CES2026黄仁勋: AI应用重写一切, Vera Rubin全面投产, 物理AI进入“ChatGPT 时刻”倒计时 | 前沿在线

在 CES 2026 的舞台上，黄仁勋并没有急于用某一款产品“点燃情绪”。

这场长时间的主题演讲，更像一次系统性的时代复盘与方向校准：从 AI 平台的根本性转变，到 Agent 架构、物理 AI、自动驾驶、机器人，再到算力、网络、存储与能源效率，英伟达试图回答的不是“下一代芯片有多强”，而是——未来十年，计算与智能将如何被重新组织。

（完整实录见文末）

编辑：前沿在线 编辑部

拉斯维加斯，新年快乐。

NVIDIA 创始人兼 CEO 黄仁勋一上台就把 CES 的现场氛围点燃：这个可容纳 3000 人的礼堂坐满了人，外场还有 2000 人围观，甚至楼上也挤满了观众。

黄仁勋笑称，自己“带了 15 公斤材料要讲”，而全世界将有数以百万计的人通过直播一起进入 2026 的开年第一场科技主题演讲。

但这场演讲的核心并不是“热闹”，而是一个更明确的信号：计算产业又一次来到平台重置点，而且这一次是“双平台转换”同时发生。

每 10～15 年一次平台重置：这一次，AI 让“软件本身”变了

黄仁勋把计算产业的历史复盘了一遍：从主机到 PC、PC 到互联网、互联网到云、云到移动……每一次平台转换，都会带来一次应用世界的重写。

而今天发生的变化更彻底：不仅平台在变，应用的构建方式也在变。

过去我们写软件、编译软件、让软件运行在 CPU 上；今天我们在 GPU 上运行模型，应用不再是“预先写好的逻辑”，而是能理解上下文、并在每一次交互中从头生成内容——生成每一个像素、每一个 token。

黄仁勋用“计算五层堆栈”来概括这种变化：从硬件到系统到软件再到应用，整个堆栈正在被 AI 重新塑形。这意味着过去十多年累计的、以“经典计算方式”为基础的巨大技术资产——他用“十万亿美元级别”来形容——正在被整体现代化。

钱从哪里来？黄仁勋给出的答案很直接：来自各行各业的研发预算迁移。经典方法的预算正在转向 AI 方法，这就是这波 AI 现代化的燃料。

从 ChatGPT 到“推理模型”，再到 Agent：2025 的关键转折已经发生

黄仁勋把 2025 形容为“不可思议的一年”，因为一切都像同时发生。

他回顾了几个关键节点：
2015 年左右，语言模型开始真正产生影响；

2017 年 Transformer 出现；

2022 年“ChatGPT 时刻”让世界被唤醒；

而一年后，一个重要的新阶段到来——推理模型开始成为主角。

他重点提到一种思路：测试时扩展（test-time scaling）。直白说，就是AI 不仅在训练前学习、训练后再用强化学习学技能；在推理阶段，它也需要“实时思考”——思考越多、计算越大、答案通常越好。

紧接着，2024～2025 年，代理系统（Agent）开始遍地开花：它能查找信息、做研究、使用工具、规划未来、模拟结果，开始解决“以前不可能由一个模型独立完成”的重要问题。

黄仁勋还点名了一个“他很喜欢的代理工具”：Cursor。他说它彻底改变了 NVIDIA 内部的软件编程方式。

AI不只有语言：物理 AI、世界模型与“开放模型的大爆发”

黄仁勋强调，大语言模型并不是宇宙中唯一重要的信息形态。只要世界里存在结构，就可以训练一种“语言模型式”的系统去理解它的表示并形成智能。

其中最关键的一类，是理解自然规律的物理 AI：它不仅要理解物理定律，还要能与物理世界互动。

而 2025 年另一个最重要的事件，是开放模型的进步与爆发。黄仁勋认为：一旦开源、开放创新全面启动，智能会在任何地方激增——每个公司、每个行业、每个国家，都能同时被激活。

他特别提到一个让世界震惊的开放推理系统进展，并用“它激活了整个运动”来形容开源推理浪潮的引爆效应。

在他看来，开放模型已经逼近前沿：也许仍落后几个月，但每隔几个月就会出现新一代进展，下载量呈爆炸式增长——因为创业公司、研究者、学生、甚至国家都想参与这场革命。

NVIDIA 为什么自己建 AI 超算：DGX Cloud、开源模型与Nemo 全家桶

黄仁勋提到，几年前 NVIDIA 开始构建并运营自己的 AI 超级计算机体系（DGX Cloud）。外界常问：你们要做云吗？他的回答是否定的——它是为 NVIDIA 自己而建，用来做前沿模型研发。

他举了很多例子：数字生物学、蛋白质结构理解与生成、地球与天气预测相关模型、以及一些“能长时间思考或快速思考”的新架构探索。

更关键的是，他强调NVIDIA 不只是开源模型，还开源训练这些模型的一套体系：包括用于数据处理、数据生成、训练、评估、护栏到部署的生命周期管理库——他称之为 Nemo 系列库，并延展到物理、医疗、生物等不同领域版本。

他把 NVIDIA 定位成一种“前沿 AI 模型构建者”，并强调他们以“尽可能开放”的方式构建，让每家公司、每个行业、每个国家都能参与 AI 革命。

Agent 的真正形态：多模型、多云、混合部署，以及“意图路由器”

黄仁勋把“现代 AI 应用的基本架构”讲得非常直白：未来的 AI 应用天然就是多模态（语音、图像、文字、视频、3D、甚至蛋白质），也天然是多模型的——因为不同任务需要不同模型。

因此，它也必然是多云的、混合云的：有的模型在云端，有的要跑在企业内网，有的要在边缘设备上，甚至要在医院、基站或机器人本体旁边跑，以获得实时数据与低延迟。

在这个框架里，他提出一个关键组件：基于意图的模型路由器。路由器像一个“经理”，决定哪个任务该调用哪个模型：该留在本地执行的就留在本地，需要最强前沿模型的再去调用云端。

他顺势给了一个轻量但完整的示例：做一个个人助理，处理日历、邮件、待办事项，甚至连接家里的设备。为了保护隐私，邮件相关任务可以调用本地运行的开放模型；其它任务再调用前沿模型 API。

现场还演示了一个“会说话的小机器人助理”，能把待办事项同步给 Jensen，能把草图生成建筑渲染并做视频导览，还能远程看家、提醒宠物不要上沙发。

黄仁勋用一句话概括这种震撼感：几年之前这几乎不可想象，而现在“已经变得微不足道”。

他随后点名了多家企业平台合作，核心意思是：这种 Agent 架构不仅改变开发方式，也将成为企业平台的全新交互界面——从“填表格、点按钮”转向“像与人对话那样使用系统”。

下一站：物理 AI。三台计算机、Omniverse、Isaac，以及 Cosmos 的合成数据路线

如果说 Agent 是“软件世界的重构”，那黄仁勋认为，物理 AI将把 AI 从屏幕带进真实世界。

他强调，物理 AI 的难点在于“常识”——物体恒常性、因果关系、摩擦力与重力、惯性……对孩子是常识，对 AI 却是未知。要让 AI 学会这些规律，必须构建一整套系统。

他用“三台计算机”描述物理 AI 的基础架构：
一台用于训练，一台用于推理部署，还有一台专门用于模拟——因为没有模拟，就无法评估动作与世界反应的一致性，数据也永远不够。

在 NVIDIA 的体系里，模拟是核心：Omniverse 是数字孪生与基于物理的仿真世界；Isaac Sim / Isaac Lab 是机器人学习与训练的关键环境；而数据上最大的突破，是把计算变成数据：通过基于物理规律的合成数据生成，规模化制造训练样本，覆盖长尾与边缘情况。

黄仁勋在演讲中抛出了一个更强的判断：物理 AI 的 ChatGPT 时刻即将到来。

因为现实世界的数据收集太慢、太贵、永远不够，答案只能是合成数据，而这一切在 Cosmos 上开始成型。

自动驾驶的“推理 AI”：AlphaMyo 与端到端训练、可解释驾驶

演讲的另一条重要线索，是自动驾驶。

黄仁勋宣布了AlphaMyo，强调它是端到端训练的自动驾驶 AI：从摄像头输入到控制输出，训练数据包含人类示范驾驶与 Cosmos 生成的大规模合成里程，再叠加大量精细标注样本。

他特别强调一个“可解释性”的点：AlphaMyo 不只是“做动作”，它会解释它将采取什么行动、为什么这么做，并把行动与轨迹耦合起来。

这在长尾驾驶场景里尤其关键——你不可能收集世界上每一个国家、每一种极端情况的真实数据，但如果能把复杂长尾拆解成若干常见的物理交互片段，推理系统就可能在未见过的情境下做出合理决策。

他还谈到NVIDIA 为什么做自动驾驶：因为 AI 会重塑整个计算堆栈，NVIDIA 必须理解并构建从芯片到基础设施到模型到应用的完整系统能力，才能引导产业走向未来。

在他的叙述里，车就是“机器人系统”的一种：它需要为安全设计的处理器、冗余的传感器体系、可追踪的全栈软件，以及一个在低置信场景会回退到更安全护栏系统的“双堆栈镜像”策略。

机器人登场：在 Omniverse 里学会成为机器人

接下来，他把镜头转向更广义的机器人产业：机械臂、移动机器人、人形机器人……尺寸不同、形态不同，但核心问题相似——都需要物理 AI、仿真与数据。

现场还出现了多个机器人“朋友”，他开玩笑说“没有谁像你们这么可爱”，并强调 Isaac、Omniverse 这类训练体系，会成为未来机器人产业的通用底座。

把物理 AI 带进工业：Cadence / Synopsys / Siemens，工业生命周期的 AI 化

黄仁勋把物理 AI 的落点指向工业体系：EDA、系统设计、系统仿真、工厂制造与生产线。

他点到 Cadence 和 Synopsys 在芯片设计世界中的核心地位，并提出一种未来图景：

未来我们不仅会有“代理软件工程师”，还会有“代理芯片设计师”和“代理系统设计师”。芯片会在电脑里设计，系统会在电脑里仿真，工厂产线会在电脑里搭建并测试——在真正落到重力世界之前，先在数字世界完成大部分验证。

随后他引出 Siemens 的合作内容：将 NVIDIA CUDA-X 库、AI 模型与 Omniverse 纳入其工业软件产品组合，把物理 AI 带入整个工业生命周期——从设计与仿真，到生产，再到运营。他把这称为“新工业革命的起点”。

Vera Rubin：为 AI 新前沿而生的下一代计算平台（以及为什么必须“极端协同设计”）

演讲后半段，黄仁勋把重头戏交给了新一代平台：Vera Rubin。

他先讲了“为什么叫 Vera Rubin”：这位天文学家通过星系旋转曲线的异常发现暗物质存在。

黄仁勋借此引出“看不见但影响巨大的东西”，并把它对应到 AI时代的计算挑战：模型规模与推理计算暴涨，token 生成量爆发，成本竞争每年剧烈下探——一切最终都变成计算问题。

在他看来，摩尔定律放缓意味着：单靠工艺进步，不可能跟上模型规模的增长与 token 需求的增长。要跟上，行业必须做“极端协同设计”——同时在整个堆栈的所有关键芯片上创新。

因此，这一代他们几乎“别无选择”，只能重新设计每一个芯片与系统组件。黄仁勋强调：仅仅系统里每一个芯片拿出来都可以单独开发布会。

他在台上展示了多个实物部件，讲到了 CPU 与 GPU 的联合设计、极高的 I/O 能力、以及在张量计算上通过新型数值/引擎实现的吞吐与精度平衡

除此之外，他还用大量篇幅谈到数据中心系统工程：

从“线缆地狱”到“零线缆”、从两小时组装到五分钟、从风冷到全液冷、热水冷却（45℃）仍能保持高能效；

以及 Spectrum-X 以太网在 AI 时代的关键作用、BlueField DPU 在虚拟化与安全卸载上的角色、NVLink 交换与超高带宽互联在“让每个 GPU 同时与所有 GPU 交流”上的意义。

他给出了一个很具冲击力的系统性判断：在千兆瓦级 AI 工厂里，网络每提升一点吞吐都可能对应数十亿美元的价值；因此网络能力不是“配角”，而是 AI 工厂的关键生产力。

他最后用一组“给造 AI 超算的人看的图表”来总结 Vera Rubin 的意义：训练吞吐、工厂吞吐、token 成本、能效与成本效益，都被推到了下一阶段。

他把这归结为NVIDIA 的新定位：从“做芯片的公司”，变成“构建完整 AI 堆栈的公司”，覆盖从芯片到基础设施、从模型到应用的全链路重构。

黄仁勋的“失控花絮”与 CES 的真实感

演讲结束前，黄仁勋还放了一段“外景/花絮”式的片段：麦克风、摄像、滑稽的台词、卡顿的幻灯片、现场的笑点……他说有一堆内容不得不剪掉，但正是这些不完美，让 CES 的现场变得更“人类”。

在一片喧闹与掌声里，他以一句朴素的收束结束了当天的叙事：NVIDIA 的工作，是把整个堆栈搭出来，让所有人都能在此之上创造应用，推动 AI 进入下一个前沿。

完整实录如下：

大家好，拉斯维加斯，新年快乐。

欢迎来到 CES。我们今天在这里，其实要“塞进来”的内容非常多，大概有15 公斤那么重。但能在现场看到你们所有人，我真的非常开心。

此刻，这个主会场里坐着3000 人。外面的庭院，还有2000 人在同步观看。据我所知，四楼原本用于视频转播的区域里，也还有1000 人在看这场演讲。

基本上，整栋楼的每一层，都在观看这场主题演讲。当然，还有全世界数以百万计的人，正通过直播，与我们一起开启新的一年。

每10 到 15 年，计算机产业就会迎来一次平台级重置。

我们经历过这样的周期：从大型机到个人电脑；从个人电脑到互联网；从互联网到云计算；再从云计算到移动计算。

每一次变化，都会诞生一个全新的平台。而所谓“平台迁移”，真正的含义在于：应用的目标发生了改变。你不再是为旧的计算机写程序，而是为一套全新的计算范式，重新构建应用。

但这一次，情况有些不同。这一次，并不是一次平台迁移，而是两次平台迁移，同时发生。第一条迁移路径，是我们正在从“传统应用”，走向AI 原生应用。

一开始，人们以为“AI 本身就是应用”。而事实上，AI 确实是应用的一种。但更重要的是：我们正在把应用构建在 AI 之上。AI 正在成为新的应用运行平台。

而第二条迁移路径，则更加根本。它不是“你做什么应用”，而是“你如何开发软件、如何运行软件”。整个计算产业的五层技术栈，正在被彻底重塑。

在这个新世界里：你不再是“编程”软件，而是训练软件。你不再主要运行在 CPU 上，而是运行在GPU上。

过去，应用是预先写好、预先编译的，然后在设备上执行；而现在，应用能够理解上下文，并且在每一次运行时，从零生成每一个像素、每一个 token。

也就是说——每一次运行，都是一次全新的生成。正因为加速计算的出现，正因为人工智能的出现，整个计算体系正在被从底层到顶层，全部重建。这五层“计算蛋糕”的每一层，如今都在被重新发明。

这意味着什么？这意味着，在过去十年中，大约10 万亿美元规模的传统计算基础设施，正在被整体现代化，迁移到这种全新的计算方式之中。

这也解释了为什么：每一年，有数千亿美元的风险投资，持续流入这个行业；为什么，一个总规模达到100 万亿美元的产业，其中相当比例的研发预算，正在从传统方法，转向人工智能方法。

人们经常问我：“这些钱到底是从哪里来的？”答案就在这里。它们来自于：对既有计算体系的现代化改造；来自于研发预算从传统路径，转向 AI 路径；来自于整个世界，正在押注一种全新的计算范式。

这就是为什么，我们会如此忙碌。而过去这一年，也完全不例外。

过去这一年，真的非常不可思议。很多事情几乎是在同一时间同时发生的。回头看，它们并不是巧合，而是一次集中式的技术跃迁。

首先发生的，是规模定律（scaling laws）的持续推进。如果回到 2015 年，我第一次看到一个真正可能改变世界的语言模型。它叫BERT。那是第一次让我意识到，自然语言模型不只是一个研究方向，而是一种即将改变计算方式的技术。

随后，在2017 年，Transformer 架构出现了。但直到五年之后，也就是 2022 年，我们才真正迎来了那个被称为 “ChatGPT 时刻”的转折点。

那一刻，世界第一次被真正唤醒。人们开始意识到，人工智能不只是一个工具，而是一种全新的能力平台。

而在那之后，又发生了一件极其重要的事情。

大约一年后，ChatGPT 推出了第一个O1 推理模型。那是第一个真正意义上的“推理模型”。

它并不是简单地生成答案，而是在生成答案之前，进行内部推理。这一次突破，几乎是革命性的。

它引入了一个新的概念，叫做测试时扩展（test-time scaling）。

从直觉上讲，这其实非常符合常识。我们不仅在预训练阶段让模型学习知识，
也在后训练阶段通过强化学习，让模型学会技能，而现在，我们进一步让模型在推理阶段进行“思考”。

换句话说：模型开始在实时运行中，动态地分配计算资源，用于推理本身。

而这三种阶段——预训练、后训练、测试时推理——每一个阶段，都需要极其庞大的计算资源。

计算定律并没有停止。大语言模型仍在持续变得更强。与此同时，另一个重要突破出现了。这个突破，发生在2024 年，并在2025 年开始迅速扩散、全面渗透。

那就是：智能体系统（Agentic Systems）的出现。智能体模型，具备一整套全新的能力。

它们能够推理，能够查找信息，能够做研究，能够使用工具，能够规划未来，能够模拟不同结果。

突然之间，AI 开始能够解决一大类过去几乎无法自动化的重要问题。在英伟达内部，我个人最喜欢的一个智能体模型，叫做Cursor。

它几乎彻底改变了我们在英伟达内部进行软件开发的方式。

而这，仅仅是开始。从现在开始，智能体系统将真正迎来爆发式增长。

当然，我们也很清楚一件事：大语言模型并不是信息世界的全部。信息并不只存在于文本之中。

只要这个世界中存在信息，存在结构，存在规律，我们就可以训练一种“语言模型”，去理解这种信息的表示方式，并把它转化为 AI。

换句话说，语言模型并不局限于语言。

只要世界中存在“可学习的结构”，就存在 AI 的空间。在所有这些方向中，最重要、也最具挑战性的一个方向，就是——物理 AI（Physical AI）。

物理 AI，是理解自然规律的 AI。它不是只理解符号、文本或图像，而是理解这个世界如何真实运作。

当然，物理 AI 的核心，并不仅仅在于“理解”。更重要的是——与世界交互。当 AI 不再只存在于屏幕中，而是开始与现实世界发生互动时，一切都会改变。

这里，我们需要区分两个相关但不同的概念。

第一种，是物理 AI。也就是那些能够感知、决策、并与物理世界互动的 AI 系统，比如机器人、自动驾驶汽车等。

第二种，是AI Physics（物理规律 AI）。这是理解物理定律本身的 AI，能够学习和推断自然界的基本规则。

这两者是相互配合的。

一个与世界互动的 AI，需要理解物理规律；而一个理解物理规律的 AI，最终也必须被用来指导真实世界中的行动。

而在过去一年中，最重要、也最令人振奋的另一件事情，是开放模型的全面进展。

当模型是开放的，当创新是开放的，当每一家企业、每一个行业、每一个国家，都能够在同一时间参与进来，人工智能就不可能只属于少数人。

正是在这种背景下，AI 才会真正实现无处不在的普及。

去年，开放模型真正迎来了爆发。

其中一个最具代表性的事件，是DeepSeek R1的发布。这是第一个真正意义上的开放推理模型。

它让整个世界感到震惊。

不仅因为它的性能，更因为它证明了一件事：推理能力，并不一定只存在于封闭模型中。

DeepSeek R1 的出现，几乎点燃了整个开放模型生态。一个真正的开放 AI 运动，就此被激活。

从那之后，我们看到世界各地涌现出各种各样的开放模型系统。不同架构、不同规模、不同目标，但共同点只有一个：开放正在加速智能的扩散。

我们现在已经可以非常确定地说：开放模型，已经触及 AI 的技术前沿。

是的，它们仍然落后于最前沿的封闭模型，大约六个月左右。但每过六个月，就会有新的开放模型出现，而且它们变得越来越聪明。

正因为如此，你可以看到一个非常明显的现象：下载量正在爆炸式增长。

初创公司希望参与 AI 革命；大型企业希望构建自己的能力；研究人员希望探索新的边界；学生希望学习；几乎每一个国家，都希望参与其中。

因为一个问题摆在所有人面前：数字形态的智能，怎么可能把任何人留在身后？正是在这样的背景下，开放模型在过去一年中，真正重塑了人工智能产业。而这，也正是我们在英伟达很早之前就隐约意识到的一件事。

几年前，你们可能听说过，我们开始自己构建并运营 AI 超级计算机。我们把它们称为DGX Cloud。当时，很多人问我们：“你们是不是要进入云计算业务？”答案是否定的。

我们构建这些 DGX 超级计算机，并不是为了成为云服务商，而是为了我们自己使用。

事实证明，这是一个非常正确的决定。如今，我们已经在全球范围内，运营着价值数十亿美元的 AI 超级计算机集群。它们的核心用途之一，就是用于开发开放模型。

我对这项工作的进展感到非常自豪。因为它正在吸引来自世界各地、各个行业的关注。

原因很简单：我们正在多个不同领域，同时推进前沿 AI 模型的研究。

在这样的基础之上，我们构建的这些模型，不仅是前沿级的，而且在客观评测中同样处于世界领先位置。我们在多个排行榜上长期名列前茅，这也是我们非常自豪的一点。

这些模型覆盖了多个关键方向：它们能够理解多模态文档——也就是我们每天最常见、也最有价值的内容载体，PDF。世界上大量重要的信息都被封装在 PDF 中，但只有借助人工智能，我们才能真正理解其中的结构、语义和含义，帮助人类高效阅读与使用这些内容。

我们的 PDF 检索模型、PDF 解析模型，都处于世界一流水平。

与此同时，我们的语音识别模型同样是世界级的；我们的检索模型，本质上就是现代 AI 时代的语义搜索与 AI 搜索引擎，其能力也同样位居全球前列。我们几乎在所有关键基准上，都处在领先位置，而这一切，最终都是为了一个目标——让你们能够真正构建 AI 智能体。

这正是一个极其关键、也是极具突破性的阶段。

回想 ChatGPT 刚出现的时候，很多人都会说：“它生成的结果很有意思，但经常会出现幻觉。”而幻觉的根源其实并不复杂。模型可以记住过去，却不可能记住现在和未来发生的一切。

因此，如果它没有被扎根在现实信息之中，没有在回答问题之前进行检索、查证和推理，就必然会产生不可靠的输出。

真正重要的能力，在于模型能否判断：我现在是否需要做研究？是否需要调用工具？是否需要把一个复杂问题拆解成多个步骤？而这些步骤本身，又是否是模型已经学会、可以胜任的任务。

当模型具备了这种能力之后，它就可以把这些步骤组合成一个完整的行动链条，去完成一件它从未被直接训练过的事情。这正是“推理”的本质，也是智能体真正令人惊叹的地方。

人类也是如此。我们经常会遇到从未经历过的情境，但我们可以把它拆解成一系列我们熟悉的规则、经验和知识，并据此做出判断和行动。

如今，AI 模型终于开始具备类似的能力。这种推理能力，为无数新的应用场景打开了大门。我们不再需要在第一天就教会 AI 一切；就像人类一样，它可以在面对具体问题时，通过推理找到解决路径。

大语言模型在这一点上实现了真正的飞跃——强化学习、思维链、搜索、规划，这一整套方法体系，让这种能力第一次变得系统化、可工程化，而且现在，这些能力也正在被逐步开源。

而真正让我感到震撼的，是另一个关键突破。我第一次清楚意识到这一点，是在看到Aravind创办的Perplexity时。

Perplexity 是一家做 AI 搜索的公司，非常具有创新性。当我意识到他们在同一个推理链条中，同时调用多个模型时，我觉得这简直是天才般的设计。

仔细想想，这其实再合理不过了：如果 AI 要解决一个复杂问题，为什么不在推理的不同阶段，调用世界上最适合那个任务的 AI 呢？

这正是为什么，现代 AI 天生就是多模态的——它理解语音、图像、文本、视频、三维结构，甚至蛋白质；

同时，它也是多模型的——它会根据任务选择最合适的模型；它天然是多云的，因为这些模型分布在不同的地方；同时，它也必然是混合云的。

如果你是一家企业，或者你正在构建一台机器人，那么有些计算发生在云端，有些发生在边缘，有些发生在工厂，有些发生在医院——数据必须就在你身边，实时可用。

因此，这正是未来 AI 应用的基本形态。换一种说法：既然未来的应用是构建在 AI 之上的，那么这套智能体架构，就是未来应用的基础结构。正是这种多模型、多模态、可推理、可调用工具的架构，极大地加速了各类 AI 创业公司的成长。

再加上开放模型与开放工具的出现，你现在不仅可以使用最前沿的能力，还可以定制属于你自己的 AI，教会它只有你才掌握的技能——那些来自你所在行业、你所在公司的深度知识。这正是我们在 Nemotron、NeMo，以及整个开放模型体系中所要实现的目标。

在这种架构下，你通常会在前面放置一个智能路由器。这个路由器就像一个管理者，它会根据你给出的提示意图，判断当前任务最适合由哪一个模型来完成。

需要处理邮件的请求，就留在本地运行；需要通用推理的部分，就调用前沿模型。这样一来，你既拥有高度定制化的 AI，又始终站在技术前沿——一端是你独有的领域能力，另一端是不断进化的前沿智能，而这一切，只需要“让它跑起来”即可。

为了让大家真正理解这种智能体架构在现实中的样子，我们做了一件事：把它完整地搭建出来，而且不是作为一个概念演示，而是作为一个真实可运行的系统。

我们把这种可复用的系统设计，称之为Blueprints。Blueprint 并不是某一个模型，而是一整套经过验证的 AI 系统组合方式，它包括模型选择、推理流程、工具调用、数据路径，以及最终如何把结果交付给用户。

其中一个 Blueprint，就是个人 AI 助理。这个助理并不是一个聊天机器人，而是一个能够真正帮你完成任务的系统。它可以帮你读取邮件、总结信息、安排日程、检索资料、生成内容，并在必要时主动调用外部工具。

当你向它提出一个请求时，它不会立刻给你一个答案，而是先判断：这是不是一个需要研究的问题？是不是一个需要多步推理的问题？是不是一个需要访问你个人数据的问题？然后，它会把这个请求拆解成多个子任务，分别交给最合适的模型来完成，最后再把结果整合起来，形成一个你真正能用的输出。

在这个过程中，有些模型运行在云端，有些运行在本地，有些运行在你自己的服务器上。

对你来说，这一切都是透明的；你只看到结果，但背后是一整套复杂而精密的系统在协同运作。这正是我们所说的混合 AI，也是未来所有严肃 AI 应用的基本形态。

为了支持这种架构，我们构建了一整代全新的计算系统。你们可能已经听说过DGX Spark。它并不是一台传统意义上的服务器，而是一个为 AI 原生应用而生的计算节点。它足够小，可以放在办公室、实验室，甚至工厂里；同时，它又足够强，可以支撑本地推理、数据处理和智能体运行。当你把 DGX Spark 与云端的 DGX 系统连接起来时，你就拥有了一套真正意义上的端云协同 AI 基础设施。

这件事之所以重要，是因为物理 AI的时代已经到来。机器人、自动化系统、工业设备，它们不可能把所有计算都放到云端。它们必须在本地感知环境、实时做出决策，同时又能够在需要时，调用云端的更强算力进行规划、学习和更新。这种“本地即智能、云端即大脑”的架构，是物理 AI 唯一可行的路径。

在舞台上，我们展示了多个这样的 Blueprint 示例，包括机器人系统。你会看到，机器人并不是被一行一行代码“写”出来的，而是通过感知、推理、规划和执行，完成复杂动作。

它们可以理解语言指令，把语言映射为物理行动；可以在环境变化时重新规划路径；可以在失败之后进行自我修正。这并不是一个单一模型的能力，而是一整套 AI 系统协同工作的结果。

而这，正是为什么我们如此强调系统级创新。单一模型的性能提升固然重要，但真正改变世界的，是这些模型如何被组合、如何被部署、如何在现实环境中长期稳定运行。Blueprint 的意义就在这里——它把复杂性封装起来，让开发者、企业和研究人员，可以在此基础之上快速构建自己的 AI 应用，而不必从零开始。

当我们真正开始构建这些 AI 系统时，有一件事变得异常清晰：AI 已经不再是某一层的软件问题，而是整个计算体系的问题。如果计算基础设施不能被彻底重构，那么所有关于智能体、物理 AI、自动驾驶和机器人的设想，最终都会卡在现实世界的瓶颈上。

这也是为什么，我们必须从最底层开始重新思考计算。

AI 的计算负载，与传统计算完全不同。它不是稳定、线性的，而是高度动态的；不是以单次执行为主，而是以持续推理为核心。模型在“思考”的时候，会在极短时间内拉满算力、内存和网络带宽，然后又迅速回落。这种计算模式，对芯片、互连、系统、电力和散热，提出了前所未有的要求。

因此，我们不再把 GPU、CPU、网络、存储视为彼此独立的部件，而是把它们当作一个整体系统来设计。这正是我们反复强调的——极限协同设计。

在这个体系中，芯片不再只是追求单点性能，而是为整个系统服务；网络不再只是连接，而是成为计算的一部分；系统不再只是承载，而是主动参与调度与优化。只有在这样的前提下，AI 才能真正扩展到前所未有的规模。

这正是Blackwell 之后，我们为什么必须再向前迈出一大步。

过去几年里，Blackwell 为 AI 训练和推理奠定了一个全新的基线。但很快我们就意识到，如果只是沿着同样的路径继续前进，是远远不够的。模型规模在加速增长，推理复杂度在急剧上升，token 的生成方式正在从“回答”转向“思考”，所有这些变化，都在逼迫我们重新发明整个计算平台。

于是，我们开始设计一个全新的系统。不是一块芯片。不是一台服务器。而是一个完整的 AI 超级计算平台。

这就是Vera Rubin。

Vera Rubin 并不是某一代产品的代号，而是一个象征。它象征着我们已经进入一个阶段：计算的瓶颈，不再在单一部件上，而在系统整体的协同效率上。在这个平台中，每一个决策——从晶体管如何使用，到数据如何流动——都是围绕 AI 的真实负载来做出的。

在设计 Vera Rubin 的过程中，我们面临的最大挑战，并不是“如何把性能再提升一点”，而是：如何在物理极限逐渐逼近的情况下，仍然实现数量级的跃迁。摩尔定律正在放缓，单靠晶体管数量的增长，已经无法支撑 AI 的发展速度。

如果模型规模每年增长 10 倍，如果推理 token 每年增长 5 倍，如果成本还要持续以数量级下降，那么整个计算体系就必须发生质变。

答案只有一个：在整个系统层面进行同时创新。

这也是为什么，在这一代平台中，我们选择重新设计所有关键组件。CPU、GPU、网络芯片、交换机、系统结构、电力与散热——没有任何一层可以保持不变。因为只要其中任何一层跟不上，整个系统都会被拖慢。

Vera Rubin 正是在这样的背景下诞生的。它不是一次渐进式升级，而是一次系统级重构。它的目标非常明确：为 AI 的下一个十年，提供一个足够强大、足够高效、足够可扩展的计算基础。

当我们真正开始定义 Vera Rubin 这个平台时，我们首先要解决的，不是“性能还能不能再快一点”，而是一个更根本的问题：数据在系统中，究竟应该如何流动。

在 AI 计算中，真正昂贵的，并不是计算本身，而是数据的移动。每一次跨芯片、跨节点、跨机架的数据传输，都会带来延迟、功耗和效率损失。而随着模型规模的不断扩大，这个问题会被无限放大。

因此，在 Vera Rubin 中，我们从一开始就选择了一条非常激进的路线：把多个关键计算单元，作为一个整体来协同设计。

这也是为什么，Vera Rubin 并不是一颗“更大的 GPU”，而是一个由六颗核心芯片组成的协同系统。这六颗芯片并不是简单地堆叠在一起，而是通过极高带宽、极低延迟的互连，被设计成一个几乎“不可分割”的整体。

在这个系统中，GPU、CPU、内存控制逻辑、网络接口，不再是松散拼接的模块，而是围绕 AI 负载进行深度融合。它们共享统一的视图，能够以极高效率访问彼此的数据，就像是在同一块硅片上工作一样。

为了实现这一点，我们在互连技术上投入了极大的精力。NVLink 在这一代平台中，已经不再只是 GPU 之间的高速通道，而是整个系统的“神经网络”。数据不需要绕远路，不需要经过多层转发，而是可以在需要的时刻，直接流向需要它的地方。

这件事情听起来很抽象，但它的结果非常直观：模型在推理时，可以更长时间地保持“思考状态”；更多的上下文可以常驻在高速内存中；系统不再频繁地因为等待数据而空转。

与此同时，网络本身也发生了根本变化。

在传统数据中心中，网络只是负责把机器连在一起。但在 AI 数据中心中，网络本身就是计算的一部分。

在 Vera Rubin 平台中，我们把Spectrum-X网络体系深度嵌入到整体设计之中。交换机、网卡、拓扑结构、调度逻辑，全都围绕 AI 的通信模式来优化。模型在训练和推理过程中，会不断进行大规模的梯度同步、参数广播和上下文交换，而这些操作，已经成为系统的主要负载之一。

因此，我们不再允许网络成为瓶颈。在这个平台上，网络的吞吐、延迟和可预测性，必须与计算本身同等重要。

同样重要的，还有内存系统。在 AI 推理时代，内存的角色已经发生了变化。
它不再只是用来“存放权重”，而是用来承载推理过程本身。KV cache、上下文窗口、中间状态，这些内容必须尽可能长时间地留在高速内存中，才能支持更复杂、更长链路的推理。

因此，Vera Rubin 的内存体系，是为“持续推理”而设计的。我们追求的不是峰值容量，而是可持续、高带宽、低延迟的访问能力。只有这样，模型才能真正“停下来思考”，而不是被迫在计算与数据移动之间来回切换。

当你把这些因素放在一起看，就会发现一件事：Vera Rubin 并不是在追求某一个指标的极限，而是在追求整个系统效率的极限。

这也是为什么，我们必须同时重构计算、互连、网络、内存、电力和散热。因为在这个规模上，任何一处效率损失，都会被成千上万倍地放大。

最终，我们得到的，不只是一个更快的平台，而是一个为 AI 原生设计的计算生态系统。它能够随着模型规模的增长而扩展，能够随着推理复杂度的提升而进化，也能够在未来十年中，持续支撑 AI 的发展。

当你把视角从单一系统继续拉远，就会发现，真正的挑战并不止于一台机器，而是在数据中心尺度上，如何让这些系统协同工作。因为一旦 AI 模型开始进入大规模训练与持续推理阶段，问题就不再是“一台系统有多快”，而是“成千上万台系统，能否像一台机器一样工作”。

这正是我们在 Vera Rubin 平台上，必须同时考虑机架级、集群级、数据中心级设计的原因。我们不再把服务器简单地一台一台堆放，而是把整个机架视为一个计算单元。计算、网络、电力和散热，必须在机架层面完成统一设计，才能保证系统在满负载运行时，仍然具备可预测的性能。

在这种架构下，我们构建了所谓的超节点（Supernode）。一个超节点并不是某一台特别强的机器，而是一组通过高速互连、统一调度、共享内存视图的系统集合。在 AI 负载看来，这些系统就像是一块连续扩展的计算资源，而不是彼此独立的节点。这一点，对于大模型训练和长上下文推理来说，至关重要。

当模型规模继续扩大，通信量会呈指数级增长。如果系统在这个阶段出现任何不均衡，哪怕只是极小的延迟抖动，都会被迅速放大，最终拖慢整个训练过程。因此，在超节点层面，我们对拓扑结构、带宽分配和调度策略进行了深度优化，确保数据在系统中始终走最短、最可预测的路径。

当然，所有这些计算能力，最终都会转化为一个非常现实的问题：能耗。

AI 数据中心的功耗规模，已经远远超过了传统数据中心。训练一个前沿模型，所消耗的电力，足以支撑一座中型城市的部分用电需求。如果我们不能在能效上实现突破，那么 AI 的发展本身就会受到物理和经济条件的限制。

因此，在这一代平台中，我们把能效作为系统设计的核心指标之一。每一次数据移动、每一次计算调度、每一次网络通信，都会被纳入整体能耗模型之中进行优化。我们的目标，并不是简单地降低功耗，而是在单位能耗下，完成尽可能多的有效推理与训练工作。

这也直接推动了散热技术的演进。空气冷却已经无法满足如此高密度的计算需求，于是我们大规模引入了液冷系统。通过液冷，我们不仅能够更有效地带走热量，还能够让系统在更稳定的温度区间内运行，从而提高可靠性和寿命。这些看似“工程细节”的东西，实际上决定了 AI 是否能够长期、可持续地运行在现实世界中。

当你把计算、网络、能耗和散热放在一起看，就会发现：现代 AI 数据中心，本身就是一台巨大的计算机。

它不是由零散的服务器拼凑而成，而是一个从底层物理到上层软件高度协同的系统。正是在这样的系统之上，AI 才能以我们今天看到的速度不断进化。

也正因为如此，我们才会反复强调：AI 的未来，不仅仅属于模型研究人员，也属于系统工程师、电力工程师、网络工程师，以及所有参与构建这一基础设施的人。只有当整个系统协同进化，AI 才能真正走向规模化应用。

当这些计算平台真正具备规模之后，一个新的问题就摆在我们面前：这些能力，究竟要以什么形式被使用？

并不是所有 AI 都应该运行在同一个地方。有些 AI 需要运行在超大规模的数据中心中，用来训练前沿模型、进行复杂规划和长期推理；有些 AI 需要运行在企业自己的数据中心里，靠近私有数据和业务系统；还有一些 AI，必须运行在本地设备、工厂、医院、汽车和机器人中，进行实时决策。

因此，AI 的未来，一定是多层次的。

这也是为什么，我们在设计整套平台时，从一开始就假设：AI 会同时存在于云端、企业内部和边缘侧。这并不是权宜之计，而是一种必然结果。数据的生成地点，决定了计算的部署位置；延迟、安全、合规性，这些现实因素，决定了 AI 不可能被集中在某一个地方。

在云端，我们与全球几乎所有主要的云服务商合作。这些云平台，正在成为前沿模型训练与大规模推理的核心载体。而在这些云中运行的，并不仅仅是“通用 AI”，而是越来越多针对行业定制的模型与系统。

在企业侧，我们看到一种非常明确的趋势：企业并不想把最核心的数据完全交给外部。它们希望在自己的环境中，构建、运行并控制 AI。这催生了所谓的企业 AI 工厂——一个专门用来训练、微调、部署和运营 AI 的基础设施。

在这种架构下，企业不再只是“使用 AI”，而是开始拥有 AI。它们可以把自身几十年积累的数据、流程和知识，转化为独有的智能能力，而这正是 AI 真正产生长期价值的方式。

而在越来越多的国家，我们还看到了另一种需求：主权 AI（Sovereign AI）。

每一个国家，都拥有自己的语言、文化、法律体系和社会结构。它们也拥有自己的数据资源和战略目标。

因此，越来越多的国家意识到：如果 AI 成为未来的基础能力，那么它就不应该完全依赖外部。一个国家必须能够在本土训练模型、运行模型、控制数据，并确保这些系统符合本国的价值观和法律体系。

这并不是一个技术问题，而是一个国家级基础设施问题。

而主权 AI 的实现，离不开强大的本地计算能力、开放的模型生态，以及完整的工具链。这正是我们在多个国家与政府、科研机构和本地企业合作的原因。我们的目标，并不是替代任何人，而是赋能各个地区，构建属于他们自己的 AI 能力。

当你把云、企业、本地和主权 AI 放在一起看，就会发现：AI 并不是一个单一形态的产品，而是一整套分布式智能系统。

而支撑这套系统运行的，正是我们前面所讲的那整套计算平台、网络体系和软件工具。无论 AI 运行在哪里，它们背后遵循的都是同样的原则：高效的数据流动、可预测的性能、可扩展的架构，以及长期可持续的运行能力。

这也是为什么，我们并不是在“卖芯片”，而是在构建一个完整的 AI 基础设施生态。

当 AI 真正离开屏幕、进入现实世界时，一切都会变得更加具体，也更加严苛。因为在物理世界中，错误是有成本的，延迟是不可接受的，系统必须在复杂、不确定、持续变化的环境中稳定运行。这正是为什么，汽车与机器人，会成为物理 AI 最重要、也最具代表性的落地场景。

先从汽车开始。自动驾驶，本质上并不是一个“视觉识别问题”，而是一个完整的物理 AI 系统。它需要实时感知环境、理解三维空间结构、预测其他参与者的行为，并在极短时间内做出安全决策。这些能力，并不是通过规则堆叠实现的，而是通过大规模数据训练、仿真和持续学习逐步获得的。

因此，我们从一开始就把自动驾驶视为一个端到端的 AI 系统工程。从车端的感知与推理，到数据中心中的训练与仿真，再到模型的持续迭代，这是一条完整的闭环。

汽车在现实世界中行驶，每一天都会产生海量数据；这些数据被送回数据中心，用于训练更好的模型；而更好的模型，再被部署回车辆之中。这正是 AI 在物理世界中不断进化的方式。

机器人也是如此，甚至更加复杂。

一个机器人面对的，并不是结构化的道路环境，而是高度多样化、充满不确定性的真实空间。地面可能是光滑的，也可能是松软的；物体可能是刚性的，也可能是柔性的；人类的行为更是难以预测。在这样的环境中，机器人如果只依赖预先编程的动作，是不可能规模化的。

因此，我们必须让机器人具备真正的感知、推理和学习能力。

这也是为什么，我们在机器人领域构建的，不是某一个单点模型，而是一整套系统：从感知模型到运动模型，从世界建模到策略规划，再到在仿真环境中进行大规模训练。机器人并不是被“写”出来的，而是被“训练”出来的。它们通过在虚拟世界中反复尝试、失败和修正，逐步学会如何在现实世界中行动。

在这个过程中，仿真扮演着至关重要的角色。

现实世界的数据是昂贵的、缓慢的，而且充满风险；而仿真世界则可以被无限复制、加速和控制。通过高保真的物理仿真，我们可以在虚拟环境中生成海量训练数据，让机器人和自动驾驶系统在“安全的失败”中不断学习。这正是为什么，我们把仿真视为物理 AI 的核心基础设施之一。

而当这些系统真正开始工作时，你会发现一个非常重要的事实：物理 AI 从来不是单点部署的。它们总是运行在一个端云协同的体系中。机器人在本地进行实时感知与决策，而更复杂的规划、模型更新和策略学习，则发生在云端或数据中心中。这种协同，是物理 AI 唯一可行的运行方式。

正因为如此，我们才会看到，越来越多的行业开始真正拥抱物理 AI。制造业、物流、医疗、能源、农业，这些领域都存在着大量需要“理解世界并采取行动”的任务。AI 在这些场景中的价值，并不体现在生成一段文本，而体现在提高效率、降低风险、扩展人类能力。

而这一切的前提，是我们必须拥有足够强大、足够可靠的计算平台，来支撑这些系统长期运行。物理 AI 不是一次性的部署，而是一项持续数十年的工程。系统必须可以更新、可以扩展、可以在真实世界中不断学习和进化。

当我们把所有这些变化放在一起看，就会意识到：人工智能并不是一个短期趋势，而是一场长期、结构性的产业重构。它不仅改变了软件如何被编写，也改变了硬件如何被设计，更改变了企业如何运作、国家如何建设基础设施，以及人类如何与技术协作。

我们正在进入一个新的阶段。在这个阶段里，AI 不再只是提升效率的工具，而是一种新的生产要素。它像电力一样，成为所有行业的基础能力；又像互联网一样，重塑了信息、服务和价值的流动方式。而与以往任何一次技术革命不同的是，这一次，AI 正在同时重构数字世界与物理世界。

这意味着，未来十年中，几乎每一个行业，都会被重新发明。制造、物流、交通、医疗、能源、金融、科研——这些领域中的工作方式，将不再以“人如何操作机器”为核心，而是转向“人如何与智能系统协同”。AI 将承担越来越多的认知与执行任务，而人类则专注于创造、判断与价值选择。

从产业的角度看，这也是一个规模前所未有的机会。我们看到，全球范围内正在形成一个新的产业基础——AI 工厂。这些工厂并不生产实体商品，而是生产智能本身：模型、推理能力、决策系统和自动化流程。它们需要巨大的计算能力、稳定的能源供应、先进的网络体系，以及高度专业化的软件工具。

正是在这样的背景下，我们判断：未来十年，将是AI 基础设施建设的黄金十年。这不仅仅是关于芯片或服务器的需求增长，更是关于整个系统——从数据中心到边缘设备，从云端到本地，从模型到应用——的全面升级。

而在这一过程中，有一点至关重要：这场变革必须是开放的。

如果 AI 只掌握在少数人手中，它就无法真正释放潜力；如果 AI 无法被各行各业、各个国家所使用，它就不可能成为真正的基础能力。

因此，我们始终坚持一个原则：推动开放的平台、开放的模型、开放的生态。我们希望看到的是一个多样化的 AI 世界——不同的模型、不同的架构、不同的应用，共同推动智能向前发展。

对我们来说，这并不是一条容易的路。构建这样的系统，需要巨大的投入、长期的耐心，以及跨越多个学科的协作。

但这也是一条值得走的路。

因为我们相信，人工智能最终的价值，不在于替代人类，而在于扩展人类的能力；不在于制造更多的工具，而在于帮助人类解决那些过去无法解决的问题。

这正是我们在英伟达每天所做的事情。也是我们对未来十年，最坚定的信念。

谢谢大家。新年快乐。
欢迎来到 AI 的新时代。

前沿动态前沿大会

前沿人物

点「在看」，给前前加鸡腿