以来,Mellanox的表现超出了我们的预期,将帮助Nvidia转型为一家数据中心规模的计算公司。”
Nvidia的汽车业务该季度收入下降1%至1.54亿美元,专业可视化部门的收入增长21%,达到3.72亿美元。
黄仁勋在分析师电话会上表示,Nvidia与其他芯片制造商一样,过去几个月在满足市场对其产品需求方面一直面临重重挑战,原因之一是加密货币挖矿者正在抢购Nvidia的GPU。为了防止这种情况,最近Nvidia向其GPU中增加了一个新的软件,可限制加密货币挖矿过程中的哈希率,从而将GPU的供应量保留给其他用户。
不过Nvidia表示,今年下半年图形卡仍将是供不应求的,不过Nvidia在今年2月推出了专用的CMP加密货币芯片新产品线,有望缓解这个问题。
他向分析师说:“CMP的产量会有所提高,但这并不会影响GeForce的供应,因此可以确保对游戏玩家的供应。”
Nvidia上个月举行了一年一度的GTC线上大会,并发表了一些公告,有分析师称,这些公告可能会推动Nvidia其他规模较小的业务实现增长。Nvidia新推出的Grace CPU将让数据中心业务从中受益,这是Nvidia推出的首个基于Arm的数据中心CPU。有分析师称,Grace CPU将于2023年投放市场,这意味着,Nvidia将成为全球唯一可以提供一个完整的、支持GPU、CPU、专用数据处理单元的AI计算平台公司。
Nvidia还展示了下一代自动驾驶汽车芯片DRIVE Atlan,也有望在2023年左右上市。其他方面,Nvidia宣布扩大与数据中心虚拟化软件公司VMware的合作伙伴关系,以鼓励企业构建更多基于AI的应用。
Nvidia还透露了关于计划收购英国核心处理器设计厂商Arm的最新消息,称该交易有望在2022年完成。毫无疑问,这一声明的目的是为了缓解投资者们对于英国政府已经启动关于此次收购是否会构成任何国家安全问题的调查的担忧。
展望下个季度,Nvidia预计收入为63亿美元,远高于分析师普遍预期的55亿美元。Nvidia股价在盘后交易中下跌了1%。
Pund-IT分析师Charles King表示,Nvidia继续在财务和技术上有突出表现,“但是,对于收购Arm的不确定性可能会打击投资者的信心。”
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。