在拉斯维加斯 CES 2026 的舞台上，黄仁勋站在聚光灯下，背后的巨幕打出 “计算的炼金术” 六个大字。这位英伟达创始人用平静却坚定的语气宣告：“每隔十年到十五年，计算行业会迎来新的平台变革。但这次，是两个。” 加速计算与生成式 AI 的双重浪潮，正以不可逆转之势重塑全球技术栈与经济格局。
这场演讲不仅是一次技术发布会，更是一份面向未来的经济宣言 —— 价值 10 万亿美元的计算产业现代化进程，正由物理 AI 革命与极致协同的超级计算平台共同驱动，人类即将迈入由 AI 定义的新工业时代。
双重革命：计算与应用的范式转移
（一）技术栈重构：从代码到模型的根本转变
工业革命以来，人类从未停止对计算效率的追求，但直到近年，计算行业才迎来真正的范式转移。黄仁勋在演讲中清晰勾勒出这场变革的核心轮廓：传统计算以 CPU 为核心，软件通过预编译代码运行，应用场景被严格界定；而新范式下，GPU 成为算力引擎，软件不再是固定代码，而是可训练、可进化的 AI 模型，每个像素与 Token 都能实时生成。这种转变并非简单的技术升级，而是对整个计算生态的 “全面重构”。
经济学视角看，这场重构本质上是生产要素的革命。过去，软件研发依赖程序员的编码劳动，边际成本随功能复杂度递增；如今，模型训练通过数据与算力的结合实现智能涌现，边际成本随规模扩大持续递减。英伟达的数据显示，全球已有超过 10 万亿美元的计算价值正在向 AI 方法转移，这一数字相当于全球 GDP 的 10%，印证了熊彼特 “创造性破坏” 理论在数字时代的生动实践 —— 传统软件开发模式正在被 AI 原生模式替代，新的产业生态正在废墟之上崛起。
（二）两大平台变革的协同效应
加速计算与生成式 AI 的双重变革并非孤立存在，而是形成了强大的协同效应。加速计算为生成式 AI 提供了必要的算力基础，使得万亿参数模型的训练与推理成为可能；生成式 AI 则为加速计算创造了海量应用场景，从语言交互到物理模拟，从药物研发到工业制造，算力需求呈指数级增长。这种 “算力供给 - 应用需求” 的正向循环，构成了新计算经济的核心引擎。
黄仁勋将这种协同效应比作 “炼金术”：“计算的本质是将数据转化为价值，而加速计算与生成式 AI 的结合，让这种转化效率实现了质的飞跃，就像将铅炼成黄金。” 数据可以佐证这一观点：2025 年全球 AI 算力需求同比增长 300%，其中生成式 AI 贡献了 60% 的增量；而加速计算技术的突破，使得相同算力成本下的 AI 训练效率提升了 5 倍。这种协同带来的不仅是技术进步，更是经济增长模式的转变 —— 从依赖人力投入的线性增长，转向依赖技术创新的指数增长。
物理 AI：从屏幕到现实的工业革命
（一）物理 AI 的核心突破：填补数据与常识鸿沟
长期以来，AI 的智能局限于屏幕之内，缺乏对物理世界的基本认知。黄仁勋在演讲中尖锐地指出：“因果关系、惯性、摩擦力、重力，这些幼儿都懂的物理常识，对 AI 来说完全未知。” 这种 “常识鸿沟” 背后，是真实世界数据的稀缺性难题 —— 物理 AI 训练需要海量场景数据，但真实数据的收集过程缓慢、昂贵且永远无法满足所有场景需求。
为解决这一痛点，英伟达提出了物理 AI 的 “三位一体架构”：训练计算机、推理计算机与模拟计算机的协同工作，其中模拟计算机是 “一切的基础”。黄仁勋强调：“如果没有模拟能力，AI 无法感知物理世界对动作的反馈，无法评估效果。” 基于这一架构，英伟达推出了 COSMOS 世界基础模型 —— 被称为物理 AI 的 “ChatGPT 时刻”。该模型能够基于物理规律，按需生成无限多样的合成数据，彻底摆脱了对真实数据的依赖。
从产业经济角度看，COSMOS 模型的出现打破了物理 AI 发展的 “数据瓶颈”，降低了 AI 进入实体产业的门槛。以自动驾驶为例，传统路测需要耗费数亿英里的真实道路数据，成本高达数百亿美元；而通过 COSMOS 模拟，仅需数万亿英里的虚拟路测即可覆盖所有极端场景，成本降低 90% 以上。这种成本结构的优化，使得 AI 技术能够快速渗透到汽车、制造、机器人等实体产业，推动数字经济与实体经济的深度融合。
（二）AI 代理系统：超越记忆走向推理
物理 AI 的另一核心突破是 AI 代理系统（Agent Systems）的崛起。黄仁勋将其定义为 “超越记忆，走向推理” 的智能形态 —— 具备规划、执行、研究与使用工具能力的 AI 代理，正在成为物理世界交互的核心载体。与传统 AI 只能执行预设任务不同，AI 代理能够自主理解复杂需求，分解任务目标，选择合适工具，完成从决策到执行的全流程闭环。
智能体路由（Agent Routing）技术的出现，进一步放大了 AI 代理的能力边界。黄仁勋解释道：“一个模型远远不够，未来是专家的组合。” 该技术通过一个智能路由中枢，将复杂任务分配给不同领域的专家模型 —— 开源 LLM、专有 LLM、视觉模型、生物模型、代码模型等，形成混合模型架构，实现跨领域、跨模态的智能协同。这种架构类似于经济中的 “专业化分工”，通过细分领域的高效协作，实现整体系统的最优性能。
个人 AI 助手 “RICCI” 的案例生动展示了 AI 代理的应用价值。作为英伟达的技术演示，RICCI 能够管理日程、从草图生成建筑渲染图、控制机器人，其技术栈融合了本地 DGX 服务器、云端 API 与开源模型，通过智能体路由实现多任务协同。从经济学角度看，RICCI 代表了 “个性化生产力工具” 的未来形态 —— 每个用户都能拥有专属的 AI 助手，将重复劳动自动化，释放创造性潜能。这种生产力的提升并非个体层面的优化，而是整个社会生产效率的革命，正如工业革命时期的蒸汽机将人类从体力劳动中解放出来，AI 代理正在将人类从脑力劳动的重复环节中解放出来。
（三）从自动驾驶到万物机器人：物理 AI 的产业落地
物理 AI 的产业化落地，首先从自动驾驶开始。英伟达与梅赛德斯 - 奔驰的战略合作，计划在 2026 年第一季度让搭载 Alpha Mayo AI 系统的车辆全球上路，预计总量将达到 1 亿辆。Alpha Mayo 作为全球首个推理型 AI，能够实现端到端训练，从摄像头输入直接输出行动决策，并推理行动背后的原因，彻底解决了传统自动驾驶的 “长尾场景难题”。
黄仁勋用一组对比鲜明的数据阐释了 Alpha Mayo 的革命性：“传统方法无法收集所有场景，但 AI 可以推理所有场景。” 传统自动驾驶系统依赖海量标注数据，对未见过的极端场景无法应对；而 Alpha Mayo 通过物理规律推理与模拟训练，能够处理 99.9% 的长尾场景，使自动驾驶的安全系数提升 10 倍。更重要的是，车辆将通过持续 OTA 更新，实现智能的不断进化，形成 “数据 - 训练 - 优化” 的闭环，这意味着每一辆上路的汽车都在为整个系统的迭代贡献价值，构成了网络效应的正向循环。
自动驾驶的技术范式正在向所有机器人系统延伸。黄仁勋提出 “从轮式机器人到万物机器人” 的蓝图 —— 自动驾驶的感知、决策、控制技术，将应用于工业机器人、服务机器人、医疗机器人等所有物理交互设备，开启 “机器人产业的黄金时代”。英伟达的 OMNIVERSE 平台与 ISAAC SIM 仿真工具，为机器人研发提供了物理级精准的仿真环境，能够生成海量合成数据，使机器人在虚拟世界中完成训练后，直接应用于现实场景。这种 “虚拟训练 - 现实部署” 的模式，将机器人研发周期缩短 70%，成本降低 80%，极大地加速了产业规模化进程。
超级计算平台：VERA RUBIN 的协同革命
（一）AI 算力的指数级挑战与解决方案
AI 技术的快速发展，带来了算力需求的指数级增长。黄仁勋在演讲中公布了一组触目惊心的数据：模型规模每年增长 10 倍，推理思考令牌生成量每年增长 5 倍，而 AI 令牌成本下降压力每年达到 10 倍。这种 “增长与成本” 的矛盾，使得传统计算架构不堪重负 —— 晶体管年度增长上限仅为 1.6 倍，远无法满足 AI 性能的增长需求。“传统之路已尽，” 黄仁勋强调，“如果行业要继续进步，除非部署激进的极端协同设计。”
VERA RUBIN 平台正是在这一背景下应运而生。该平台灵感源自天文学家薇拉・鲁宾发现的宇宙暗物质，旨在解决计算世界中 “看不见的艰巨挑战”。作为英伟达历时多年、投入 15000 工程师年打造的超级计算平台，VERA RUBIN 通过极致协同设计，实现了算力的跨越式提升。其核心创新在于 “全栈协同”—— 从芯片到系统，从硬件到软件，每个组件都为 AI 计算量身定制，形成了无懈可击的算力生态。
从经济学角度看，VERA RUBIN 平台的出现，本质上是应对 “算力稀缺性” 的创新。在 AI 时代，算力已成为与土地、资本、劳动力同等重要的生产要素，而算力供给的增长速度直接决定了 AI 产业的发展上限。VERA RUBIN 通过协同设计突破物理极限，将算力供给提升到新的水平，为 AI 产业的持续增长提供了保障。正如工业革命时期的蒸汽机解决了动力稀缺问题，VERA RUBIN 正在解决算力稀缺问题，成为新工业时代的核心基础设施。
（二）VERA RUBIN 的技术解构与经济价值
VERA RUBIN 平台的技术架构堪称 “计算工程的艺术品”。每个计算模块集成 2 颗 VERA CPU、4 颗 RUBIN GPU、8 颗 CONNECTX-9 NIC 与 4 颗 BLUEFIELD-4 DPU，实现 100 PFLOPS 的 AI 算力，相当于 100 万台高端服务器的算力总和。其零线缆设计（零线缆、零软管、零风扇）与 100% 直接液冷技术，彻底颠覆了传统数据中心的物理形态，使硬件效率达到前所未有的高度。
RUBIN GPU 作为算力引擎，实现了超越物理定律的性能飞跃。与上一代 Blackwell 相比，其晶体管数量增长 5 倍，浮点性能提升 1.6 倍，更重要的是搭载了 MVF P4 张量引擎，能够通过硬件级自适应精度，在处理器内部动态调整精度与结构，无需软件干预即可实现吞吐量与精度的最佳平衡。这种硬件创新直接转化为经济价值 —— 相同算力需求下，RUBIN GPU 的能耗降低 50%，成本下降 40%，使 AI 训练的单位成本大幅降低。
VERA CPU 作为为 AI 超级计算机定制的大脑，同样展现出革命性的性能。与上一代 Grace 相比，其每瓦性能提升 2 倍，拥有 88 核 / 176 线程，通过空间多线程技术，每个线程均可获得完整性能。其惊人的 I/O 性能专为 GPU 间的高速数据共享而生，重新定义了数据流的传输效率。在 AI 计算中，数据传输延迟往往是性能瓶颈，VERA CPU 的 I/O 优化使得 GPU 间数据共享速度提升 3 倍，整体系统效率提升 25%，这意味着训练一个万亿参数模型的时间从数月缩短至数周，极大地加速了技术迭代周期。
网络与数据处理的创新，进一步放大了 VERA RUBIN 的经济价值。平台的上半部分采用 NVLINK 6 交换机构建 “机架内神经”，实现 240 TB/s 的传输速度，是全球互联网总带宽的 2 倍以上；下半部分通过 SPECTRUM-X AI 以太网实现 “AI 工厂互联”，使网络吞吐性能提升 25%，而网络成本趋近于零。BLUEFIELD-4 DPU 则通过卸载虚拟化、安全、存储等非 AI 任务，使 GPU 能够专注于纯粹的 AI 计算，释放了 30% 的算力资源。这些创新共同构成了 “算力 - 数据 - 网络” 的协同优化，使数据中心的投入产出比提升 10%—— 对于一个 50 亿美元的数据中心，这意味着 5 亿美元的价值增量。
（三）全球 AI 工厂的基础设施革命
VERA RUBIN 平台已全面投产，成为全球 AI 工厂的核心基础设施。亚马逊 AWS、微软 Azure、谷歌 Cloud、戴尔科技、联想等全球顶级科技企业，均已采用 VERA RUBIN 构建 AI 超级计算机。黄仁勋自豪地表示：“VERA RUBIN 是全球 AI 工厂的唯一选择。” 这些 AI 工厂正在成为新工业时代的 “发电厂”，为物理 AI 的产业化提供源源不断的算力支持。
从产业经济视角看，VERA RUBIN 平台的普及正在推动 “算力工业化” 进程。过去，算力供给呈现分散化、小规模特征，难以满足大规模 AI 模型的训练需求；如今，VERA RUBIN 通过标准化、模块化设计，实现了算力的规模化生产与供应。每个 VERA RUBIN 计算模块的算力相当于一座传统超算中心，而其部署成本仅为传统超算中心的 1/10，这种 “规模化降本” 效应使得中小企业也能获得以前只有科技巨头才能负担的算力资源，极大地促进了 AI 创新的民主化。
更重要的是，VERA RUBIN 平台正在重塑数据中心的经济学模型。传统数据中心的成本结构中，硬件、电力、冷却各占三分之一；而 VERA RUBIN 通过直接液冷技术与零线缆设计，将电力与冷却成本降低 50%，使硬件成本占比提升至 80%，形成了 “硬件主导、效率优先” 的成本结构。这种结构优化使得数据中心的 ROI（投资回报率）从传统的 3-5 年缩短至 1-2 年，吸引了大量资本涌入算力基础设施领域。据统计，2026 年全球 AI 数据中心投资将达到 1 万亿美元，其中 60% 将用于 VERA RUBIN 相关的硬件部署，这一投资热潮正在带动半导体、冷却系统、网络设备等上下游产业的繁荣。
开源生态与产业协同：新工业时代的经济格局
（一）开源崛起：创新的民主化浪潮
在 AI 模型领域，开源正在成为主流趋势。黄仁勋在演讲中强调 “开源崛起，创新在每一家公司、每个行业同时被激活”。英伟达构建了强大的开源模型矩阵，涵盖语言、生物学、物理世界等多个领域：Nemo Tron 3 采用混合 SSM 架构，实现极速推理；OpenFold 3 能够理解蛋白质结构与生成，推动药物研发革命；ForecastNet 革新了天气预测方式，使短期气象预报准确率提升 20%。
开源模型的崛起具有深刻的经济逻辑。首先，开源降低了 AI 技术的使用门槛，中小企业无需投入巨额研发成本即可获得先进模型，通过微调适配自身需求，这极大地扩大了 AI 技术的应用范围，形成了 “普惠性创新” 的生态。其次，开源社区的协作模式加速了技术迭代，全球开发者共同参与模型优化，使漏洞修复与功能升级的速度提升数倍，形成了 “集体智慧” 的创新网络。最后，开源模型的透明性与可定制性，解决了企业对专有模型的信任问题，使 AI 技术能够更快速地融入核心业务流程。
英伟达的开源战略并非简单的技术共享，而是构建了 “开源 + 商业” 的双轮驱动模式。企业可以免费使用开源模型进行初步开发，当需要更高性能、更安全保障或定制化服务时，再选择英伟达的商业解决方案。这种模式既扩大了开源生态的影响力，又为企业创造了可持续的收入来源，形成了 “生态繁荣 - 商业变现” 的正向循环。数据显示，英伟达开源模型的全球下载量已达数百万次，带动商业定制服务收入年增长 150%，印证了开源生态的商业价值。
（二）全产业链协同：从芯片到应用的生态闭环
英伟达的成功并非孤立的技术突破，而是全产业链协同的结果。黄仁勋在演讲中展示了一张涵盖全球科技巨头的合作网络 —— 从芯片制造的台积电、三星，到硬件设备的戴尔、联想，再到软件平台的微软、谷歌，以及行业应用的西门子、梅赛德斯 - 奔驰，英伟达通过 AI 全栈技术整合，构建了覆盖 “芯片 - 基础设施 - 模型 - 应用” 的完整生态闭环。
这种生态协同的经济价值在于 “降低交易成本，提升协同效率”。以英伟达与西门子的战略合作为例，双方将 NVIDIA AI 全栈集成到西门子的设计、生产、运营全生命周期流程中，打造 “未来工厂 = 巨型机器人” 的全新模式。在这一模式下，工厂的每个环节都通过 AI 实现智能化升级：设计阶段通过物理模拟优化产品结构，生产阶段通过机器人协同实现柔性制造，运营阶段通过数据分析实现精准调度。这种全流程的智能化协同，使工厂生产效率提升 40%，能耗降低 30%，产品研发周期缩短 50%。
从产业经济学角度看，英伟达的生态闭环构建了 “核心技术主导的产业集群”。英伟达作为生态核心，通过芯片与软件平台的技术优势，吸引上下游企业加入生态，形成了围绕 AI 技术的产业集群。这种产业集群的协同效应，使得集群内企业的创新成本降低、市场响应速度提升，形成了 “集群竞争力” 的放大效应。数据显示，英伟达生态系统已涵盖超过 1 万家企业，创造了数百万个就业岗位，贡献了全球 AI 产业收入的 60%，成为新工业时代产业集群的典范。
（三）跨行业赋能：AI 成为全球经济的增长引擎
AI 技术的跨行业赋能，正在成为全球经济增长的新动力。英伟达的 AI 技术已渗透到汽车、制造、医疗、金融、能源等多个行业，通过物理 AI 与超级计算平台的结合，为每个行业带来了革命性的效率提升。
在医疗行业，OpenFold 3 模型能够快速解析蛋白质结构，使药物研发的周期从数年缩短至数月。传统药物研发平均成本高达 28 亿美元，成功率仅为 10%；而通过 AI 辅助设计，研发成本可降低 50%，成功率提升至 30%，极大地加速了新药上市进程。在能源行业，ForecastNet 模型的天气预测能力，使风电与光伏电站的发电量预测准确率提升 20%，减少了能源浪费，使可再生能源的并网效率提升 30%。在金融行业，AI 代理系统能够实现智能投顾、风险控制与客户服务的全流程自动化，使金融机构的运营成本降低 25%，服务响应速度提升数倍。
这些跨行业的应用案例，印证了 AI 技术作为 “通用目的技术” 的经济价值。通用目的技术是指能够渗透到多个行业、推动全要素生产率提升的基础技术，如工业革命时期的电力、信息革命时期的互联网。AI 技术正以通用目的技术的形态，重塑各个行业的生产函数，推动全球经济进入 “AI 驱动增长” 的新阶段。据麦肯锡预测，到 2030 年，AI 技术将为全球经济贡献 13 万亿美元的额外产出，其中物理 AI 与超级计算平台的协同将贡献 60% 的增量，这一数字相当于当前中国 GDP 的总量，彰显了 AI 技术对全球经济的深远影响。
未来展望：计算炼金术的无限可能
（一）技术演进：突破物理极限的持续创新
黄仁勋在演讲的结尾部分，描绘了 AI 技术的未来演进方向。在算力层面，VERA RUBIN 平台的下一代技术已在研发中，目标是实现算力再提升 10 倍，能耗再降低 50%，通过更先进的协同设计与材料科学突破，突破物理定律的限制。在模型层面，AI 将从 “感知 - 推理” 向 “意识 - 创造” 进化，具备更强的自主决策能力与创造性思维，能够解决更复杂的科学问题与工业挑战。在交互层面，“系统本身就是交互界面” 的理念将成为现实，用户不再需要通过菜单或命令行与系统交互，而是通过自然语言、手势、表情等多模态方式，与 AI 系统实现无缝协作。
这些技术演进的背后，是 “计算炼金术” 的核心逻辑 —— 将算力、数据与算法的结合发挥到极致，不断将不可能变为可能。黄仁勋强调：“计算的本质是探索未知，我们的目标是让 AI 成为人类探索宇宙、解决全球挑战的最强工具。” 从经济学角度看，这种持续的技术创新将不断推高生产可能性边界，为全球经济带来源源不断的增长动力。
（二）经济影响：重塑全球产业格局与竞争优势
AI 技术的持续演进将重塑全球产业格局与国家竞争优势。在产业层面，传统产业将加速向智能化转型，高附加值、低能耗、高效率的产业形态将成为主流，而落后的生产模式将被淘汰，形成 “AI 驱动的产业升级” 浪潮。在国家层面，算力基础设施的部署规模与 AI 技术的应用深度，将成为衡量国家竞争力的核心指标，各国将围绕算力、数据、人才等核心资源展开竞争与合作，形成新的全球经济秩序。
对于企业而言，AI 技术将成为核心竞争力的关键要素。那些能够快速拥抱 AI 技术、融入 AI 生态的企业，将获得先发优势，实现跨越式发展；而那些固守传统模式、忽视技术变革的企业，将面临被市场淘汰的风险。这种 “AI 红利” 的分配，将加剧企业间的分化，形成 “强者恒强” 的竞争格局，但同时也为中小企业提供了通过差异化创新实现弯道超车的机会。
（三）社会意义：平衡创新与责任的可持续发展
黄仁勋在演讲中也强调了 AI 技术的社会责任：“技术的终极目标是造福人类，我们必须在创新与责任之间找到平衡。” 物理 AI 与超级计算平台的发展，不仅带来了经济增长，也带来了就业结构变化、数据安全、算法公平等社会挑战。英伟达通过双堆栈安全冗余、多租户安全隔离等技术，保障 AI 系统的安全性与可追溯性；通过开源生态与普惠性创新，降低技术鸿沟；通过与学术界、政府机构的合作，推动 AI 伦理准则的制定与落地。
从长期来看，AI 技术的可持续发展需要 “技术创新 + 制度保障” 的双重支撑。技术创新为经济增长提供动力，制度保障为社会公平提供支撑，只有二者协同发展，才能实现 AI 技术的良性演进，让计算的炼金术真正造福人类。黄仁勋在演讲的最后呼吁：“我们站在新工业革命的起点，这是一场由 AI 驱动的革命，也是一场需要全球合作的革命。让我们携手打造一个更智能、更可持续、更公平的未来。”
CES 2026 上黄仁勋的演讲，不仅展示了英伟达的技术实力与战略布局，更揭示了一个新时代的到来 —— 计算的炼金术正在将数据转化为价值，将 AI 融入物理世界，将协同创新转化为产业竞争力。加速计算与生成式 AI 的双重革命，物理 AI 与超级计算平台的协同演进，开源生态与产业协同的生态闭环，共同构成了新工业时代的核心驱动力。
从经济学视角看，这场革命的本质是 “生产方式的智能化转型”—— 人类社会正在从 “人力驱动”“资本驱动” 向 “AI 驱动” 的生产方式转变，生产力水平将实现质的飞跃。这种转型并非一蹴而就，而是一个充满挑战与机遇的长期过程，需要技术创新的持续突破，需要产业生态的协同进化，需要制度保障的不断完善。
正如黄仁勋所言：“计算的炼金术不是魔法，而是人类智慧与技术创新的结晶。” 在这场革命中，英伟达不仅是技术的引领者，更是生态的构建者与责任的承担者。未来已来，计算的炼金术将继续创造奇迹，推动人类社会迈入一个更智能、更繁荣、更可持续的新时代。而对于每个企业、每个个人而言，拥抱这场革命，参与这场创新，将是把握未来的关键所在。
