AI到底能不能直接写稿？我们用元宝试了试英伟达财报分析

凌晨五点，英伟达2025财年第四财季的财报准时出炉。对于科技媒体来说，这又是一个不眠夜。不过，这一次稍有不同——腾讯科技编辑组决定做个“小实验”：能不能让AI来完成这篇财报报道的全部写作工作？

此前，用AI辅助写稿已是常态，但让它从头到尾独立创作一份完整的财报分析，这还是头一回。实验的主角，是腾讯元宝接入的DeepSeek-R1模型。

过程比预想的要折腾一些。从投喂财报文件、调整提示词，到反复校核数据、交叉验证……前后花了大约三个小时，一篇文章才算打磨完成。下面，就是这次实验的成果，以及我们的完整复盘。

先看文章：AI写的英伟达财报分析

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。

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）。

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。

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。

● 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。

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。

● 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。

● 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。

● 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。

● 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。

● 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

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。

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. 地缘整治与供应链：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？

整体来说，成稿超出了预期。结构完整，要点清晰，甚至有一些超出我们预设的分析视角。但它并非没有缺陷。

首先是上下文处理能力有限。测试中，它大约只能同时处理三份各50页左右的财报文档，这意味着跨多个年度的连续性分析做起来比较吃力。

其次，联网搜索功能存在时效性和准确性问题。即便在提示词中明确限定了时间范围，系统依然可能返回过时数据。比如我们查询上一季度财报时，AI竟然引用回了2023年的信息。

所以结论是：用AI做财报分析，方便是真方便，但深度和可靠性，距离替代专业分析师还差得远。不过反过来看，这也说明“Deep Research”这条路，未来还有很大的空间。

创作过程复盘

先把英伟达的财报丢进元宝对话框，并关闭联网模式——这是为了让模型专注于文档本身，减少外部干扰。输入的结构化提示词很简单，大致是：“分析这份财报，生成一篇完整的财报分析文章，包含数据要点、业务亮点、潜在风险、市场展望和结论。”

输出结果出来，要点的确都有了，但“AI味”太重。结构过于规整，结论像是一个模子里刻出来的，缺乏深入的分析和洞察。

于是我们打开联网搜索，让模型有目标地调整。新的提示词是：“参考最新的行业数据，对财报中的核心数据（如营收、净利润、毛利率）进行深度解读，对比市场预期和竞争对手表现，输出更有行业洞见的分析。”

这一轮输出的结果，基本有了想要的雏形。问题在于，小标题还是有点呆板无聊，图表维度不太对路，后续的分析也缺少一些我们关心的角度。

接下来就是反复用提示词跟它沟通调整。比如让它“仿照某篇行业深度报道的风格”，或者“增加关于Blackwell良率和库存风险的深度讨论”。每一次微调，都在缩小目标差距。

人工做的工作其实不多：生成完成后，对文字做简单的微调，把过于生硬的表述改掉；调整排版和分段，在腾讯文档里做了一些样式上的美化。

虽然AI写稿方便，但必须时刻提防“幻觉”问题。我们花了大约一个小时，用其他大模型做交叉验证。结果很有意思：

Kimi比较谨慎，针对每个数据点都会给出如何“核实”的建议。
Claude和GPT则比较直接——它们告诉我说，DeepSeek算错了，甚至“每一个数字都有问题”。

但有意思的是，当我们反过来质疑它们时，它们又会很快承认：“是自己算错了”。

这个插曲说明，AI工具在信息汇总和提供分析思路上确实高效，但一旦涉及具体的数字和事实，验证环节依然必不可少。目前阶段，AI写作远未成熟到可以完全替代专业编辑。背后的逻辑是：它可以帮你把框架搭好、思路打开，但结论的准确性和深度，还得靠人来把关。

分享一些经验

大模型的能力提升之后，越来越不需要那些复杂的提示词“魔法”了。尤其是对DeepSeek-R1这样的推理模型，“怎么和人说话，就怎么和它说话”。太复杂、太结构化的提示词，反而会限制它的发挥。

比如，上文中那个“更有行业洞见”的小标题效果，我们并不是靠结构化指令生成的，而是直接给它一篇微信公众号的范本文章，让它“仿照这篇文章的风格来写”，结果就达到了预期。

我们试过多次调整——调整横轴、纵轴的维度，让它关注季度环比和年度同比——但最终输出的图表始终没能达到想要的效果。最后，图表我们还是选择了人工制作。

在一个对话流程中加入过多的步骤，尤其是R1这样思维链条很长的模型，很容易碰到上下文限制的边界。它会逐渐“忘记”用户前面提出的要求，开始积累偏差。同样，在单次Prompt中提出过多问题，也会导致输出效果下降。所以，在模型的记忆能力出现突破之前，处理复杂任务时，工作流仍然是绕不开的。哪怕模型本身的规划能力提升了，它能接受的指令复杂度也还远远不够。

因为担心幻觉，编辑对财报中的每个数字都做了人工反复校验。结果发现，财报文件内的数据基本准确无误，但一旦涉及联网采集的外部数据（比如市场预期、竞争对手数据），分歧就会出现。

这一点在前面已经提到了。比如AI初始生成的小标题有点呆板，我们找了一篇公众号文章作为范本，让它“仿照这篇文章，更改更有行业洞见的标题和小标题”，效果立竿见影。直观地给它一个“对标”，比抽象地描述“要什么样的风格”有效得多。