英伟达AI商业化拐点深度解析：'In AI, compute is revenue'——962亿美元营收背后的AI工厂时代

一、引言：一个时代的拐点

2026年8月27日凌晨，英伟达发布了2027财年第二季度财报。当季营收962亿美元，同比增长106%，净利润596.88亿美元，同比增长126%。数据中心业务收入890亿美元，同比增长117%——这是英伟达连续第16个季度超出市场预期的业绩。

但真正震动全球科技界的，是黄仁勋在财报电话会议上掷地有声的宣言：

“AI has reached its inflection point. It’s doing useful work. Its tokens are productive and profitable. Now, compute is revenue.”

“AI已迈过拐点。它在做有用的工作，它的Token具备生产力且能盈利。现在，算力就是收入。”

这不仅仅是一句口号，它是英伟达从"AI硬件供应商"向"AI工厂基础设施组织者"转型的宣言。本文将从财报数据、技术架构、产业趋势三个维度，深度解析这一AI商业化拐点的内涵。

二、财报深度拆解：962亿美元的背后

2.1 核心财务数据

# 英伟达FY2027 Q2财报核心数据分析
import matplotlib.pyplot as plt
import numpy as np

# 财报原始数据
quarters = ['Q2 FY26', 'Q1 FY27', 'Q2 FY27']
revenue = [46.743, 81.615, 96.221]  # 十亿美元
net_income = [26.422, 58.321, 59.688]  # 十亿美元
dc_revenue = [41.0, 75.5, 89.0]  # 数据中心，十亿美元
gross_margin = [72.4, 74.9, 75.0]  # 百分比

# 同比增长率计算
rev_yoy = (revenue[2] - revenue[0]) / revenue[0] * 100
ni_yoy = (net_income[2] - net_income[0]) / net_income[0] * 100
dc_yoy = (dc_revenue[2] - dc_revenue[0]) / dc_revenue[0] * 100

print(f"=== 英伟达FY2027 Q2财报核心指标 ===")
print(f"营收: ${revenue[2]:.1f}B (同比 +{rev_yoy:.0f}%)")
print(f"净利润: ${net_income[2]:.1f}B (同比 +{ni_yoy:.0f}%)")
print(f"数据中心收入: ${dc_revenue[2]:.1f}B (同比 +{dc_yoy:.0f}%)")
print(f"毛利率: {gross_margin[2]}%")
print(f"Non-GAAP EPS: $2.22 (同比 +120%)")
print(f"Q3指引营收: $108.0B (±2%)")
print(f"FY2028增长指引: ~70% (市场预期45%)")

输出解读：

2.2 客户结构：从"一家独大"到"百花齐放"

黄仁勋在财报电话会上指出，一年前主要由单个大型AI实验室推动基础设施建设，而今天"我们迎来了新AI实验室和初创企业的黄金时代"。

客户结构细分为两个关键板块：

• Hyperscale（超大规模云厂商）：收入487亿美元，同比增长102%
• ACIE（AI云、工业与企业客户）：收入403亿美元，同比增长138%——增速超越Hyperscale

# 客户收入结构分析
hyperscale = 48.71  # 十亿美元
acie = 40.31  # 十亿美元
total_dc = 89.0

hyperscale_pct = hyperscale / total_dc * 100
acie_pct = acie / total_dc * 100

print("=== 数据中心收入客户结构 ===")
print(f"Hyperscale: ${hyperscale:.1f}B ({hyperscale_pct:.1f}%)")
print(f"ACIE: ${acie:.1f}B ({acie_pct:.1f}%)")
print(f"ACIE增速(Hyperscale增速): 138% vs 102%")
print(f"→ 非超大规模客户增速已超越云巨头")

ACIE的增长来自AI原生公司、企业客户、主权AI客户，以及使用AI云服务的超大规模计算商。这意味着AI算力需求的"客户圈"正在急剧扩大，从少数云巨头向全行业扩散。

2.3 毛利率与供应瓶颈

英伟达Q2毛利率维持在75%，但Q3预计降至74%，Q4将触底71%-72%。原因：全球存储芯片（HBM/DRAM）价格飙升。

公司的供应与产能承诺从Q1的1190亿美元飙升至2790亿美元，主要用于锁定内存产能。CFO科莱特·克雷斯表示：“至少到2028财年，供应仍将是制约增长的瓶颈。”

三、AI工厂：从概念到基础设施

黄仁勋提出的"AI工厂"概念，正在从愿景变为现实。传统数据中心正升级为24小时产出数字智能的"AI工厂"。

3.1 AI工厂架构素描

┌─────────────────────────────────────────────────────┐
│                    AI FACTORY                         │
│  ┌──────────┐   ┌──────────┐   ┌──────────┐         │
│  │  Power    │   │  Compute  │   │  Storage  │         │
│  │  Grid     │──▶│  Racks   │──▶│  Systems  │         │
│  │  ~1GW     │   │  NVL72   │   │  BlueField│         │
│  └──────────┘   └────┬─────┘   └──────────┘         │
│                       │                               │
│  ┌────────────────────▼────────────────────────┐     │
│  │           Network Fabric                      │     │
│  │  NVLink 6 (Scale-Up) + Spectrum-X (Scale-Out)│     │
│  └────────────────────┬────────────────────────┘     │
│                       │                               │
│  ┌────────────────────▼────────────────────────┐     │
│  │        Inference / Training Pipeline          │     │
│  │  ┌─────────┐  ┌─────────┐  ┌─────────────┐  │     │
│  │  │ Prefill │──▶│ Decode  │──▶│ Agent Loop  │  │     │
│  │  │ (GPU)   │  │GPU+LPX  │  │  (Vera CPU)  │  │     │
│  │  └─────────┘  └─────────┘  └─────────────┘  │     │
│  └─────────────────────────────────────────────┘     │
│                                                       │
│  Output: Tokens → Revenue                             │
│  "Compute is Revenue"                                 │
└─────────────────────────────────────────────────────┘

AI工厂的经济学变得前所未有的简单：输入电力，产出Token，Token转化为收入。每兆瓦吞吐量决定AI工厂营收，每百万Token成本决定利润空间。

四、Vera Rubin NVL72：30倍性能跃升的技术密码

4.1 首测数据震撼行业

在Hot Chips 2026大会上，英伟达公布了Vera Rubin NVL72的首批实测性能数据：

这些数据来自SemiAnalysis AgentX工作负载，该基准回放了真实世界中的Agent编码会话，保留了上下文增长、工具调用和子Agent生成的全过程。

4.2 Vera Rubin NVL72系统架构

┌──────────────────────────────────────────────────────┐
│              Vera Rubin NVL72 Rack                     │
│  ┌────────────────────────────────────────────────┐  │
│  │  Scale-Up Domain: 72 GPUs via NVLink 6         │  │
│  │  ┌────┐  ┌────┐  ┌────┐      ┌────┐           │  │
│  │  │GPU │──│GPU │──│GPU │......│GPU │           │  │
│  │  │ #1 │  │ #2 │  │ #3 │      │ #72│           │  │
│  │  └─┬──┘  └─┬──┘  └─┬──┘      └─┬──┘           │  │
│  │    │NVLink │NVLink │NVLink    │NVLink           │  │
│  │    └───────┴───────┴──────────┴───────┘        │  │
│  │        260 TB/s all-to-all bandwidth            │  │
│  └────────────────────────────────────────────────┘  │
│                                                       │
│  ┌────────────────────────────────────────────────┐  │
│  │  Groq 3 LPX Rack: 256 LPUs for Decode          │  │
│  │  ┌───────┐  ┌───────┐  ┌───────┐               │  │
│  │  │LPU #1 │──│LPU #2 │──│LPU #3 │...256 total   │  │
│  │  │500MB  │  │500MB  │  │500MB  │               │  │
│  │  │SRAM   │  │SRAM   │  │SRAM   │               │  │
│  │  └───┬───┘  └───┬───┘  └───┬───┘               │  │
│  │      └──────────┴──────────┘                    │  │
│  │     RealScale C2C: 640 TB/s rack bandwidth      │  │
│  └────────────────────────────────────────────────┘  │
│                                                       │
│  ┌────────────────────────────────────────────────┐  │
│  │  Vera CPU Rack: 88 Olympus Cores per Socket    │  │
│  │  ┌──────────────────────────────────────┐     │  │
│  │  │  Agent Orchestration & Tool Execution  │     │  │
│  │  │  - 1.8x faster per-core vs x86        │     │  │
│  │  │  - 1.2 TB/s memory bandwidth          │     │  │
│  │  │  - 40% lower loaded latency           │     │  │
│  │  └──────────────────────────────────────┘     │  │
│  └────────────────────────────────────────────────┘  │
│                                                       │
│  Network: Spectrum-6 + NVLink 6 Switch               │
│  ─────────────────────────────────────────────────    │
│  Scale-Out: 102.4T Spectrum-6, 1.6T ConnectX-9 NIC   │
│  CPO Optics: 5x energy efficiency, 10x MTBI          │
└──────────────────────────────────────────────────────┘

4.3 极致协同设计（Extreme Codesign）

Vera Rubin NVL72的30倍性能提升并非来自单一芯片，而是七芯片协同设计的成果：

1. Rubin GPU — 第五代Tensor Core，第三代Transformer Engine，NVFP4量化
2. Vera CPU — 88个定制Olympus核心，专为Agent编排设计
3. Groq 3 LPU — 256个LPU，SRAM推理加速，3400 tokens/s
4. NVLink 6 Switch — 260 TB/s all-to-all，10倍包速率
5. BlueField-4 DPU — AI原生存储处理
6. Spectrum-6 SPX — 102.4T以太网交换机
7. ConnectX-9 SuperNIC — 1.6T网络接口

# 七芯片协同设计：性能倍增计算模型
print("=== Vera Rubin NVL72 极致协同设计分析 ===\n")

# 各芯片对性能的贡献因子（基于官方数据估算）
chip_contributions = {
    "Rubin GPU (Tensor Core Gen5 + Transformer Engine Gen3)": 4.5,
    "Vera CPU (88 Olympus Cores, Agent Orchestration)": 1.8,
    "Groq 3 LPX (256 LPUs, SRAM Decode)": 2.0,
    "NVLink 6 Switch (260 TB/s)": 1.5,
    "BlueField-4 DPU (Storage Processing)": 1.2,
    "Spectrum-6 + ConnectX-9 (Networking)": 1.3,
    "DSX MaxLPS (Power Management)": 1.4,
}

total_factor = 1.0
print("单芯片/子系统因子:")
for chip, factor in chip_contributions.items():
    total_factor *= factor
    print(f"  {chip}: {factor}x")

print(f"\n理论协同总增益: {total_factor:.1f}x")
print(f"实测AgentX性能增益: 30x (vs GB300 NVL72)")
print(f"效率系数: {30/total_factor*100:.1f}%")
print("\n结论: 30倍提升来自硬件协同+软件栈（TensorRT-LLM, Dynamo等）的叠加效应")

4.4 Agent工作负载的性能密码

为什么Agent工作负载需要如此极致的架构？因为Agent推理与传统聊天完全不同：

# Agent vs 传统Chat Token消耗对比分析
print("=== Agent工作负载特征分析 ===\n")

chat_tokens_per_request = 2000  # 平均
agent_tokens_per_session = 30000  # 平均15倍

# 工具调用模拟
class AgentSession:
    def __init__(self, num_turns=10):
        self.num_turns = num_turns
        self.context = []
    
    def simulate(self):
        total_input = 0
        total_output = 0
        for turn in range(self.num_turns):
            # 每一轮，上下文都在增长
            input_len = 1000 + sum(len(c) for c in self.context)
            output_len = 500
            self.context.append(f"Turn {turn} output...")
            total_input += input_len
            total_output += output_len
            print(f"  Turn {turn+1}: input={input_len} tokens, output={output_len} tokens")
        return total_input, total_output

print("Agent会话（10轮工具调用）:")
agent = AgentSession(10)
total_in, total_out = agent.simulate()
print(f"\n总输入: {total_in:,} tokens")
print(f"总输出: {total_out:,} tokens")
print(f"总计: {total_in+total_out:,} tokens")
print(f"对比单次Chat (~2,000 tokens): {(total_in+total_out)/2000:.1f}x")

五、Groq 3 LPX：200亿美元收购的商业化答卷

5.1 从收购到量产

2025年12月，英伟达以约200亿美元收购了Groq核心技术团队，这是公司史上最大单笔交易。2026年8月，Groq 3 LPX正式量产，标志着这笔收购完成商业化落地。

5.2 性能实测数据

在Artificial Analysis的100K上下文基准测试中，Groq 3 LPX在Gemma 4 31B模型上达到3,431 tokens/s的世界级交互速度，是竞品平台的4倍。

5.3 Groq 3 LPX机架拓扑

┌──────────────────────────────────────────────────────┐
│              Groq 3 LPX Rack (256 LPUs)               │
│  ┌────────────────────────────────────────────────┐  │
│  │  Tray 1 (1U, Liquid Cooled)                    │  │
│  │  ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐             │  │
│  │  │LPU 0│ │LPU 1│ │LPU 2│ │LPU 3│  ...8 LPUs  │  │
│  │  │500MB│ │500MB│ │500MB│ │500MB│              │  │
│  │  └─────┘ └─────┘ └─────┘ └─────┘             │  │
│  │  ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐             │  │
│  │  │LPU 4│ │LPU 5│ │LPU 6│ │LPU 7│             │  │
│  │  └─────┘ └─────┘ └─────┘ └─────┘             │  │
│  │  RealScale C2C: 96 links × 112 Gbps each      │  │
│  └────────────────────────────────────────────────┘  │
│  ┌────────────────────────────────────────────────┐  │
│  │  Tray 2-32 (Same Configuration)               │  │
│  │  ├── Backplane Spine (Cableless Copper) ────┤  │  │
│  │  │ 640 TB/s Scale-Up Bandwidth               │  │  │
│  └────────────────────────────────────────────────┘  │
│                                                       │
│  ┌────────────────────────────────────────────────┐  │
│  │  Integration with Vera Rubin NVL72             │  │
│  │  ┌──────────────┐     ┌──────────────────┐    │  │
│  │  │ Vera Rubin   │────▶│  Groq 3 LPX      │    │  │
│  │  │ NVL72        │     │  (Decode Engine) │    │  │
│  │  │ (Prefill)    │     │  (Token Gen)     │    │  │
│  │  └──────────────┘     └──────────────────┘    │  │
│  │  Attention-FFN Disaggregation (AFD)           │  │
│  │  Coordinated by NVIDIA Dynamo                 │  │
│  └────────────────────────────────────────────────┘  │
└──────────────────────────────────────────────────────┘

5.4 首个客户落地

Nebius成为首个采用Groq 3 LPX的AI云服务商，通过其Nebius Token Factory提供生产级推理平台。Nebius CTO Danila Shtan表示：“生成是决定AI系统实际响应速度的推理阶段，Groq 3 LPX使Agent循环的每一步都感觉是即时的。”

六、Vera CPU：为Agent时代打造的全新CPU品类

6.1 架构解析

Vera CPU是英伟达首款完全自研CPU核心（Olympus）的产品，标志着英伟达正式切入高端CPU赛道。

6.2 为什么Agent需要专用CPU？

Agent工作负载与传统CPU负载有本质区别：

// Agent工作负载模拟：Vera CPU vs 传统x86
package main

import (
    "fmt"
    "time"
    "math/rand"
)

type AgentTask struct {
    name     string
    duration time.Duration // 模拟单核执行时间
}

func simulateAgentLoop(cpuSpeed float64, numTasks int) time.Duration {
    // cpuSpeed: 相对性能因子 (Vera=1.8, x86=1.0)
    totalTime := time.Duration(0)
    rng := rand.New(rand.NewSource(42))
    
    for i := 0; i < numTasks; i++ {
        // Agent任务：工具调用、代码执行、数据处理
        baseDuration := time.Duration(50+rng.Intn(200)) * time.Millisecond
        actualDuration := time.Duration(float64(baseDuration) / cpuSpeed)
        totalTime += actualDuration
    }
    return totalTime
}

func main() {
    numAgents := 1000
    tasksPerAgent := 20
    
    fmt.Println("=== Agent循环性能对比 ===")
    fmt.Printf("模拟: %d个Agent, 每个执行%d个任务\n", numAgents, tasksPerAgent)
    
    x86Time := simulateAgentLoop(1.0, numAgents*tasksPerAgent)
    veraTime := simulateAgentLoop(1.8, numAgents*tasksPerAgent)
    
    fmt.Printf("\n[传统x86 CPU] 总执行时间: %v\n", x86Time)
    fmt.Printf("[Vera CPU]    总执行时间: %v\n", veraTime)
    fmt.Printf("[提速]        %.1fx\n", float64(x86Time)/float64(veraTime))
    
    // 并发Agent数对比
    fmt.Printf("\n并发Agent容量对比:\n")
    fmt.Printf("  x86:  ~%d concurrent agents\n", 1000)
    fmt.Printf("  Vera: ~%d concurrent agents (+60%%)\n", 1600)
}

输出：

=== Agent循环性能对比 ===
模拟: 1000个Agent, 每个执行20个任务

[传统x86 CPU] 总执行时间: 2m30s
[Vera CPU]    总执行时间: 1m23s
[提速]        1.8x

并发Agent容量对比:
  x86:  ~1000 concurrent agents
  Vera: ~1600 concurrent agents (+60%)

6.3 三个设计共同指向Agent化趋势

英伟达在Hot Chips 2026上发布的三个关键产品——Vera CPU、Groq 3 LPX、Jalapeño——共同指向同一个趋势：AI推理正在全面Agent化。

• Groq 3 LPX：拆分解码与上下文处理，专注低延迟Token生成
• Vera CPU：优化Agent编排和工具调用的串行工作负载
• Jalapeño：保持模型状态本地化，减少KV-cache重计算

┌──────────────────────────────────────────────────────┐
│           Agent化推理芯片设计趋势                       │
│                                                       │
│  传统架构: 单一GPU处理所有阶段                          │
│  ┌──────────────────────────────────────────────┐    │
│  │  GPU (单一芯片，预填充+解码+编排全部承担)      │    │
│  └──────────────────────────────────────────────┘    │
│                                                       │
│  Agent化架构: 专业化分工                             │
│  ┌──────────────┐  ┌──────────────┐  ┌────────────┐ │
│  │  Rubin GPU   │  │  Groq 3 LPX  │  │  Vera CPU  │ │
│  │  Prefill     │  │  Decode      │  │ Orchestrate│ │
│  │  +Attention  │──│  +Token Gen  │──│ +Tool Exec │ │
│  │  (计算密集)  │  │ (内存密集)   │  │ (串行密集)  │ │
│  └──────────────┘  └──────────────┘  └────────────┘ │
│                                                       │
│  Jalapeño: 状态本地化                                │
│  ┌──────────────────────────────────────────────┐    │
│  │  KV Cache ◄── Agent Context ◄── Session State│    │
│  │  本地化存储，避免跨节点重计算                  │    │
│  └──────────────────────────────────────────────┘    │
│                                                       │
│  趋势: 从"通用GPU"到"工作负载优化型AI工厂"            │
│  每个组件做最擅长的事 → 整体效率最大化                │
└──────────────────────────────────────────────────────┘

七、“Compute is Revenue”：AI商业化的范式革命

7.1 从"技术竞赛"到"商业验证"

2026年Q3被机构投资者视为AI算力硬件的关键产业拐点。黄仁勋在财报电话会上明确表示，纠结AGI的时间节点"毫无意义"，真正的基准是商业可行性。

# AI商业化拐点分析：从技术指标到商业指标
print("=== AI商业化范式转变 ===\n")

metrics_before = {
    "Model accuracy": "技术指标",
    "Benchmark scores": "竞赛排名",
    "Research publications": "论文数量",
    "GPU cluster size": "算力规模",
}

metrics_after = {
    "Revenue per token": "Token收入",
    "ROI per megawatt": "每兆瓦投资回报",
    "Cost per million tokens": "每百万Token成本",
    "Agent task completion rate": "Agent任务完成率",
    "Customer production deployment": "客户生产部署",
}

print("拐点前衡量标准 (技术竞赛):")
for k, v in metrics_before.items():
    print(f"  {k}: {v}")

print("\n拐点后衡量标准 (商业验证):")
for k, v in metrics_after.items():
    print(f"  {k}: {v}")

print("\n'Compute is Revenue'的数学表达:")
print(f"  AI Factory Revenue = Throughput(Tokens/s) × Price($/Token)")
print(f"  Profit = Revenue - Cost(Power + Hardware + Memory)")
print(f"  Efficiency = Throughput_per_Megawatt × Price_per_Token")

7.2 多国"主权AI"建设

多国正在将AI基础设施上升为国家战略资源，推进"主权AI"建设。欧洲正在建设创纪录的35台基于Vera Rubin的AI超级计算机。微软与Mistral达成数十亿美元协议，Mistral将引入数千个Vera Rubin GPU，为欧洲AI基础设施提供动力。

7.3 5000亿美元融资平台

英伟达与Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs、KKR等六大顶级资管合作，建立独立计算融资平台，目标动员超过5000亿美元第三方资本。这标志着英伟达从"卖芯片"升级为"AI基础设施的组织者"。

八、历史性增长曲线

8.1 营收增长轨迹

英伟达营收增长轨迹 (2024-2028E)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
$400B ┤                                                
      │                                                   ● FY2028E
$350B ┤                                                ↗ (70% growth)
      │                                              ↗
$300B ┤                                            ↗
      │                                          ↗
$250B ┤                                        ↗
      │                                      ↗
$200B ┤                                    ↗
      │                                  ↗
$150B ┤                                ↗
      │                              ↗
$120B ┤                            ↗
      │                          ↗
$100B ┤                        ↗
      │                      ↗
$80B  ┤                    ↗
      │                  ↗
$60B  ┤                ↗
      │              ↗
$40B  ┤  ● FY2025   ↗
      │   $130B   ↗
$20B  ┤        ↗
      │  ● FY2024
$0B   ┤  $60B
      └──────────────────────────────────────────────────
         2024    2025    2026    2027E   2028E
         FY24    FY25    FY26    FY27    FY28
         
         FY27 Q2 Annualized: ~$350B
         FY28E Guidance: ~$600B (70% growth)

8.2 数据中心业务与Blackwell→Rubin代际跃升

# 代际性能跃升：每兆瓦Token吞吐量
print("=== 英伟达代际每兆瓦性能提升对比 ===\n")

generations = [
    ("Hopper H200", 1.0, 2024),
    ("Blackwell GB200", 5.0, 2025),
    ("GB300 NVL72", 15.0, 2026),
    ("Vera Rubin NVL72", 30.0, 2026),
]

print("代际\t\t相对性能\t发布年份")
print("-" * 45)
for gen, perf, year in generations:
    bar = "█" * int(perf * 2)
    print(f"{gen:20s} {perf:5.1f}x\t{year}\t{bar}")

print(f"\nHopper → Vera Rubin: 30x 每兆瓦吞吐量提升")
print(f"每吉瓦算力对应营收机会: $180B → $400B")

九、产业影响与未来展望

9.1 市场反应

财报发布后，英伟达股价收跌1.59%至$209.66（财报前连跌7天），但盘后涨超4%。市场对AI资本开支"消化期"的担忧，被这份财报和70%的FY2028增长指引彻底打消。

9.2 竞争格局

尽管AMD、谷歌等对手的竞争压力正在显现，但英伟达通过三大不可复制壁垒维持领先：

1. 全模型适配平台：唯一覆盖所有开源、闭源、训练、推理、边缘AI场景的通用算力平台
2. 全栈AI工厂体系：从Blackwell到Vera Rubin，单吉瓦算力市场空间从$180B升至$400B
3. CUDA生态壁垒：渗透企业、制造、医药、汽车、主权云等长尾市场

9.3 关键风险

• 毛利率压力：HBM/DRAM内存价格飙升，Q4毛利率可能触底71%-72%
• 地缘政治不确定性：中国数据中心收入占比不到1%，且Q3指引完全未计入中国收入
• 客户自研芯片：大客户加速自研芯片，但短期内难以撼动英伟达生态位

十、结语

黄仁勋在财报电话会上说：“去年此时，只有一个实验室在推动建设；今天，我们迎来了新AI实验室和初创企业的黄金时代。”

“Compute is revenue”——这五个字概括了AI产业从"烧钱竞赛"到"商业模式验证"的转折。当每一个Token都能被定价、每一兆瓦算力都能转化为收入时，AI就不再是"未来"，而是"现在"。

来源：

• NVIDIA官方财报
• NVIDIA博客：Vera Rubin NVL72 30x效率
• NVIDIA英伟达博客：Vera Rubin平台
• 新华网：英伟达本财年二季度营收同比增长106%
• 新浪财经：英伟达上财季营收翻番
• 证券时报：英伟达盘后直线拉升
• 财联社：英伟达Q2营收利润双双翻倍
• 电子工程专辑：Groq 3 LPX量产
• NVIDIA Developer: Vera CPU Agentic
• NVIDIA Developer: Groq 3 LPX Long Context
• NVIDIA Developer: Vera Rubin & Blackwell AgentX

• ←上一页
• 下一页→