万众瞩目，英伟达发布了最新一季的财报，结果并没有让人失望。市场应该可以松了口气。
2026年第四季度营收约 680 亿美元、同比增长 73%，这种增速放在任何一家“体量已经大到离谱”的公司身上，都足够让人震一下。
除了这些亮眼的数据，我更关注财报电话会上管理层的表达。
对大多数普通投资者来说，最关注的问题莫过于三个：AI到底有没有泡沫；英伟达的高速增长还能持续多久（未来的需求来自哪里）；以及最关键的——它的护城河究竟有多深。
这些问题可以在财报电话会里找到线索。
一、AI重心的迁移：从训练走向推理
过去两年，大家聊AI，默认都在聊训练：谁的参数更大、谁的预训练数据更猛、谁的集群更豪华。训练当然重要，但它有一个特征——它更像“开厂前的基建”，周期长、集中爆发，完成之后增长会暂时放缓。
电话会释放的一个很清晰的信号：AI行业的重心正在从训练转向推理（Inference）。推理是什么？你可以把它理解为“模型真正开始上班”的那一刻：用户问一次、模型答一次；企业调用一次、系统生成一次；每一次生成、每一个 token（词元），都在消耗算力。
如果训练是“修铁路”，推理更像“天天跑高铁”。修铁路很贵，但修完之后，真正决定收入的，是每天有多少车次、多少人上车、多少货在跑。推理时代的算力消耗，不再是集中式的大训练，而是持续的大规模服务；而持续，往往比一次性更可怕，也更值钱。
今天我们使用的很多AI产品，已经很难退回到“偶尔用一下”的阶段。写代码、分析数据、做方案、做客服、做运营，AI开始进入工作流之后，它就不是“锦上添花”，而是“缺了就卡壳”。
这也是黄仁勋把推理和收入牢牢绑定的底层原因：当推理成为产品交付的核心环节，算力就会变成服务能力的上限，服务能力上限直接决定收入上限。
二、AI Agent：推理需求进一步放大
如果只把推理理解成“你问一句、它答一句”，那对未来算力需求的估计，可能还会偏保守。
真正会把推理拉到新量级的，是 AI Agent（代理式AI）的普及。Agentic AI 的关键不是“更会聊天”，而是“能把任务做完”。
它会拆解目标、调用工具、写代码、跑流程、反复迭代，把一个原本需要人类盯着一整天的工作，变成一个可以持续运行的自动化过程。
这意味着什么？意味着推理不再是一段短对话，而是一条长链路；不再是一次生成，而是连续生成；不再是几秒钟的响应，而是几小时甚至更长的任务执行。你可以把它想象成：以前我们用AI像用计算器，按一下出结果；未来我们用AI更像用一个项目团队，你给目标，它自己开工、分工、复盘、再推进。
当工作方式变成这样，推理需求会呈现出一种“自我放大”的特征：更多任务交给Agent，Agent为了完成任务会调用更多工具、产生更多token、占用更多算力；而算力越充足，Agent越可靠，企业越敢把关键流程交给它，于是算力需求继续上升。
这就是为什么电话会里强调的不是“模型变强”，而是“应用方式变了”。应用方式一旦从“工具”变成“劳动力”，算力就会从“IT预算”变成“经营预算”，它的天花板会被重新定义。
三、真正的护城河不只在GPU
很多人第一时间看到英伟达，会把注意力放在GPU上：更先进的架构、更强的性能、更大的供不应求。
GPU当然是皇冠上的宝石，但如果只盯着芯片，就会漏掉一个更隐蔽、却越来越重要的层面——网络与互连。英伟达网络业务的年营收已经达到310亿美元。
我们可以用一个非常直观的类比来理解它：GPU像F1赛车的引擎，是极限性能的来源；但如果你把F1引擎塞进一条泥泞拥挤的乡间小路，它的优势会被立刻磨平，甚至不如一台普通车跑得顺。
现代AI早就不是“单个芯片”在工作，它更像一个由成千上万颗GPU组成的巨型系统——一个“AI工厂”。
在这种工厂里，算力不是一颗芯片的算力，而是整个集群协同的算力；协同效率的瓶颈，往往不在计算，而在数据怎么流动、模型怎么并行、任务怎么切分、节点怎么通信。
这就是 NVLink 这类互联技术的意义：它把多个计算节点紧密连接成一个更像“整体”的计算单元，让数据在节点间高速穿梭，减少等待，减少空转，把昂贵GPU的利用率拉到极致。再往外扩展，配合更大规模的网络方案，才能把成千上万个节点织成一个真正可用、可扩展、可运营的数据中心系统。
NVLink之所以被反复提及，是因为在推理时代，“算力=收入”不只是芯片更快，而是系统更顺；系统更顺，单位时间能生成更多token，能服务更多用户，能跑更多Agent，收入自然就更靠近天花板。
四、更长周期的增量：物理AI
如果说推理和Agent把算力变成了“数字世界的生产力”，那么物理AI（Physical AI）则在做一件更激进的事：把算力推向真实世界，让它去驱动机器、车辆、工厂、物流系统。
这条线之所以可怕，是因为它不再只服务于“屏幕里的信息”，而是服务于“现实中的动作”。自动驾驶、机器人、智能制造、仓储物流，任何一个场景一旦规模化，它对算力的需求都可能远超我们今天对“聊天机器人”的想象。
更重要的是，物理AI的训练方式也在变。
我们不可能让机器人在真实工厂里摔倒一万次来学习，那成本太高、风险太大，于是仿真与数字孪生平台的重要性迅速上升：在虚拟世界里反复试错，在现实世界里一次上岗。
这样的流程把“训练”和“推理”都拉长了链路：训练更依赖大规模仿真算力，推理更依赖实时决策算力，而两者叠加，会把数据中心的需求推到更高维度。
当把这条线看清楚，就会理解为什么英伟达在电话会里强调的不只是“AI更聪明了”，而是“AI开始进入工厂与道路”。一旦AI进入物理世界，它就不再是一个软件潮流，而是一场生产方式的改造。
结语：当软件能够实时生成，还是泡沫？
几千亿美元级别的资本支出，凭什么长期存在？这难道不是一场巨大的泡沫吗？这是许多人不断追问的问题。
黄仁勋洞察到了AI时代软件的范式转移，这将带来算力的指数级增长（参考老黄与思科CEO的对谈）。
过去的软件像DVD光盘：预先录制好，点击按钮就执行，算力消耗很小；未来的软件更像实时导演一部大片：它要理解你的语境、你的意图，甚至接入企业的数据与工具链，在当下生成答案、生成行动方案、生成流程，然后把任务推进到完成。
从“播放DVD”到“实时导演大片”，算力消耗不是线性增加，而是跃迁式增加；而一旦这种实时生成开始承接生产力与经营活动，它就会被企业纳入“刚性需求”的范畴。
刚性需求的特点，是你很难靠“节省”去对抗它，因为节省的不是成本，而是增长，是收入和竞争力。
这也是为什么黄仁勋敢把那句话说得这么绝对：当推理成为交付能力的一部分，算力就成了收入的一部分。
把这场电话会从头到尾串起来，重点并不是“本季度赚了多少”，而是“未来几年算力需求会怎么扩张”。
短期主战场在推理，推理的加速器是AI Agent；而NVLink 这类互联与网络能力构成了重要的系统级护城河。
更长周期的增量来自物理AI。当AI从数字世界到真实世界，算力需求的天花板将会不断突破。
当算力最终像“数字呼吸”一样融入每个流程，资本支出就不会只是“科技巨头的数字游戏”，它会变成手机里更聪明的助手、车上的自动驾驶系统、工作流里那支隐形的AI团队。
