北京时间2月27日凌晨，英伟达发布了2025财年第四财季财报。
虽然很早就已经开始用AI辅助写稿，但我们还是很想尝试一下它能否直接创作全文。而财报的报道是相对规范化的，用它来进行这次“小实验”也未尝不可
于是，早间5点英伟达发布财报后，我们开始使用腾讯元宝的DeepSeek-R1模型撰文。
经过人工多次校对，以及多个大模型的交叉复核，大约3小时后，文章终于写完了。
先来看看由AI撰写的这篇文章
作者：DeepSeek-R1
工具平台：腾讯元宝
人工审校：腾讯科技编辑组
英伟达于北京时间2月27日凌晨发布了2025财年第四财季财报。财报显示，英伟达第四财季营收为393.3亿美元，同比增长78%；净利润220.9亿美元，同比增长80%；调整后每股收益为0.89美元，超过LSEG所调查分析师平均预期的0.84美元。财报发布后，英伟达股价在盘后交易中一度上涨逾3%后转跌。
一、财务表现：超预期增长背后的“双刃剑”
英伟达2025财年第四财季（Q4 FY25）交出了一份亮眼的成绩单：
●营收达393.3亿美元，同比激增78%，环比增长12%；全年营收1305亿美元，同比飙升114%，创历史新高。
●净利润为220.9亿美元，同比增长80%；全年净利润728.8亿美元，同比增长145%。
●毛利率73.0%，同比下降3个百分点，但全年毛利率75.0%，同比提升2.3个百分点。
亮点解读：
1. 数据中心业务一骑绝尘：数据中心营收355.8亿美元（占总营收90.5%），同比增长93%。全年收入1151.9亿美元，同比增长142%。这一增长主要由AI大模型、生成式AI及云计算需求驱动，尤其是Blackwell架构芯片的快速上量（Q4贡献110亿美元收入）。
2. 游戏业务触底反弹：尽管Q4游戏收入同比下滑11%（25.4亿美元），但全年收入113.5亿美元，同比增长9%，主要得益于RTX 40系列GPU的份额提升。
3. 新兴市场潜力初显：专业可视化（全年营收18.8亿美元，同比增长21%）和汽车业务（全年营收16.9亿美元，同比增长55%）成为第二增长曲线，显示英伟达在工业设计、自动驾驶等领域的渗透加速。
隐忧浮现：
●利率承压：Q4毛利率环比下降1.6个百分点，主要因Blackwell新品初期量产成本高企（复杂系统占比提升）。
●支出激增：Q4运营费用同比增长48%，全年增长45%，研发与基础设施投入持续加大，未来或挤压利润率空间。
●库存风险：Q4库存达101亿美元（DSI 86天），同比激增31%，Blackwell备货与供应链预付款（51亿美元）需警惕需求波动带来的减值压力。
二、数据中心：AI时代的“核动力引擎”，但燃料接近满仓
英伟达数据中心业务已成为其无可争议的“脊梁骨”，Q4占比超90%，但这一高度集中的业务模式暗藏风险。
增长动力：
1. Blackwell架构爆发：Q4交付110亿美元Blackwell产品，创公司最快产品爬坡纪录，大模型训练与推理需求驱动云厂商（占数据中心收入50%）持续加码采购。
2. 算力军备竞赛：四大云厂商（Meta、谷歌、微软、亚马逊）2025年资本开支预计将接近3200亿美元，其中微软预计为800亿美元，谷歌为750亿美元，亚马逊为1000亿美元，Meta为600亿美元，AI芯片采购份额向英伟达进一步集中。
3. 生态壁垒加固：从GPU到NvLink互连、Spectrum-X以太网平台，英伟达构建了端到端的算力解决方案，客户切换成本极高。
瓶颈隐现：
●供应限制长期化：Blackwell需求“未来几个季度将持续超过供应”，产能爬坡与台积电CoWoS封装瓶颈或制约收入上限。
●竞争压力升温：AMD MI300系列虽短期弱势（Q4游戏业务同比下滑69%），但谷歌自研芯片（如TPU v5）逐步上量，长期或分流部分订单。
●毛利率天花板：数据中心毛利率已从65%提升至70%+，但复杂系统（如液冷服务器）成本占比提升，叠加新品研发投入，进一步提价空间有限。
三、游戏与边缘市场：防守中的“突围战”
尽管数据中心主导增长，英伟达在传统市场的表现仍值得关注。
游戏业务：份额逆势扩张
●RTX 40系列护城河：Q4游戏收入同比下降11%，但AMD同期游戏业务暴跌69%，英伟达独显市占率进一步提升至85%+，RTX光追与DLSS技术仍是PC游戏体验的“黄金标准”。
●PC市场回暖：2024年全球PC出货量同比增长0.9%，叠加AI PC趋势（2025年新品计划），英伟达有望通过GPU+NPU融合方案打开新空间。
边缘市场：从汽车到工业的“长尾机会”
●自动驾驶加速：Q4汽车业务营收为5.7亿美元（同比增长103%），Drive Thor平台获蔚来、小鹏等车企订单，算力需求向2000TOPS演进。
●专业数字化渗透：专业可视化业务（Q4收入5.1亿美元，同比增长10%）受益于生成式AI辅助设计、仿真等场景，长期或与元宇宙、数字孪生深度融合。
四、Blackwell：火力全开，但“达峰”在即？
Blackwell架构是英伟达当前增长的核心引擎，但其量产爬坡与市场反应将决定未来走势。、
积极信号：
●需求超预期：管理层将Q4 Blackwell收入预期从“数十亿美元”上调至110亿美元，鸿海、广达等合作伙伴的服务器于2024年末陆续出货，2026财年订单可见度高。
●技术代际优势：Blackwell的FP8精度、第二代Transformer引擎显著提升AI训练效率，短期内AMD与英特尔难以追赶。
潜在风险：
●毛利率阵痛：Q4因Blackwell备货导致毛利率环比下滑，尽管长期目标为75%，但产能爬坡与良率问题可能延长成本压力。
●库存与供应链风险：30.8亿美元的库存承诺与51亿美元产能预付款，若需求不及预期或出现技术迭代（如2026年Rubin架构），可能引发库存减值。
五、未来展望：站在“算力之巅”的挑战
短期指引：稳健但缺乏惊喜
英伟达对2026财年Q1的营收指引为430亿美元（±2%），同比增长69%，符合市场预期。毛利率预期70.6%，环比进一步承压，反映Blackwell爬坡与竞争性定价策略。
长期隐忧：
1. 增长持续性：数据中心收入占比过高，若云厂商资本开支增速放缓（当前同比59%），或面临增长断档风险。
2. 地缘政治与供应链：美国对华芯片出口限制升级，中国区收入（占比约20%）可能受冲击，供应链本土化（如台积电美国建厂）进度需密切关注。
3. 估值天花板：当前股价对应2026财年PE约33倍，虽低于历史高位，但需持续超预期增长支撑，任何毛利率或收入指引下调都可能引发估值回调。
六、结论：脊梁犹在，但需寻找“第二曲线”
英伟达仍是AI时代的“算力霸主”，数据中心业务的统治力无可撼动。然而，过度依赖单一业务、毛利率压力与竞争升温，预示其增长火力已接近阶段性峰值。未来能否突破瓶颈，取决于三点：
1. 生态扩展：通过CUDA+AI Enterprise软件生态，向云服务（如DGX Cloud）与企业市场渗透，提升长期订阅收入占比。
2. 边缘突围：加速汽车、机器人、工业自动化等边缘场景落地，降低对数据中心的依赖。
3. 技术代差维持：确保Rubin架构如期推出，巩固其在AI芯片领域的“摩尔定律”地位。
“脊梁骨”虽硬，但英伟达需在巅峰之上，构建更广阔的护城河。
这篇文章写得怎么样？
整体超过我们的预期，但仍然有一些小问题：
首先是上下文处理能力受限，在我们测试中仅能处理约三份50页篇幅的财报，这使得进行多个年度的连续性分析变得困难。
其次，联网搜索功能存在时效性和准确性问题——即便通过Prompt特别限定了时间范围，系统依然可能返回过时数据，例如我们限定查询上一季度财报时，AI仍然返回了2023年的财报信息。
因此，用AI财报写分析很方便，但是深度和可靠性还远未达到能替代专业分析师的水平，但是，也反向证明，未来“Deep Research”仍大有可为。
创作过程复盘
第一步：将英伟达的财报放到元宝的对话界面，关闭联网模式（这样可以让它专注分析文档本身，减少出错），输入Prompt：
输出结果如下：
整体看起来，想要的要点都有了，但是还是太过“AI味”，结构过于规整，结论太过简洁，且没有进一步更深入的分析。
所以第二步，我们需要打开联网搜索的功能，并让它有目标地调整。
输出的结果如下：
这时候，就已经有了我们想要的雏形了。
不满意的是，小标题有点呆板无聊，数据图表不是我们想要的维度，后续的分析缺少一些我们想要的角度。
所以，后续我们就根据这些内容，继续用prompt跟它交流调整。后面都是微调的步骤，大概反复进行10次。
人工做的工作仅有在生成完成后，对文字做了简单的微调，把过于AI的生硬表述改了一下；调整了排版和分段，在腾讯文档做了样式的美化。
最后一步：模型校验
虽然AI写稿很方便，但需要时刻担心幻觉问题。
最后，我们花了一个小时的时间进行大模型的交叉验证。结果很有意思。
Kimi针对每个数据会指导我们，如何进行“核实”。
Claude和GPT都对我说，DeepSeek算错了，甚至是“每一个数字”。
但是在我质疑了它们之后，它们会承认，“是自己算错了”。
AI工具在信息汇总和提供分析思路方面很高效。但分析深度有限，若要深入研究仍需人工搜索和验证。目前AI写作还没有成熟到能替代专业编辑，不建议完全依赖AI进行编辑和校对，以免出现理解偏差。
分享一些经验
第一，该怎么和它对话？
大模型随着能力的提升，越来越不需要更多的提示词魔法，尤其是对DeepSeek-R1这样的推理模型，“我们和人说话，就和它怎么说话”，太复杂和结构化的提示词，反而会限制它的发挥。
比如，上文中呈现的小标题，我们是通过给了AI一个微信公众号的范本文章，让它“起更有行业洞见的标题和小标题”，它就达到了我们上面呈现的效果。
第二，图表还是离预期差距有点大。
图表我们通过多次调整，比如让它调整横轴、纵轴的维度、让它关注季度环比和年度同比，最终输出的结果都没有达到我们想要了。所以直接使用了人工调整的图表。
第三，我们撞上了上下文限制墙。
如果想在一个对话流程中，添加过多的步骤，像R1这样本身有很长的思维流程的模型会很容易碰到上下文限制墙。它很快就会逐渐忘记了用户前面提出的要求，开始积累偏差。
而在单Prompt中提出过多问题，也会导致模型的输出有问题。因此，在记忆能力出现突破前，构筑复杂任务时，工作流还是不可避免。就算模型本身规划能力提升了，能接受的任务指令复杂度也还不够。
第四，幻觉问题难以避免。
因为担心幻觉，所以编辑也对人工对每个数字进行反复校验。发现在财报中有的数据都准确无误，但涉及到联网的数据采集时，一些数据就出现了分歧。
第五，给出文章范本，能得到你更想要的效果。
比如，上文中呈现的小标题有些呆板，我们给了AI一个微信公众号的范本文章，让它“仿照这篇文章，更改更有行业洞见的标题和小标题”，它就达到了上面呈现的效果
