黄仁勋这场演讲的主线不是“发布几款芯片”，而是宣布：AI正在从软件工具变成一种可制造、可部署、可收费的基础设施产业；英伟达则从GPU公司升级为“AI工厂+智能体+物理AI”的全栈标准制定者。 欧洲只是叙事场景，真正的核心是英伟达要把AI经济的每一层都纳入自己的平台。
一、核心产业判断：AI是“制造产业”，不是软件附庸
演讲用“五层蛋糕”重新定义AI经济：能源—先进计算—AI工厂—模型—Token/应用。AI工厂消耗电力、生产Token，再把智能嵌入每个行业。这个判断的战略含义是：AI的竞争单位不是单个模型或单颗芯片，而是整座工厂的吞吐效率、部署速度和每瓦Token产出。因此，英伟达卖的不是GPU，而是“生产智能的工业体系”。
二、产品主线：Vera Rubin+DSX Pod把AI工厂“产品化”
Vera Rubin已全面投产，核心卖点是100%液冷、无外露线缆、组装时间从两小时降到不到五分钟；NVLink交换机把72颗GPU连成一颗“巨大GPU”，每颗20 PFLOPS；Spectrum-X CPO交换机512端口、每端口200Gbps。更关键的是DSX Pod：七个液冷机架、17公里Spectrum-X线缆在工厂内完成集成、布线、测试和老化，以集装箱交付，现场部署从数月缩短到数天，首次产出Token的时间从四五个月压缩到约一个月。
这背后的经济账很直接：一座1吉瓦AI工厂成本约500亿美元，若年收入400亿美元，延迟三个月就是100亿美元收入推迟。英伟达把“超级计算机规模化制造”延伸为“AI工厂规模化交付”，既卖硬件，也卖供应链效率和资本周转速度。
三、智能体主线：OpenShell+Sentry解决“敢不敢大规模部署”
演讲把智能体拆成五部分：模型、框架、沙箱/安全运行时、知识、工具。英伟达的判断是：智能体会思考、调用工具、消耗大量Token，因此会拉动GPU需求；但智能体是自主系统，能访问文件、网络和工具，安全不是模型内部的“请不要”，而是系统调用、文件访问、网络连接层面的工程执行。
OpenShell以Apache 2.0开源，提供隔离沙箱、策略执行、形式化验证和密钥隔离；Sentry运行在BlueField-4上，在硬件隔离信任域中监控智能体，毫秒级切断模型连接。Anthropic的Claude智能体也与OpenShell结合。这意味着英伟达想把智能体运行时变成企业部署智能体的默认底座——谁控制运行环境，谁就控制智能体时代的入口。
四、企业AI主线：开放模型+专有知识+CUDA-X工具
模型层，英伟达不追求每个领域都最前沿，而是提供Nemotron（语言）、Cosmos（世界模型）、GR00T（人形机器人）、Alpamayo（自主导航）、Ising（量子经典混合）、Earth-2（物理AI）等开放模型，并开放数据、脚本和复现路径。企业可以用自己的数据后训练，把专有知识转化为“超级智能体”。
知识基础包括Nemotron Parse、Embed、Rerank和Kumo；工具层是CUDA-X的350多个库。核心逻辑是：通用模型不值钱，模型+企业专有知识+加速工具才值钱。英伟达用开放模型降低企业构建AI的门槛，再用CUDA-X和工具生态锁定专业工作负载。
五、物理AI主线：电信、自动驾驶、人形机器人三个标准战场
物理AI是下一波。电信基站被定义为“用无线电波感知世界”的AI节点，西方约10万个站点、约100吉瓦分布式基础设施将演变为分布式AI网络；英伟达与诺基亚在T-Mobile网络完成首次商用通话。自动驾驶用Hyperion标准架构（14摄像头、9雷达、3激光雷达、双GPU），新增大众厢式车、捷豹路虎、沃尔沃、奔驰下一代车型。人形机器人则用Agile One参考机器人（明年Q1提供）降低开发起点，并用Omniverse数字孪生+Isaac Lab训练。
物理AI需要三类计算机：训练计算机、数字孪生计算机、机器人本体计算机。英伟达要把这三类计算机都做成参考架构，复制PC和NVLink 72的标准化规模效应。
六、终端主线：RTX Spark把个人电脑变成“个人智能体”
RTX Spark是四年与微软合作的成果，N1X芯片，1 PFLOPS算力、128GB内存，把2016年DGX-1级别的算力放进手持设备；DGX Station提供20 PFLOPS、754GB内存。个人电脑不再只是工具，而是运行模型、框架、OpenShell、个人知识和工具的个人智能体终端。现场用Micro Duck演示了从RTX Spark规划、FreeCAD/Blender建模、Isaac Sim/Newton训练到真机部署的完整闭环。
七、战略本质：英伟达在收“AI经济的平台税”
这场演讲的深层结构是四层锁定：
基础设施层：DSX Pod把AI工厂变成可运输、可快速投产的标准品；
运行环境层：OpenShell/Sentry卡住智能体安全部署入口；
模型与工具层：开放模型+专有数据+CUDA-X让企业离不开英伟达工具链；
物理AI层：Hyperion、Agile One、Omniverse把自动驾驶和机器人开发标准化。
结论和展望
黄仁勋的核心主张是：AI的下一阶段不是“更大的模型”，而是“更多Token、更快投产、更安全智能体、更强物理AI”。英伟达的应对不是单点卖芯片，而是把AI工厂、智能体运行时、企业知识工具、物理AI参考设计、个人智能体终端串成一条全栈平台。欧洲AI经济只是包装，真正的信息是：英伟达要在每一层AI经济中成为默认标准，从而把AI基础设施的资本开支转化为自己的长期平台收入。
黄仁勋在英伟达2026年柏林GTC主题演讲全文：
一、开场：从奔驰合作到欧洲AI经济
黄仁勋：2020年，我们开始与梅赛德斯-奔驰合作开发自动驾驶汽车。回顾英伟达33年发展历程，我在德国度过很多时间，很高兴再次来到这里，也很高兴今年在这里举办GTC。过去一年，我们开启新旅程：在欧洲建设一个新产业，推动AI经济起步。仅过去一年，我们就在欧洲投资近100亿美元，涵盖初创企业及遍布欧洲的合作项目。过去一周，我从法国、英国到瑞典，再到柏林，宣布投资14家初创企业；迄今我们在欧洲建立超过12,000项合作关系。计算机产业经过数十年发展，如今我们正站在一场新工业革命的起点。这张图片由计算机生成，提示词由我提供：我只简单描述“AI推动新工业革命”，再列出几家希望突出展示的合作伙伴，它就生成了这幅画面。非常有意思的是，在AI的理解中，建设一个新产业意味着生成Token、生产智能，再把智能融入每一个行业，推动新的工业革命。当一项新技术改变我们如何制造产品，以及能制造什么产品时，一场新工业革命就会发生。我认为，人工智能将在各个方面影响我们制造的一切，并让我们创造过去无法创造的新事物。每个人都会使用它，每家公司都会由它赋能，因为它是数字智能，是一切的基础。每个行业都会因此改变，新的行业也会诞生。就像电力一样，AI将带来一场新的工业革命，而我们才刚刚起步。
二、什么是AI：一个“五层蛋糕”的制造产业
黄仁勋：问题是：什么是AI？如果你希望参与创造这个未来，理解AI究竟是什么至关重要。我们很早就意识到，AI实际上是一个制造产业。它不仅是一项软件技术。AI当然运行在计算机上，但这种计算机的运行方式已发生根本变化：它不再仅仅是供我们使用的工具，而是成为机器、基础设施和工厂的一部分，用来生产智能，再将智能融入每一个行业和应用。一个简单理解方式，是把AI看作一块五层蛋糕：能源驱动先进计算机；这些计算机构成AI工厂；运行在工厂中的模型生成Token，也就是数字智能；这些智能再融入各种应用。要参与AI经济，你不应该只消费AI，也应该生产AI。这些事情我们都可以在欧洲完成，而且已经开始了。欧洲正在建设自己的AI经济，图中展示的就是这五个层次。我们拥有出色合作伙伴。观察这五层结构，你会发现这确实是一个新产业，因为每一层都在增长。我们正在以惊人速度创造就业和增长机会。欧洲的施耐德电气、西门子、西门子能源等公司全球表现出色。英伟达处于计算层，我们的技术被集成到欧洲各地不断涌现的AI工厂中。Nebius等新兴企业发展得很好；一家名为Firebird的新公司正在中亚建设新云平台，非洲也有Cassava这样的企业。我预测，未来每一家电信运营商都会向AI转型。大量通信站点及数据中心构成的分布式基础设施，将演变为分布式AI网络。原稿所述规模为约10万个站点、约100吉瓦。AI基础设施正在建设，其上才是AI模型。必须认识到，在模型出现之前，基础设施必须先存在。就像拥有互联网之前必须先建立网络，要享受电力必须先建设电厂、让住宅接入电网一样。模型层也不只有语言模型，还包括生物、化学、物理、机器人动作和动画等模型，而且规模各不相同。不同产业将由不同模态的AI模型驱动。这些模型进一步融入AI原生企业和初创公司，而欧洲有大量这样的企业。欧洲的AI经济已经起步，而且正在加速发展。
三、英伟达的全栈AI工厂平台与产品演进
黄仁勋：谈到英伟达在底层的贡献，多数人首先想到GPU，这当然没错。1993年，我们从图形芯片起步，后来发展出GPU和可编程着色GPU。随后，我们加入CUDA加速能力，重新定义了计算，并推动人工智能发展。但今天的英伟达，实际上已经是一个覆盖全栈、端到端的完整AI工厂平台。多年来，我们的技术范围已大幅扩展。我们的技术包括GPU计算，最新一代是Vera Rubin；包括将多颗GPU连接成一颗巨大GPU的NVLink交换机；包括最近推出的Vera和BlueField-4；还有以太网解决方案Spectrum-X，它使英伟达成为如今全球最大的网络公司；还有用于文本及Token生成的解码加速器Groq 3；此外还有基于Vera和BlueField-4的存储加速，以及Vera RTX计算。这些技术共同构成建设AI工厂所需的硬件体系，但如果没有软件将其激活，一切都无法工作。首先是运行AI工厂的系统软件。这些系统极其庞大。一座1吉瓦的数据中心，也就是一座1吉瓦的AI工厂，成本大约为500亿美元，包括土地、电力、建筑，以及计算、网络、存储、供电和冷却设备。所有设备连接起来，形成占地数英亩的AI工厂。仅仅让它启动并正常运行，本身就是一项壮举。让这座工厂运转、投入使用并生产Token，需要海量软件，这是一项非凡工程。英伟达提供完整的全栈软件。其上是我们称为CUDA-X的库，也就是英伟达的算法体系。从本质上说，英伟达是一家算法公司，我们设计芯片来加速这些算法。其中之一是cuDNN。很多研究人员认为，这个库推动了现代AI的大爆发。cuDNN之于AI，就像SQL之于全球数据库产业。它是面向特定领域的语言和库。就像OpenGL和DirectX推动了实时计算机图形发展，cuDNN推动了AI计算产业发展。除此之外，我们还有350个其他库。这些库才是公司的核心资产，覆盖计算光刻、信号处理、图像处理、数据处理、粒子、流体、稀疏求解器等广泛领域。在座许多人的公司已经接入这些库。我们通过这种方式开拓新市场，将英伟达与各种算法连接起来，让大家以极高速度完成计算。最右边则是模型。模型是新的软件，也是新应用的引擎。它们建立在CUDA-X库之上，并与这些库协同工作。英伟达一直在多个领域开发这些模型，它们将开启新机会。回顾AI时代各代产品，我们从Pascal开始。基于Pascal的DGX-1，是世界上第一台AI超级计算机。我在十年前发布它，并将第一台交付给OpenAI，开启他们的计算发展历程。从Pascal到Volta、Ampere，再到很多人第一次听说英伟达时接触到的Hopper，然后是当前的Blackwell，以及如今已全面投产的Vera Rubin。这是六代架构。每一代，我们都在推动技术进步。过去十年，我们将AI性能提高了100万倍。退一步想，如果只依靠摩尔定律，十年会发生什么？前五年提高10倍，后五年再提高10倍，合计约100倍。而在同一时期，我们通过所谓的“极致协同设计”，同时在计算机架构和软件栈各层开展创新，优化算法、创造新算法，并设计相应架构来加速它们，最终将AI性能提高100万倍。我们还会继续这样做。这就是今天英伟达所构建的技术体系，也是我们帮助欧洲参与AI生态和AI经济的基础。早期的Pascal、Volta、Ampere和Hopper主要围绕GPU展开。我们创造了新的DGX形态。到了Blackwell，我们向世界推出首个机架级计算系统。机架级计算把一整套系统变成一台巨大的计算机，或者说一颗巨大的GPU。到了Vera Rubin，我们进一步扩展计算范围：不再只处理模型或大语言模型，而是处理整个智能体。稍后我们还会回到这张图，但请记住：智能体需要思考，而模型承担的就是这部分工作。感知、推理、规划和工具使用，都依赖大语言模型，模型也是为这些能力而设计的。但智能体还需要一个运行框架，也就是Harness。你可以把它理解为数字智能体的外骨骼。就像人有大脑，也有身体，智能体框架负责协调工作，让智能体能够调用记忆，包括活动记忆、工作记忆和长期记忆，并使用工具。第三部分是处理知识的计算机，专门负责数据处理。最后，还有一类专门运行CUDA-X库的计算机，负责执行工具。这些计算机共同构成完整的智能体系统。
四、Vera Rubin、NVLink与Spectrum-X：面向智能体的计算系统
黄仁勋：Vera Rubin已经全面投产。我们来看看实物。这是我们打造的第一款没有外露连接线缆、采用100%液冷设计的计算机。它可以直接抽出来，非常方便。这就是一台Vera Rubin计算机，这个单元有两颗GPU。过去，组装一个Grace Blackwell节点需要两个小时。你看过实物就会明白，到处都是线缆，它采用约80%的液冷设计。现在，Vera Rubin实现了100%液冷，组装时间不到五分钟。这是了不起的进步，意味着更短的制造周期、更高的可靠性，以及更好的性能。这是NVLink交换机托盘。它将72颗GPU连接起来，形成一颗巨大的GPU。每颗GPU的性能为20 PFLOPS，再将72颗连接成一个庞大的系统。这是我们的新款Vera计算机。
现场插话：（现场出现插话）
黄仁勋：没关系，温和一点，让她有机会说话。每个人都有表达的机会。不过今天，先让我完成演讲，我稍后会和你们交流。这些都是重要的问题，但请让我先讲完主题演讲。这个会场已经坐满，全球还有100个同步观看活动，现在有15,000人正在观看。最后我准备了一些非常有意思的内容。在娱乐环节到来之前，大家得先忍受一下我的知识讲解。这是全新的Vera计算机。Vera CPU是一颗非常强大的处理器，每个时钟周期能够执行八条指令。它采用了我们所说的全球首创LPDDR内存子系统，兼具高性能、极高带宽和出色能源效率。它的片上互连速度在全球芯片中处于领先水平，因此数据处理，以及智能体会话的启动和执行性能都非常出色。这正是它的设计目标。这就是Vera计算机。旁边这套是Spectrum-X，采用共封装光学，也就是CPO技术。我给大家看看。舞台上有些地方是空的，有些地方可以踩，我不太确定分别在哪里。如果我突然消失了，大家要知道，那不是特技，是意外。这里是激光器。光信号通过光学连接直接进入芯片。我们与台积电共同开发了一项名为COUPE的工艺，让硅光子器件能够直接连接到芯片上。否则，这一整块区域都需要通过印刷电路板传输信号，而电路板的传输能力远不如光纤。现在，我们可以让极高数据速率、高质量的信号直接到达芯片，减少传统方案中通过电路板和收发器进行转换的环节。这是我们的CPO产品，已经进入全面量产，提供512个端口，每个端口的速率为200Gbps。这是全球最先进的以太网交换机，我们对此非常自豪。这些系统让我们能够处理大语言模型的思考过程，运行智能体框架，处理智能体所需的知识数据，并通过加速计算运行各种工具。这些基本上构成了智能体的完整工作负载。Vera Rubin已经全面投产，性能非常出色。正如我所说，每一代产品，我们都通过极致协同设计，实现远超摩尔定律所能带来的性能进步。大家知道，摩尔定律在很大程度上已经走到尽头。因此，我们需要从芯片到系统、从系统软件到算法，再到整个AI工厂，开展这种协同设计。Vera Rubin在Blackwell的基础上又迈出了一大步。在大语言模型处理方面，Blackwell的性能约为Hopper的30倍。而仅仅两年后，Vera Rubin又达到了Blackwell的约30倍。
五、DSX全栈AI工厂与DSX Pod：把超级计算机变成可制造、可运输的系统
黄仁勋：接下来看看，Vera Rubin如何构成DSX全栈AI工厂。
视频旁白：AI正在推动历史上规模最大的基础设施建设。工厂规模庞大，投资金额巨大，我们必须把它建好。但只有优秀的芯片，还不足以构成优秀的AI工厂。NVIDIA DSX是与全球领先基础设施企业共同开发的全栈AI工厂参考架构。计算、网络、存储、软件、供电和冷却作为一个整体协同设计，从设计阶段到实际运营全面优化。DSX从数字孪生开始。在施工之前，先在虚拟环境中验证性能、功耗、用水量及扩展能力。PTC将设备设计转化为可用于仿真的资产。达索系统通过基于模型的系统工程，将机架设计与设施设计连接起来。施耐德电气模拟配电和液冷系统。Jacobs将这些内容整合进Omniverse数字孪生。西门子评估热、声学及电网影响。Procore支持施工阶段的规划。电力决定AI工厂能够生产多少智能。DSX Max LPS是一套端到端控制回路，能够根据工作负载需求动态分配电力，在实现相同产出的情况下减少30%的用电量。DSX也重新设计了冷却方式。NVIDIA Vera Rubin系统采用闭式液冷，在适宜气候条件下，冷却液温度可以高达45摄氏度。室外干式冷却器将热量释放到空气中，不需要蒸发水。对于一座2吉瓦的设施，DSX每天可以节省5,400万升水，相当于18万户家庭的日用水量。然而，建设AI工厂可能需要数月时间。在投运之前，它不会生产任何Token。今天，我们发布NVIDIA DSX Pod，将这一全栈平台整合成在工厂内制造的一体化系统。它以Vera Rubin NVL72为基础。七个液冷计算机架，通过17公里的Spectrum-X线缆连接，构成一个Vera Rubin DSX Pod。整个Pod在工厂完成集成、布线和测试，再装入可运输的集装箱交付。干式冷却器取代传统蒸发冷却系统，800伏直流电直接连接机架，提高供电效率。只要现场基础设施就绪，预计现场部署时间就能从数月缩短至数天。NVIDIA DSX AI工厂从设计阶段就考虑资源效率和责任。现在有了DSX Pod，AI工厂的建设速度将大幅提升：每瓦电力产生更多智能，从交付到生成首个Token所需的时间也更短。
黄仁勋：大家觉得怎么样？2016年，我们发布了世界上第一台AI超级计算机。当时，它是一台单节点GPU系统。三年前，我们推出了Grace Blackwell NVLink 72机架级计算机。这两次创新，我们不仅重新设计了计算机、软件和运行方式，也重新设计了供应链。以NVLink 72为例，过去整个机架需要在现场组装，现在我们把组装工作移到了供应链内部。本质上，我们实现了超级计算机的规模化制造。这正是我们能够如此快速行动，同时支持全球数百个数据中心建设项目的原因。如今，全球所有主要计算机制造商都在制造NVLink 72。我们生产计算系统的规模，是过去从未有过、难以想象的。即便如此，当这些系统运抵现场后，仍然需要数月时间进行组装。刚才大家听到了，仅用于横向扩展计算的Spectrum-X连接，就需要17公里线缆。假设我们把这些工作全部放到供应链内部完成：组装系统、启动运行、验证完整功能、完成质量认证和老化测试，确保出货时已经能够正常工作。这样，现场布线和组装量就会大幅减少。但更重要的是，数据中心里等待安装调试、无法投入使用的闲置算力，也会显著减少。记住，每座1吉瓦数据中心的成本约为500亿美元，预期每年可创造数百亿美元收入。假设这套基础设施每年能够创造400亿美元收入，仅仅延迟三个月，就意味着100亿美元收入推迟实现。这足以让任何人感到焦虑。通过将这些工作转移到供应链内部，从计算设备到货、安装，到正式生产Token的时间，有望从四五个月缩短至大约一个月。这将彻底改变全球供应链，也会改变人们安装和建设数据中心的方式。我们希望，这能提高建设和投运速度，减少闲置算力及闲置资本支出的浪费，让所有参与者获得更好的盈利能力。这就是将NVLink 72进一步集成为大型机柜系统的DSX Pod，也是英伟达计算系统发展的下一步。
六、英伟达的独特性：通用加速计算架构与全栈AI工厂
黄仁勋：你制造什么，以及如何制造，决定了你的独特之处。就像欧洲企业，你们掌握的专业能力让你们与众不同：你们设计机器、运营工厂、发现药物，拥有非凡的工艺和专业知识。英伟达的独特之处主要有两点。第一，我们的架构是一种通用加速计算架构。我们不只针对一种算法，例如Transformer，而是支持各种可以并行处理的工作负载，包括流体、粒子、量子计算、量子化学、图像处理、数据处理，以及结构化数据和向量数据处理。由于我们长期投入，而且架构在过去约25年里保持一致，我们支持和加速的算法、领域及行业数量持续增长。庞大的装机基础、通用架构、长期投入，以及与各行业的合作，让英伟达架构几乎无处不在。第二，是我们的实现方式。我们不仅开发架构，还将其构建成完整的全栈AI工厂。世界上有不少公司希望自行设计芯片，但绝大多数公司只是希望部署AI基础设施，然后在其上运行自己的业务。设计芯片、制造超级计算机、编写全部软件，对大多数企业来说都不是它们打算承担的工作。因此，CUDA与全栈AI工厂的结合，使我们能够服务过去难以触及的市场。这也是我们能够与这里众多企业合作的原因。从云服务提供商，也就是CSP开始，多数人认为今天绝大部分AI都集中在那里。但在演讲开头，我提到的很多公司并不属于传统CSP。CSP仍然是全球计算市场的重要组成部分，但与此同时，世界各地正在涌现AI原生企业。还有新型AI云服务商，也就是Neocloud。每个地区都希望参与AI经济，希望将自身拥有的宝贵资源和能源用于支持本地区企业。例如法国的Mistral、欧洲的Nebius，以及欧洲各地建设新型AI云的公司。还有为全球企业制造计算机的OEM和ODM厂商，以及AI实验室。去年，我们大量讨论OpenAI；如今，除了OpenAI和Anthropic，还有Meta、Grok、Gemini等参与者，越来越多AI实验室正在推动前沿技术发展。但最重要的是，如果AI要真正成功，如果欧洲要从AI中受益并建立完整的AI生态和AI经济，那么所有终端行业都必须采用AI，并通过AI取得成功。无论是开发自动驾驶汽车的汽车行业、使用机器人进行制造的工业企业、通过AI发现新药的医疗行业，还是金融服务业，每个行业的企业都需要成为AI公司。借助CUDA以及我们的计算机制造方式，我们能够服务AI的各个细分领域。一种架构，覆盖多个市场。这些基础设施规模巨大、成本高昂，因此必须尽快发挥最大生产力，而且能够灵活用于各种工作负载。从AI旅程最初的数据处理，到训练、后训练、推理和智能体处理；从化学、物理到语言；从各个行业到它们使用的各种算法，都应当由同一套基础设施支持。因此，英伟达架构具有很强的通用性和可调配性。持续创新、持续软件更新，以及庞大装机基础所形成的丰富软件生态，又让这套架构具有长期使用价值。通用、耐用、高效，这就是基础。
七、智能体时代：五个组成部分与Token需求
黄仁勋：有了这些基础设施，我们能做什么？过去一年，AI发生了转变，开始真正创造生产力。其中一个重要时刻，是年初我们谈到OpenClaw，它将开源智能体的概念带给了更多人，也推动了如今全球正在发生的变化。智能体会思考、推理、迭代和使用工具，因此会消耗大量Token。但也正因如此，它们开始真正有用。更多智能体被开发出来，因为更有用，所以更多人使用；又因为思考需要大量Token，Token消耗迅速增长，GPU需求也随之大幅上升。这张图展示的是一个智能体的五个组成部分。第一是语言模型。模型运行在GPU上，生成供智能体使用的Token。第二是我所说的“外骨骼”，也就是智能体框架，例如OpenClaw。框架运行在沙箱内，沙箱将它与系统其他部分隔离。这是一个非常重要的概念。另外两个部分是知识和工具。模型、框架、沙箱、知识和工具，构成了智能体的五个要素。在讨论如何让智能体变得有用之前，首先必须确保它是安全的。智能体是自主系统，可以访问文件、资源、网络和工具。因此，我们必须赋予它最小必要权限，并持续监控其行为。为此，我们推出了一个新平台：OpenShell。OpenShell是一个安全运行时，提供刚才提到的能力，并可以配合额外的硬件监控机制。
八、OpenShell与Sentry：智能体安全运行时
黄仁勋：在详细解释之前，我们先看一段视频。视频旁白：企业正在准备部署数十亿个AI智能体。为了发挥作用，它们需要推理、规划、使用工具、访问数据并相互协作。但如今，阻止智能体滥用这些能力的方式，往往只是告诉它：“请不要删除任何东西。”“请不要向主分支推送代码。”“请不要碰我的SSH密钥。”这就是“请不要”的安全方式。但希望不等于安全。安全不是愿望，而是技术和工程。NVIDIA OpenShell和Sentry将这一理念落实到实际系统中。你为每个智能体编写策略，规定它可以接触什么。OpenShell在系统调用、文件访问和网络连接层面执行这些策略。形式化验证会检查每一次策略变更，确保其不突破你设定的权限上限，使智能体不会获得超出预期的访问权限。这类似于早期互联网：在浏览器严格限制网页能力之前，病毒曾经四处传播。OpenShell为智能体建立类似的边界。这些限制在智能体之外执行，而不是只依赖大语言模型内部的护栏，从而将智能体原生安全能力引入基础设施。每个智能体都运行在自己的隔离沙箱中，不能直接访问网络。所有出站网络请求，都必须经过沙箱外的监督组件。监督组件根据策略检查请求，未获允许的操作会被拒绝。密钥保存在沙箱外，由监督组件管理，只有向获准访问的端点发送请求时才会加入。即使智能体遭到入侵，也无法泄露它从未持有的密钥。网关充当控制平面，监督组件负责作出决定，沙箱容纳智能体，策略证明器则检查拟议策略是否符合权限上限。OpenShell将Linux内核隔离与运行时策略执行相结合。NVIDIA Sentry还可以在主机之外、远离智能体的位置，增加一层可选保护。Sentry运行在NVIDIA BlueField-4上，在硬件隔离的信任域中监控智能体活动并执行安全策略。智能体的推理流量经过Sentry，因此一旦检测到需要阻止的计划，系统可以立即更新策略，切断智能体与模型的连接，在毫秒内完成隔离。它还保留可验证、防篡改痕迹的记录，供运营人员进行检测、调查和响应。OpenShell采用Apache 2.0许可证开源，可运行在智能体所在的各种环境中，从边缘到云端。只需两个命令即可开始使用：安装命令行工具，创建沙箱，然后运行你喜欢的智能体。智能体能发挥多大作用，取决于你赋予它多少访问能力。OpenShell和Sentry让这些访问能力处于你的控制之下。这就是我们同时推进AI能力与安全的方式。
黄仁勋：智能体是自主系统。我们必须创造高度安全的技术，确保能够安全地开发和部署它们。OpenShell发布后，从前沿模型实验室，到操作系统公司、网络安全公司和平台公司，许多大型企业都开始采用它。因为这项技术到来的时机恰到好处：我们正准备在全球大规模部署智能体。这不仅关乎服务提供商在部署智能体时使用OpenShell，也关乎世界各地的企业采用OpenShell，让这些智能体能够在企业内部自主运行。不同能力、不同任务、不同使用者，对应不同的权限需求。每次启动智能体，所需要的权限可能都不一样。因此，权限配置、策略执行和监控，都必须动态完成。我很高兴宣布，Anthropic与英伟达正在合作，将Claude智能体与OpenShell结合。网站上有一篇很好的介绍文章。你可以使用OpenClaw、Hermes、OpenHands，也可以通过LangChain、Deep Agents构建自己的框架，甚至直接用Python编写。这些智能体框架都可以运行在OpenShell提供的安全沙箱中。
九、模型层：开放模型、定制模型与多模型并存
黄仁勋：接下来谈模型。未来，我们不会只用一个模型处理所有工作，而是会根据任务选择最合适的模型，无论它是闭源、开放还是定制模型。有些工作相对通用，通用人工智能就能做得很好。但另一些工作包含大量专有知识和专业能力，而且你希望持续提升这些能力。因此，未来每家公司都会同时使用闭源模型，以及自行定制的开放模型。到今天演讲结束时，大家会发现，构建自己的AI并没有那么困难。首先当然是模型。我们一直致力于推动开放模型的发展，开拓新机会，让大家能够构建自己的定制AI。Nemotron面向语言。Cosmos是我们的世界基础模型，我们在这一领域处于前沿。GR00T面向人形机器人。Alpamayo面向自主导航。Ising面向量子—经典混合计算。Earth-2面向物理AI。在这些不同领域，我们都提供模型，并持续投入研发。我们已经做了十年，也会长期做下去。我们不仅开放模型，还提供相关数据，让你了解模型的数据来源，并提供复现所需的脚本。因此，你得到的不只是开放权重，而是完整的方法、数据和复现路径。你能够知道模型从何而来，并建立对它的信任。这些模型未必在所有领域都是最前沿的，尤其是在语言模型方面。但通过定制，以及与生态伙伴合作，你可以将它们提升到自己所需领域的前沿水平，把专有数据转化为自主掌握的智能。例如，AI21帮助Alice将Nemotron定制为超越相关前沿能力的模型。Baseten帮助CodeRabbit使用自身数据微调Nemotron，实现前沿水平的能力。Trajectory与Harvey也通过对Nemotron进行后训练，构建自己的前沿能力。Scale与Skydance同样在做这样的事情。例子还有很多。核心在于，你可以从Nemotron这样优秀的开放模型出发，用自己的数据针对特定用例进行后训练，从而获得高度专业化的智能。这是一条非常合理的路径，所需技术今天都已具备。这里还有Palantir与坦帕综合医院的案例。我们拥有丰富的合作伙伴生态，能够帮助大家。这些都是出色的公司，可以为世界各地的客户提供服务。我如果只提一家，就会漏掉其他伙伴；如果全部列出来，又要花很长时间。我非常珍视所有这些合作伙伴。
十、智能体知识基础：让智能体掌握企业专有知识
黄仁勋：总结一下：首先，让智能体框架运行在OpenShell安全沙箱中；其次，选择Nemotron等大语言模型。但真正让普通智能体变成“超级智能体”的，是让它访问你公司的知识。我们将这套能力称为智能体知识基础。它由一组世界级模型和工具组成，帮助你处理公司的各种数据资产。数据可能以非结构化形式存在于文档中，因此需要AI理解PDF和其他非结构化文件；也可能以结构化形式存在于数据库中。我们提供必要的库和工具，帮助你从企业数据中提取含义、形成理解。Nemotron Parse负责文档解析，表现位居相关排行榜前列。Nemotron Embed将查询与向量数据库中的知识关联起来，同样具有领先表现。Nemotron Rerank则处理检索到的多个来源和数据片段，根据与查询的相关程度重新排序。Kumo可以利用结构化数据库预测可能发生的事情。举例来说，你收到供应商通知，某些物料将出现短缺或交付延迟。这条信息很可能是一份非结构化文档。而公司订单信息通常保存在SQL等结构化数据库中。如果要预测哪些订单会受影响、哪些会缺货、延迟多久，可以使用Kumo。接下来，为了寻找替代零件，你可以使用向量数据库检索，找到相关替代部件的工程文档。这些模型、库和数据处理能力，共同构成知识基础，让AI能够利用你的专有数据和专有知识。
十一、工具层：CUDA-X让智能体完成专业工作
黄仁勋：最后是工具，也就是完成专业工作所需要的工具。英伟达一直在开发CUDA-X。在AI成为主要话题之前，我们的大量讨论都围绕着如何加速模拟器、求解器、数据处理引擎，以及各种领域专用库展开。这些工具用于各个科学领域的发现，也用于工程、研究、设计、建造和创意艺术。它们的核心是CUDA-X库，而CUDA-X库本质上是算法。大家知道，算法是美的。我们来看一段展示。数学很美。CUDA-X库是我们公司的核心资产。原因在于，当你构建AI助手时，无论它是实验室助手、研究助手，还是与你共同设计和创造的伙伴，最终让它真正有用、能够完成实际工作的，都是工具。现在，我们拥有能够让智能体理解信息、推理、规划，并不断采取行动、使用工具直到完成任务的模型。但最终，仍然离不开工具。这些工具，我们已经开发了很多年。刚才展示的右侧那类计算机，可以运行所有这些工具，无论是流体动力学、粒子物理、量子化学、数据处理，还是光线追踪。与直接在CPU上运行相比，它可以将处理速度提高10倍、50倍，甚至100倍。CUDA-X给智能体提供了完成专业工作的能力。看到其他人如何使用这些工具，非常令人兴奋。这就是智能体背后的关键。智能体最终需要使用工具。软件编程是最早采用智能体的领域之一，在那里，编译器或Python往往就足以完成很多工作。但未来，随着智能体承担越来越多实际任务，我们需要为它们提供更多工具。下面是几个例子。Lila Sciences正在开发实验室助手，使用英伟达的BioNeMo模型理解蛋白质和细胞，并在药物发现中设计蛋白质及化学分子，同时调用CUDA-X工具。西门子正在构建工厂智能体，使用理解物理世界的Cosmos世界基础模型，以及CUDA-X工具。达索系统则在开发虚拟伙伴，使用Nemotron语言模型和CUDA-X工具。来看看它们如何工作。
视频旁白：最聪明的科学家仍然需要实验室，最优秀的工程师仍然需要模拟器和求解器，AI智能体也是如此。一个智能体由五个部分组成：模型负责感知、推理和规划。框架负责协调工作。知识基础从公司的结构化和非结构化数据中提供上下文。工具让智能体能够模拟、实验和采取行动。NVIDIA OpenShell控制智能体可以访问和执行什么。你可以从前沿闭源模型开始，也可以定制开放模型。借助NVIDIA Agent Toolkit，任何公司都能将自身知识和专业能力转化为定制超级智能体。来看三个例子。对于Lila Sciences，目标是设计一种针对B细胞淋巴瘤的疗法。基于Nemotron构建的Lila Iris智能体，将这一目标转化为实验计划。在计算干实验室中，Lila智能体使用NVIDIA BioNeMo Agent Toolkit，调用蛋白质设计和RNA优化模型，运行数百万次虚拟实验。最有前景的候选方案进入Lila的AI科学工厂，由借助Omniverse和Cosmos开发的自主机器人及仪器进行制备和测试。结果返回Iris，影响下一轮设计和实验，形成持续迭代的闭环。在西门子埃尔朗根电子工厂，目标是让新产品投入生产。Process Preparation X智能体使用Cosmos生成虚拟原型和合成数据，在生产开始前训练并验证检测模型。基于NVIDIA工厂运营蓝图构建的Intelligence Center X智能体，根据订单、物料供应和产线配置，提出生产计划建议。Digital Twin Composer利用Omniverse库，将物理仿真与实时工厂数据结合，在实际调整生产现场之前验证这些计划。在达索系统平台上，一位工程师需要将大众Golf的车门设计适配到Tiguan车型。Aura和Leo使用Nemotron理解和推理工程要求。智能体框架协调各个专业子智能体，并在规划、设计和仿真过程中保留上下文。Aura使用ENOVIA，根据车辆尺寸、重量限制和其他工程要求规划工作。Leo设计智能体选择兼容的Golf车门设计，再使用CATIA修改形状，使其适配Tiguan。Leo仿真智能体使用由CUDA-X加速的SIMULIA测试不同方案，发现了振动问题。结果返回设计智能体进行优化，工程师审核改进后的设计，并选择最终方案。不同的目标，不同的专业知识，相同的基础组成：开放模型、CUDA-X加速工具，以及OpenShell安全运行时，通过NVIDIA Agent Toolkit整合在一起。
黄仁勋：很棒，对吧？有人说，AI来了，软件和工具公司的时代就要结束了。事实恰恰相反。AI到来后，使用这些工具的用户将比以往任何时候都多。每一家工具公司都将成为AI公司、智能体公司。它们不仅提供工具，还会提供经过专门优化、非常擅长使用这些工具的智能体。Cadence、CrowdStrike、达索系统，以及其他许多企业软件公司，都在构建智能体。我们很高兴与它们合作。（原稿名单中另有一家公司名称不清。）构建智能体并没有那么困难。它有五个组成部分：模型、框架、OpenShell安全运行时，以及最重要的知识和工具。模型和框架都有开放和闭源版本，而知识与工具属于你，代表你的专业能力。这些事情如今都已能够实现。稍后我还会展示更多，但在此之前，先谈谈物理AI。
十二、物理AI：电信、机器人辅助放疗与自动驾驶
黄仁勋：物理AI是AI的下一波浪潮。它能够理解物理世界，并对其进行推理。因为物理世界多样、复杂，存在极其丰富的长尾情况，AI需要理解这些情况，再使用合适的工具与物理世界互动。一谈物理AI，大家往往想到机器人。但我最喜欢的应用之一，其实是移动通信基站。它不是用摄像头、扬声器或麦克风，而是通过无线电波感知世界，处理信息并进行推理，再利用波束成形与世界互动。因此，通信是一种非常适合AI的技术。AI将彻底改变电信网络，大幅提高频谱效率。就像我们在光线追踪上所做的一样：大家看到的图形采用完整光线追踪，而在引入AI之后，与过去认为必要的计算量相比，效率出现了百万倍量级的变化。我们将为电信网络带来巨大的频谱效率提升。除此之外，还将改变这些通信站点。原稿所述西方地区约有10万个站点，构成约100吉瓦的分布式数据中心基础设施，未来将演变为分布式AI基础设施。我们很高兴与欧洲众多公司合作。经过近八年的研发，就在上周，英伟达与诺基亚合作，在T-Mobile网络上完成了首次商用通话。现在，CUDA已经能够执行传统通信处理。在此基础上，我们就可以进一步叠加AI能力，推动新的变革。另一个让我非常兴奋的物理AI应用，是机器人辅助放射治疗。在治疗过程中，肿瘤形状可能变化，人体也会移动。这套自适应放疗系统必须感知环境变化，识别肿瘤位置，精确分割目标，并据此准确引导放射治疗。本质上，这是一种机器人化治疗。当然，大家最熟悉、近期最有望实现大规模应用的机器人或物理AI领域，是我们已经投入十多年的自动驾驶。我们意识到，每一家汽车公司都希望自己的车辆能够加入出行服务车队。今天已有Uber、Bolt、Grab、Lyft等平台。未来，自动驾驶出租车也会接入这些出行服务，而且不会只来自一个品牌。但开发这样的系统，尤其是其软件，成本非常高。因此，我们决定创建一个标准架构。这套架构包括14个摄像头、9套雷达、3个激光雷达，以及一组超声波传感器。这些传感器形成一个环绕车辆的感知系统，由双NVIDIA GPU系统提供自动驾驶计算能力。我们将它发展为行业标准，如今正在被越来越多车型采用。自动驾驶软件公司在其上开发能力，英伟达自己也是其中之一。这些自动驾驶出租车再接入出行服务平台，形成完整生态。全球每年的出行里程约为1万亿英里。未来，其中相当一部分里程可能由自动驾驶出租车完成，按每英里1至2美元计算，这是一个巨大机会。但市场非常分散。通过建立Hyperion这样的标准架构，并与整个生态合作，我们就能形成一个巨大的虚拟车队，让各方都能接入。今天，我很高兴宣布，又有四个品牌或车型系列加入：大众厢式车、捷豹路虎的新车型、沃尔沃车队，以及梅赛德斯-奔驰下一代车型。它们将兼容Hyperion，并成为这一自动驾驶出行网络的一部分。欢迎加入Hyperion。
十三、人形机器人与物理AI的三类计算机
黄仁勋：下一个伟大产业，而且很可能规模极其庞大的产业，是人形机器人。机器人之所以难做，一个重要原因是任务种类非常多。如果针对每一种任务都开发一种特殊形态，就会把机器人产业分割成许多不同配置，难以形成推动技术进步的规模效应。手机、个人电脑，以及英伟达NVLink 72之所以进步如此迅速，是因为标准化配置可以服务大量客户。大量需求带来规模，规模又推动技术迭代，让产品更快、更好。因此，我们需要尽可能标准化的机器人形态。人形机器人未必适合所有任务，但很可能适合很多任务。因此，它可能成为出货量最大的机器人形态。如果我们再为它开发能够快速学习的AI，那么即使中小企业没有专门的机器人团队，也不必从头编程，只需要向机器人演示要完成的工作。机器人凭借通用能力和通用智能，就能快速学习和适应。这很可能成为下一个重要技术平台。我们正在与许多公司合作，其中不少来自欧洲。这是欧洲的重要机会。欧洲在机电一体化、电子和机械系统的精度与工艺方面，拥有深厚积累。这里有大量制造能力极强的企业。机器人将成为下一个大规模产业。许多公司已经参与进来，我们很高兴与大家合作。构建物理AI系统，需要三类计算机。第一类，就是我们一直在谈、大家也很熟悉的计算机，用来训练AI模型。第二类，用来让AI学习技能。你不能只是把AI编写出来，就让它进入物理世界随意尝试。学习应该先在数字孪生中进行。我们创建了Omniverse数字孪生平台。刚才看到的很多CUDA-X演示，都运行在数字孪生世界中。Omniverse是一组可以接入各种平台和工具的库，包括西门子、达索系统、Cadence等公司的平台。它们共同构建数字孪生系统。第三类，是部署在机器人上的计算机。对于自动驾驶汽车和自动驾驶出租车，我们将相关平台称为Hyperion。它包括计算机本身、功能安全系统、主动安全系统，以及专为物理AI安全设计的操作系统。我们也需要为机器人提供同样完整的平台。这样，当大家开始研究或开发机器人时，就不必从零拼装所有软件、计算系统、传感器和机械部件。仅仅完成这些准备工作，就可能耗费几年时间。因此，我们决定打造一款参考机器人。这就是英伟达与Agile Robots合作的Agile One。这款参考机器人预计将在明年第一季度提供，出厂时已经完成组装，内置计算机，集成软件，开箱即可具备相当不错的能力。它将成为一个很好的起点，推动机器人开发加速。
十四、RTX Spark：重新定义个人电脑为个人智能体
黄仁勋：现在，让我们回到演讲开始的地方。英伟达诞生于个人电脑革命之中。1993年，我们成立时，PC革命正准备进入新的阶段；Windows 95随后让它进一步加速。此后，我们发明了GPU，推动可编程着色和实时光线追踪发展，将CUDA加入计算模型，并帮助点燃现代AI革命。四年前，我们开始思考：面对新的时代，能否重新定义个人电脑？它不再只是你的工具，而是你的个人智能体、个人助手。你与它的互动，更像与一位帮助你工作的伙伴交流。因此，这台计算机需要具备今天介绍的五个部分。它需要模型，模型可以在本地运行，也可以在云端运行。它需要智能体框架。它需要OpenShell安全运行时。它还需要访问个人电脑中的知识和工具。好消息是，英伟达已经加速这些工具很多年。只要我们创造一台同时支持OpenGL、DirectX和CUDA加速的计算机，英伟达过去开发的一切就都能够在其上运行。这就是成果。经过四年与微软的合作，我们打造了RTX Spark，这是一条全新的计算机产品线。数千个工程人年的投入，凝结在其中。我们秘密研发了四年，创造了一颗名为N1X的芯片，最近与整个PC产业共同发布。我们打造了台式机、笔记本电脑和工作站。这台设备提供1 PFLOPS算力。作个对比：2016年，我向当时还很小的OpenAI交付了一台拥有1 PFLOPS算力和128GB内存的计算机。现在，这台小设备同样提供1 PFLOPS算力和128GB内存。区别在于，我可以这样把它拿在手里，而当年的DGX-1需要两个人才能抬上楼。这就是全新的RTX Spark PC。如果你想要一台运行CATIA、达索系统其他软件，以及Autodesk、Adobe、Cadence和Synopsys工具的配套工作站，也可以选择运行Windows的DGX Station。它提供20 PFLOPS算力和754GB内存。此外，还有桌面版本。相关产品正在推出，运行Windows的DGX Station预计将在今年年底上市。现在，我已经讲了智能体的五个组成部分。接下来的问题是，怎么构建智能体？如何让它运行在这些计算机上，或者运行在云端、企业本地环境中？答案其实很简单。构建智能体的方法，就是请一个智能体替你构建。接下来，这段提示词将驱动一个应用。大家将看到一个机器人应用演示。观看时请记住，这台个人电脑上运行着一个智能体，而整套演示涉及三类计算机：第一类用于训练。第二类运行数字孪生。第三类将AI部署到机器人本身。这里有两个核心概念：一是如何构建和运行智能体，以及能用它做什么；二是由三类计算机构成的物理AI计算模式。我们来看演示。
十五、现场演示：用RTX Spark训练Micro Duck
视频旁白：这是Hugging Face的机器人Micro Duck。让我们使用NVIDIA RTX Spark，教它观察世界和行走。我使用Hermes作为智能体框架，以Nemotron和OpenAI的GPT-6 Astra作为模型，并使用CUDA-X加速工具：FreeCAD、Blender、Isaac Sim、Newton物理引擎和Isaac Lab。除非需要将大型工作负载扩展到云端，否则所有任务都在RTX Spark上运行。首先，我描述训练场地，以及Micro Duck需要学会什么。RTX Spark上的Hermes和Nemotron规划场地，列出所需的全部物体。随后，Astra使用FreeCAD建立三维物体模型，用Blender赋予材质，再通过Omniverse仿真就绪库添加物理属性。Astra在Isaac Sim中布置场景，为Micro Duck配置关节、执行器和连接结构，再利用Newton物理引擎模拟它的运动。接下来开始训练。云端的Isaac Lab让数千个Micro Duck同时训练。每一次跌倒都是一次学习机会，推动控制策略不断改进。Omniverse库模拟Micro Duck的摄像头，教它“看见”环境。当感知与物理能力结合后，Micro Duck能够避开障碍、穿过狭窄空间，并适应周围环境。我将训练策略下载到RTX Spark，使用Nemotron和Isaac Sim，通过多智能体编排对Micro Duck进行评估。最后，将通过验证的策略部署到真实机器人上，它就可以开始行动了。NVIDIA RTX Spark，让你直接在笔记本电脑上构建和运行AI智能体及其加速工具。
黄仁勋：你们好！过来，给大家看看你们会走路。你们还有摄像头。小心，别绊倒。能坐下吗？现在站起来。休息一下，再站起来。你们知道自己是在这里被创造出来的吗？你们诞生于RTX Spark，在云端的大量英伟达超级计算机上接受训练，并在RTX Spark上的Omniverse数字孪生中学习技能。是不是很神奇？你们真可爱。你们的“父母”叫Pollen，对吧？Pollen Robotics。听说大家太喜欢你们了，已经卖光了。所有观看这段视频的朋友——可能会有两千万人——都可以去Pollen的网站看看，下一笔订单。这家初创公司大概只有十个人，订单可能一下子就把他们淹没了。每个人都应该有一只，你们太可爱了。有一台RTX Spark，我们就能继续教你们新技能。能翻个跟头吗？太棒了！
十六、结尾：建设欧洲AI经济，让AI真正投入工作
黄仁勋：那么，今天我们谈了什么？我们谈到了欧洲建设自己的AI经济，而这一切从基础设施开始。我们发布了新的DSX Pod系统，让建设AI工厂更加容易。而这些AI工厂，不再只是运行模型。
黄仁勋：（转向机器人）集中注意力，过来，坐下。这些工厂运行的是完整的智能体。智能体包含五个部分：大语言模型负责感知、推理、规划和行动。智能体框架相当于它的外骨骼，负责协调运行。框架运行在OpenShell安全运行时中。再赋予它访问知识和工具的能力。这些智能体运行在我们的计算机上，而我们还在向下一代扩展，也就是物理AI。这就是你们这些小机器人的用武之地。每个人都能构建智能体，欧洲每家公司都会成为AI公司，这一点毫无疑问。欧洲将拥有蓬勃发展的AI经济。33年来，这是一段不可思议的旅程。我们制作了一段很酷的视频，你们要一起看吗？过来一点，我们让开舞台。全速前进！
视频主持人：这样的演示之后，我们还能拿什么接着上场？有一件事，能让现场更沸腾。是什么？你绝对想不到，GTC要变成欧洲歌唱大赛了！
黄仁勋：感谢大家，感谢所有赞助商，也感谢33年来与我们一路合作的伙伴。还有Micro Duck，我的新朋友们。让我们一起建设欧洲的AI经济，让AI真正投入工作。祝大家度过一场精彩的GTC！