作者｜芯芯

编辑｜ 靖宇

 

英伟达这家公司，正在经历一种很矛盾的时刻。它看起来像所有泡沫叙事里最危险的那一个，毕竟市值已经冲到史无前例的高度，股价每一次波动都能牵动市场。但它又同时像所有 AI 概念股里最强的那一个，一个季度营收、净利润数百亿美元，毛利率能达到 70%。

这也解释了为什么在拉斯维加斯 CES 上，英伟达的任何消息仍然吸睛，其 CEO 兼创始人黄仁勋演讲开头就称，「我们有 15 公斤的内容要塞进今天这场演讲里，会场里坐着 3000 人，外面的庭院里还有 2000 人在看，四楼按理说该去逛展的人又挤了 1000 个，全球还有数百万人在线围观。」

但他很快把话题拽回称，计算机行业每 10 到 15 年就会重置一次，从大型机到 PC、从 PC 到互联网、从互联网到云、从云到移动。每一次平台迁移，都会逼着世界去写「新应用」。可他紧接着说，这一次不一样，因为现在是：

「两次平台迁移同时发生」 。

 

01

智能体，用户的新「界面」

 

哪两次平台迁移？第一次迁移大家已经听到起茧，就是 AI 来了，应用要建在 AI 之上。人们起初以为 AI 本身就是应用，他承认没错，AI 的确是应用，但真正的变化是，你会在 AI 上面再建应用。第二次迁移更隐蔽也更残酷，因为软件的开发方式、运行方式、乃至整个产业的「技术栈」正被重新发明。

黄仁勋称，那些规模动辄 100 万亿美元的传统产业，会把研发预算里「几个百分点」整体转向 AI。钱不是凭空冒出来的，它来自整个世界把研发从「经典方法」搬到「AI 方法」，来自旧世界的预算向新世界的迁移，这就是为什么你会觉得这行业突然忙到离谱。

他还把过去十年的 AI 历史重新串了一遍。2015 年 BERT 让语言模型第一次「有用」，2017 年 Transformer 奠定了基础，2022 年 ChatGPT 让世界第一次直观感受到 AI 的力量。

可他认为真正关键的拐点发生在一年后，第一个 o1 推理模型出现了，让模型在推理时真的「思考」。紧接着，2024 年 Agentic AI 这个新物种开始出现，2025 年它迅速蔓延。

这类系统不只是生成文本，它能查资料、用工具、规划步骤、模拟未来、拆解问题。它可以做「从未被明确训练过」的事情。这种能力，正在通过开源模型，向整个世界扩散。

图片来源：英伟达

 

过去一年，真正让黄仁勋感到「兴奋」的，不是某一家闭源模型的进步，正是开源模型的集体跃迁。

黄仁勋称，开放模型现在离前沿模型大约「落后六个月」，但每过六个月就会冒出更聪明的新模型，所以下载量爆炸，因为创业公司想参与，大公司想参与，研究者想参与，学生想参与，几乎每个国家都想参与。

很多人误解英伟达，说它只是「卖 GPU」，而黄仁勋在 CES 台上反复强调一件事，即英伟达正在成为一个前沿开源模型构建者，而且是完全开放的那种。

图片来源：英伟达

 

他在 CES 演讲上一口气报了一堆英伟达开源模型的工作，从混合 Transformer-SSM 的 Nemotron，世界模型 Cosmos，到人形机器人 Groot，黄仁勋称这些模型全部开放。连自动驾驶领域的 Alpamayo，不仅开源模型，还开源训练数据。

黄仁勋认为，未来的 AI 不只是多模态，而是「多模型」。最聪明的系统，应该在不同任务中调用最合适的模型，最真实的系统，天然是多云、混合云、边缘计算的。

图片来源：英伟达

 

这意味着什么？意味着 AI 应用的本质，其实是一套调度与推理的架构。一个能判断意图、选择模型、调用工具、组合结果的智能体。

黄仁勋认为， 这种智能体正在成为新的「用户界面」，不再是 Excel，不再是表单，不再是命令行 。

 

02

物理 AI 的真正到来

 

如果说 Agentic AI 改变了软件，那么物理 AI，正在改变现实。

黄仁勋在台上花了极长时间讲一件事，让 AI 理解世界的常识，比语言困难得多。物体恒存、因果关系、惯性、摩擦、重力，对人类幼儿来说是直觉，对 AI 来说却完全陌生。而现实世界的数据，永远不够。

图片来源：英伟达

 

他说要做 physical AI，需要「三台计算机」：训练模型的、在车/机器人/工厂边缘推理的、以及用于仿真的。Omniverse 是数字孪生仿真世界，Cosmos 是世界基础模型，机器人模型则有 Groot 和他接下来要讲的 Alpamayo。

训练数据从哪来？语言模型有大量文本，物理世界的真实视频很多，但远远不够覆盖多样交互。于是他们现在准备做的是，用符合物理定律的合成数据生成，选择性地制造训练样本。

比如，交通模拟器输出本来不够丰富，他们把它喂给 Cosmos，让它生成物理可信的环视视频，拿来训练。Cosmos 还能从单张图生成逼真视频，从 3D 场景描述生成连贯运动，从传感器日志生成环视视频，从场景提示把「边缘案例」制造出来。还能闭环仿真，动作一做，世界响应，Cosmos 再推理下一步。

黄仁勋甚至说「 physical AI 的 ChatGPT 时刻快到了 」。

他在台上宣布了 Alpamayo，称之为「世界第一个会思考、会推理的自动驾驶 AI」。它端到端从摄像头到执行器，既学了大量真实里程的「人类示范」，也学了 Cosmos 生成的里程，再加上「几十万」极其仔细的标注样本。

图片来源：英伟达

 

关键是它不只输出方向盘和刹车油门，还会告诉你它将采取什么动作、为什么这样做、轨迹是什么。因为驾驶的长尾案例几乎不可能穷举采集，但长尾可以拆成很多更普通的子情境，让车用推理去组合应对。

黄仁勋称，它能说清楚自己要做什么，为什么这么做，接下来会发生什么。这也是安全的前提。

他解释他们八年前就开始做自动驾驶，是因为很早就判断深度学习会重做整个计算栈。如果要引导行业走向未来，必须亲手把整个栈做一遍。他搬出「AI 是五层蛋糕」：最底层是能源和壳，在机器人里比如车；上一层是芯片、网络；再上一层是基础设施如 Omniverse、Cosmos；再上是模型如 Alpamayo；最上层是应用，例如奔驰。

Alpamayo 宣布「今天开源」，这套工程规模巨大，黄仁勋说他们的 AV 团队「几千人」，而奔驰五年前就与他们合作。他预测，未来可能有十亿辆车自动驾驶，「每一辆车都会有会思考的能力，每一辆车都会由 AI 驱动」。他还给出时间表：第一批在 Q1 上路，Q2 去欧洲，之后再去亚洲，Q3、Q4 逐步铺开，而且会持续更新 Alpamayo 的新版本。

黄仁勋把自动驾驶定义为 physical AI 的第一个「大规模主流市场」，并断言「拐点就在现在这段时间」，未来十年世界上很大比例的车会高度自动化。更重要的是，这套「三台计算机 + 合成数据 + 仿真」的方法会迁移到所有机器人，包括机械臂、移动机器人、乃至全人形。

图片来源：英伟达

 

03

Vera Rubin 的硬件秀

 

讲完产业，黄仁勋最后把话题拉回硬件，介绍 Vera Rubin。

图片来源：英伟达

 

他花了几十秒讲 Vera Rubin 的命名来源。Vera Rubin 这个名字本来是是 20 世纪的天文学家，她观察到星系边缘的旋转速度与中心差不多，这按牛顿物理学说不通，除非存在看不见的物质——暗物质。英伟达把下一代计算平台命名为 Vera Rubin，因为他们面临的「看不见的东西」也在膨胀：计算需求。

黄仁勋描述了算力需求的疯狂，模型规模每年 10 倍增长，o1 之后推理变成「思考过程」，后训练引入强化学习，计算量暴增；test-time scaling 让每次推理 token 量再涨 5 倍；而且每次冲到新前沿，上一代 token 成本会以每年 10 倍速度下跌，这反过来说明竞赛极其激烈，

图片来源：英伟达

 

他说因此英伟达必须「每年推进一次计算的 state-of-the-art，一年都不能落下」。他们已经在出货 GB200，在全规模量产 GB300，而 Vera Rubin「今天可以告诉你，已经全面投产」。

Vera Rubin 的系统是一套「六芯协同」的架构，Vera 是定制 CPU，性能翻倍；Vera 与 Rubin GPU 从一开始就双向一致性共享数据，更快更低延迟；一块计算板上有 17000 个组件；每块板可以做到 100 PFLOPS 的 AI 算力，是上一代的五倍。

网络侧 ConnectX-9 为每 GPU 提供 1.6 Tbps 的横向带宽；BlueField-4 DPU 把存储与安全卸载出去；计算托盘被重新设计到「没有线、没有水管、没有风扇」的形态；第六代 NVLink 交换把 18 个节点连成一体，扩展到 72 个 Rubin GPU 像一个 GPU 一样工作；再往外是 Spectrum-X 以太网光子学，512 通道、200G、共封装光学，把成千上万机柜组成「AI 工厂」。

图片来源：英伟达

 

黄仁勋还提到现实的行业难题。英伟达内部原本有条规则，新一代产品最多换一两个芯片，别把供应链折腾死。可摩尔定律放缓后，晶体管增长跟不上模型十倍、token 五倍、成本十倍下滑的速度，你不做「co-design（协同设计）」就不可能追上，所以这一代不得不把每一颗芯片都重新设计。

Rubin GPU 浮点性能是 Blackwell 的 5 倍，但晶体管只有 1.6 倍，这意味着单靠制程堆晶体管已经到天花板了，必须靠架构与系统级协同设计才能搞出性能。

另外，英伟达还宣布推出针对 AI 上下文记忆的存储平台。模型每生成一个 token，都要读模型、读上下文、写回 cache，对话越长，上下文越大。黄仁勋称，你希望 AI 记住「一生的所有对话」，HBM 装不下了，Grace 直连 GPU 做「快速上下文内存」也不够了，继续往外走到数据中心存储又会被网络堵死。

于是他们做了「机柜内的超高速 KV cache 存储」，由 BlueField 跑整套上下文管理系统，把它放得离 GPU 极近。

图片来源：英伟达

 

在一个节点里，每 GPU 本来大约 1TB，而通过这套机柜内存储，每 GPU 还能多拿到 16TB 的上下文空间；每块 BlueField 后面挂着 150TB 级别的上下文存储，走同一套东西向高速织网，这不是「再加点盘」，而是「新增一类存储平台」。

图片来源：英伟达

 

黄仁勋还提到了新硬件的三种系统级能力。第一，45 摄氏度水就能冷却，整体能效提升巨大，他称这能省掉全球数据中心约 6% 的电力；第二，机密计算，传输中、静止时、计算中都加密，PCIe、NVLink、CPU-GPU 互联全部加密，让企业敢把模型交给别人跑；第三，电力平滑，因为 AI 工作负载在 all-reduce 等阶段会瞬时拉高电流，可能尖峰 25%，过去不得不多预留 25% 供电预算，现在通过电力平滑能把预算用满，不必浪费。

在他们模拟的 10 万亿参数、100 万亿 token 训练任务里，Rubin 的吞吐高到只需要 Blackwell 四分之一的系统规模就能在同样一个月窗口里训完。

图片来源：英伟达

 

Rubin 相对 Hopper 的提升、相对 Blackwell 的再提升，被他形容成一轮接一轮的数量级跃迁，而 token 成本又能再降一个数量级，这就是他们所谓「把所有人推到下一前沿」的方式。

黄仁勋认为，英伟达今天不是只做芯片，而是做从芯片、基础设施、模型到应用的「全栈」，而 AI 正在重做全世界的计算栈，他们的工作是把整套栈造出来，让所有人去造应用。

图片来源：英伟达

 

在 CES 这种偏消费电子的舞台上，英伟达占据高光位置，可以说它也是一种情绪资产。乐观时，它是 AI 的石油，悲观时，有人直接说它像 2000 年的思科。市场不仅在乎它赚了多少钱，还在乎「AI 还会不会继续烧钱」。它的波动甚至开始影响指数本身，因为它太大了，大到一个公司的涨跌可以改变整个市场的体感温度。

当一家公司同时掌握技术叙事、产业链重要位置、以及金融市场注意力时，它就会变成图腾。图腾的好处是信仰带来溢价，坏处是溢价意味着你不能犯错。

所以问题来了，英伟达会不会掉下去？当然可能。任何站在山顶的公司都可能犯错，尤其当它大到一定程度，增长本身就变成一种负担。

但同样必须承认的是，英伟达也在用尽一切办法降低这些风险。

其目前主要战略仍是努力把自己从卖芯片变成卖生态。当硬件、网络、调度、软件工具链都握在手里时，英伟达就不再仅仅领先于竞争对手一代 GPU，而是在领先系统复杂度。

目标至少是，让对手即便追上算力，也很难追上生态摩擦成本。