作者｜芯芯
英伟达正站在一个矛盾而关键的历史节点：市值屡创新高，股价牵动全球市场；同时又以单季度数百亿美元营收、近70%毛利率，成为AI浪潮中最坚实的基石。
在2026年CES上，CEO黄仁勋开场即指出：「我们有15公斤内容要塞进这场演讲」——现场3000人、庭院2000人、四楼另挤进1000人，全球数百万观众在线观看。但真正重要的不是规模，而是他随后提出的判断：
「计算机行业正经历两次平台迁移同步发生。」
01 智能体：用户的新「界面」
第一次迁移是AI原生化——应用必须构建于AI之上；第二次则更深层：软件开发范式、运行方式乃至整个技术栈正在被重写。
黄仁勋指出，全球数万亿美元规模的传统产业，正将研发预算中的“几个百分点”系统性转向AI。这不是增量投入，而是旧方法向AI方法的整体迁移，解释了当下行业的普遍高负荷状态。
他梳理了AI发展的关键节点：2015年BERT让语言模型初具实用价值；2017年Transformer奠定架构基础；2022年ChatGPT实现大众认知突破；真正的拐点出现在2023年o1推理模型问世，使AI具备「思考过程」；2024年起Agentic AI（智能体）快速涌现，并于2025年全面扩散。
这类系统可查资料、调用工具、规划步骤、模拟未来、拆解问题，甚至完成未经明确训练的任务。其能力正通过开源模型向全球加速释放。
图片来源：英伟达
令黄仁勋尤为兴奋的，不是闭源大模型的进步，而是开源模型的集体跃迁。目前主流开源模型距前沿水平仅“落后六个月”，且每半年即迭代升级，驱动全球开发者、创业公司、科研机构与高校广泛参与。
他强调，英伟达已从GPU供应商，转型为前沿开源模型构建者——且坚持完全开放。
图片来源：英伟达
他在CES一口气公布了多项开源成果：混合架构的Nemotron语言模型、世界基础模型Cosmos、人形机器人Groot，以及自动驾驶AI Alpamayo——后者不仅开源模型，还开源训练数据。
黄仁勋提出，未来AI将不仅是多模态，更是「多模型」：最聪明的系统应按任务动态调用最合适模型；最真实的系统必然是多云、混合云与边缘协同的架构。
图片来源：英伟达
这意味着AI应用的本质，是一套调度与推理架构：识别用户意图、选择最优模型、调用外部工具、组合输出结果——即「智能体」。
黄仁勋明确表示：这种智能体正在成为新的用户界面，取代Excel、表单和命令行。
02 物理AI：从虚拟走向现实
如果说Agentic AI重构了软件世界，物理AI（Physical AI）则正在重塑现实。
黄仁勋指出，让AI理解物理常识远比掌握语言更难：物体恒存、因果律、惯性、摩擦、重力……这些对人类幼儿是直觉，对AI却是全新挑战。而真实世界的高质量交互数据永远稀缺。
图片来源：英伟达
构建物理AI需「三台计算机」：用于大规模训练的集群、部署在车/机器人/工厂边缘的推理单元，以及支撑仿真的数字孪生平台。Omniverse负责仿真，Cosmos作为世界基础模型，Groot与Alpamayo则分别对应机器人与自动驾驶场景。
训练数据从何而来？语言模型有海量文本，但物理世界的真实视频不足以覆盖复杂交互。解决方案是：用符合物理定律的合成数据生成技术，有针对性地制造高质量样本。
例如，交通模拟器输出有限，就将其输入Cosmos，生成物理可信的环视视频用于训练；Cosmos还能从单图生成视频、从3D描述生成连贯运动、从传感器日志生成环视视频，并针对「边缘案例」主动构造训练素材，实现闭环仿真。
黄仁勋称：「Physical AI的ChatGPT时刻即将到来。」
他正式发布Alpamayo——「世界首个会思考、会推理的自动驾驶AI」。该系统端到端连接摄像头与执行器，融合真实驾驶里程、Cosmos生成里程，及数十万精细标注样本。
图片来源：英伟达
其突破在于：不只输出方向盘角度与油门刹车指令，更实时说明「将采取什么动作」「为何如此决策」「预测轨迹如何」。面对长尾场景，系统不再依赖穷举采集，而是通过推理拆解为子情境并组合应对。
黄仁勋解释，八年前启动自动驾驶项目，正是因为预判深度学习将彻底重构计算栈。他将AI体系比作「五层蛋糕」：底层是能源与设备（如车辆本体）；第二层是芯片与网络；第三层是基础设施（Omniverse、Cosmos）；第四层是模型（Alpamayo）；顶层是应用（如奔驰）。
Alpamayo「今日开源」，工程团队规模达数千人。奔驰已于五年前启动合作。黄仁勋预测：未来将有十亿辆自动驾驶汽车，每一辆都将具备思考能力。首批车辆将于Q1上路，Q2进入欧洲，Q3-Q4逐步扩展至亚洲，版本将持续更新。
他定义自动驾驶为Physical AI的首个「大规模主流市场」，断言「拐点就在当下」，并指出「三台计算机+合成数据+仿真」的方法论将快速迁移至机械臂、移动机器人与全尺寸人形机器人领域。
图片来源：英伟达
03 Vera Rubin：新一代计算平台发布
在阐述完产业方向后，黄仁勋回归硬件，正式发布新一代计算平台Vera Rubin。
图片来源：英伟达
平台命名致敬天文学家Vera Rubin——她发现星系旋转异常，从而推断出暗物质存在。英伟达以此隐喻：当前膨胀的，是「看不见却无处不在」的算力需求。
模型规模年增10倍，o1类推理引入「思考过程」，强化学习后训练加剧，test-time scaling令单次推理token量再增5倍；同时每代前沿token成本以年均10倍速度下降——印证着空前激烈的竞争格局。
图片来源：英伟达
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」：GB200已量产，GB300全规模交付，Vera Rubin平台「今日全面投产」。
Vera Rubin采用「六芯协同」架构：定制CPU（Vera）性能翻倍；Vera与Rubin GPU双向一致性共享数据，延迟更低；单块计算板集成17000个组件，提供100 PFLOPS AI算力，为上代5倍。
网络层面，ConnectX-9为每GPU提供1.6 Tbps横向带宽；BlueField-4 DPU卸载存储与安全任务；计算托盘实现「无缆线、无水管、无风扇」设计；第六代NVLink交换互联18节点，支持72颗Rubin GPU像单一GPU协同工作；向外延伸至Spectrum-X光子以太网，512通道、200G共封装光学互联，支撑万级机柜级「AI工厂」。
图片来源：英伟达
面对摩尔定律放缓，英伟达打破内部「每代最多换两颗芯片」的约束，全面启用co-design（协同设计）：Rubin GPU浮点性能为Blackwell的5倍，晶体管数量仅1.6倍，性能提升主要来自架构与系统级优化。
为解决AI上下文记忆瓶颈，英伟达推出机柜内超高速KV cache存储平台：由BlueField DPU统一管理上下文，就近部署于GPU旁。单GPU上下文空间从约1TB扩展至17TB；单BlueField挂载150TB级上下文存储，通过东西向高速织网互联——这已非简单扩容，而是新增一类存储层级。
图片来源：英伟达
新平台具备三大系统级能力： - 水冷效率大幅提升，45℃温水即可冷却，预计节省全球数据中心约6%电力； - 全链路机密计算：传输中、静止时、计算中全程加密，覆盖PCIe、NVLink、CPU-GPU互联； - 电力平滑技术：消除AI负载瞬时尖峰（最高25%），供电预算利用率接近100%。
图片来源：英伟达
在10万亿参数、100万亿token的典型训练任务中，Rubin仅需Blackwell四分之一的系统规模，即可在相同周期内完成训练。
图片来源：英伟达
Rubin相较Hopper、Blackwell的连续跃迁，配合token成本再降一个数量级，正是英伟达「将所有人推向下一前沿」的核心策略。
黄仁勋总结：英伟达已从芯片公司，成长为覆盖芯片、基础设施、模型、应用的「全栈AI公司」；而AI正在重写全球计算栈，其使命就是把整套新栈构建出来，供全球开发者打造应用。
图片来源：英伟达
在消费电子主舞台CES上占据核心位置，标志着英伟达已成为一种「情绪资产」：乐观时被视为AI时代的石油，悲观时被类比为2000年的思科。其市值之巨，已使单日涨跌直接影响市场整体体感。
当一家公司同时掌控技术叙事、产业链关键位、金融市场注意力时，它便升华为行业图腾。图腾带来信仰溢价，也意味着零容错压力。
英伟达能否持续屹立？可能性始终存在。但更值得重视的是其应对策略：加速从「卖芯片」转向「建生态」。当硬件、网络、调度、工具链全部自主可控，领先优势就不再是单代GPU的算力差距，而是系统级复杂度带来的生态摩擦壁垒——对手即便追平算力，也难以跨越整个技术栈的协同门槛。