在 CES 2026 的舞臺上，黃仁勛并沒有急于用某一款產(chǎn)品“點(diǎn)燃情緒”。

這場長時(shí)間的主題演講，更像一次系統(tǒng)性的時(shí)代復(fù)盤與方向校準(zhǔn)：從 AI 平臺的根本性轉(zhuǎn)變，到 Agent 架構(gòu)、物理 AI、自動(dòng)駕駛、機(jī)器人，再到算力、網(wǎng)絡(luò)、存儲與能源效率，英偉達(dá)試圖回答的不是“下一代芯片有多強(qiáng)”，而是——未來十年，計(jì)算與智能將如何被重新組織。

（完整實(shí)錄見文末）

編輯：前沿在線 編輯部

拉斯維加斯，新年快樂。

NVIDIA 創(chuàng)始人兼 CEO 黃仁勛一上臺就把 CES 的現(xiàn)場氛圍點(diǎn)燃：這個(gè)可容納 3000 人的禮堂坐滿了人，外場還有 2000 人圍觀，甚至樓上也擠滿了觀眾。

黃仁勛笑稱，自己“帶了 15 公斤材料要講”，而全世界將有數(shù)以百萬計(jì)的人通過直播一起進(jìn)入 2026 的開年第一場科技主題演講。

但這場演講的核心并不是“熱鬧”，而是一個(gè)更明確的信號：計(jì)算產(chǎn)業(yè)又一次來到平臺重置點(diǎn)，而且這一次是“雙平臺轉(zhuǎn)換”同時(shí)發(fā)生。

每 10～15 年一次平臺重置：這一次，AI 讓“軟件本身”變了

黃仁勛把計(jì)算產(chǎn)業(yè)的歷史復(fù)盤了一遍：從主機(jī)到 PC、PC 到互聯(lián)網(wǎng)、互聯(lián)網(wǎng)到云、云到移動(dòng)……每一次平臺轉(zhuǎn)換，都會(huì)帶來一次應(yīng)用世界的重寫。

而今天發(fā)生的變化更徹底：不僅平臺在變，應(yīng)用的構(gòu)建方式也在變

過去我們寫軟件、編譯軟件、讓軟件運(yùn)行在 CPU 上；今天我們在 GPU 上運(yùn)行模型，應(yīng)用不再是“預(yù)先寫好的邏輯”，而是能理解上下文、并在每一次交互中從頭生成內(nèi)容——生成每一個(gè)像素、每一個(gè) token。

黃仁勛用“計(jì)算五層堆?！眮砀爬ㄟ@種變化：從硬件到系統(tǒng)到軟件再到應(yīng)用，整個(gè)堆棧正在被 AI 重新塑形。這意味著過去十多年累計(jì)的、以“經(jīng)典計(jì)算方式”為基礎(chǔ)的巨大技術(shù)資產(chǎn)——他用“十萬億美元級別”來形容——正在被整體現(xiàn)代化。

錢從哪里來？黃仁勛給出的答案很直接：來自各行各業(yè)的研發(fā)預(yù)算遷移。經(jīng)典方法的預(yù)算正在轉(zhuǎn)向 AI 方法，這就是這波 AI 現(xiàn)代化的燃料。

從 ChatGPT 到“推理模型”，再到 Agent：2025 的關(guān)鍵轉(zhuǎn)折已經(jīng)發(fā)生

黃仁勛把 2025 形容為“不可思議的一年”，因?yàn)橐磺卸枷裢瑫r(shí)發(fā)生。

他回顧了幾個(gè)關(guān)鍵節(jié)點(diǎn)：2015 年左右，語言模型開始真正產(chǎn)生影響；

2017 年 Transformer 出現(xiàn)；

2022 年“ChatGPT 時(shí)刻”讓世界被喚醒；

而一年后，一個(gè)重要的新階段到來——推理模型開始成為主角。

他重點(diǎn)提到一種思路：測試時(shí)擴(kuò)展（test-time scaling）。直白說，就是AI 不僅在訓(xùn)練前學(xué)習(xí)、訓(xùn)練后再用強(qiáng)化學(xué)習(xí)學(xué)技能；在推理階段，它也需要“實(shí)時(shí)思考”——思考越多、計(jì)算越大、答案通常越好。

緊接著，2024～2025 年，代理系統(tǒng)（Agent）開始遍地開花：它能查找信息、做研究、使用工具、規(guī)劃未來、模擬結(jié)果，開始解決“以前不可能由一個(gè)模型獨(dú)立完成”的重要問題。

黃仁勛還點(diǎn)名了一個(gè)“他很喜歡的代理工具”：Cursor。他說它徹底改變了 NVIDIA 內(nèi)部的軟件編程方式。

AI不只有語言：物理 AI、世界模型與“開放模型的大爆發(fā)”

黃仁勛強(qiáng)調(diào)，大語言模型并不是宇宙中唯一重要的信息形態(tài)。只要世界里存在結(jié)構(gòu)，就可以訓(xùn)練一種“語言模型式”的系統(tǒng)去理解它的表示并形成智能。

其中最關(guān)鍵的一類，是理解自然規(guī)律的物理 AI：它不僅要理解物理定律，還要能與物理世界互動(dòng)。

而 2025 年另一個(gè)最重要的事件，是開放模型的進(jìn)步與爆發(fā)。黃仁勛認(rèn)為：一旦開源、開放創(chuàng)新全面啟動(dòng)，智能會(huì)在任何地方激增——每個(gè)公司、每個(gè)行業(yè)、每個(gè)國家，都能同時(shí)被激活。

他特別提到一個(gè)讓世界震驚的開放推理系統(tǒng)進(jìn)展，并用“它激活了整個(gè)運(yùn)動(dòng)”來形容開源推理浪潮的引爆效應(yīng)。

在他看來，開放模型已經(jīng)逼近前沿：也許仍落后幾個(gè)月，但每隔幾個(gè)月就會(huì)出現(xiàn)新一代進(jìn)展，下載量呈爆炸式增長——因?yàn)閯?chuàng)業(yè)公司、研究者、學(xué)生、甚至國家都想?yún)⑴c這場革命。

NVIDIA 為什么自己建 AI 超算：DGX Cloud、開源模型與Nemo 全家桶

黃仁勛提到，幾年前 NVIDIA 開始構(gòu)建并運(yùn)營自己的 AI 超級計(jì)算機(jī)體系（DGX Cloud）。外界常問：你們要做云嗎？他的回答是否定的——它是為 NVIDIA 自己而建，用來做前沿模型研發(fā)。

他舉了很多例子：數(shù)字生物學(xué)、蛋白質(zhì)結(jié)構(gòu)理解與生成、地球與天氣預(yù)測相關(guān)模型、以及一些“能長時(shí)間思考或快速思考”的新架構(gòu)探索。

更關(guān)鍵的是，他強(qiáng)調(diào)NVIDIA 不只是開源模型，還開源訓(xùn)練這些模型的一套體系：包括用于數(shù)據(jù)處理、數(shù)據(jù)生成、訓(xùn)練、評估、護(hù)欄到部署的生命周期管理庫——他稱之為 Nemo 系列庫，并延展到物理、醫(yī)療、生物等不同領(lǐng)域版本。

他把 NVIDIA 定位成一種“前沿 AI 模型構(gòu)建者”，并強(qiáng)調(diào)他們以“盡可能開放”的方式構(gòu)建，讓每家公司、每個(gè)行業(yè)、每個(gè)國家都能參與 AI 革命。

Agent 的真正形態(tài)：多模型、多云、混合部署，以及“意圖路由器”

黃仁勛把“現(xiàn)代 AI 應(yīng)用的基本架構(gòu)”講得非常直白：未來的 AI 應(yīng)用天然就是多模態(tài)（語音、圖像、文字、視頻、3D、甚至蛋白質(zhì)），也天然是多模型的——因?yàn)椴煌蝿?wù)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，有的要跑在企業(yè)內(nèi)網(wǎng)，有的要在邊緣設(shè)備上，甚至要在醫(yī)院、基站或機(jī)器人本體旁邊跑，以獲得實(shí)時(shí)數(shù)據(jù)與低延遲。

在這個(gè)框架里，他提出一個(gè)關(guān)鍵組件：基于意圖的模型路由器。路由器像一個(gè)“經(jīng)理”，決定哪個(gè)任務(wù)該調(diào)用哪個(gè)模型：該留在本地執(zhí)行的就留在本地，需要最強(qiáng)前沿模型的再去調(diào)用云端。

他順勢給了一個(gè)輕量但完整的示例：做一個(gè)個(gè)人助理，處理日歷、郵件、待辦事項(xiàng)，甚至連接家里的設(shè)備。為了保護(hù)隱私，郵件相關(guān)任務(wù)可以調(diào)用本地運(yùn)行的開放模型；其它任務(wù)再調(diào)用前沿模型 API。

現(xiàn)場還演示了一個(gè)“會(huì)說話的小機(jī)器人助理”，能把待辦事項(xiàng)同步給 Jensen，能把草圖生成建筑渲染并做視頻導(dǎo)覽，還能遠(yuǎn)程看家、提醒寵物不要上沙發(fā)。

黃仁勛用一句話概括這種震撼感：幾年之前這幾乎不可想象，而現(xiàn)在“已經(jīng)變得微不足道”。

他隨后點(diǎn)名了多家企業(yè)平臺合作，核心意思是：這種 Agent 架構(gòu)不僅改變開發(fā)方式，也將成為企業(yè)平臺的全新交互界面——從“填表格、點(diǎn)按鈕”轉(zhuǎn)向“像與人對話那樣使用系統(tǒng)”。

下一站：物理 AI。三臺計(jì)算機(jī)、Omniverse、Isaac，以及 Cosmos 的合成數(shù)據(jù)路線

如果說 Agent 是“軟件世界的重構(gòu)”，那黃仁勛認(rèn)為，物理 AI將把 AI 從屏幕帶進(jìn)真實(shí)世界。

他強(qiáng)調(diào)，物理 AI 的難點(diǎn)在于“常識”——物體恒常性、因果關(guān)系、摩擦力與重力、慣性……對孩子是常識，對 AI 卻是未知。要讓 AI 學(xué)會(huì)這些規(guī)律，必須構(gòu)建一整套系統(tǒng)。

他用“三臺計(jì)算機(jī)”描述物理 AI 的基礎(chǔ)架構(gòu)：一臺用于訓(xùn)練，一臺用于推理部署，還有一臺專門用于模擬——因?yàn)闆]有模擬，就無法評估動(dòng)作與世界反應(yīng)的一致性，數(shù)據(jù)也永遠(yuǎn)不夠。

在 NVIDIA 的體系里，模擬是核心：Omniverse 是數(shù)字孿生與基于物理的仿真世界；Isaac Sim / Isaac Lab 是機(jī)器人學(xué)習(xí)與訓(xùn)練的關(guān)鍵環(huán)境；而數(shù)據(jù)上最大的突破，是把計(jì)算變成數(shù)據(jù)：通過基于物理規(guī)律的合成數(shù)據(jù)生成，規(guī)?；圃煊?xùn)練樣本，覆蓋長尾與邊緣情況。

黃仁勛在演講中拋出了一個(gè)更強(qiáng)的判斷：物理 AI 的 ChatGPT 時(shí)刻即將到來。

因?yàn)楝F(xiàn)實(shí)世界的數(shù)據(jù)收集太慢、太貴、永遠(yuǎn)不夠，答案只能是合成數(shù)據(jù)，而這一切在 Cosmos 上開始成型。

自動(dòng)駕駛的“推理 AI”：AlphaMyo 與端到端訓(xùn)練、可解釋駕駛

演講的另一條重要線索，是自動(dòng)駕駛。

黃仁勛宣布了AlphaMyo，強(qiáng)調(diào)它是端到端訓(xùn)練的自動(dòng)駕駛 AI：從攝像頭輸入到控制輸出，訓(xùn)練數(shù)據(jù)包含人類示范駕駛與 Cosmos 生成的大規(guī)模合成里程，再疊加大量精細(xì)標(biāo)注樣本。

他特別強(qiáng)調(diào)一個(gè)“可解釋性”的點(diǎn)：AlphaMyo 不只是“做動(dòng)作”，它會(huì)解釋它將采取什么行動(dòng)、為什么這么做，并把行動(dòng)與軌跡耦合起來。

這在長尾駕駛場景里尤其關(guān)鍵——你不可能收集世界上每一個(gè)國家、每一種極端情況的真實(shí)數(shù)據(jù)，但如果能把復(fù)雜長尾拆解成若干常見的物理交互片段，推理系統(tǒng)就可能在未見過的情境下做出合理決策。

他還談到NVIDIA 為什么做自動(dòng)駕駛：因?yàn)?AI 會(huì)重塑整個(gè)計(jì)算堆棧，NVIDIA 必須理解并構(gòu)建從芯片到基礎(chǔ)設(shè)施到模型到應(yīng)用的完整系統(tǒng)能力，才能引導(dǎo)產(chǎn)業(yè)走向未來。

在他的敘述里，車就是“機(jī)器人系統(tǒng)”的一種：它需要為安全設(shè)計(jì)的處理器、冗余的傳感器體系、可追蹤的全棧軟件，以及一個(gè)在低置信場景會(huì)回退到更安全護(hù)欄系統(tǒng)的“雙堆棧鏡像”策略。

機(jī)器人登場：在 Omniverse 里學(xué)會(huì)成為機(jī)器人

接下來，他把鏡頭轉(zhuǎn)向更廣義的機(jī)器人產(chǎn)業(yè)：機(jī)械臂、移動(dòng)機(jī)器人、人形機(jī)器人……尺寸不同、形態(tài)不同，但核心問題相似——都需要物理 AI、仿真與數(shù)據(jù)。

現(xiàn)場還出現(xiàn)了多個(gè)機(jī)器人“朋友”，他開玩笑說“沒有誰像你們這么可愛”，并強(qiáng)調(diào) Isaac、Omniverse 這類訓(xùn)練體系，會(huì)成為未來機(jī)器人產(chǎn)業(yè)的通用底座。

把物理 AI 帶進(jìn)工業(yè)：Cadence / Synopsys / Siemens，工業(yè)生命周期的 AI 化

黃仁勛把物理 AI 的落點(diǎn)指向工業(yè)體系：EDA、系統(tǒng)設(shè)計(jì)、系統(tǒng)仿真、工廠制造與生產(chǎn)線。

他點(diǎn)到 Cadence 和 Synopsys 在芯片設(shè)計(jì)世界中的核心地位，并提出一種未來圖景：

未來我們不僅會(huì)有“代理軟件工程師”，還會(huì)有“代理芯片設(shè)計(jì)師”和“代理系統(tǒng)設(shè)計(jì)師”。芯片會(huì)在電腦里設(shè)計(jì)，系統(tǒng)會(huì)在電腦里仿真，工廠產(chǎn)線會(huì)在電腦里搭建并測試——在真正落到重力世界之前，先在數(shù)字世界完成大部分驗(yàn)證。

隨后他引出 Siemens 的合作內(nèi)容：將 NVIDIA CUDA-X 庫、AI 模型與 Omniverse 納入其工業(yè)軟件產(chǎn)品組合，把物理 AI 帶入整個(gè)工業(yè)生命周期——從設(shè)計(jì)與仿真，到生產(chǎn)，再到運(yùn)營。他把這稱為“新工業(yè)革命的起點(diǎn)”。

Vera Rubin：為 AI 新前沿而生的下一代計(jì)算平臺（以及為什么必須“極端協(xié)同設(shè)計(jì)”）

演講后半段，黃仁勛把重頭戲交給了新一代平臺：Vera Rubin。

他先講了“為什么叫 Vera Rubin”：這位天文學(xué)家通過星系旋轉(zhuǎn)曲線的異常發(fā)現(xiàn)暗物質(zhì)存在。

黃仁勛借此引出“看不見但影響巨大的東西”，并把它對應(yīng)到 AI時(shí)代的計(jì)算挑戰(zhàn)：模型規(guī)模與推理計(jì)算暴漲，token 生成量爆發(fā)，成本競爭每年劇烈下探——一切最終都變成計(jì)算問題。

在他看來，摩爾定律放緩意味著：單靠工藝進(jìn)步，不可能跟上模型規(guī)模的增長與 token 需求的增長。要跟上，行業(yè)必須做“極端協(xié)同設(shè)計(jì)”——同時(shí)在整個(gè)堆棧的所有關(guān)鍵芯片上創(chuàng)新。

因此，這一代他們幾乎“別無選擇”，只能重新設(shè)計(jì)每一個(gè)芯片與系統(tǒng)組件。黃仁勛強(qiáng)調(diào)：僅僅系統(tǒng)里每一個(gè)芯片拿出來都可以單獨(dú)開發(fā)布會(huì)。

他在臺上展示了多個(gè)實(shí)物部件，講到了 CPU 與 GPU 的聯(lián)合設(shè)計(jì)、極高的 I/O 能力、以及在張量計(jì)算上通過新型數(shù)值/引擎實(shí)現(xiàn)的吞吐與精度平衡

除此之外，他還用大量篇幅談到數(shù)據(jù)中心系統(tǒng)工程：

從“線纜地獄”到“零線纜”、從兩小時(shí)組裝到五分鐘、從風(fēng)冷到全液冷、熱水冷卻（45℃）仍能保持高能效；

以及 Spectrum-X 以太網(wǎng)在 AI 時(shí)代的關(guān)鍵作用、BlueField DPU 在虛擬化與安全卸載上的角色、NVLink 交換與超高帶寬互聯(lián)在“讓每個(gè) GPU 同時(shí)與所有 GPU 交流”上的意義。

他給出了一個(gè)很具沖擊力的系統(tǒng)性判斷：在千兆瓦級 AI 工廠里，網(wǎng)絡(luò)每提升一點(diǎn)吞吐都可能對應(yīng)數(shù)十億美元的價(jià)值；因此網(wǎng)絡(luò)能力不是“配角”，而是 AI 工廠的關(guān)鍵生產(chǎn)力。

他最后用一組“給造 AI 超算的人看的圖表”來總結(jié) Vera Rubin 的意義：訓(xùn)練吞吐、工廠吞吐、token 成本、能效與成本效益，都被推到了下一階段。

他把這歸結(jié)為NVIDIA 的新定位：從“做芯片的公司”，變成“構(gòu)建完整 AI 堆棧的公司”，覆蓋從芯片到基礎(chǔ)設(shè)施、從模型到應(yīng)用的全鏈路重構(gòu)。

黃仁勛的“失控花絮”與 CES 的真實(shí)感

演講結(jié)束前，黃仁勛還放了一段“外景/花絮”式的片段：麥克風(fēng)、攝像、滑稽的臺詞、卡頓的幻燈片、現(xiàn)場的笑點(diǎn)……他說有一堆內(nèi)容不得不剪掉，但正是這些不完美，讓 CES 的現(xiàn)場變得更“人類”。

在一片喧鬧與掌聲里，他以一句樸素的收束結(jié)束了當(dāng)天的敘事：NVIDIA 的工作，是把整個(gè)堆棧搭出來，讓所有人都能在此之上創(chuàng)造應(yīng)用，推動(dòng) AI 進(jìn)入下一個(gè)前沿。

完整實(shí)錄如下：

大家好，拉斯維加斯，新年快樂。

歡迎來到 CES。我們今天在這里，其實(shí)要“塞進(jìn)來”的內(nèi)容非常多，大概有15 公斤那么重。但能在現(xiàn)場看到你們所有人，我真的非常開心。

此刻，這個(gè)主會(huì)場里坐著3000 人。外面的庭院，還有2000 人在同步觀看。據(jù)我所知，四樓原本用于視頻轉(zhuǎn)播的區(qū)域里，也還有1000 人在看這場演講。

基本上，整棟樓的每一層，都在觀看這場主題演講。當(dāng)然，還有全世界數(shù)以百萬計(jì)的人，正通過直播，與我們一起開啟新的一年。

10 到 15 年，計(jì)算機(jī)產(chǎn)業(yè)就會(huì)迎來一次平臺級重置

我們經(jīng)歷過這樣的周期：從大型機(jī)個(gè)人電腦；從個(gè)人電腦互聯(lián)網(wǎng)；從互聯(lián)網(wǎng)云計(jì)算；再從云計(jì)算移動(dòng)計(jì)算

每一次變化，都會(huì)誕生一個(gè)全新的平臺。而所謂“平臺遷移”，真正的含義在于：應(yīng)用的目標(biāo)發(fā)生了改變。你不再是為舊的計(jì)算機(jī)寫程序，而是為一套全新的計(jì)算范式，重新構(gòu)建應(yīng)用。

但這一次，情況有些不同。這一次，并不是一次平臺遷移，而是兩次平臺遷移，同時(shí)發(fā)生。第一條遷移路徑，是我們正在從“傳統(tǒng)應(yīng)用”，走向AI 原生應(yīng)用

一開始，人們以為“AI 本身就是應(yīng)用”。而事實(shí)上，AI 確實(shí)是應(yīng)用的一種。但更重要的是：我們正在把應(yīng)用構(gòu)建在 AI 之上。AI 正在成為新的應(yīng)用運(yùn)行平臺。

而第二條遷移路徑，則更加根本。它不是“你做什么應(yīng)用”，而是“你如何開發(fā)軟件、如何運(yùn)行軟件”。整個(gè)計(jì)算產(chǎn)業(yè)的五層技術(shù)棧，正在被徹底重塑。

在這個(gè)新世界里：你不再是“編程”軟件，而是訓(xùn)練軟件。你不再主要運(yùn)行在 CPU 上，而是運(yùn)行在GPU上。

過去，應(yīng)用是預(yù)先寫好、預(yù)先編譯的，然后在設(shè)備上執(zhí)行；而現(xiàn)在，應(yīng)用能夠理解上下文，并且在每一次運(yùn)行時(shí)，從零生成每一個(gè)像素、每一個(gè) token

也就是說——每一次運(yùn)行，都是一次全新的生成。正因?yàn)?strong>加速計(jì)算的出現(xiàn)，正因?yàn)?strong>人工智能的出現(xiàn)，整個(gè)計(jì)算體系正在被從底層到頂層，全部重建。這五層“計(jì)算蛋糕”的每一層，如今都在被重新發(fā)明。

這意味著什么？這意味著，在過去十年中，大約10 萬億美元規(guī)模的傳統(tǒng)計(jì)算基礎(chǔ)設(shè)施，正在被整體現(xiàn)代化，遷移到這種全新的計(jì)算方式之中。

這也解釋了為什么：每一年，有數(shù)千億美元的風(fēng)險(xiǎn)投資，持續(xù)流入這個(gè)行業(yè)；為什么，一個(gè)總規(guī)模達(dá)到100 萬億美元的產(chǎn)業(yè)，其中相當(dāng)比例的研發(fā)預(yù)算，正在從傳統(tǒng)方法，轉(zhuǎn)向人工智能方法。

人們經(jīng)常問我：“這些錢到底是從哪里來的？”答案就在這里。它們來自于：對既有計(jì)算體系的現(xiàn)代化改造；來自于研發(fā)預(yù)算從傳統(tǒng)路徑，轉(zhuǎn)向 AI 路徑；來自于整個(gè)世界，正在押注一種全新的計(jì)算范式。

這就是為什么，我們會(huì)如此忙碌。而過去這一年，也完全不例外。

過去這一年，真的非常不可思議。很多事情幾乎是在同一時(shí)間同時(shí)發(fā)生的?；仡^看，它們并不是巧合，而是一次集中式的技術(shù)躍遷。

首先發(fā)生的，是規(guī)模定律（scaling laws）的持續(xù)推進(jìn)。如果回到 2015 年，我第一次看到一個(gè)真正可能改變世界的語言模型。它叫BERT。那是第一次讓我意識到，自然語言模型不只是一個(gè)研究方向，而是一種即將改變計(jì)算方式的技術(shù)。

隨后，在2017 年Transformer 架構(gòu)出現(xiàn)了。但直到五年之后，也就是 2022 年，我們才真正迎來了那個(gè)被稱為 “ChatGPT 時(shí)刻”的轉(zhuǎn)折點(diǎn)。

那一刻，世界第一次被真正喚醒。人們開始意識到，人工智能不只是一個(gè)工具，而是一種全新的能力平臺。

而在那之后，又發(fā)生了一件極其重要的事情

大約一年后，ChatGPT 推出了第一個(gè)O1 推理模型。那是第一個(gè)真正意義上的“推理模型”

它并不是簡單地生成答案，而是在生成答案之前，進(jìn)行內(nèi)部推理。這一次突破，幾乎是革命性的。

它引入了一個(gè)新的概念，叫做測試時(shí)擴(kuò)展（test-time scaling）

從直覺上講，這其實(shí)非常符合常識。我們不僅在預(yù)訓(xùn)練階段讓模型學(xué)習(xí)知識，也在后訓(xùn)練階段通過強(qiáng)化學(xué)習(xí)，讓模型學(xué)會(huì)技能，而現(xiàn)在，我們進(jìn)一步讓模型在推理階段進(jìn)行“思考”

換句話說：模型開始在實(shí)時(shí)運(yùn)行中，動(dòng)態(tài)地分配計(jì)算資源，用于推理本身。

而這三種階段——預(yù)訓(xùn)練、后訓(xùn)練、測試時(shí)推理——每一個(gè)階段，都需要極其龐大的計(jì)算資源

計(jì)算定律并沒有停止。大語言模型仍在持續(xù)變得更強(qiáng)。與此同時(shí)，另一個(gè)重要突破出現(xiàn)了。這個(gè)突破，發(fā)生在2024 年，并在2025 年開始迅速擴(kuò)散、全面滲透。

那就是：智能體系統(tǒng)（Agentic Systems）的出現(xiàn)。智能體模型，具備一整套全新的能力。

它們能夠推理，能夠查找信息，能夠做研究，能夠使用工具，能夠規(guī)劃未來，能夠模擬不同結(jié)果

突然之間，AI 開始能夠解決一大類過去幾乎無法自動(dòng)化的重要問題。在英偉達(dá)內(nèi)部，我個(gè)人最喜歡的一個(gè)智能體模型，叫做Cursor

它幾乎徹底改變了我們在英偉達(dá)內(nèi)部進(jìn)行軟件開發(fā)的方式。

而這，僅僅是開始。從現(xiàn)在開始，智能體系統(tǒng)將真正迎來爆發(fā)式增長

當(dāng)然，我們也很清楚一件事：大語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。

只要這個(gè)世界中存在信息，存在結(jié)構(gòu)，存在規(guī)律，我們就可以訓(xùn)練一種“語言模型”，去理解這種信息的表示方式，并把它轉(zhuǎn)化為 AI。

換句話說，語言模型并不局限于語言。

只要世界中存在“可學(xué)習(xí)的結(jié)構(gòu)”，就存在 AI 的空間。在所有這些方向中，最重要、也最具挑戰(zhàn)性的一個(gè)方向，就是——物理 AI（Physical AI）

物理 AI，是理解自然規(guī)律的 AI。它不是只理解符號、文本或圖像，而是理解這個(gè)世界如何真實(shí)運(yùn)作。

當(dāng)然，物理 AI 的核心，并不僅僅在于“理解”。更重要的是——與世界交互。當(dāng) AI 不再只存在于屏幕中，而是開始與現(xiàn)實(shí)世界發(fā)生互動(dòng)時(shí)，一切都會(huì)改變。

這里，我們需要區(qū)分兩個(gè)相關(guān)但不同的概念。

第一種，是物理 AI。也就是那些能夠感知、決策、并與物理世界互動(dòng)的 AI 系統(tǒng)，比如機(jī)器人、自動(dòng)駕駛汽車等。

第二種，是AI Physics（物理規(guī)律 AI）。這是理解物理定律本身的 AI，能夠?qū)W習(xí)和推斷自然界的基本規(guī)則。

這兩者是相互配合的。

一個(gè)與世界互動(dòng)的 AI，需要理解物理規(guī)律；而一個(gè)理解物理規(guī)律的 AI，最終也必須被用來指導(dǎo)真實(shí)世界中的行動(dòng)。

而在過去一年中，最重要、也最令人振奮的另一件事情，是開放模型的全面進(jìn)展

當(dāng)模型是開放的，當(dāng)創(chuàng)新是開放的，當(dāng)每一家企業(yè)、每一個(gè)行業(yè)、每一個(gè)國家，都能夠在同一時(shí)間參與進(jìn)來，人工智能就不可能只屬于少數(shù)人。

正是在這種背景下，AI 才會(huì)真正實(shí)現(xiàn)無處不在的普及

去年，開放模型真正迎來了爆發(fā)。

其中一個(gè)最具代表性的事件，是DeepSeek R1的發(fā)布。這是第一個(gè)真正意義上的開放推理模型

它讓整個(gè)世界感到震驚。

不僅因?yàn)樗男阅?，更因?yàn)樗C明了一件事：推理能力，并不一定只存在于封閉模型中。

DeepSeek R1 的出現(xiàn)，幾乎點(diǎn)燃了整個(gè)開放模型生態(tài)。一個(gè)真正的開放 AI 運(yùn)動(dòng)，就此被激活。

從那之后，我們看到世界各地涌現(xiàn)出各種各樣的開放模型系統(tǒng)。不同架構(gòu)、不同規(guī)模、不同目標(biāo)，但共同點(diǎn)只有一個(gè)：開放正在加速智能的擴(kuò)散。

我們現(xiàn)在已經(jīng)可以非常確定地說：開放模型，已經(jīng)觸及 AI 的技術(shù)前沿。

是的，它們?nèi)匀宦浜笥谧钋把氐姆忾]模型，大約六個(gè)月左右。但每過六個(gè)月，就會(huì)有新的開放模型出現(xiàn)，而且它們變得越來越聰明。

正因?yàn)槿绱?，你可以看到一個(gè)非常明顯的現(xiàn)象：下載量正在爆炸式增長。

初創(chuàng)公司希望參與 AI 革命；大型企業(yè)希望構(gòu)建自己的能力；研究人員希望探索新的邊界；學(xué)生希望學(xué)習(xí)；幾乎每一個(gè)國家，都希望參與其中。

因?yàn)橐粋€(gè)問題擺在所有人面前：數(shù)字形態(tài)的智能，怎么可能把任何人留在身后？正是在這樣的背景下，開放模型在過去一年中，真正重塑了人工智能產(chǎn)業(yè)。而這，也正是我們在英偉達(dá)很早之前就隱約意識到的一件事。

幾年前，你們可能聽說過，我們開始自己構(gòu)建并運(yùn)營 AI 超級計(jì)算機(jī)。我們把它們稱為DGX Cloud。當(dāng)時(shí)，很多人問我們：“你們是不是要進(jìn)入云計(jì)算業(yè)務(wù)？”答案是否定的。

我們構(gòu)建這些 DGX 超級計(jì)算機(jī)，并不是為了成為云服務(wù)商，而是為了我們自己使用

事實(shí)證明，這是一個(gè)非常正確的決定。如今，我們已經(jīng)在全球范圍內(nèi)，運(yùn)營著價(jià)值數(shù)十億美元的 AI 超級計(jì)算機(jī)集群。它們的核心用途之一，就是用于開發(fā)開放模型

我對這項(xiàng)工作的進(jìn)展感到非常自豪。因?yàn)樗谖齺碜允澜绺鞯?、各個(gè)行業(yè)的關(guān)注。

原因很簡單：我們正在多個(gè)不同領(lǐng)域，同時(shí)推進(jìn)前沿 AI 模型的研究。

在這樣的基礎(chǔ)之上，我們構(gòu)建的這些模型，不僅是前沿級的，而且在客觀評測中同樣處于世界領(lǐng)先位置。我們在多個(gè)排行榜上長期名列前茅，這也是我們非常自豪的一點(diǎn)。

這些模型覆蓋了多個(gè)關(guān)鍵方向：它們能夠理解多模態(tài)文檔——也就是我們每天最常見、也最有價(jià)值的內(nèi)容載體，PDF。世界上大量重要的信息都被封裝在 PDF 中，但只有借助人工智能，我們才能真正理解其中的結(jié)構(gòu)、語義和含義，幫助人類高效閱讀與使用這些內(nèi)容。

我們的 PDF 檢索模型、PDF 解析模型，都處于世界一流水平。

與此同時(shí)，我們的語音識別模型同樣是世界級的；我們的檢索模型，本質(zhì)上就是現(xiàn)代 AI 時(shí)代的語義搜索與 AI 搜索引擎，其能力也同樣位居全球前列。我們幾乎在所有關(guān)鍵基準(zhǔn)上，都處在領(lǐng)先位置，而這一切，最終都是為了一個(gè)目標(biāo)——讓你們能夠真正構(gòu)建 AI 智能體

這正是一個(gè)極其關(guān)鍵、也是極具突破性的階段。

回想 ChatGPT 剛出現(xiàn)的時(shí)候，很多人都會(huì)說：“它生成的結(jié)果很有意思，但經(jīng)常會(huì)出現(xiàn)幻覺。”而幻覺的根源其實(shí)并不復(fù)雜。模型可以記住過去，卻不可能記住現(xiàn)在和未來發(fā)生的一切。

因此，如果它沒有被扎根在現(xiàn)實(shí)信息之中，沒有在回答問題之前進(jìn)行檢索、查證和推理，就必然會(huì)產(chǎn)生不可靠的輸出。

真正重要的能力，在于模型能否判斷：我現(xiàn)在是否需要做研究？是否需要調(diào)用工具？是否需要把一個(gè)復(fù)雜問題拆解成多個(gè)步驟？而這些步驟本身，又是否是模型已經(jīng)學(xué)會(huì)、可以勝任的任務(wù)。

當(dāng)模型具備了這種能力之后，它就可以把這些步驟組合成一個(gè)完整的行動(dòng)鏈條，去完成一件它從未被直接訓(xùn)練過的事情。這正是“推理”的本質(zhì)，也是智能體真正令人驚嘆的地方。

人類也是如此。我們經(jīng)常會(huì)遇到從未經(jīng)歷過的情境，但我們可以把它拆解成一系列我們熟悉的規(guī)則、經(jīng)驗(yàn)和知識，并據(jù)此做出判斷和行動(dòng)。

如今，AI 模型終于開始具備類似的能力。這種推理能力，為無數(shù)新的應(yīng)用場景打開了大門。我們不再需要在第一天就教會(huì) AI 一切；就像人類一樣，它可以在面對具體問題時(shí)，通過推理找到解決路徑。

大語言模型在這一點(diǎn)上實(shí)現(xiàn)了真正的飛躍——強(qiáng)化學(xué)習(xí)、思維鏈、搜索、規(guī)劃，這一整套方法體系，讓這種能力第一次變得系統(tǒng)化、可工程化，而且現(xiàn)在，這些能力也正在被逐步開源

而真正讓我感到震撼的，是另一個(gè)關(guān)鍵突破。我第一次清楚意識到這一點(diǎn)，是在看到Aravind創(chuàng)辦的Perplexity時(shí)。

Perplexity 是一家做 AI 搜索的公司，非常具有創(chuàng)新性。當(dāng)我意識到他們在同一個(gè)推理鏈條中，同時(shí)調(diào)用多個(gè)模型時(shí)，我覺得這簡直是天才般的設(shè)計(jì)。

仔細(xì)想想，這其實(shí)再合理不過了：如果 AI 要解決一個(gè)復(fù)雜問題，為什么不在推理的不同階段，調(diào)用世界上最適合那個(gè)任務(wù)的 AI 呢？

這正是為什么，現(xiàn)代 AI 天生就是多模態(tài)的——它理解語音、圖像、文本、視頻、三維結(jié)構(gòu)，甚至蛋白質(zhì)；

同時(shí)，它也是多模型的——它會(huì)根據(jù)任務(wù)選擇最合適的模型；它天然是多云的，因?yàn)檫@些模型分布在不同的地方；同時(shí)，它也必然是混合云的

如果你是一家企業(yè)，或者你正在構(gòu)建一臺機(jī)器人，那么有些計(jì)算發(fā)生在云端，有些發(fā)生在邊緣，有些發(fā)生在工廠，有些發(fā)生在醫(yī)院——數(shù)據(jù)必須就在你身邊，實(shí)時(shí)可用。

因此，這正是未來 AI 應(yīng)用的基本形態(tài)。換一種說法：既然未來的應(yīng)用是構(gòu)建在 AI 之上的，那么這套智能體架構(gòu)，就是未來應(yīng)用的基礎(chǔ)結(jié)構(gòu)。正是這種多模型、多模態(tài)、可推理、可調(diào)用工具的架構(gòu)，極大地加速了各類 AI 創(chuàng)業(yè)公司的成長。

再加上開放模型與開放工具的出現(xiàn)，你現(xiàn)在不僅可以使用最前沿的能力，還可以定制屬于你自己的 AI，教會(huì)它只有你才掌握的技能——那些來自你所在行業(yè)、你所在公司的深度知識。這正是我們在 Nemotron、NeMo，以及整個(gè)開放模型體系中所要實(shí)現(xiàn)的目標(biāo)。

在這種架構(gòu)下，你通常會(huì)在前面放置一個(gè)智能路由器。這個(gè)路由器就像一個(gè)管理者，它會(huì)根據(jù)你給出的提示意圖，判斷當(dāng)前任務(wù)最適合由哪一個(gè)模型來完成。

需要處理郵件的請求，就留在本地運(yùn)行；需要通用推理的部分，就調(diào)用前沿模型。這樣一來，你既擁有高度定制化的 AI，又始終站在技術(shù)前沿——一端是你獨(dú)有的領(lǐng)域能力，另一端是不斷進(jìn)化的前沿智能，而這一切，只需要“讓它跑起來”即可。

為了讓大家真正理解這種智能體架構(gòu)在現(xiàn)實(shí)中的樣子，我們做了一件事：把它完整地搭建出來，而且不是作為一個(gè)概念演示，而是作為一個(gè)真實(shí)可運(yùn)行的系統(tǒng)。

我們把這種可復(fù)用的系統(tǒng)設(shè)計(jì)，稱之為Blueprints。Blueprint 并不是某一個(gè)模型，而是一整套經(jīng)過驗(yàn)證的 AI 系統(tǒng)組合方式，它包括模型選擇、推理流程、工具調(diào)用、數(shù)據(jù)路徑，以及最終如何把結(jié)果交付給用戶。

其中一個(gè) Blueprint，就是個(gè)人 AI 助理。這個(gè)助理并不是一個(gè)聊天機(jī)器人，而是一個(gè)能夠真正幫你完成任務(wù)的系統(tǒng)。它可以幫你讀取郵件、總結(jié)信息、安排日程、檢索資料、生成內(nèi)容，并在必要時(shí)主動(dòng)調(diào)用外部工具。

當(dāng)你向它提出一個(gè)請求時(shí)，它不會(huì)立刻給你一個(gè)答案，而是先判斷：這是不是一個(gè)需要研究的問題？是不是一個(gè)需要多步推理的問題？是不是一個(gè)需要訪問你個(gè)人數(shù)據(jù)的問題？然后，它會(huì)把這個(gè)請求拆解成多個(gè)子任務(wù)，分別交給最合適的模型來完成，最后再把結(jié)果整合起來，形成一個(gè)你真正能用的輸出。

在這個(gè)過程中，有些模型運(yùn)行在云端，有些運(yùn)行在本地，有些運(yùn)行在你自己的服務(wù)器上。

對你來說，這一切都是透明的；你只看到結(jié)果，但背后是一整套復(fù)雜而精密的系統(tǒng)在協(xié)同運(yùn)作。這正是我們所說的混合 AI，也是未來所有嚴(yán)肅 AI 應(yīng)用的基本形態(tài)。

為了支持這種架構(gòu)，我們構(gòu)建了一整代全新的計(jì)算系統(tǒng)。你們可能已經(jīng)聽說過DGX Spark。它并不是一臺傳統(tǒng)意義上的服務(wù)器，而是一個(gè)為 AI 原生應(yīng)用而生的計(jì)算節(jié)點(diǎn)。它足夠小，可以放在辦公室、實(shí)驗(yàn)室，甚至工廠里；同時(shí)，它又足夠強(qiáng)，可以支撐本地推理、數(shù)據(jù)處理和智能體運(yùn)行。當(dāng)你把 DGX Spark 與云端的 DGX 系統(tǒng)連接起來時(shí)，你就擁有了一套真正意義上的端云協(xié)同 AI 基礎(chǔ)設(shè)施。

這件事之所以重要，是因?yàn)?strong>物理 AI的時(shí)代已經(jīng)到來。機(jī)器人、自動(dòng)化系統(tǒng)、工業(yè)設(shè)備，它們不可能把所有計(jì)算都放到云端。它們必須在本地感知環(huán)境、實(shí)時(shí)做出決策，同時(shí)又能夠在需要時(shí)，調(diào)用云端的更強(qiáng)算力進(jìn)行規(guī)劃、學(xué)習(xí)和更新。這種“本地即智能、云端即大腦”的架構(gòu)，是物理 AI 唯一可行的路徑。

在舞臺上，我們展示了多個(gè)這樣的 Blueprint 示例，包括機(jī)器人系統(tǒng)。你會(huì)看到，機(jī)器人并不是被一行一行代碼“寫”出來的，而是通過感知、推理、規(guī)劃和執(zhí)行，完成復(fù)雜動(dòng)作。

它們可以理解語言指令，把語言映射為物理行動(dòng)；可以在環(huán)境變化時(shí)重新規(guī)劃路徑；可以在失敗之后進(jìn)行自我修正。這并不是一個(gè)單一模型的能力，而是一整套 AI 系統(tǒng)協(xié)同工作的結(jié)果。

而這，正是為什么我們?nèi)绱藦?qiáng)調(diào)系統(tǒng)級創(chuàng)新。單一模型的性能提升固然重要，但真正改變世界的，是這些模型如何被組合、如何被部署、如何在現(xiàn)實(shí)環(huán)境中長期穩(wěn)定運(yùn)行。Blueprint 的意義就在這里——它把復(fù)雜性封裝起來，讓開發(fā)者、企業(yè)和研究人員，可以在此基礎(chǔ)之上快速構(gòu)建自己的 AI 應(yīng)用，而不必從零開始。

當(dāng)我們真正開始構(gòu)建這些 AI 系統(tǒng)時(shí)，有一件事變得異常清晰：AI 已經(jīng)不再是某一層的軟件問題，而是整個(gè)計(jì)算體系的問題。如果計(jì)算基礎(chǔ)設(shè)施不能被徹底重構(gòu)，那么所有關(guān)于智能體、物理 AI、自動(dòng)駕駛和機(jī)器人的設(shè)想，最終都會(huì)卡在現(xiàn)實(shí)世界的瓶頸上。

這也是為什么，我們必須從最底層開始重新思考計(jì)算。

AI 的計(jì)算負(fù)載，與傳統(tǒng)計(jì)算完全不同。它不是穩(wěn)定、線性的，而是高度動(dòng)態(tài)的；不是以單次執(zhí)行為主，而是以持續(xù)推理為核心。模型在“思考”的時(shí)候，會(huì)在極短時(shí)間內(nèi)拉滿算力、內(nèi)存和網(wǎng)絡(luò)帶寬，然后又迅速回落。這種計(jì)算模式，對芯片、互連、系統(tǒng)、電力和散熱，提出了前所未有的要求。

因此，我們不再把 GPU、CPU、網(wǎng)絡(luò)、存儲視為彼此獨(dú)立的部件，而是把它們當(dāng)作一個(gè)整體系統(tǒng)來設(shè)計(jì)。這正是我們反復(fù)強(qiáng)調(diào)的——極限協(xié)同設(shè)計(jì)。

在這個(gè)體系中，芯片不再只是追求單點(diǎn)性能，而是為整個(gè)系統(tǒng)服務(wù)；網(wǎng)絡(luò)不再只是連接，而是成為計(jì)算的一部分；系統(tǒng)不再只是承載，而是主動(dòng)參與調(diào)度與優(yōu)化。只有在這樣的前提下，AI 才能真正擴(kuò)展到前所未有的規(guī)模。

這正是Blackwell 之后，我們?yōu)槭裁幢仨氃傧蚯斑~出一大步

過去幾年里，Blackwell 為 AI 訓(xùn)練和推理奠定了一個(gè)全新的基線。但很快我們就意識到，如果只是沿著同樣的路徑繼續(xù)前進(jìn)，是遠(yuǎn)遠(yuǎn)不夠的。模型規(guī)模在加速增長，推理復(fù)雜度在急劇上升，token 的生成方式正在從“回答”轉(zhuǎn)向“思考”，所有這些變化，都在逼迫我們重新發(fā)明整個(gè)計(jì)算平臺。

于是，我們開始設(shè)計(jì)一個(gè)全新的系統(tǒng)。不是一塊芯片。不是一臺服務(wù)器。而是一個(gè)完整的 AI 超級計(jì)算平臺

這就是Vera Rubin

Vera Rubin 并不是某一代產(chǎn)品的代號，而是一個(gè)象征。它象征著我們已經(jīng)進(jìn)入一個(gè)階段：計(jì)算的瓶頸，不再在單一部件上，而在系統(tǒng)整體的協(xié)同效率上。在這個(gè)平臺中，每一個(gè)決策——從晶體管如何使用，到數(shù)據(jù)如何流動(dòng)——都是圍繞 AI 的真實(shí)負(fù)載來做出的。

在設(shè)計(jì) Vera Rubin 的過程中，我們面臨的最大挑戰(zhàn)，并不是“如何把性能再提升一點(diǎn)”，而是：如何在物理極限逐漸逼近的情況下，仍然實(shí)現(xiàn)數(shù)量級的躍遷。摩爾定律正在放緩，單靠晶體管數(shù)量的增長，已經(jīng)無法支撐 AI 的發(fā)展速度。

如果模型規(guī)模每年增長 10 倍，如果推理 token 每年增長 5 倍，如果成本還要持續(xù)以數(shù)量級下降，那么整個(gè)計(jì)算體系就必須發(fā)生質(zhì)變。

答案只有一個(gè)：在整個(gè)系統(tǒng)層面進(jìn)行同時(shí)創(chuàng)新

這也是為什么，在這一代平臺中，我們選擇重新設(shè)計(jì)所有關(guān)鍵組件。CPU、GPU、網(wǎng)絡(luò)芯片、交換機(jī)、系統(tǒng)結(jié)構(gòu)、電力與散熱——沒有任何一層可以保持不變。因?yàn)橹灰渲腥魏我粚痈簧?，整個(gè)系統(tǒng)都會(huì)被拖慢。

Vera Rubin 正是在這樣的背景下誕生的。它不是一次漸進(jìn)式升級，而是一次系統(tǒng)級重構(gòu)。它的目標(biāo)非常明確：為 AI 的下一個(gè)十年，提供一個(gè)足夠強(qiáng)大、足夠高效、足夠可擴(kuò)展的計(jì)算基礎(chǔ)。

當(dāng)我們真正開始定義 Vera Rubin 這個(gè)平臺時(shí)，我們首先要解決的，不是“性能還能不能再快一點(diǎn)”，而是一個(gè)更根本的問題：數(shù)據(jù)在系統(tǒng)中，究竟應(yīng)該如何流動(dòng)

在 AI 計(jì)算中，真正昂貴的，并不是計(jì)算本身，而是數(shù)據(jù)的移動(dòng)。每一次跨芯片、跨節(jié)點(diǎn)、跨機(jī)架的數(shù)據(jù)傳輸，都會(huì)帶來延遲、功耗和效率損失。而隨著模型規(guī)模的不斷擴(kuò)大，這個(gè)問題會(huì)被無限放大。

因此，在 Vera Rubin 中，我們從一開始就選擇了一條非常激進(jìn)的路線：把多個(gè)關(guān)鍵計(jì)算單元，作為一個(gè)整體來協(xié)同設(shè)計(jì)

這也是為什么，Vera Rubin 并不是一顆“更大的 GPU”，而是一個(gè)由六顆核心芯片組成的協(xié)同系統(tǒng)。這六顆芯片并不是簡單地堆疊在一起，而是通過極高帶寬、極低延遲的互連，被設(shè)計(jì)成一個(gè)幾乎“不可分割”的整體。

在這個(gè)系統(tǒng)中，GPU、CPU、內(nèi)存控制邏輯、網(wǎng)絡(luò)接口，不再是松散拼接的模塊，而是圍繞 AI 負(fù)載進(jìn)行深度融合。它們共享統(tǒng)一的視圖，能夠以極高效率訪問彼此的數(shù)據(jù)，就像是在同一塊硅片上工作一樣。

為了實(shí)現(xiàn)這一點(diǎn)，我們在互連技術(shù)上投入了極大的精力。NVLink在這一代平臺中，已經(jīng)不再只是 GPU 之間的高速通道，而是整個(gè)系統(tǒng)的“神經(jīng)網(wǎng)絡(luò)”。數(shù)據(jù)不需要繞遠(yuǎn)路，不需要經(jīng)過多層轉(zhuǎn)發(fā)，而是可以在需要的時(shí)刻，直接流向需要它的地方。

這件事情聽起來很抽象，但它的結(jié)果非常直觀：模型在推理時(shí)，可以更長時(shí)間地保持“思考狀態(tài)”；更多的上下文可以常駐在高速內(nèi)存中；系統(tǒng)不再頻繁地因?yàn)榈却龜?shù)據(jù)而空轉(zhuǎn)。

與此同時(shí)，網(wǎng)絡(luò)本身也發(fā)生了根本變化。

在傳統(tǒng)數(shù)據(jù)中心中，網(wǎng)絡(luò)只是負(fù)責(zé)把機(jī)器連在一起。但在 AI 數(shù)據(jù)中心中，網(wǎng)絡(luò)本身就是計(jì)算的一部分

在 Vera Rubin 平臺中，我們把Spectrum-X網(wǎng)絡(luò)體系深度嵌入到整體設(shè)計(jì)之中。交換機(jī)、網(wǎng)卡、拓?fù)浣Y(jié)構(gòu)、調(diào)度邏輯，全都圍繞 AI 的通信模式來優(yōu)化。模型在訓(xùn)練和推理過程中，會(huì)不斷進(jìn)行大規(guī)模的梯度同步、參數(shù)廣播和上下文交換，而這些操作，已經(jīng)成為系統(tǒng)的主要負(fù)載之一。

因此，我們不再允許網(wǎng)絡(luò)成為瓶頸。在這個(gè)平臺上，網(wǎng)絡(luò)的吞吐、延遲和可預(yù)測性，必須與計(jì)算本身同等重要。

同樣重要的，還有內(nèi)存系統(tǒng)。在 AI 推理時(shí)代，內(nèi)存的角色已經(jīng)發(fā)生了變化。它不再只是用來“存放權(quán)重”，而是用來承載推理過程本身。KV cache、上下文窗口、中間狀態(tài)，這些內(nèi)容必須盡可能長時(shí)間地留在高速內(nèi)存中，才能支持更復(fù)雜、更長鏈路的推理。

因此，Vera Rubin 的內(nèi)存體系，是為“持續(xù)推理”而設(shè)計(jì)的。我們追求的不是峰值容量，而是可持續(xù)、高帶寬、低延遲的訪問能力。只有這樣，模型才能真正“停下來思考”，而不是被迫在計(jì)算與數(shù)據(jù)移動(dòng)之間來回切換。

當(dāng)你把這些因素放在一起看，就會(huì)發(fā)現(xiàn)一件事：Vera Rubin 并不是在追求某一個(gè)指標(biāo)的極限，而是在追求整個(gè)系統(tǒng)效率的極限

這也是為什么，我們必須同時(shí)重構(gòu)計(jì)算、互連、網(wǎng)絡(luò)、內(nèi)存、電力和散熱。因?yàn)樵谶@個(gè)規(guī)模上，任何一處效率損失，都會(huì)被成千上萬倍地放大。

最終，我們得到的，不只是一個(gè)更快的平臺，而是一個(gè)為 AI 原生設(shè)計(jì)的計(jì)算生態(tài)系統(tǒng)。它能夠隨著模型規(guī)模的增長而擴(kuò)展，能夠隨著推理復(fù)雜度的提升而進(jìn)化，也能夠在未來十年中，持續(xù)支撐 AI 的發(fā)展。

當(dāng)你把視角從單一系統(tǒng)繼續(xù)拉遠(yuǎn)，就會(huì)發(fā)現(xiàn)，真正的挑戰(zhàn)并不止于一臺機(jī)器，而是在數(shù)據(jù)中心尺度上，如何讓這些系統(tǒng)協(xié)同工作。因?yàn)橐坏?AI 模型開始進(jìn)入大規(guī)模訓(xùn)練與持續(xù)推理階段，問題就不再是“一臺系統(tǒng)有多快”，而是“成千上萬臺系統(tǒng)，能否像一臺機(jī)器一樣工作”。

這正是我們在 Vera Rubin 平臺上，必須同時(shí)考慮機(jī)架級、集群級、數(shù)據(jù)中心級設(shè)計(jì)的原因。我們不再把服務(wù)器簡單地一臺一臺堆放，而是把整個(gè)機(jī)架視為一個(gè)計(jì)算單元。計(jì)算、網(wǎng)絡(luò)、電力和散熱，必須在機(jī)架層面完成統(tǒng)一設(shè)計(jì)，才能保證系統(tǒng)在滿負(fù)載運(yùn)行時(shí)，仍然具備可預(yù)測的性能。

在這種架構(gòu)下，我們構(gòu)建了所謂的超節(jié)點(diǎn)（Supernode）。一個(gè)超節(jié)點(diǎn)并不是某一臺特別強(qiáng)的機(jī)器，而是一組通過高速互連、統(tǒng)一調(diào)度、共享內(nèi)存視圖的系統(tǒng)集合。在 AI 負(fù)載看來，這些系統(tǒng)就像是一塊連續(xù)擴(kuò)展的計(jì)算資源，而不是彼此獨(dú)立的節(jié)點(diǎn)。這一點(diǎn)，對于大模型訓(xùn)練和長上下文推理來說，至關(guān)重要。

當(dāng)模型規(guī)模繼續(xù)擴(kuò)大，通信量會(huì)呈指數(shù)級增長。如果系統(tǒng)在這個(gè)階段出現(xiàn)任何不均衡，哪怕只是極小的延遲抖動(dòng)，都會(huì)被迅速放大，最終拖慢整個(gè)訓(xùn)練過程。因此，在超節(jié)點(diǎn)層面，我們對拓?fù)浣Y(jié)構(gòu)、帶寬分配和調(diào)度策略進(jìn)行了深度優(yōu)化，確保數(shù)據(jù)在系統(tǒng)中始終走最短、最可預(yù)測的路徑。

當(dāng)然，所有這些計(jì)算能力，最終都會(huì)轉(zhuǎn)化為一個(gè)非?，F(xiàn)實(shí)的問題：能耗

AI 數(shù)據(jù)中心的功耗規(guī)模，已經(jīng)遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)數(shù)據(jù)中心。訓(xùn)練一個(gè)前沿模型，所消耗的電力，足以支撐一座中型城市的部分用電需求。如果我們不能在能效上實(shí)現(xiàn)突破，那么 AI 的發(fā)展本身就會(huì)受到物理和經(jīng)濟(jì)條件的限制。

因此，在這一代平臺中，我們把能效作為系統(tǒng)設(shè)計(jì)的核心指標(biāo)之一。每一次數(shù)據(jù)移動(dòng)、每一次計(jì)算調(diào)度、每一次網(wǎng)絡(luò)通信，都會(huì)被納入整體能耗模型之中進(jìn)行優(yōu)化。我們的目標(biāo)，并不是簡單地降低功耗，而是在單位能耗下，完成盡可能多的有效推理與訓(xùn)練工作

這也直接推動(dòng)了散熱技術(shù)的演進(jìn)。空氣冷卻已經(jīng)無法滿足如此高密度的計(jì)算需求，于是我們大規(guī)模引入了液冷系統(tǒng)。通過液冷，我們不僅能夠更有效地帶走熱量，還能夠讓系統(tǒng)在更穩(wěn)定的溫度區(qū)間內(nèi)運(yùn)行，從而提高可靠性和壽命。這些看似“工程細(xì)節(jié)”的東西，實(shí)際上決定了 AI 是否能夠長期、可持續(xù)地運(yùn)行在現(xiàn)實(shí)世界中。

當(dāng)你把計(jì)算、網(wǎng)絡(luò)、能耗和散熱放在一起看，就會(huì)發(fā)現(xiàn)：現(xiàn)代 AI 數(shù)據(jù)中心，本身就是一臺巨大的計(jì)算機(jī)。

它不是由零散的服務(wù)器拼湊而成，而是一個(gè)從底層物理到上層軟件高度協(xié)同的系統(tǒng)。正是在這樣的系統(tǒng)之上，AI 才能以我們今天看到的速度不斷進(jìn)化。

也正因?yàn)槿绱耍覀儾艜?huì)反復(fù)強(qiáng)調(diào)：AI 的未來，不僅僅屬于模型研究人員，也屬于系統(tǒng)工程師、電力工程師、網(wǎng)絡(luò)工程師，以及所有參與構(gòu)建這一基礎(chǔ)設(shè)施的人。只有當(dāng)整個(gè)系統(tǒng)協(xié)同進(jìn)化，AI 才能真正走向規(guī)?；瘧?yīng)用。

當(dāng)這些計(jì)算平臺真正具備規(guī)模之后，一個(gè)新的問題就擺在我們面前：這些能力，究竟要以什么形式被使用？

并不是所有 AI 都應(yīng)該運(yùn)行在同一個(gè)地方。有些 AI 需要運(yùn)行在超大規(guī)模的數(shù)據(jù)中心中，用來訓(xùn)練前沿模型、進(jìn)行復(fù)雜規(guī)劃和長期推理；有些 AI 需要運(yùn)行在企業(yè)自己的數(shù)據(jù)中心里，靠近私有數(shù)據(jù)和業(yè)務(wù)系統(tǒng)；還有一些 AI，必須運(yùn)行在本地設(shè)備、工廠、醫(yī)院、汽車和機(jī)器人中，進(jìn)行實(shí)時(shí)決策。

因此，AI 的未來，一定是多層次的

這也是為什么，我們在設(shè)計(jì)整套平臺時(shí)，從一開始就假設(shè)：AI 會(huì)同時(shí)存在于云端、企業(yè)內(nèi)部和邊緣側(cè)。這并不是權(quán)宜之計(jì)，而是一種必然結(jié)果。數(shù)據(jù)的生成地點(diǎn)，決定了計(jì)算的部署位置；延遲、安全、合規(guī)性，這些現(xiàn)實(shí)因素，決定了 AI 不可能被集中在某一個(gè)地方。

在云端，我們與全球幾乎所有主要的云服務(wù)商合作。這些云平臺，正在成為前沿模型訓(xùn)練與大規(guī)模推理的核心載體。而在這些云中運(yùn)行的，并不僅僅是“通用 AI”，而是越來越多針對行業(yè)定制的模型與系統(tǒng)

在企業(yè)側(cè)，我們看到一種非常明確的趨勢：企業(yè)并不想把最核心的數(shù)據(jù)完全交給外部。它們希望在自己的環(huán)境中，構(gòu)建、運(yùn)行并控制 AI。這催生了所謂的企業(yè) AI 工廠——一個(gè)專門用來訓(xùn)練、微調(diào)、部署和運(yùn)營 AI 的基礎(chǔ)設(shè)施。

在這種架構(gòu)下，企業(yè)不再只是“使用 AI”，而是開始擁有 AI。它們可以把自身幾十年積累的數(shù)據(jù)、流程和知識，轉(zhuǎn)化為獨(dú)有的智能能力，而這正是 AI 真正產(chǎn)生長期價(jià)值的方式。

而在越來越多的國家，我們還看到了另一種需求：主權(quán) AI（Sovereign AI）

每一個(gè)國家，都擁有自己的語言、文化、法律體系和社會(huì)結(jié)構(gòu)。它們也擁有自己的數(shù)據(jù)資源和戰(zhàn)略目標(biāo)。

因此，越來越多的國家意識到：如果 AI 成為未來的基礎(chǔ)能力，那么它就不應(yīng)該完全依賴外部。一個(gè)國家必須能夠在本土訓(xùn)練模型、運(yùn)行模型、控制數(shù)據(jù)，并確保這些系統(tǒng)符合本國的價(jià)值觀和法律體系。

這并不是一個(gè)技術(shù)問題，而是一個(gè)國家級基礎(chǔ)設(shè)施問題。

而主權(quán) AI 的實(shí)現(xiàn)，離不開強(qiáng)大的本地計(jì)算能力、開放的模型生態(tài)，以及完整的工具鏈。這正是我們在多個(gè)國家與政府、科研機(jī)構(gòu)和本地企業(yè)合作的原因。我們的目標(biāo)，并不是替代任何人，而是賦能各個(gè)地區(qū)，構(gòu)建屬于他們自己的 AI 能力

當(dāng)你把云、企業(yè)、本地和主權(quán) AI 放在一起看，就會(huì)發(fā)現(xiàn)：AI 并不是一個(gè)單一形態(tài)的產(chǎn)品，而是一整套分布式智能系統(tǒng)。

而支撐這套系統(tǒng)運(yùn)行的，正是我們前面所講的那整套計(jì)算平臺、網(wǎng)絡(luò)體系和軟件工具。無論 AI 運(yùn)行在哪里，它們背后遵循的都是同樣的原則：高效的數(shù)據(jù)流動(dòng)、可預(yù)測的性能、可擴(kuò)展的架構(gòu)，以及長期可持續(xù)的運(yùn)行能力。

這也是為什么，我們并不是在“賣芯片”，而是在構(gòu)建一個(gè)完整的 AI 基礎(chǔ)設(shè)施生態(tài)

當(dāng) AI 真正離開屏幕、進(jìn)入現(xiàn)實(shí)世界時(shí)，一切都會(huì)變得更加具體，也更加嚴(yán)苛。因?yàn)樵谖锢硎澜缰校e(cuò)誤是有成本的，延遲是不可接受的，系統(tǒng)必須在復(fù)雜、不確定、持續(xù)變化的環(huán)境中穩(wěn)定運(yùn)行。這正是為什么，汽車與機(jī)器人，會(huì)成為物理 AI 最重要、也最具代表性的落地場景。

先從汽車開始。自動(dòng)駕駛，本質(zhì)上并不是一個(gè)“視覺識別問題”，而是一個(gè)完整的物理 AI 系統(tǒng)。它需要實(shí)時(shí)感知環(huán)境、理解三維空間結(jié)構(gòu)、預(yù)測其他參與者的行為，并在極短時(shí)間內(nèi)做出安全決策。這些能力，并不是通過規(guī)則堆疊實(shí)現(xiàn)的，而是通過大規(guī)模數(shù)據(jù)訓(xùn)練、仿真和持續(xù)學(xué)習(xí)逐步獲得的。

因此，我們從一開始就把自動(dòng)駕駛視為一個(gè)端到端的 AI 系統(tǒng)工程。從車端的感知與推理，到數(shù)據(jù)中心中的訓(xùn)練與仿真，再到模型的持續(xù)迭代，這是一條完整的閉環(huán)。

汽車在現(xiàn)實(shí)世界中行駛，每一天都會(huì)產(chǎn)生海量數(shù)據(jù)；這些數(shù)據(jù)被送回?cái)?shù)據(jù)中心，用于訓(xùn)練更好的模型；而更好的模型，再被部署回車輛之中。這正是 AI 在物理世界中不斷進(jìn)化的方式。

機(jī)器人也是如此，甚至更加復(fù)雜。

一個(gè)機(jī)器人面對的，并不是結(jié)構(gòu)化的道路環(huán)境，而是高度多樣化、充滿不確定性的真實(shí)空間。地面可能是光滑的，也可能是松軟的；物體可能是剛性的，也可能是柔性的；人類的行為更是難以預(yù)測。在這樣的環(huán)境中，機(jī)器人如果只依賴預(yù)先編程的動(dòng)作，是不可能規(guī)?；摹?/p>

因此，我們必須讓機(jī)器人具備真正的感知、推理和學(xué)習(xí)能力

這也是為什么，我們在機(jī)器人領(lǐng)域構(gòu)建的，不是某一個(gè)單點(diǎn)模型，而是一整套系統(tǒng)：從感知模型到運(yùn)動(dòng)模型，從世界建模到策略規(guī)劃，再到在仿真環(huán)境中進(jìn)行大規(guī)模訓(xùn)練。機(jī)器人并不是被“寫”出來的，而是被“訓(xùn)練”出來的。它們通過在虛擬世界中反復(fù)嘗試、失敗和修正，逐步學(xué)會(huì)如何在現(xiàn)實(shí)世界中行動(dòng)。

在這個(gè)過程中，仿真扮演著至關(guān)重要的角色。

現(xiàn)實(shí)世界的數(shù)據(jù)是昂貴的、緩慢的，而且充滿風(fēng)險(xiǎn)；而仿真世界則可以被無限復(fù)制、加速和控制。通過高保真的物理仿真，我們可以在虛擬環(huán)境中生成海量訓(xùn)練數(shù)據(jù)，讓機(jī)器人和自動(dòng)駕駛系統(tǒng)在“安全的失敗”中不斷學(xué)習(xí)。這正是為什么，我們把仿真視為物理 AI 的核心基礎(chǔ)設(shè)施之一。

而當(dāng)這些系統(tǒng)真正開始工作時(shí)，你會(huì)發(fā)現(xiàn)一個(gè)非常重要的事實(shí)：物理 AI 從來不是單點(diǎn)部署的。它們總是運(yùn)行在一個(gè)端云協(xié)同的體系中。機(jī)器人在本地進(jìn)行實(shí)時(shí)感知與決策，而更復(fù)雜的規(guī)劃、模型更新和策略學(xué)習(xí)，則發(fā)生在云端或數(shù)據(jù)中心中。這種協(xié)同，是物理 AI 唯一可行的運(yùn)行方式。

正因?yàn)槿绱?，我們才?huì)看到，越來越多的行業(yè)開始真正擁抱物理 AI。制造業(yè)、物流、醫(yī)療、能源、農(nóng)業(yè)，這些領(lǐng)域都存在著大量需要“理解世界并采取行動(dòng)”的任務(wù)。AI 在這些場景中的價(jià)值，并不體現(xiàn)在生成一段文本，而體現(xiàn)在提高效率、降低風(fēng)險(xiǎn)、擴(kuò)展人類能力

而這一切的前提，是我們必須擁有足夠強(qiáng)大、足夠可靠的計(jì)算平臺，來支撐這些系統(tǒng)長期運(yùn)行。物理 AI 不是一次性的部署，而是一項(xiàng)持續(xù)數(shù)十年的工程。系統(tǒng)必須可以更新、可以擴(kuò)展、可以在真實(shí)世界中不斷學(xué)習(xí)和進(jìn)化。

當(dāng)我們把所有這些變化放在一起看，就會(huì)意識到：人工智能并不是一個(gè)短期趨勢，而是一場長期、結(jié)構(gòu)性的產(chǎn)業(yè)重構(gòu)。它不僅改變了軟件如何被編寫，也改變了硬件如何被設(shè)計(jì)，更改變了企業(yè)如何運(yùn)作、國家如何建設(shè)基礎(chǔ)設(shè)施，以及人類如何與技術(shù)協(xié)作。

我們正在進(jìn)入一個(gè)新的階段。在這個(gè)階段里，AI 不再只是提升效率的工具，而是一種新的生產(chǎn)要素。它像電力一樣，成為所有行業(yè)的基礎(chǔ)能力；又像互聯(lián)網(wǎng)一樣，重塑了信息、服務(wù)和價(jià)值的流動(dòng)方式。而與以往任何一次技術(shù)革命不同的是，這一次，AI 正在同時(shí)重構(gòu)數(shù)字世界與物理世界。

這意味著，未來十年中，幾乎每一個(gè)行業(yè)，都會(huì)被重新發(fā)明。制造、物流、交通、醫(yī)療、能源、金融、科研——這些領(lǐng)域中的工作方式，將不再以“人如何操作機(jī)器”為核心，而是轉(zhuǎn)向“人如何與智能系統(tǒng)協(xié)同”。AI 將承擔(dān)越來越多的認(rèn)知與執(zhí)行任務(wù)，而人類則專注于創(chuàng)造、判斷與價(jià)值選擇。

從產(chǎn)業(yè)的角度看，這也是一個(gè)規(guī)模前所未有的機(jī)會(huì)。我們看到，全球范圍內(nèi)正在形成一個(gè)新的產(chǎn)業(yè)基礎(chǔ)——AI 工廠。這些工廠并不生產(chǎn)實(shí)體商品，而是生產(chǎn)智能本身：模型、推理能力、決策系統(tǒng)和自動(dòng)化流程。它們需要巨大的計(jì)算能力、穩(wěn)定的能源供應(yīng)、先進(jìn)的網(wǎng)絡(luò)體系，以及高度專業(yè)化的軟件工具。

正是在這樣的背景下，我們判斷：未來十年，將是AI 基礎(chǔ)設(shè)施建設(shè)的黃金十年。這不僅僅是關(guān)于芯片或服務(wù)器的需求增長，更是關(guān)于整個(gè)系統(tǒng)——從數(shù)據(jù)中心到邊緣設(shè)備，從云端到本地，從模型到應(yīng)用——的全面升級。

而在這一過程中，有一點(diǎn)至關(guān)重要：這場變革必須是開放的

如果 AI 只掌握在少數(shù)人手中，它就無法真正釋放潛力；如果 AI 無法被各行各業(yè)、各個(gè)國家所使用，它就不可能成為真正的基礎(chǔ)能力。

因此，我們始終堅(jiān)持一個(gè)原則：推動(dòng)開放的平臺、開放的模型、開放的生態(tài)。我們希望看到的是一個(gè)多樣化的 AI 世界——不同的模型、不同的架構(gòu)、不同的應(yīng)用，共同推動(dòng)智能向前發(fā)展。

對我們來說，這并不是一條容易的路。構(gòu)建這樣的系統(tǒng)，需要巨大的投入、長期的耐心，以及跨越多個(gè)學(xué)科的協(xié)作。

但這也是一條值得走的路

因?yàn)槲覀兿嘈?，人工智能最終的價(jià)值，不在于替代人類，而在于擴(kuò)展人類的能力；不在于制造更多的工具，而在于幫助人類解決那些過去無法解決的問題。

這正是我們在英偉達(dá)每天所做的事情。也是我們對未來十年，最堅(jiān)定的信念。

謝謝大家。新年快樂。歡迎來到 AI 的新時(shí)代。