2026年1月5日，CES正式开幕前一天，英伟达CEO黄仁勋在拉斯维加斯枫丹白露酒店发表了长达90分钟的主题演讲。3000人挤满主会场，庭院里2000人通过大屏幕观看，四楼原本的展区临时改成了观众区。

虽然CES传统意义上是一个消费电子展，但是AI的到来，让后端业务和前端体验很难再区分。市值4.6万亿美元的英伟达，在2025财年Q3的数据中心业务收入达到512.5亿美元，同比增长66%。黄仁勋演讲所谈及的下一步棋，很多都涉及数据中心。

演讲中有一个细节。英伟达内部有一条规则：“任何新一代产品，都不应该有超过一两款芯片的改动。”常规迭代时，GPU更新了，其他芯片可以沿用或小改。但Vera Rubin打破了这个规则——Vera CPU、Rubin GPU、NVLink 6 Switch、ConnectX-9 SuperNIC、BlueField-4 DPU、Spectrum-X Ethernet Photonics Switch，六款芯片全部重新设计，投入了15000“工程师年”的工作量。

为什么？黄仁勋给出的解释是：摩尔定律已经放缓，Rubin的晶体管数量只比Blackwell多1.6倍，但我们面临着每年模型增大10倍、生成Token多5倍的压力，如果只是遵循常规的芯片迭代速度，根本不可能跟上。“所以在这一代产品上，我们别无选择，只能把每一块芯片都重新设计一遍。”

这场演讲的背景，是一个正在发生的产业大迁移：过去十年积累的10万亿美元计算基础设施正在被AI重塑，每年两千亿美元的风险投资涌入这个领域，100万亿美元的全球产业研发预算开始转向。“人们问，预算从哪里来？”黄仁勋说，“就是从那里来的。”

计算平台的重塑

黄仁勋将演讲的第一部分，用于描绘一幅产业图景。

每隔10到15年，计算机行业就会重置一次，即平台级的转变。从大型机到PC，从PC到互联网，从互联网到云，从云到移动时代。每一次平台转移，都意味着开发者会为新的计算平台编写新的应用程序，应用世界都会随着新平台重新构建。

“但这一次，与以往都不同。”黄仁勋停顿了一下，“事实上，我们正在同时经历两场平台级的变革。”

第一场变革是应用层面的，当世界转向AI时，应用程序将建立在AI之上。起初，人们认为AI本身就是一种应用，比如一个聊天机器人或一个图像生成器，这没错，但更重要的是，AI正在成为一个新的平台，未来的应用程序将构建在AI之上。

第二场变革，则更彻底：软件的运行方式和开发方式都在被重塑。计算机产业延续了几十年的“五层蛋糕”技术栈（从底层硬件到上层应用）正在被逐一重塑，这就包括：

· 开发方式的转变：我们不再是“编写”软件（Program the software），而是“训练”软件（Train the software）。

· 运行平台的转变：软件不再主要运行在CPU上，而是运行在为并行计算而生的GPU上。

· 交互模式的转变：过去的应用程序是预录制、预编译的，在设备上运行固定的逻辑。而现在的AI应用，能够理解上下文，每一次交互都是从零开始、即时生成每一个像素、每一个Token。

这意味着什么？黄仁勋进一步解释：“计算（Computing）已经被加速计算和人工智能从根本上重塑了。”这场变革的深远影响体现在经济层面。他估算，过去十年全球在传统计算领域积累的约10万亿美元的产业价值，如今都面临着向这种新型计算模式进行“现代化升级”的需求。

那么，钱从哪来？面对这个外界普遍关心的问题，黄仁勋指出，首先，每年数千亿美元的风险投资（VC）正涌入这个领域，用于资助创新和现代化进程。其次，是全球高达百万亿美元体量的各类产业，正在将其研发预算（通常占收入的几个百分点）从传统方法转向人工智能方法。

“人们问钱从哪里来？这就是钱的来源。将传统IT基础设施升级为AI基础设施，将传统研发方法转变为AI驱动的研发方法。巨额的投资正涌入这个行业，这也解释了为什么我们如此忙碌。”

2025年度盘点：五个突破改变游戏规则

在讲了宏观产业背景后，黄仁勋将演讲拉回刚刚过去的2025年，他说这一年“令人难以置信”，仿佛所有重要进展都在同一时间发生。他梳理了推动AI发展的五大关键技术突破，为后续的产品发布构建了基础逻辑。

第一个突破：扩展定律（Scaling Laws）持续有效。自2015年BERT模型崭露头角，到2017年Transformer架构的诞生，再到2022年引爆全球的ChatGPT时刻，AI的发展很大程度上遵循一个核心规律：投入越多的计算资源，模型就越智能。黄仁勋特别指出，在ChatGPT发布一年后，一个重要进展发生了——GPT o1作为首个真正意义上的推理模型，引入了“测试时扩展”（Test-time Scaling）的概念。

这使得AI的学习和应用过程被划分为三个阶段，每个阶段都需要巨大的算力，并且扩展定律在每个阶段都持续有效。上图最左侧方框，展示了AI的「智能」水平如何随着「计算」投入的增加而提升。这不是一条线，而是三条：

· 预训练（Pre-training）：模型通过学习海量数据获得基础知识；

· 后训练（Post-training）：通过强化学习（Reinforcement Learning）等技术，让模型学习特定技能，使其行为与人类期望对齐。

· 测试时扩展（Test-time Scaling）：一种更通俗的说法，就是“思考”（Thinking）。在面对一个具体问题时，AI不再是瞬间给出一个答案，而是可以花更多时间进行实时推理，从而得到更优解。

这表明，无论是模型的初始学习、后续微调还是实际应用，更多的计算力都能带来更强的性能，扩展定律依然有效。

第二，AI走向智能体化 (AI BECOMES AGENTIC)。智能体的概念从2024年开始出现，并在2025年迅速普及的“智能体系统”（Agentic Systems），标志着AI角色的重大转变。AI不再仅仅是被动回答问题的工具，而是进化为能够主动执行复杂任务的“智能体”。这些智能体模型具备了推理、查阅信息、做研究、使用工具、规划未来、模拟结果的能力。黄仁勋特别提到了Cursor，称“Cursor彻底改变了英伟达内部做软件编程的方式”。

第三，物理AI实现飞跃 (PHYSICAL AI TAKES LEAP)。AI不仅在数字世界发展，也开始与物理世界深度融合。黄仁勋将这种能理解自然法则、与物理世界互动的AI称为「物理AI」。他进一步区分了两个相关但不同的概念：

· 物理AI（Physical AI）：指AI能够与物理世界进行交互，例如控制机器人。

· AI物理学（AI Physics）：指AI能够理解物理世界的规律，例如学习流体力学、材料科学等。

第四，AI学习自然法则 (AI LEARNS LAWS OF NATURE)。这是对“AI物理学”的进一步延伸。AI的应用正在深入基础科学领域，开始学习和理解物理世界的根本规律。

黄仁勋解释说：“宇宙中任何存在信息和结构的地方，我们都可以教一个模型去理解这些信息，理解其表征，并将其转化为AI。”这使得AI能够在生物学、化学、药物研发等领域，通过分析海量数据发现人类难以察觉的模式，加速科学发现。

第五，开源模型达到前沿水平(OPEN MODELS REACH FRONTIER)。这是去年发生的最重要事件之一。开源AI模型的能力正在迅速追赶，甚至在某些方面达到了最顶尖的闭源商业模型的水平。

黄仁勋特别提到了DeepSeek R1，称其为第一个具备推理能力的开源系统，“让世界大吃一惊，并真正激活了整个开源模型领域”。

他指出，尽管开源模型目前仍稳定落后于最前沿的闭源模型大约六个月，但每六个月都会有新的、更智能的开源模型涌现，这极大激发了全球的创新活力：初创公司、大企业、研究人员、学生，乃至每一个国家都希望参与到这场AI革命中。“智能，作为一种数字形式，怎么可能让任何人掉队呢？”他反问道。开源模型的蓬勃发展，使最先进的AI技术不再被少数公司垄断，整个行业生态因此将被重塑。Hugging Face等平台的模型下载量呈爆炸式增长，正是这一趋势的最好证明。

DGX Cloud与开源模型：英伟达的另一面

在梳理了年度五个突破，特别是开源模型的崛起之后，黄仁勋顺势将话题引向了英伟达自身的战略定位和贡献。他透露，英伟达在几年前就已经预见到这一趋势，并开始投入巨资建设和运营自己的AI超级计算机，即DGX Cloud。

“很多人问我们，是不是要进入云计算业务？答案是否定的。”黄仁勋澄清道，“我们建造这些价值数十亿美元的DGX超级计算机，是为了我们自己使用，为了开发我们自己的开源模型。”

他逐一介绍了英伟达的开源模型家族，在各个领域落地。数字生物学方面，La Proteina用于合成和生成蛋白质；OpenFold 3用于理解蛋白质结构；Evo 2用于理解和生成多种蛋白质的相互作用，是构建细胞级表征的开端。地球科学方面，Earth 2包含的ForecastNet和CorrDiff模型，改变了天气预测的方式；大语言模型方面，NemoTron是一个开创性的混合Transformer-SSM（状态空间模型）架构，速度极快，能够进行长时间或非常快速的思考，并产生高质量的回答，黄仁勋预告，近期将发布更多Nemotron-3的变体。世界模型方面，Cosmos能够理解世界是如何运作。人形机器人领域还有Groot模型，专注于关节运动、移动性和步态。自动驾驶领域还有Alpamayo，是英伟达在自动驾驶领域的最新成果，后文会详述。

黄仁勋特别强调了英伟达的开放精神不仅限于模型本身。“我们不仅开源模型，还开源我们用来训练这些模型的数据。因为只有这样，你才能真正信任这些模型是如何产生的。”

除了模型和数据，英伟达还推出了一整套库——NeMo库、Physics NeMo库、Clara NeMo库、Bio NeMo库等，这些库是针对特定领域的AI生命周期管理系统，覆盖了从数据处理、数据生成、模型训练、模型创建、评估、护栏设置、一直到最终部署的全流程。老黄坦言，这些库“极其复杂”，但全部都是开源的。

通过这一系列举措，英伟达将自己定位为“一个前沿AI模型的构建者”，并且是以一种完全开放的方式来构建，旨在“赋能每一家公司、每一个行业、每一个国家，让他们都能成为这场AI革命的一部分”。他展示了一张图，显示英伟达在PDF检索、语音识别、语义搜索等多个排行榜上名列前茅。

Agentic AI崛起

在介绍了英伟达的开源模型矩阵后，老黄将焦点集中在当前AI领域的最热潮——智能体AI（Agentic AI）。他认为，这是AI能力的一次根本性飞跃，也是构建未来应用的基本框架。

他首先回顾了ChatGPT刚问世时的普遍观感：结果很有趣，但“幻觉”（Hallucination）问题严重。黄仁勋解释了幻觉的根源：“模型可以记住过去的一切，但它无法记住未来或当前正在发生的事。”因此，AI的回答需要被“锚定”（Grounded）在事实中，在回答问题之前做基础研究。

这正是智能体系统（Agentic System）所要解决的核心问题。一个智能体在回答问题之前，会先进行基础研究。它具备一种元认知能力——“推理”（Reasoning）。它会思考：我需要做研究吗？我需要使用工具吗？我如何将问题分解成步骤？每一步，都是AI模型知道如何做的事情，它们能够组合成一系列步骤，执行从未被训练过的任务。

智能体能够将一个它从未被训练过来解决的复杂任务，分解为一系列它已知的、可以执行的子任务，然后将这些步骤组合起来完成最终目标。黄仁勋将此比作人类的能力：“我们遇到一个从未见过的情况，并将其分解为我们过去经历过的且懂得如何处理的子情境、知识和规则。”黄仁勋解释道，这就是推理的奇妙能力，强化学习、思维链、搜索、规划等技术的结合，使得这种基础的推理能力成为可能，并且这些技术现在也已完全开源。

紧接着，黄仁勋分享了一个让他觉得“完全是天才”的突破性想法——多模型架构，这个想法的灵感来自于AI搜索公司Perplexity创始人Aravind Srinivas。他第一次见到Perplexity在同时使用多个模型来解决问题时，深受启发。“当然了，我们人类会这么做，一个AI当然也应该能够调用世界上所有伟大的AI来解决它在推理链中任何一个环节遇到的问题。”

基于这一洞察，黄仁勋提到未来AI应用的宏观架构，这个架构具备几个关键特征：

· 多模态（Multi-modal）：AI能够理解语音、图像、文本、视频、3D图形、蛋白质结构等多种类型的信息。

· 多模型（Multi-model）：AI能够根据任务的具体需求，调用最适合该任务的模型。

· 多云（Multi-cloud）：由于这些不同的AI模型可能部署在世界各地的不同云服务上，因此这种架构天然就是多云的。

· 混合云（Hybrid-cloud）：对于企业、机器人或边缘设备（如蜂窝基站、医院）等需要数据实时处理和隐私保护的场景，模型可以部署在本地。

这个由智能体驱动的，集多模态、多模型、多云/混合云于一体的框架，不仅为AI初创公司注入了强大的动力，也让企业能够定制化自己的AI。黄仁勋解释道：“你可以教你的AI一些别人没有教过的技能，让你的AI在某个特定领域变得智能。这正是我们通过Nemotron、Nemo和所有开源模型想要实现的目标。”

为了让大家理解这个抽象的框架，黄仁勋现场播放了一段演示视频：如何快速构建个人的AI助理。

视频中，一位开发者展示了如何利用这个框架，将一个名为“Reachy”的迷你机器人（由Hugging Face提供）变成一个功能强大的个人助理。这是该智能体的工作原理：

1、设定目标：开发者希望助理能帮他处理日历、邮件、待办事项，甚至照看家里。

2、本地化与隐私：他使用Brev工具将自己的DGX Spark（一台小型AI工作站）变成个人云。为了保护邮件隐私，他部署了一个在本地Spark上运行的开源模型。

3、智能路由：他设置了一个基于“意图”（Intent-based）的模型路由器。这个路由器就像一个管理者，当用户的指令（Prompt）涉及到邮件时，它会自动将任务分配给本地运行的开源模型处理；而其他通用任务，则可以调用外部更强大的前沿模型API。

4、连接物理世界：他将智能体与Reachy机器人的头部、耳朵和摄像头连接起来，通过工具调用（Tool Calls）来控制机器人。

5、赋予声音：他接入了11 Labs的API，让机器人拥有了自然流畅的语音。

演示中，这个名为Reachy的AI助理展现了惊人的能力：

· 查询信息。开发者问：“今天我的待办事项是什么？” Reachy回答：“买菜（鸡蛋、牛奶、黄油），以及把新脚本发给黄仁勋。”

· 执行任务。开发者说：“好的，给Jensen发个更新，告诉他我们今天之内会搞定。” Reachy回应：“没问题。”

· 多模态创作。开发者问：“这里有张草图，能把它变成建筑效果图吗？” Reachy迅速生成了一张精美的效果图，接着它还能根据指令生成一段展示房间的视频。

· 远程协作与环境交互。开发者将Reachy的访问权限分享给了同事Anna。Anna远程问：“Potato（一只狗的名字）在干嘛？” Reachy通过摄像头看到狗在沙发上，并结合它记住的主人喜好，主动对狗发出指令：“Potato在沙发上。我记得你不喜欢这样，我会让它下去。Potato，下沙发！”

黄仁勋总结说，这个结合了前沿闭源模型和本地定制化模型的智能体框架，能够连接工具、文件甚至其他智能体，正是现代AI应用的基本架构。

更重要的是，这套框架正在被深度集成到企业平台中，例如：Palantir的整个AI和数据处理平台正在被英伟达加速；ServiceNow，世界领先的客户服务和员工服务平台；Snowflake，云端世界顶级数据平台；CodeRabbit，英伟达内部各处都在使用；CrowdStrike，创建AI来检测AI威胁；NetApp的数据平台现在有英伟达语义AI和Agentic系统用于客户服务。

黄仁勋强调，未来Agentic系统就是交互界面。这些交互界面不再是传统的Excel表格或命令行，而是像与人交谈一样自然、多模态的智能体界面。你与平台互动的方式更加简单，就像你在与人互动一样。"

物理AI的实现路径

从数字世界的智能体，黄仁勋将话题过渡到他最关注的领域之一：物理AI（Physical AI），他坦言英伟达已经投入物理AI八年之久。

核心问题是：如何让一个存在于计算机内部、通过屏幕和扬声器与人交互的智能，真正走向物理世界，理解并与之互动？

这意味着AI必须理解物理世界运作的“常识”：物体恒存性（Object Permanence）：如果看向别处，再移回视线，那个物体依然在那里。因果关系（Causality）：如果推一个东西，它会倒下。物理规律：AI需要理解摩擦力、重力、惯性，它要知道，一辆重型卡车需要更长的刹车距离，一个球会持续滚动。

这些对一个小孩来说都是常识，但对AI而言却是完全未知的。为了教会AI这些，英伟达构建了一个独特的系统，这个系统需要三种不同的计算机协同工作：

一台计算机用于训练AI模型，这是英伟达的传统强项；一台计算机用于推理，即机器人计算机，运行在汽车、机器人、工厂等边缘设备中，执行模型的推理；还有一台是仿真计算机，这是实现物理AI的基础，黄仁勋强调，“「仿真（Simulation）」是英伟达几乎所有工作的核心。”AI如何知道它执行的动作是否正确？它必须能够在一个虚拟环境中模拟物理世界对它动作的反馈。没有仿真，就无法评估AI的行为，因为现实世界的每一次互动都是不可复现的。

基于这“三大计算机”，英伟达构建了相应的软件栈：

· Omniverse：一个基于物理的、用于创建数字孪生（Digital Twin）的仿真世界。

· Cosmos：一个世界基础模型（World Foundation Model）。它不是语言模型，而是关于世界如何运作的模型，并且能与语言对齐。你可以问它“那个球怎么样了？”，它会告诉你“球正在街上滚动”。

· 机器人模型：包括用于人形机器人的Groot和用于自动驾驶的Alpamayo。

在物理AI的训练中，一个巨大的挑战是数据从何而来。语言模型可以从海量的文本中学习，但如何教AI物理世界的“基准真相”（Ground Truth）？现实世界的视频虽然很多，但远不足以覆盖所需的多样性和交互类型。

“这就是伟大思想汇聚的地方，”黄仁勋说，“我们将‘计算’转化为了‘数据’。”

这个核心思想就是合成数据生成（Synthetic Data Generation），通过使用基于物理定律和基准真相约束的仿真环境，可以有选择地、巧妙地生成海量、高质量的训练数据。

他展示了一个基于Cosmos世界模型的惊人演示，说明了“计算换数据”的过程：

1、输入：一个简单的交通模拟器生成的抽象轨迹数据，这些数据本身不足以让AI学习。

2、生成：将这些轨迹数据输入到Cosmos基础模型中。

3、输出：Cosmos能够生成基于物理的、逻辑上合理的、照片级的环绕视频。这些视频包含了丰富的细节，如光影、天气、车辆材质等，可以作为高质量的训练数据。

Cosmos的能力远不止于此。视频演示了它的多项“物理AI技能”：

· 从文本/场景生成视频：根据简单的场景描述或路况提示（如“一个危险的并线”），生成逼真的视频片段，将各种边缘案例（Edge Cases）生动地呈现出来。

· 闭环仿真：开发者可以在Cosmos中进行交互式闭环模拟。当AI做出一个动作（如打方向盘），Cosmos会实时模拟出世界的响应。

· 物理推理：Cosmos能够分析边缘场景，将其分解为熟悉的物理交互，并推理接下来可能发生什么。

“Cosmos是领先的世界基础模型，它的下载量已达数百万次，正在帮助全世界为物理AI的新时代做准备。”黄仁勋分享说，而英伟达自己，也正是利用Cosmos来生成场景、进行评估、从而打造其自动驾驶汽车AI。

Alpamayo诞生：全球首个具备思考与推理能力的自动驾驶AI

在讲了物理AI的实现路径和核心工具Cosmos之后，黄仁勋正式揭晓了这一理念下的集大成者——Alpamayo，并将其定义为“全球首个具备思考与推理能力的自动驾驶AI”。

Alpamayo的训练方式是端到端（End-to-End）的，即从摄像头输入直接到车辆的动作（转向、刹车、油门）输出。其训练数据来源是多样的，包括：大量由人类驾驶员操作产生的真实驾驶数据（Human Demonstration），以及大量由Cosmos模型生成的合成数据，还有数十万个经过精细标注的特定驾驶场景示例。

Alpamayo最与众不同之处在于，它在输出驾驶动作的同时，它还会“推理”它即将采取的行动并用“语言”表达出来。黄仁勋解释说，Alpaca会同时输出三样东西：第一，它将要采取的行动（Action）；第二，它做出该行动的理由（Reason）；第三，车辆的行驶轨迹（Trajectory）。这三者是紧密耦合、共同训练的。

这种“可解释性”之所以至关重要，是因为它解决了自动驾驶领域最大的挑战——长尾问题。我们不可能收集到世界上每个国家、每种情况下可能发生的所有驾驶场景。然而，任何一个罕见的复杂场景，都可以被分解为一系列AI已经理解和掌握的、相对正常的子场景。Alpamayo所具备的推理能力，正是为了处理这种分解和组合。

随后，黄仁勋播放了一段演示视频，视频中，一辆搭载Alpamayo的奔驰汽车在复杂的城市道路上行驶，UI界面实时显示Alpamayo的“内心独白”，可以做到绕过施工区域、避开紧急车辆、在十字路口无保护左转、为行人让行。整个驾驶过程流畅自然。

黄仁勋解释说，这种自然感正是因为它直接从人类驾驶演示中学习。而它在每个关键决策点都能清晰说出自己的意图和理由，这赋予了自动驾驶前所未有的透明度和信任感。

在演示之后，黄仁勋深入阐述了英伟达在自动驾驶领域的长远布局。他提到，英伟达八年前决定投身自动驾驶，正是因为预见到深度学习和AI将重塑整个计算栈，为了引领行业，他们必须亲身实践，构建从底层芯片到上层应用的全栈能力。

他再次用“五层蛋糕”模型来讲述自动驾驶技术栈：

· 最底层（车）：汽车本身。

· 第二层（芯片）：GPU、CPU、网络芯片等，例如专为机器人系统设计的双Orin芯片和下一代双Thor芯片。

· 第三层（基础设施）：Omniverse和Cosmos，用于仿真和数据生成。

· 第四层（模型）：Alpamayo模型。

· 第五层（应用）：梅赛德斯-奔驰的整车产品。

黄仁勋透露，英伟达的自动驾驶团队规模已达数千人。五年前，他们与梅赛德斯-奔驰达成合作，共同开发这套系统。他透露，刚刚投产的、搭载该系统的奔驰CLA车型，被NCAP评为“世界最安全的汽车”，这是他所知的唯一一个从芯片、系统到每一行代码都经过安全认证的系统。

然而，Alpamayo虽然强大，但“长期驾驶它之前，没有人能保证它绝对安全”。因此，英伟达设计了一套独特的双软件栈冗余系统来作为安全护栏：

· 主驾驶栈：由端到端训练的Alpamayo模型驱动，具备强大的技能和推理能力。

· 备用安全栈：一个完全可追溯的传统自动驾驶（AV）栈作为护栏。英伟达花了六七年时间来构建这个栈。

系统内部有一个“策略与安全评估器”（Policy and Safety Evaluator），在行驶过程中，评估器会实时判断：如果当前场景是Alpamayo非常有信心、能够安全推理并处理的，就由Alpamayo主导驾驶；如果遇到Alpamayo信心不足的场景，评估器会决定切换回更保守的传统AV栈来接管。

“这是世界上唯一一辆同时运行这两个AV栈的汽车，”黄仁勋强调，“所有的安全系统都应该具备多样性和冗余性。”

在商业模式上，黄仁勋展望，未来道路上数十亿辆汽车都将具备自动驾驶能力，它们可以是以Robotaxi，也可以是私家车。英伟达在自动驾驶领域的策略是，像做其他业务一样：构建完整的垂直整合堆栈，但将整个堆栈向生态系统开放。黄仁勋笑说：“无论你决定用多少，我唯一的请求是尽可能更多采用NVIDIA。”

对于梅赛德斯-奔驰这样的深度合作伙伴，英伟达将共同部署、运营和维护整个技术栈。但对于更广泛的汽车制造商和Robotaxi公司，他们可以根据自身需求，选择使用英伟达技术栈的任何一部分：可以只采购芯片，可以使用合成数据生成服务，也可以采用部分或完整的软件栈。

黄仁勋预计，自动驾驶将成为第一个大规模主流的物理AI市场，而这个拐点“可能就在此时此刻发生”：“在接下来的十年里，我相当确定，世界上非常大比例的汽车将是自动驾驶或高度自动驾驶的。”

机器人时代：当BDX走上舞台

自动驾驶的成果，为英伟达验证了一套可复制的方法论：即利用“三大计算机”（训练、推理、仿真）和合成数据生成，来解决任何形式的机器人系统问题。无论是机械臂、移动机器人，还是完全的人形机器人，都可以遵循这套范式。

“机器人技术的下一个时代，就是机器人本身。”黄仁勋说道。

为了活跃气氛，他邀请了几位“朋友”上台——两个星球大战BDX机器人缓慢走上舞台。“快点。我有很多东西要讲。快点。”黄仁勋催促道，引发观众笑声。这两个机器人都内置了小型Jetson计算机，并且它们的学习过程完全是在Omniverse中完成的。

随后，黄仁勋通过视频，向观众展示了这些机器人的仿真环境——Isaac Sim和Isaac Lab。在仿真世界里，机器人的数字孪生体可以进行无数次的试错和学习，然后将学到的技能部署到物理实体上。

舞台大屏幕上展示了英伟达的机器人合作伙伴生态系统，涵盖了从工业、物流到服务业的各种机器人形态：Neurabot、Adjubot、LG的新机器人、Caterpillar的巨型机器人、Serve Robotics的送餐机器人、Agility、Boston Dynamics、手术机器人、Franka的操纵机器人、Universal Robotics……

“没有人像你们这样可爱。”黄仁勋对着BDX机器人说。

工业设计行业的AI革命

但黄仁勋的视野并未止步于此，他指出，物理AI和AI物理学将要革命的下一个、也是对英伟达自身意义非凡的行业——工业设计与制造。

“如果没有我即将谈到的这些公司，英伟达就不可能存在。”老黄宣布了与三大EDA（电子设计自动化）和工业软件巨头的深化合作，包括：Cadence将NVIDIA CUDA-X、物理AI和AI物理学集成到其仿真和求解器中，Synopsys同样在系统设计和仿真领域与英伟达深度整合；西门子将NVIDIA CUDA-X、物理AI、智能体AI、Nemo、Nemotron等技术深度集成到其覆盖EDA、CAE和数字孪生工具的产品组合中。

黄仁勋描绘了一幅未来工业的蓝图：在设计阶段，芯片和系统将在Cadence和Synopsys的工具中被设计出来，这些工具由英伟达的GPU加速，并且会有“智能体芯片设计师”与人类工程师协同工作；在制造阶段，制造这些芯片和产品的工厂本身，也将首先在西门子的数字孪生平台中被完整地设计、模拟和优化，这些虚拟工厂将是“巨大的机器人”。

“你们将在计算机中被设计，你们将在计算机中被制造，你们将在计算机中被测试和评估，在你们必须花任何时间处理重力之前。”黄仁勋对着台上的BDX机器人说，“这是你们的未来。非常神奇，对吧？你们将在这些平台内部诞生。”

“你们知道怎么处理重力吗？能跳吗？”机器人跳了一下。黄仁勋说：“好的，好的，别炫耀。”

Vera Rubin横空出世：以“极端协同设计”对抗摩尔定律放缓

在全场演讲的最高潮，黄仁勋将话题引向了驱动这一切的根本——算力。他首先解释了为什么AI算力需求正在以远超想象的速度爆炸式增长：

· 模型规模：模型参数量正以每年10倍的速度增长。

· 后训练开销：为了教会AI“思考”，引入了强化学习等计算密集型技术，后训练阶段的算力消耗剧增。

· 测试时扩展：“思考”过程取代了“一问一答”，导致生成的Token数量每年增加5倍。

· 激烈的竞争：AI领域的军备竞赛异常激烈，所有人都想率先达到下一个前沿。这导致上一代AI模型的Token成本每年下降约10倍。而要维持这种成本下降，就必须依赖更快的计算来更快地达到下一个技术前沿。

“所有这一切，归根结底都是一个计算问题。”黄仁勋总结道。面对如此迅猛的需求增长，而摩尔定律早已放缓，半导体工艺能带来的晶体管数量增长（每年约1.6倍）已远远跟不上。

“如果我们不采取极端的措施，就不可能跟上这种速度。”

这个“极端的措施”，就是英伟达的“极端协同设计”（Extreme Co-design）理念——跨越整个技术栈，同时对所有关键芯片进行创新。这违背了英伟达内部“每一代产品只改变一到两款芯片”的常规准则。但黄仁勋表示，“这一代，我们别无选择，必须重新设计每一款芯片。”

于是，老黄正式发布了英伟达的下一代计算平台——Vera Rubin。

黄仁勋介绍了这个名字的由来：Vera Rubin是一位美国天文学家，她是第一个注意到星系尾部移动速度与中心差不多快的人，她发现了暗物质。

Vera Rubin平台是一个由六款全新设计的、协同工作的突破性芯片组成的系统：

VeraCPU：88个定制Olympus核心，1.5TB系统内存，1.2 TB/s LPDDR5X，2270亿晶体管。这些核心使用一种叫做”空间多线程”的技术设计，多线程特性使每个176个线程都可以获得完整性能——本质上就像有176个核心，但只有88个物理核心。

Rubin GPU：3360亿晶体管，5倍Blackwell NVFP4推理性能。黄仁勋特别强调，Rubin只有Blackwell晶体管数量的1.6倍。NVFP4 Tensor Core是其中的关键创新。这不是简单的四位浮点数，而是一个完整的处理单元，理解如何动态、自适应地调整精度和结构来处理Transformer的不同层次。“当有人说FP4或FP8时，这对我们来说几乎没有意义。”黄仁勋说，“是Tensor Core结构和所有算法使它工作。”

ConnectX-9：英伟达收购的Mellanox团队出品的全球最佳网络接口卡（NIC），为每个GPU提供1.6Tb/s的横向扩展带宽。

Bluefield-4 DPU：一款革命性的数据处理器，用于卸载存储、安全和虚拟化任务，让计算单元专注于AI工作负载。

NVLink 6 Switch：其SerDes速率高达400Gb/s，使得机柜内所有GPU之间可以全互联通信。一个机柜背板的总带宽高达240TB/s，是全球互联网总带宽的两倍。

Spectrum-X Ethernet Photonics Switch：全球首款集成硅光技术（Co-Packaged Optics）的以太网交换机，拥有512个200Gb/s端口，用于AI工厂的大规模横向扩展。

黄仁勋宣布，Vera Rubin目前“已全面投产”。

重塑数据中心

在介绍了Vera Rubin平台的六大核心芯片后，黄仁勋揭示了这一新架构将如何从根本上重塑数据中心的存储体系。

他解释说，当AI模型进行多轮对话或处理长上下文时，会产生一个巨大的“工作记忆”，称为KV缓存（KV Cache）。这个缓存最初存放在GPU自带的高带宽内存（HBM）中。但随着模型增大、对话变长，HBM很快就不够用了。上一代Grace Blackwell通过CPU的内存扩展了KV缓存，但即便如此也依然捉襟见肘。

传统的解决方案是将KV缓存卸载到外部存储网络中，但这会给数据中心的南北向网络带来巨大压力，成为性能瓶颈。

“答案显然是，用一种不同的方式来做。”

英伟达的解决方案是利用全新的Bluefield-4 DPU，在计算集群的机架内，创建一个专用的、超高速的KV缓存存储层。这个新平台被称为Dynamo KV Cache。

在新的Vera Rubin机架设计中，除了计算节点，还增加了一排专门的存储节点。每个存储节点由4个Bluefield-4 DPU驱动，每个DPU后面连接着150TB的存储。这使得机架内的每个GPU，在自身1TB内存的基础上，可以额外获得高达16TB的超高速KV缓存扩展。这些缓存通过与计算节点相同的、200Gb/s的横向网络（East-West Traffic）连接，实现了前所未有的低延迟访问。

这一创新解决了AI推理中最大的痛点之一，受到了AI实验室和云服务商的热烈欢迎。

最后，黄仁勋展示了Vera Rubin平台带来的惊人性能提升：在训练性能方面，对于一个10万亿参数的前沿模型，使用Vera Rubin系统所需的机架数量仅为Blackwell系统的四分之一。在推理吞吐量（工厂效率）方面，在功耗相同的情况下，Vera Rubin的推理吞吐量大约是Blackwell的10倍。在Token成本方面，Vera Rubin将生成Token的成本再次降低了一个数量级，大约是Blackwell的十分之一。

此外，Vera Rubin平台还实现了全链路的机密计算（Confidential Computing），所有在途、静止和计算中的数据都经过加密，确保了模型的安全性。同时，通过电源平滑（Power Smoothing）技术，解决了AI负载瞬时功耗尖峰的问题，使得数据中心可以更充分地利用其电力预算。

“这就是今天的英伟达。”黄仁勋在演讲的尾声总结道，“我们曾被认为是一家芯片公司，但如你所见，我们现在构建整个系统。AI是全栈的，我们正在从芯片、基础设施、模型到应用，全方位地重塑它。我们的工作，就是创造完整的技术栈，让你们所有人都能为世界创造出不可思议的应用。”

一个彩蛋

演讲结束前，黄仁勋卖了个关子，他说：“在结束之前，我们留下了一大堆PPT，所以这里有一些花絮。”

屏幕上播放了一系列搞笑片段：老黄这场演讲的PPT，上面的文字出现一系列动效，扩展定律上的曲线掉落、自动驾驶汽车挡风玻璃误入一只松鼠?、人形机器人洗澡时刻、最后所有元素亮相、谢幕之后留下茫然的机器人问“大家都去哪了”……一个NG片段，相当于回顾了这场keynote的所有内容。

有趣的是，我记得黄仁勋很多年前接受采访，说如果他有一部传记电影，希望是成龙来演自己。现在黄仁勋把素材NG作为彩蛋，真是和成龙电影很像了。