出品 | CSDNIDCSDNnews北京时间 2026 年 3 月 17 日凌晨圣何塞 SAP Center 里黄仁勋穿着那件标志性的皮衣上台几句开场白之后这场 GTC 就直接进入了高密度模式。和隔着直播看完全不是一回事。我们这次直击现场CSDN 创始人兼董事长蒋涛、奇点智能研究院院长兼 CSDN 高级副总裁李建忠带队亲赴硅谷 GTC 2026 大会现场。为你带回关于全球 AI 计算和英伟达战略的系列现场报道和深度解读。现象最直观的感受不是“信息量很大”而是黄仁勋对整场叙事节奏的控制CUDA 二十周年、Vera Rubin、光子互连、AI Factory、Agentic AI、NemoClaw、OpenClaw、数字孪生、Physical AI、雪宝走进现实……任何一个单拎出来都够做 headline。在现场看这场演讲会更容易意识到黄仁勋演讲的情绪带动能力。他其实并不是靠一次性抛出了多少新词而是把这些东西讲成了一条完整的线从 GeForce 到 CUDA从 CUDA 到深度学习从深度学习到 Token 经济从 Token 经济到 Agent再从 Agent 走向机器人和物理世界。老黄在这场演讲里宣告了 SaaS 的死亡揭幕了风云莫测的 Agent 时代。AI 的下一阶段不是更会聊天而是开始真正干活。CUDA 二十周年那个“让 GPU 可编程”的赌注黄仁勋这次没有一上来就报新品而是先把时间拨回了 1999 年。那一年NVIDIA 做出了 GeForce 256也就是后来被它定义为“世界上第一块 GPU”的产品。对普通用户来说它改变的是 PC 游戏但对黄仁勋来说它更像是一个起点GPU 天生适合处理那些可以被拆成海量小任务、并行执行的问题。真正改变一切的是 2006 年 CUDA 的发布。从那一刻开始GPU 不再只是用来渲染图形的显卡而变成了一台可以被程序员直接调用的通用并行计算机器。开发者不需要再把自己的数据伪装成图形纹理也不需要再绕着图形管线写各种技巧终于可以正大光明地在 GPU 上写程序。这件事的影响远远超过了一代芯片升级。分子动力学、流体模拟、地震处理、金融建模这些原本就高度适合并行化的问题一下子找到了真正匹配它们的底层平台。更重要的是NVIDIA 没有把 CUDA 只做成一个接口而是围绕它慢慢长出了一整个软件生态cuBLAS、cuFFT、cuDNN、TensorRT……不同领域的人不需要从零掌握 GPU 编程也能借助这些库把自己的应用真正跑起来。这就是黄仁勋反复讲的——CUDA 飞轮。更多库带来更多开发者更多开发者带来更多应用更多应用推动更多 GPU 部署更多部署再反过来支持更多研发。二十年转下来CUDA 已经不只是一个工具链而像是加速计算时代的一套底层操作系统。NVIDIA 最深的护城河并不是某块芯片而是 CUDA 构筑的软件生态。说得更直白一点芯片可以追参数可以抄但二十年积累下来的开发生态、库、工作流和开发者习惯不是说追就能追上的。如果你也在关注 AI 计算、Agent 以及 NVIDIA 路线图欢迎扫码加入 GTC 2026 交流群查看大会直播视频回放Geoffrey Hinton 赌对了NVIDIA 也赌对了讲完 CUDA黄仁勋把时间线拉到了 2012 年。那一年Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 用两块 NVIDIA GTX 580 训练出 AlexNet横扫 ImageNet。现代深度学习时代就是从那一刻真正开始加速的。这段历史今天看起来像常识但在当年并不是。学术界对神经网络长期充满怀疑真正一路坚持下来的人并不多Geoffrey Hinton 就是其中最关键的一个。黄仁勋提到Hinton 当年押的是一个看似朴素、但当时并不主流的判断只要数据足够多算力足够大神经网络就会不断变强。后来的历史证明他赌赢了。而 NVIDIA 押的是另一件事如果深度学习成立那 GPU 就会成为它最重要的底座。事实也确实如此。AlexNet 之后NVIDIA 做出了 cuDNN后来几乎所有主流深度学习框架都绕不开它。再往后从 AlexNet 的 6000 万参数到 GPT-3 的 1750 亿再到今天万亿级别的模型模型在变框架在变但那套“更多算力、更多数据、更大模型”的逻辑一直没变。NVIDIA 不是在 ChatGPT 时代突然变重要它只是提前二十年把路修好了。而对于这其中的核心——数据黄仁勋的判断是企业里的两类数据其实扮演着完全不同、但同样关键的角色● 结构化数据是 AI 的基本事实● 非结构化数据是 AI 的上下文数据库、表格、交易记录、库存数据这些结构化信息是企业过去几十年最稳定、最可靠的资产。AI 真正补上的不是把这些东西替代掉而是让机器终于有能力去理解围绕它们的那些非结构化信息——文档、邮件、图片、合同、对话、代码、视频。所以结构化数据和 AI 不是对立关系恰恰相反AI 会让结构化数据更值钱。结构化数据像骨架非结构化数据像血肉而 AI 像是把这一切串起来的大脑。三者不是替代关系而是组合关系。这对企业来说是个很重要的判断过去二十年积累下来的信息资产不会因为 AI 到来而失效反而会因为新一代模型的理解能力变得更有价值。AI 的真正爆发点不再是训练而是推理接下来黄仁勋把叙事重心从“过去二十年”切到“未来五年”。这里有一个非常关键的判断AI 的重心正在从训练转向推理。而且他没有只从技术角度讲这件事而是给了一个很有冲击力的视角Token Economics。AI 经济的基本单位就是 Token。用户输入的是 Token模型处理的是 Token最后输出的也是 Token。于是 AI 的成本、收入、吞吐量最后都落到同一个问题上能以多快的速度、用多高的效率生产出多少 Token。这里最关键的变量是 Token 消耗量正在急剧膨胀。从 ChatGPT 到 o1再到 Claude Code单个任务的 Token 消耗已经不是翻倍而是直接增长了四个数量级。原因也很简单过去那种一问一答的聊天式 AI只是最轻量的一层。真正的 Agentic AI一次任务里会不断思考、拆解、试错、调用工具、执行子任务它消耗的 Token 规模和传统对话完全不是一个量级。这也是为什么黄仁勋会反复强调一个说法未来的数据中心不再只是存储和检索数据的地方而是生产 Token 的工厂。也就是他这几年一直在推的概念AI Factory。黄仁勋真正要卖的是 Vera Rubin LPX讲到这里黄仁勋才正式把话题带进这次 GTC 的硬件主菜。他先给 Blackwell 下了一个非常重的定义它不只是 NVIDIA 历史上最成功的产品发布甚至可能是整个计算产业史上最成功的一次发布。这句话听起来很狂但放在今天 AI 基础设施的供需关系里也并不完全夸张。Blackwell 已经全面量产几乎所有主要云厂商和 AI 公司都在围绕它部署。但这场 GTC 当然不是一场庆功会。Blackwell 再成功也只是承前启后的一代。真正要接住 Agentic AI 这波需求爆炸的是下一代架构Vera Rubin。这次黄仁勋又拿出了去年那张性能曲线图甚至还顺手调侃了一下——大概只有 NVIDIA 的 Keynote才会把去年的图再拿出来讲一遍。但重点并不是复读而是把问题讲得更清楚了未来 AI 推理不能只看“模型能不能跑”而要看“以什么成本、以什么交互速度跑”。图的纵轴本质上是在看单位电力能产出多少 Token横轴本质上是在看每个用户能以多快速度拿到结果。如果把这两个指标放在一起看就会明白黄仁勋真正要表达的事AI 服务会像云服务一样分层从免费到中档到高端再到超高端。模型越大、上下文越长、交互越快底层硬件代际差异就越致命。Rubin 的价值不只是把 benchmark 做高而是让那些原本“算不过来、也赚不过来”的高端推理服务真正变成一门商业上可成立的生意。如果说 Vera Rubin 是下一代引擎那么 LPX 才是这部分真正的杀招。黄仁勋给出的名字是 Groq 3 LPX。不管外界之后怎么进一步解读这个命名在 Keynote 的语境里它最重要的意义只有一个NVIDIA 正在把大规模 AI 系统的芯片互连从铜推向光。这件事为什么重要因为当系统规模做到 NVL72 这种级别之后瓶颈早就不只是单块 GPU 的算力而是整个系统内部到底能不能高速、低功耗、长距离地通信。铜线当然可以继续用但功耗、热量、距离都会越来越快地碰到边界。光子互连打开的恰恰是更大规模 AI 系统的上限。黄仁勋最擅长做的一件事就是把一个底层技术变化直接翻译成商业结果。加上 LPX 之后在高价值的 Premium 场景里Vera Rubin LPX 相比 Blackwell性能效率可以拉到 35 倍。而同样是一吉瓦电力Blackwell 时代大概能对应数百亿美元量级的年度收入而到了 Vera Rubin LPX 这一代这个数字被直接拉到了 3000 亿美元。这当然有黄仁勋一贯擅长的放大表达但它背后的逻辑并不复杂● 交互速度更高● 上下文更长● Agent 工作流更复杂● 高客单价 AI 服务终于跑得动● 单位电力产出的商业价值被成倍放大最后落到一句最朴素的话上能效就是钱。NVIDIA 现在连路线图都开始像软件公司了接下来是 roadmap。这是惯例画完今年的饼就会画下一年的饼确保订单量源源不断。但这次路线图真正值得关注的不是单纯“2025 是谁、2026 是谁、2027 是谁”而是黄仁勋传递出来的节奏感NVIDIA 现在是按“一年一代”的速度在往前推。● 2025Blackwell● 2026Vera Rubin● 2027Vera Rubin Ultra● 2028Feynman如果熟悉半导体行业就会知道这有多凶。传统意义上的大架构切换并不是这个速度。黄仁勋等于是在向所有云厂商、AI 公司和资本市场发信号别再用传统芯片周期去理解 NVIDIA 了。未来几年它会像软件公司迭代版本一样持续往前压硬件路线图。这也是为什么今天越来越多的云厂、国家级算力项目和资本支出计划都得围着 NVIDIA 的路线图转。数据中心设计、供电散热、网络拓扑、采购节奏最后都会被这条 roadmap 牵引。“历史上最大规模的基础设施建设已经开始了。”这也是整场演讲里最值得记住的一句话之一。因为它不是在形容 NVIDIA 自己而是在定义这个时代的背景未来五年全球会用一种接近修电网、铺铁路、建通信网络的方式去建设 AI 基础设施。黄仁勋点了很多名字微软、AWS、Google、Meta、Oracle、CoreWeave、xAI也提到了多个国家和地区。重点不在名单本身而在于一个信号AI 算力正在从企业采购行为升级成国家级战略资产配置。这意味着 AI Factory 不再只是几个互联网巨头的事而会像过去的发电站、铁路、港口、光纤网络一样成为下一轮全球竞争的底层基础设施。这也是为什么黄仁勋可以顺理成章地把叙事从 AI 工厂接到数字孪生和 Physical AI。因为当基础设施已经按照“国家工程”的量级在建设NVIDIA 当然不会满足于只做其中一层芯片。企业软件将迎来从 SaaS 到 Agent-as-a-Service 的范式转换如果说前半场黄仁勋在铺垫基础设施那么后半场真正的主角只有一个Agentic AI。这里有一个很重要的区分Agent 不是更会聊天的大模型也不是把 prompt 写长一点的 ChatGPT。它是一套能感知环境、调用记忆、读取文件、使用工具、拆解任务、调度子 Agent最后自己把事情做完的系统。Agent 不再只是回答问题它开始处理任务。它不只是对话入口而越来越像一个调度中心。多模态输入进来记忆、文件、外部工具、命令行、MCP 接口、子 Agent 全部围着它转。所以黄仁勋这次给出了一个非常浓缩、也很适合传播的判断Agent 是新的应用Prompt 是新的程序Token 是新的货币。这背后的本质是全新的计算平台。未来的软件不再只是一个界面加一堆按钮而会变成一个能自己做事的智能体。你给它的 prompt不再只是输入框里的自然语言而越来越像是在写程序。它处理和消耗的 Token就是这个新系统里的流通单位。如果说过去十几年企业软件的中心是 SaaS那么接下来几年真正改变企业流程的很可能是 Agent。过去企业买的是软件和 SaaS再花钱请系统集成商去部署和维护。未来企业越来越像是在购买一种新的“智能劳动力”。黄仁勋重新定义了企业买的到底是什么。他提出了 AgaaSAgent-as-a-Service。这个缩写未必会像 SaaS 那样最终成为稳定术语但它足够准确地表达了黄仁勋的判断企业软件市场接下来最大的增量不是再卖一个功能模块而是卖一个能替人做工作的 Agent。于是底层逻辑也跟着变了● 传统数据中心主要存文件● AI Factory 主要生产 Token● 传统软件主要服务人● 新一代系统会同时服务人和 Agent4.6 万亿美元的 IT 产业正在从“软件采购逻辑”切换到“智能劳动力采购逻辑”。黄氏龙虾 NemoClaw 一行命令把 Agent 从屏幕里拽出来软件世界讲到这里整场演讲其实还差最后一步如果 Agent 真的是新的应用它总不能永远只活在命令行、浏览器和聊天窗口里。OpenClaw 的出现才让这条线真正拐向了物理世界。大会现场的预热环节其实就请来了龙虾之父 Peter Steinberger 出场站台。Peter 自己给出的出发点也很有意思。他想解决的问题并不是某个传统意义上的机器人学难题而是一个听起来几乎过于朴素的需求人有时候就是想直接和电脑说话而且不只是让它回答而是真的替你做事。正是在这个意义上OpenClaw 才迅速引发共鸣抓住所有开发者和知识工作者都已经开始感受到的那种冲动我们不再满足于 AI 会聊天我们开始要求它动手。到了黄仁勋真正把它接到 Keynote 主线里的时候OpenClaw 的定位又被抬高了一层还专门做了一个短片讲述 OpenClaw 如何超越 Linux 和 React让今年改元为“龙虾元年”。随后就是王炸NemoClaw 发布。但这不仅仅是老黄跟紧热度也发布了一个英伟达风格的龙虾而是做一件更大的事把 Agent 从电脑屏幕里拽出来塞进一个真实能动的机械系统里。这只“黄氏龙虾”从我们认知中的 Agent变成了一个开放的机器人操作底座一个足够标准化、足够友好、也足够有社区属性的开源硬件入口。就像早年的 PC 之于个人计算树莓派之于嵌入式开发重点不是极限性能而是门槛足够低、生态足够容易长出来。NemoClaw 是 NVIDIA 往硬件里塞进去的那颗“大脑”。它不是简单地给机器人接上一个模型接口而是把 Agent 那套能力真正带到了物理世界理解自然语言、感知环境、规划动作、调用工具、执行任务。最关键的是黄仁勋用了一种极其程序员友好的方式来展示它——不是复杂的机器人工作站不是一堆控制台而是一行命令。那种感觉非常直接像是在给一台机器“装系统”。这背后的含义很重。它意味着机器人开发的门槛正在从“必须有机器人学博士团队”下降到“会命令行、会接模型、会调 API 的开发者也能开始上手”。这不等于机器人难题已经解决了但它意味着入口正在被打穿。所以 NemoClaw 真正重要的不是“它支持什么功能”而是它试图复制 NVIDIA 当年在 CUDA 和 cuDNN 上做过的事● 先把底层平台搭好● 再把复杂性封装掉● 然后把开发门槛尽可能压低● 最后让生态自己长出来如果 CUDA 让并行计算从少数专家的能力变成主流开发者的能力cuDNN 让深度学习从顶尖实验室走向整个产业那么 NemoClaw 想做的就是把这种民主化逻辑推到机器人和 Physical AI 领域。从 NemoClaw 往后黄仁勋顺势也聊到了 Physical AI 和具身智能。这里的关键词不是“机器人”而是仿真优先。AI 如果真的要改变世界就不能只活在云里。它得进入物理世界得能看、能听、能碰、能动。而一旦进入物理世界它面对的就不再是干净的数据集而是摩擦、惯性、遮挡、碰撞、噪声、延迟、失误。这也是为什么 NVIDIA 把 Isaac Lab、Newton、Cosmos、GROOT 这套东西一起摆出来。可以把它理解成NVIDIA 正在给 Physical AI 搭一整条流水线——从数据生成、仿真训练到强化学习、再到现实部署。它不是只想给你一个机器人模型而是想给你一个从虚拟世界走到现实世界的完整开发系统。而且这不只是实验室概念。黄仁勋点到的那些合作方向——手术室助手机器人、全身控制、人形机器人、制造业训练、Disney Research——已经足够说明问题Physical AI 正在从 demo 走进产业真实需求。语毕黄仁勋自然引出了全场最后一个爆点也是最有画面感的一幕雪宝Olaf。一个原本属于动画电影《冰雪奇缘》的角色从屏幕里走到了现实世界。但它并不只是“可爱”。它真正想说明的是 NVIDIA 现在试图打通的一整条链路● 角色诞生于数字内容世界● 行为在仿真环境里被训练● 物理控制在 Newton 这样的引擎里被优化● 最终进入真实世界里行动黄仁勋现场和雪宝的互动某种程度上比前面那些曲线图、收入图都更容易让普通人一下子理解 Physical AI 到底意味着什么。因为它不再是一个机械臂抓方块而是一个熟悉的、来自流行文化的角色真的站到了现实世界里。这一幕很像整个 Keynote 的隐喻数字世界里的智能正在向现实世界外溢。这家公司最早改变的是图形计算后来改变的是 AI 计算。现在它开始试图去定义当智能真正从屏幕里走出来之后下一代世界会长成什么样。投稿或寻求报道zhanghycsdn.net【活动分享】48 小时与 50 位大厂技术决策者共探 AI 落地真路径。由 CSDN 与奇点智能研究院联合举办的「全球机器学习技术大会」正式升级为「奇点智能技术大会」。2026 奇点智能技术大会将于 4 月 17-18 日在上海环球港凯悦酒店正式召开大会聚焦大模型技术演进、智能体系统工程、OpenClaw 生态实践及 AI 行业落地等十二大专题板块特邀来自BAT、京东、微软、小红书、美团等头部企业的 50 位技术决策者分享实战案例。这不仅是一场技术的盛宴更是决策者把握 2026 AI 拐点的战略机会。
硅谷直击：黄仁勋入局龙虾大战，宣告 SaaS 已死，推理算力需求暴涨万倍！
出品 | CSDNIDCSDNnews北京时间 2026 年 3 月 17 日凌晨圣何塞 SAP Center 里黄仁勋穿着那件标志性的皮衣上台几句开场白之后这场 GTC 就直接进入了高密度模式。和隔着直播看完全不是一回事。我们这次直击现场CSDN 创始人兼董事长蒋涛、奇点智能研究院院长兼 CSDN 高级副总裁李建忠带队亲赴硅谷 GTC 2026 大会现场。为你带回关于全球 AI 计算和英伟达战略的系列现场报道和深度解读。现象最直观的感受不是“信息量很大”而是黄仁勋对整场叙事节奏的控制CUDA 二十周年、Vera Rubin、光子互连、AI Factory、Agentic AI、NemoClaw、OpenClaw、数字孪生、Physical AI、雪宝走进现实……任何一个单拎出来都够做 headline。在现场看这场演讲会更容易意识到黄仁勋演讲的情绪带动能力。他其实并不是靠一次性抛出了多少新词而是把这些东西讲成了一条完整的线从 GeForce 到 CUDA从 CUDA 到深度学习从深度学习到 Token 经济从 Token 经济到 Agent再从 Agent 走向机器人和物理世界。老黄在这场演讲里宣告了 SaaS 的死亡揭幕了风云莫测的 Agent 时代。AI 的下一阶段不是更会聊天而是开始真正干活。CUDA 二十周年那个“让 GPU 可编程”的赌注黄仁勋这次没有一上来就报新品而是先把时间拨回了 1999 年。那一年NVIDIA 做出了 GeForce 256也就是后来被它定义为“世界上第一块 GPU”的产品。对普通用户来说它改变的是 PC 游戏但对黄仁勋来说它更像是一个起点GPU 天生适合处理那些可以被拆成海量小任务、并行执行的问题。真正改变一切的是 2006 年 CUDA 的发布。从那一刻开始GPU 不再只是用来渲染图形的显卡而变成了一台可以被程序员直接调用的通用并行计算机器。开发者不需要再把自己的数据伪装成图形纹理也不需要再绕着图形管线写各种技巧终于可以正大光明地在 GPU 上写程序。这件事的影响远远超过了一代芯片升级。分子动力学、流体模拟、地震处理、金融建模这些原本就高度适合并行化的问题一下子找到了真正匹配它们的底层平台。更重要的是NVIDIA 没有把 CUDA 只做成一个接口而是围绕它慢慢长出了一整个软件生态cuBLAS、cuFFT、cuDNN、TensorRT……不同领域的人不需要从零掌握 GPU 编程也能借助这些库把自己的应用真正跑起来。这就是黄仁勋反复讲的——CUDA 飞轮。更多库带来更多开发者更多开发者带来更多应用更多应用推动更多 GPU 部署更多部署再反过来支持更多研发。二十年转下来CUDA 已经不只是一个工具链而像是加速计算时代的一套底层操作系统。NVIDIA 最深的护城河并不是某块芯片而是 CUDA 构筑的软件生态。说得更直白一点芯片可以追参数可以抄但二十年积累下来的开发生态、库、工作流和开发者习惯不是说追就能追上的。如果你也在关注 AI 计算、Agent 以及 NVIDIA 路线图欢迎扫码加入 GTC 2026 交流群查看大会直播视频回放Geoffrey Hinton 赌对了NVIDIA 也赌对了讲完 CUDA黄仁勋把时间线拉到了 2012 年。那一年Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 用两块 NVIDIA GTX 580 训练出 AlexNet横扫 ImageNet。现代深度学习时代就是从那一刻真正开始加速的。这段历史今天看起来像常识但在当年并不是。学术界对神经网络长期充满怀疑真正一路坚持下来的人并不多Geoffrey Hinton 就是其中最关键的一个。黄仁勋提到Hinton 当年押的是一个看似朴素、但当时并不主流的判断只要数据足够多算力足够大神经网络就会不断变强。后来的历史证明他赌赢了。而 NVIDIA 押的是另一件事如果深度学习成立那 GPU 就会成为它最重要的底座。事实也确实如此。AlexNet 之后NVIDIA 做出了 cuDNN后来几乎所有主流深度学习框架都绕不开它。再往后从 AlexNet 的 6000 万参数到 GPT-3 的 1750 亿再到今天万亿级别的模型模型在变框架在变但那套“更多算力、更多数据、更大模型”的逻辑一直没变。NVIDIA 不是在 ChatGPT 时代突然变重要它只是提前二十年把路修好了。而对于这其中的核心——数据黄仁勋的判断是企业里的两类数据其实扮演着完全不同、但同样关键的角色● 结构化数据是 AI 的基本事实● 非结构化数据是 AI 的上下文数据库、表格、交易记录、库存数据这些结构化信息是企业过去几十年最稳定、最可靠的资产。AI 真正补上的不是把这些东西替代掉而是让机器终于有能力去理解围绕它们的那些非结构化信息——文档、邮件、图片、合同、对话、代码、视频。所以结构化数据和 AI 不是对立关系恰恰相反AI 会让结构化数据更值钱。结构化数据像骨架非结构化数据像血肉而 AI 像是把这一切串起来的大脑。三者不是替代关系而是组合关系。这对企业来说是个很重要的判断过去二十年积累下来的信息资产不会因为 AI 到来而失效反而会因为新一代模型的理解能力变得更有价值。AI 的真正爆发点不再是训练而是推理接下来黄仁勋把叙事重心从“过去二十年”切到“未来五年”。这里有一个非常关键的判断AI 的重心正在从训练转向推理。而且他没有只从技术角度讲这件事而是给了一个很有冲击力的视角Token Economics。AI 经济的基本单位就是 Token。用户输入的是 Token模型处理的是 Token最后输出的也是 Token。于是 AI 的成本、收入、吞吐量最后都落到同一个问题上能以多快的速度、用多高的效率生产出多少 Token。这里最关键的变量是 Token 消耗量正在急剧膨胀。从 ChatGPT 到 o1再到 Claude Code单个任务的 Token 消耗已经不是翻倍而是直接增长了四个数量级。原因也很简单过去那种一问一答的聊天式 AI只是最轻量的一层。真正的 Agentic AI一次任务里会不断思考、拆解、试错、调用工具、执行子任务它消耗的 Token 规模和传统对话完全不是一个量级。这也是为什么黄仁勋会反复强调一个说法未来的数据中心不再只是存储和检索数据的地方而是生产 Token 的工厂。也就是他这几年一直在推的概念AI Factory。黄仁勋真正要卖的是 Vera Rubin LPX讲到这里黄仁勋才正式把话题带进这次 GTC 的硬件主菜。他先给 Blackwell 下了一个非常重的定义它不只是 NVIDIA 历史上最成功的产品发布甚至可能是整个计算产业史上最成功的一次发布。这句话听起来很狂但放在今天 AI 基础设施的供需关系里也并不完全夸张。Blackwell 已经全面量产几乎所有主要云厂商和 AI 公司都在围绕它部署。但这场 GTC 当然不是一场庆功会。Blackwell 再成功也只是承前启后的一代。真正要接住 Agentic AI 这波需求爆炸的是下一代架构Vera Rubin。这次黄仁勋又拿出了去年那张性能曲线图甚至还顺手调侃了一下——大概只有 NVIDIA 的 Keynote才会把去年的图再拿出来讲一遍。但重点并不是复读而是把问题讲得更清楚了未来 AI 推理不能只看“模型能不能跑”而要看“以什么成本、以什么交互速度跑”。图的纵轴本质上是在看单位电力能产出多少 Token横轴本质上是在看每个用户能以多快速度拿到结果。如果把这两个指标放在一起看就会明白黄仁勋真正要表达的事AI 服务会像云服务一样分层从免费到中档到高端再到超高端。模型越大、上下文越长、交互越快底层硬件代际差异就越致命。Rubin 的价值不只是把 benchmark 做高而是让那些原本“算不过来、也赚不过来”的高端推理服务真正变成一门商业上可成立的生意。如果说 Vera Rubin 是下一代引擎那么 LPX 才是这部分真正的杀招。黄仁勋给出的名字是 Groq 3 LPX。不管外界之后怎么进一步解读这个命名在 Keynote 的语境里它最重要的意义只有一个NVIDIA 正在把大规模 AI 系统的芯片互连从铜推向光。这件事为什么重要因为当系统规模做到 NVL72 这种级别之后瓶颈早就不只是单块 GPU 的算力而是整个系统内部到底能不能高速、低功耗、长距离地通信。铜线当然可以继续用但功耗、热量、距离都会越来越快地碰到边界。光子互连打开的恰恰是更大规模 AI 系统的上限。黄仁勋最擅长做的一件事就是把一个底层技术变化直接翻译成商业结果。加上 LPX 之后在高价值的 Premium 场景里Vera Rubin LPX 相比 Blackwell性能效率可以拉到 35 倍。而同样是一吉瓦电力Blackwell 时代大概能对应数百亿美元量级的年度收入而到了 Vera Rubin LPX 这一代这个数字被直接拉到了 3000 亿美元。这当然有黄仁勋一贯擅长的放大表达但它背后的逻辑并不复杂● 交互速度更高● 上下文更长● Agent 工作流更复杂● 高客单价 AI 服务终于跑得动● 单位电力产出的商业价值被成倍放大最后落到一句最朴素的话上能效就是钱。NVIDIA 现在连路线图都开始像软件公司了接下来是 roadmap。这是惯例画完今年的饼就会画下一年的饼确保订单量源源不断。但这次路线图真正值得关注的不是单纯“2025 是谁、2026 是谁、2027 是谁”而是黄仁勋传递出来的节奏感NVIDIA 现在是按“一年一代”的速度在往前推。● 2025Blackwell● 2026Vera Rubin● 2027Vera Rubin Ultra● 2028Feynman如果熟悉半导体行业就会知道这有多凶。传统意义上的大架构切换并不是这个速度。黄仁勋等于是在向所有云厂商、AI 公司和资本市场发信号别再用传统芯片周期去理解 NVIDIA 了。未来几年它会像软件公司迭代版本一样持续往前压硬件路线图。这也是为什么今天越来越多的云厂、国家级算力项目和资本支出计划都得围着 NVIDIA 的路线图转。数据中心设计、供电散热、网络拓扑、采购节奏最后都会被这条 roadmap 牵引。“历史上最大规模的基础设施建设已经开始了。”这也是整场演讲里最值得记住的一句话之一。因为它不是在形容 NVIDIA 自己而是在定义这个时代的背景未来五年全球会用一种接近修电网、铺铁路、建通信网络的方式去建设 AI 基础设施。黄仁勋点了很多名字微软、AWS、Google、Meta、Oracle、CoreWeave、xAI也提到了多个国家和地区。重点不在名单本身而在于一个信号AI 算力正在从企业采购行为升级成国家级战略资产配置。这意味着 AI Factory 不再只是几个互联网巨头的事而会像过去的发电站、铁路、港口、光纤网络一样成为下一轮全球竞争的底层基础设施。这也是为什么黄仁勋可以顺理成章地把叙事从 AI 工厂接到数字孪生和 Physical AI。因为当基础设施已经按照“国家工程”的量级在建设NVIDIA 当然不会满足于只做其中一层芯片。企业软件将迎来从 SaaS 到 Agent-as-a-Service 的范式转换如果说前半场黄仁勋在铺垫基础设施那么后半场真正的主角只有一个Agentic AI。这里有一个很重要的区分Agent 不是更会聊天的大模型也不是把 prompt 写长一点的 ChatGPT。它是一套能感知环境、调用记忆、读取文件、使用工具、拆解任务、调度子 Agent最后自己把事情做完的系统。Agent 不再只是回答问题它开始处理任务。它不只是对话入口而越来越像一个调度中心。多模态输入进来记忆、文件、外部工具、命令行、MCP 接口、子 Agent 全部围着它转。所以黄仁勋这次给出了一个非常浓缩、也很适合传播的判断Agent 是新的应用Prompt 是新的程序Token 是新的货币。这背后的本质是全新的计算平台。未来的软件不再只是一个界面加一堆按钮而会变成一个能自己做事的智能体。你给它的 prompt不再只是输入框里的自然语言而越来越像是在写程序。它处理和消耗的 Token就是这个新系统里的流通单位。如果说过去十几年企业软件的中心是 SaaS那么接下来几年真正改变企业流程的很可能是 Agent。过去企业买的是软件和 SaaS再花钱请系统集成商去部署和维护。未来企业越来越像是在购买一种新的“智能劳动力”。黄仁勋重新定义了企业买的到底是什么。他提出了 AgaaSAgent-as-a-Service。这个缩写未必会像 SaaS 那样最终成为稳定术语但它足够准确地表达了黄仁勋的判断企业软件市场接下来最大的增量不是再卖一个功能模块而是卖一个能替人做工作的 Agent。于是底层逻辑也跟着变了● 传统数据中心主要存文件● AI Factory 主要生产 Token● 传统软件主要服务人● 新一代系统会同时服务人和 Agent4.6 万亿美元的 IT 产业正在从“软件采购逻辑”切换到“智能劳动力采购逻辑”。黄氏龙虾 NemoClaw 一行命令把 Agent 从屏幕里拽出来软件世界讲到这里整场演讲其实还差最后一步如果 Agent 真的是新的应用它总不能永远只活在命令行、浏览器和聊天窗口里。OpenClaw 的出现才让这条线真正拐向了物理世界。大会现场的预热环节其实就请来了龙虾之父 Peter Steinberger 出场站台。Peter 自己给出的出发点也很有意思。他想解决的问题并不是某个传统意义上的机器人学难题而是一个听起来几乎过于朴素的需求人有时候就是想直接和电脑说话而且不只是让它回答而是真的替你做事。正是在这个意义上OpenClaw 才迅速引发共鸣抓住所有开发者和知识工作者都已经开始感受到的那种冲动我们不再满足于 AI 会聊天我们开始要求它动手。到了黄仁勋真正把它接到 Keynote 主线里的时候OpenClaw 的定位又被抬高了一层还专门做了一个短片讲述 OpenClaw 如何超越 Linux 和 React让今年改元为“龙虾元年”。随后就是王炸NemoClaw 发布。但这不仅仅是老黄跟紧热度也发布了一个英伟达风格的龙虾而是做一件更大的事把 Agent 从电脑屏幕里拽出来塞进一个真实能动的机械系统里。这只“黄氏龙虾”从我们认知中的 Agent变成了一个开放的机器人操作底座一个足够标准化、足够友好、也足够有社区属性的开源硬件入口。就像早年的 PC 之于个人计算树莓派之于嵌入式开发重点不是极限性能而是门槛足够低、生态足够容易长出来。NemoClaw 是 NVIDIA 往硬件里塞进去的那颗“大脑”。它不是简单地给机器人接上一个模型接口而是把 Agent 那套能力真正带到了物理世界理解自然语言、感知环境、规划动作、调用工具、执行任务。最关键的是黄仁勋用了一种极其程序员友好的方式来展示它——不是复杂的机器人工作站不是一堆控制台而是一行命令。那种感觉非常直接像是在给一台机器“装系统”。这背后的含义很重。它意味着机器人开发的门槛正在从“必须有机器人学博士团队”下降到“会命令行、会接模型、会调 API 的开发者也能开始上手”。这不等于机器人难题已经解决了但它意味着入口正在被打穿。所以 NemoClaw 真正重要的不是“它支持什么功能”而是它试图复制 NVIDIA 当年在 CUDA 和 cuDNN 上做过的事● 先把底层平台搭好● 再把复杂性封装掉● 然后把开发门槛尽可能压低● 最后让生态自己长出来如果 CUDA 让并行计算从少数专家的能力变成主流开发者的能力cuDNN 让深度学习从顶尖实验室走向整个产业那么 NemoClaw 想做的就是把这种民主化逻辑推到机器人和 Physical AI 领域。从 NemoClaw 往后黄仁勋顺势也聊到了 Physical AI 和具身智能。这里的关键词不是“机器人”而是仿真优先。AI 如果真的要改变世界就不能只活在云里。它得进入物理世界得能看、能听、能碰、能动。而一旦进入物理世界它面对的就不再是干净的数据集而是摩擦、惯性、遮挡、碰撞、噪声、延迟、失误。这也是为什么 NVIDIA 把 Isaac Lab、Newton、Cosmos、GROOT 这套东西一起摆出来。可以把它理解成NVIDIA 正在给 Physical AI 搭一整条流水线——从数据生成、仿真训练到强化学习、再到现实部署。它不是只想给你一个机器人模型而是想给你一个从虚拟世界走到现实世界的完整开发系统。而且这不只是实验室概念。黄仁勋点到的那些合作方向——手术室助手机器人、全身控制、人形机器人、制造业训练、Disney Research——已经足够说明问题Physical AI 正在从 demo 走进产业真实需求。语毕黄仁勋自然引出了全场最后一个爆点也是最有画面感的一幕雪宝Olaf。一个原本属于动画电影《冰雪奇缘》的角色从屏幕里走到了现实世界。但它并不只是“可爱”。它真正想说明的是 NVIDIA 现在试图打通的一整条链路● 角色诞生于数字内容世界● 行为在仿真环境里被训练● 物理控制在 Newton 这样的引擎里被优化● 最终进入真实世界里行动黄仁勋现场和雪宝的互动某种程度上比前面那些曲线图、收入图都更容易让普通人一下子理解 Physical AI 到底意味着什么。因为它不再是一个机械臂抓方块而是一个熟悉的、来自流行文化的角色真的站到了现实世界里。这一幕很像整个 Keynote 的隐喻数字世界里的智能正在向现实世界外溢。这家公司最早改变的是图形计算后来改变的是 AI 计算。现在它开始试图去定义当智能真正从屏幕里走出来之后下一代世界会长成什么样。投稿或寻求报道zhanghycsdn.net【活动分享】48 小时与 50 位大厂技术决策者共探 AI 落地真路径。由 CSDN 与奇点智能研究院联合举办的「全球机器学习技术大会」正式升级为「奇点智能技术大会」。2026 奇点智能技术大会将于 4 月 17-18 日在上海环球港凯悦酒店正式召开大会聚焦大模型技术演进、智能体系统工程、OpenClaw 生态实践及 AI 行业落地等十二大专题板块特邀来自BAT、京东、微软、小红书、美团等头部企业的 50 位技术决策者分享实战案例。这不仅是一场技术的盛宴更是决策者把握 2026 AI 拐点的战略机会。
