出品 | CSDN（ID：CSDNnews）

北京時間 2026 年 3 月 17 日凌晨，圣何塞 SAP Center 里，黃仁勛穿著那件標(biāo)志性的皮衣上臺，幾句開場白之后，這場 GTC 就直接進入了高密度模式。

和隔著直播看完全不是一回事。我們這次直擊現(xiàn)場，CSDN 創(chuàng)始人兼董事長蔣濤、奇點智能研究院院長兼 CSDN 高級副總裁李建忠?guī)ш犛H赴硅谷 GTC 2026 大會現(xiàn)場。為你帶回關(guān)于全球 AI 計算和英偉達(dá)戰(zhàn)略的系列現(xiàn)場報道和深度解讀。

現(xiàn)象最直觀的感受不是“信息量很大”，而是黃仁勛對整場敘事節(jié)奏的控制：

CUDA 二十周年、Vera Rubin、光子互連、AI Factory、Agentic AI、NemoClaw、OpenClaw、數(shù)字孿生、Physical AI、雪寶走進現(xiàn)實……任何一個單拎出來都夠做 headline。

在現(xiàn)場看這場演講，會更容易意識到黃仁勛演講的情緒帶動能力。他其實并不是靠一次性拋出了多少新詞，而是把這些東西講成了一條完整的線：

從 GeForce 到 CUDA，從 CUDA 到深度學(xué)習(xí)，從深度學(xué)習(xí)到 Token 經(jīng)濟，從 Token 經(jīng)濟到 Agent，再從 Agent 走向機器人和物理世界。

老黃在這場演講里，宣告了 SaaS 的死亡，揭幕了風(fēng)云莫測的 Agent 時代。

AI 的下一階段，不是更會聊天，而是開始真正干活。

CUDA 二十周年：那個“讓 GPU 可編程”的賭注

黃仁勛這次沒有一上來就報新品，而是先把時間撥回了 1999 年。

那一年，NVIDIA 做出了 GeForce 256，也就是后來被它定義為“世界上第一塊 GPU”的產(chǎn)品。對普通用戶來說，它改變的是 PC 游戲；但對黃仁勛來說，它更像是一個起點：GPU 天生適合處理那些可以被拆成海量小任務(wù)、并行執(zhí)行的問題。

真正改變一切的，是 2006 年CUDA的發(fā)布。

從那一刻開始，GPU 不再只是用來渲染圖形的顯卡，而變成了一臺可以被程序員直接調(diào)用的通用并行計算機器。開發(fā)者不需要再把自己的數(shù)據(jù)偽裝成圖形紋理，也不需要再繞著圖形管線寫各種技巧，終于可以正大光明地在 GPU 上寫程序。

這件事的影響，遠(yuǎn)遠(yuǎn)超過了一代芯片升級。

分子動力學(xué)、流體模擬、地震處理、金融建模，這些原本就高度適合并行化的問題，一下子找到了真正匹配它們的底層平臺。更重要的是，NVIDIA 沒有把 CUDA 只做成一個接口，而是圍繞它慢慢長出了一整個軟件生態(tài)：cuBLAS、cuFFT、cuDNN、TensorRT……不同領(lǐng)域的人不需要從零掌握 GPU 編程，也能借助這些庫，把自己的應(yīng)用真正跑起來。

這就是黃仁勛反復(fù)講的——CUDA飛輪。

更多庫，帶來更多開發(fā)者；更多開發(fā)者，帶來更多應(yīng)用；更多應(yīng)用，推動更多 GPU 部署；更多部署，再反過來支持更多研發(fā)。

二十年轉(zhuǎn)下來，CUDA 已經(jīng)不只是一個工具鏈，而像是加速計算時代的一套底層操作系統(tǒng)。

NVIDIA 最深的護城河并不是某塊芯片，而是 CUDA 構(gòu)筑的軟件生態(tài)。

說得更直白一點：芯片可以追，參數(shù)可以抄，但二十年積累下來的開發(fā)生態(tài)、庫、工作流和開發(fā)者習(xí)慣，不是說追就能追上的。

如果你也在關(guān)注 AI 計算、Agent 以及 NVIDIA 路線圖，歡迎掃碼加入 GTC 2026 交流群，查看大會直播視頻回放！

Geoffrey Hinton 賭對了，NVIDIA 也賭對了

講完 CUDA，黃仁勛把時間線拉到了 2012 年。

那一年，Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 用兩塊 NVIDIA GTX 580 訓(xùn)練出 AlexNet，橫掃 ImageNet。現(xiàn)代深度學(xué)習(xí)時代，就是從那一刻真正開始加速的。

這段歷史今天看起來像常識，但在當(dāng)年并不是。學(xué)術(shù)界對神經(jīng)網(wǎng)絡(luò)長期充滿懷疑，真正一路堅持下來的人并不多，Geoffrey Hinton 就是其中最關(guān)鍵的一個。

黃仁勛提到，Hinton 當(dāng)年押的是一個看似樸素、但當(dāng)時并不主流的判斷：只要數(shù)據(jù)足夠多，算力足夠大，神經(jīng)網(wǎng)絡(luò)就會不斷變強。后來的歷史證明，他賭贏了。

而 NVIDIA 押的是另一件事：如果深度學(xué)習(xí)成立，那 GPU 就會成為它最重要的底座。

事實也確實如此。

AlexNet 之后，NVIDIA 做出了cuDNN，后來幾乎所有主流深度學(xué)習(xí)框架都繞不開它。再往后，從 AlexNet 的 6000 萬參數(shù)，到 GPT-3 的 1750 億，再到今天萬億級別的模型，模型在變，框架在變，但那套“更多算力、更多數(shù)據(jù)、更大模型”的邏輯一直沒變。

NVIDIA 不是在 ChatGPT 時代突然變重要，它只是提前二十年把路修好了。

而對于這其中的核心——數(shù)據(jù)，黃仁勛的判斷是，企業(yè)里的兩類數(shù)據(jù)，其實扮演著完全不同、但同樣關(guān)鍵的角色：

● 結(jié)構(gòu)化數(shù)據(jù)，是 AI 的基本事實

● 非結(jié)構(gòu)化數(shù)據(jù)，是 AI 的上下文

數(shù)據(jù)庫、表格、交易記錄、庫存數(shù)據(jù)，這些結(jié)構(gòu)化信息是企業(yè)過去幾十年最穩(wěn)定、最可靠的資產(chǎn)。AI 真正補上的，不是把這些東西替代掉，而是讓機器終于有能力去理解圍繞它們的那些非結(jié)構(gòu)化信息——文檔、郵件、圖片、合同、對話、代碼、視頻。

所以結(jié)構(gòu)化數(shù)據(jù)和 AI 不是對立關(guān)系，恰恰相反，AI 會讓結(jié)構(gòu)化數(shù)據(jù)更值錢。

結(jié)構(gòu)化數(shù)據(jù)像骨架，非結(jié)構(gòu)化數(shù)據(jù)像血肉，而 AI 像是把這一切串起來的大腦。三者不是替代關(guān)系，而是組合關(guān)系。

這對企業(yè)來說是個很重要的判斷：過去二十年積累下來的信息資產(chǎn)不會因為 AI 到來而失效，反而會因為新一代模型的理解能力變得更有價值。

AI 的真正爆發(fā)點，不再是訓(xùn)練，而是推理

接下來，黃仁勛把敘事重心從“過去二十年”切到“未來五年”。

這里有一個非常關(guān)鍵的判斷：

AI 的重心，正在從訓(xùn)練轉(zhuǎn)向推理。

而且，他沒有只從技術(shù)角度講這件事，而是給了一個很有沖擊力的視角：Token Economics。

AI 經(jīng)濟的基本單位就是 Token。用戶輸入的是 Token，模型處理的是 Token，最后輸出的也是 Token。于是 AI 的成本、收入、吞吐量，最后都落到同一個問題上：能以多快的速度、用多高的效率，生產(chǎn)出多少 Token。

這里最關(guān)鍵的變量，是 Token 消耗量正在急劇膨脹。

從 ChatGPT 到 o1，再到 Claude Code，單個任務(wù)的 Token 消耗已經(jīng)不是翻倍，而是直接增長了四個數(shù)量級。

原因也很簡單：過去那種一問一答的聊天式 AI，只是最輕量的一層。真正的 Agentic AI，一次任務(wù)里會不斷思考、拆解、試錯、調(diào)用工具、執(zhí)行子任務(wù)，它消耗的 Token 規(guī)模和傳統(tǒng)對話完全不是一個量級。

這也是為什么黃仁勛會反復(fù)強調(diào)一個說法：未來的數(shù)據(jù)中心，不再只是存儲和檢索數(shù)據(jù)的地方，而是生產(chǎn) Token 的工廠。

也就是他這幾年一直在推的概念：AI Factory。

黃仁勛真正要賣的是 Vera Rubin+ LPX

講到這里，黃仁勛才正式把話題帶進這次 GTC 的硬件主菜。

他先給 Blackwell 下了一個非常重的定義：它不只是 NVIDIA 歷史上最成功的產(chǎn)品發(fā)布，甚至可能是整個計算產(chǎn)業(yè)史上最成功的一次發(fā)布。

這句話聽起來很狂，但放在今天 AI 基礎(chǔ)設(shè)施的供需關(guān)系里，也并不完全夸張。Blackwell 已經(jīng)全面量產(chǎn)，幾乎所有主要云廠商和 AI 公司都在圍繞它部署。

但這場 GTC 當(dāng)然不是一場慶功會。

Blackwell 再成功，也只是承前啟后的一代。真正要接住Agentic AI這波需求爆炸的，是下一代架構(gòu)：Vera Rubin。

這次黃仁勛又拿出了去年那張性能曲線圖，甚至還順手調(diào)侃了一下——大概只有 NVIDIA 的 Keynote，才會把去年的圖再拿出來講一遍。

但重點并不是復(fù)讀，而是把問題講得更清楚了：

未來 AI 推理不能只看“模型能不能跑”，而要看“以什么成本、以什么交互速度跑”。

圖的縱軸，本質(zhì)上是在看單位電力能產(chǎn)出多少 Token；橫軸，本質(zhì)上是在看每個用戶能以多快速度拿到結(jié)果。

如果把這兩個指標(biāo)放在一起看，就會明白黃仁勛真正要表達(dá)的事：AI 服務(wù)會像云服務(wù)一樣分層，從免費，到中檔，到高端，再到超高端。模型越大、上下文越長、交互越快，底層硬件代際差異就越致命。

Rubin 的價值，不只是把 benchmark 做高，而是讓那些原本“算不過來、也賺不過來”的高端推理服務(wù)，真正變成一門商業(yè)上可成立的生意。

如果說 Vera Rubin 是下一代引擎，那么LPX才是這部分真正的殺招。

黃仁勛給出的名字是Groq 3 LPX。

不管外界之后怎么進一步解讀這個命名，在 Keynote 的語境里，它最重要的意義只有一個：NVIDIA 正在把大規(guī)模 AI 系統(tǒng)的芯片互連，從銅推向光。

這件事為什么重要？

因為當(dāng)系統(tǒng)規(guī)模做到 NVL72 這種級別之后，瓶頸早就不只是單塊 GPU 的算力，而是整個系統(tǒng)內(nèi)部到底能不能高速、低功耗、長距離地通信。銅線當(dāng)然可以繼續(xù)用，但功耗、熱量、距離，都會越來越快地碰到邊界。光子互連打開的，恰恰是更大規(guī)模 AI 系統(tǒng)的上限。

黃仁勛最擅長做的一件事，就是把一個底層技術(shù)變化，直接翻譯成商業(yè)結(jié)果。

加上 LPX 之后，在高價值的 Premium 場景里，Vera Rubin + LPX 相比 Blackwell，性能效率可以拉到35 倍。

而同樣是一吉瓦電力，Blackwell 時代大概能對應(yīng)數(shù)百億美元量級的年度收入，而到了 Vera Rubin + LPX 這一代，這個數(shù)字被直接拉到了3000 億美元。

這當(dāng)然有黃仁勛一貫擅長的放大表達(dá)，但它背后的邏輯并不復(fù)雜：

● 交互速度更高

● 上下文更長

● Agent 工作流更復(fù)雜

● 高客單價 AI 服務(wù)終于跑得動

● 單位電力產(chǎn)出的商業(yè)價值被成倍放大

最后落到一句最樸素的話上：

能效就是錢。

NVIDIA 現(xiàn)在連路線圖都開始像軟件公司了

接下來是 roadmap。這是慣例，畫完今年的餅，就會畫下一年的餅，確保訂單量源源不斷。

但這次路線圖真正值得關(guān)注的，不是單純“2025 是誰、2026 是誰、2027 是誰”，而是黃仁勛傳遞出來的節(jié)奏感：

NVIDIA 現(xiàn)在是按“一年一代”的速度在往前推。

● 2025：Blackwell

● 2026：Vera Rubin

● 2027：Vera Rubin Ultra

● 2028：Feynman

如果熟悉半導(dǎo)體行業(yè)，就會知道這有多兇。傳統(tǒng)意義上的大架構(gòu)切換，并不是這個速度。黃仁勛等于是在向所有云廠商、AI 公司和資本市場發(fā)信號：

別再用傳統(tǒng)芯片周期去理解 NVIDIA 了。未來幾年，它會像軟件公司迭代版本一樣，持續(xù)往前壓硬件路線圖。

這也是為什么今天越來越多的云廠、國家級算力項目和資本支出計劃，都得圍著 NVIDIA 的路線圖轉(zhuǎn)。數(shù)據(jù)中心設(shè)計、供電散熱、網(wǎng)絡(luò)拓?fù)?、采購?jié)奏，最后都會被這條 roadmap 牽引。

“歷史上最大規(guī)模的基礎(chǔ)設(shè)施建設(shè)，已經(jīng)開始了。”

這也是整場演講里最值得記住的一句話之一。

因為它不是在形容 NVIDIA 自己，而是在定義這個時代的背景：未來五年，全球會用一種接近修電網(wǎng)、鋪鐵路、建通信網(wǎng)絡(luò)的方式，去建設(shè) AI 基礎(chǔ)設(shè)施。

黃仁勛點了很多名字：微軟、AWS、Google、Meta、Oracle、CoreWeave、xAI，也提到了多個國家和地區(qū)。重點不在名單本身，而在于一個信號：

AI 算力正在從企業(yè)采購行為，升級成國家級戰(zhàn)略資產(chǎn)配置。

這意味著 AI Factory 不再只是幾個互聯(lián)網(wǎng)巨頭的事，而會像過去的發(fā)電站、鐵路、港口、光纖網(wǎng)絡(luò)一樣，成為下一輪全球競爭的底層基礎(chǔ)設(shè)施。

這也是為什么，黃仁勛可以順理成章地把敘事從 AI 工廠接到數(shù)字孿生和Physical AI。因為當(dāng)基礎(chǔ)設(shè)施已經(jīng)按照“國家工程”的量級在建設(shè)，NVIDIA 當(dāng)然不會滿足于只做其中一層芯片。

企業(yè)軟件將迎來從 SaaS 到 Agent-as-a-Service 的范式轉(zhuǎn)換

如果說前半場黃仁勛在鋪墊基礎(chǔ)設(shè)施，那么后半場真正的主角只有一個：Agentic AI。

這里有一個很重要的區(qū)分：Agent 不是更會聊天的大模型，也不是把 prompt 寫長一點的 ChatGPT。它是一套能感知環(huán)境、調(diào)用記憶、讀取文件、使用工具、拆解任務(wù)、調(diào)度子 Agent，最后自己把事情做完的系統(tǒng)。

Agent 不再只是回答問題，它開始處理任務(wù)。它不只是對話入口，而越來越像一個調(diào)度中心。多模態(tài)輸入進來，記憶、文件、外部工具、命令行、MCP 接口、子 Agent 全部圍著它轉(zhuǎn)。

所以黃仁勛這次給出了一個非常濃縮、也很適合傳播的判斷：

Agent 是新的應(yīng)用，Prompt 是新的程序，Token 是新的貨幣。

這背后的本質(zhì)，是全新的計算平臺。

未來的軟件，不再只是一個界面加一堆按鈕，而會變成一個能自己做事的智能體。你給它的 prompt，不再只是輸入框里的自然語言，而越來越像是在寫程序。它處理和消耗的 Token，就是這個新系統(tǒng)里的流通單位。

如果說過去十幾年企業(yè)軟件的中心是 SaaS，那么接下來幾年，真正改變企業(yè)流程的，很可能是 Agent。

過去，企業(yè)買的是軟件和 SaaS，再花錢請系統(tǒng)集成商去部署和維護。未來，企業(yè)越來越像是在購買一種新的“智能勞動力”。

黃仁勛重新定義了企業(yè)買的到底是什么。

他提出了AgaaS：Agent-as-a-Service。

這個縮寫未必會像 SaaS 那樣最終成為穩(wěn)定術(shù)語，但它足夠準(zhǔn)確地表達(dá)了黃仁勛的判斷：

企業(yè)軟件市場接下來最大的增量，不是再賣一個功能模塊，而是賣一個能替人做工作的 Agent。

于是底層邏輯也跟著變了：

●傳統(tǒng)數(shù)據(jù)中心主要存文件

●AI Factory 主要生產(chǎn) Token

●傳統(tǒng)軟件主要服務(wù)人

●新一代系統(tǒng)會同時服務(wù)人和 Agent

4.6 萬億美元的 IT 產(chǎn)業(yè)，正在從“軟件采購邏輯”切換到“智能勞動力采購邏輯”。

黃氏龍蝦 NemoClaw ：一行命令，把 Agent 從屏幕里拽出來

軟件世界講到這里，整場演講其實還差最后一步：如果 Agent 真的是新的應(yīng)用，它總不能永遠(yuǎn)只活在命令行、瀏覽器和聊天窗口里。

OpenClaw的出現(xiàn)，才讓這條線真正拐向了物理世界。

大會現(xiàn)場的預(yù)熱環(huán)節(jié)，其實就請來了龍蝦之父 Peter Steinberger 出場站臺。

Peter 自己給出的出發(fā)點也很有意思。他想解決的問題，并不是某個傳統(tǒng)意義上的機器人學(xué)難題，而是一個聽起來幾乎過于樸素的需求：人有時候就是想直接和電腦說話，而且不只是讓它回答，而是真的替你做事。正是在這個意義上，OpenClaw 才迅速引發(fā)共鳴，抓住所有開發(fā)者和知識工作者都已經(jīng)開始感受到的那種沖動：我們不再滿足于 AI 會聊天，我們開始要求它動手。

到了黃仁勛真正把它接到 Keynote 主線里的時候，OpenClaw 的定位又被抬高了一層，還專門做了一個短片，講述 OpenClaw 如何超越 Linux 和 React，讓今年改元為“龍蝦元年”。

隨后就是王炸：NemoClaw 發(fā)布。

但這不僅僅是老黃跟緊熱度，也發(fā)布了一個英偉達(dá)風(fēng)格的龍蝦，而是做一件更大的事：

把 Agent 從電腦屏幕里拽出來，塞進一個真實能動的機械系統(tǒng)里。

這只“黃氏龍蝦”從我們認(rèn)知中的 Agent，變成了一個開放的機器人操作底座，一個足夠標(biāo)準(zhǔn)化、足夠友好、也足夠有社區(qū)屬性的開源硬件入口。就像早年的 PC 之于個人計算，樹莓派之于嵌入式開發(fā)，重點不是極限性能，而是門檻足夠低、生態(tài)足夠容易長出來。

NemoClaw 是 NVIDIA 往硬件里塞進去的那顆“大腦”。

它不是簡單地給機器人接上一個模型接口，而是把 Agent 那套能力真正帶到了物理世界：理解自然語言、感知環(huán)境、規(guī)劃動作、調(diào)用工具、執(zhí)行任務(wù)。最關(guān)鍵的是，黃仁勛用了一種極其程序員友好的方式來展示它——不是復(fù)雜的機器人工作站，不是一堆控制臺，而是一行命令。

那種感覺非常直接：像是在給一臺機器“裝系統(tǒng)”。

這背后的含義很重。

它意味著機器人開發(fā)的門檻，正在從“必須有機器人學(xué)博士團隊”下降到“會命令行、會接模型、會調(diào) API 的開發(fā)者也能開始上手”。這不等于機器人難題已經(jīng)解決了，但它意味著入口正在被打穿。

所以 NemoClaw 真正重要的，不是“它支持什么功能”，而是它試圖復(fù)制 NVIDIA 當(dāng)年在 CUDA 和 cuDNN 上做過的事：

● 先把底層平臺搭好

● 再把復(fù)雜性封裝掉

● 然后把開發(fā)門檻盡可能壓低

● 最后讓生態(tài)自己長出來

如果 CUDA 讓并行計算從少數(shù)專家的能力變成主流開發(fā)者的能力，cuDNN 讓深度學(xué)習(xí)從頂尖實驗室走向整個產(chǎn)業(yè)，那么 NemoClaw 想做的，就是把這種民主化邏輯推到機器人和 Physical AI 領(lǐng)域。

從 NemoClaw 往后，黃仁勛順勢也聊到了Physical AI和具身智能。

這里的關(guān)鍵詞不是“機器人”，而是仿真優(yōu)先。

AI 如果真的要改變世界，就不能只活在云里。它得進入物理世界，得能看、能聽、能碰、能動。而一旦進入物理世界，它面對的就不再是干凈的數(shù)據(jù)集，而是摩擦、慣性、遮擋、碰撞、噪聲、延遲、失誤。

這也是為什么 NVIDIA 把 Isaac Lab、Newton、Cosmos、GROOT 這套東西一起擺出來。

可以把它理解成：NVIDIA 正在給 Physical AI 搭一整條流水線——從數(shù)據(jù)生成、仿真訓(xùn)練，到強化學(xué)習(xí)、再到現(xiàn)實部署。它不是只想給你一個機器人模型，而是想給你一個從虛擬世界走到現(xiàn)實世界的完整開發(fā)系統(tǒng)。

而且這不只是實驗室概念。黃仁勛點到的那些合作方向——手術(shù)室助手機器人、全身控制、人形機器人、制造業(yè)訓(xùn)練、Disney Research——已經(jīng)足夠說明問題：

Physical AI 正在從 demo 走進產(chǎn)業(yè)真實需求。

語畢，黃仁勛自然引出了全場最后一個爆點，也是最有畫面感的一幕：雪寶，Olaf。

一個原本屬于動畫電影《冰雪奇緣》的角色，從屏幕里走到了現(xiàn)實世界。

但它并不只是“可愛”。

它真正想說明的，是 NVIDIA 現(xiàn)在試圖打通的一整條鏈路：

●角色誕生于數(shù)字內(nèi)容世界

●行為在仿真環(huán)境里被訓(xùn)練

●物理控制在 Newton 這樣的引擎里被優(yōu)化

●最終進入真實世界里行動

黃仁勛現(xiàn)場和雪寶的互動，某種程度上比前面那些曲線圖、收入圖都更容易讓普通人一下子理解 Physical AI 到底意味著什么。

因為它不再是一個機械臂抓方塊，而是一個熟悉的、來自流行文化的角色，真的站到了現(xiàn)實世界里。

這一幕很像整個 Keynote 的隱喻：

數(shù)字世界里的智能，正在向現(xiàn)實世界外溢。

這家公司最早改變的是圖形計算，后來改變的是 AI 計算?，F(xiàn)在，它開始試圖去定義：當(dāng)智能真正從屏幕里走出來之后，下一代世界會長成什么樣。

（投稿或?qū)で髨蟮溃簔hanghy@csdn.net）

【活動分享】"48 小時，與 50+ 位大廠技術(shù)決策者，共探 AI 落地真路徑。"由 CSDN 與奇點智能研究院聯(lián)合舉辦的「全球機器學(xué)習(xí)技術(shù)大會」正式升級為「奇點智能技術(shù)大會」。2026 奇點智能技術(shù)大會將于 4 月 17-18 日在上海環(huán)球港凱悅酒店正式召開，大會聚焦大模型技術(shù)演進、智能體系統(tǒng)工程、OpenClaw 生態(tài)實踐及 AI 行業(yè)落地等十二大專題板塊，特邀來自BAT、京東、微軟、小紅書、美團等頭部企業(yè)的 50+ 位技術(shù)決策者分享實戰(zhàn)案例。這不僅是一場技術(shù)的盛宴，更是決策者把握 2026 AI 拐點的戰(zhàn)略機會。