Transcription
如果我告訴你，未來8年AI算力將瘋狂膨脹10000倍，你覺得是在聽天方夜譚的故事嗎！？
但這不是好萊塢劇本，而是2026年CES展會落幕後最真實的現實。教主黃仁勳在會上公佈的Rubin架構，是物理AI時代的起點。而AMD掌舵人蘇姿丰展示的新型芯片，與OpenAI核心團隊在此刻的現身，則揭開了一場技術演進的藝術。
這意味著AI產業正迎來一場深刻的範式震盪。當生成式AI逐漸撞向數字空間的增長天花板，一場向物理世界全速挺進的“架構核爆”已然開啟。這早就不再是單純的算力堆砌，而是一場關乎硬件霸權、底層邏輯以及國家能源主權的生存突圍。
當算力膨脹10000倍，究竟是文明的跨越，還是資源坍塌的前奏！？我們追逐的是一個全知全能的神蹟，還是一場耗盡地球電力的豪賭！？物理AI的降臨，真的能讓矽基智能徹底接管現實世界嗎！？
要理解這一切的發生，首先必須看清這場變革的底層邏輯，那就是從符號預測向物理交互的必然轉移。目前的生成式AI主要側重於生成文字、圖像、視頻及代碼。該模式依托大規模模型訓練並提供推理服務，雖帶來了巨大變革，但目前已遭遇明顯瓶頸。
從第一性原理分析，生成式AI正進入所謂的“Token飽和期”。目前數字空間的文本積累已接近人類語言產出的物理極限。人類文明數千年累積的文字記錄幾乎已被各大模型廠商壓榨殆盡。然而，這種基於數字信號的符號邏輯並無法自動轉化為物理世界的動作。
算力需求之所以在未來8年內面臨暴漲10000倍的壓力，是因為物理世界的動作需要極高的確定性。這種從預測字符概率到精確操控物質的博弈，構成了本輪算力核爆的底層數學邏輯。在虛擬世界中，AI犯錯的代價僅是生成一段廢話。但在物理世界中，一個抓取動作的微小偏差都涉及真實的物理損耗與安全風險。
與此同時，物理AI領域正在快速崛起。2026年CES的核心觀點明確指出，AI必須從虛擬世界走向物理世界，即實現從內容生成到環境感知、實時決策及物體控制的轉變。物理AI的本質是具身智能，它要求模型具備對重力、摩擦力、剛體碰撞以及流體力學等基本物理定律的直覺。
例如，機器人對複雜3D空間的理解不再僅限於視覺識別，還要求其能夠實時計算物體表面的摩擦係數以決定抓取力度。自動駕駛對突發路況的博弈預測，需要模型在瞬時模擬出成百上千種可能的運動軌跡。這些任務均要求AI系統能夠與物理世界進行無差錯的納秒級互動。
這種範式轉移意味著AI系統需要從純雲端部署，轉向嵌入式或緊密連接的邊緣算力集群。未來家用機器人、自動化生產線及精密手術機器人對算力的要求與生成式AI截然不同，不僅要求極高的浮點運算頻率，還需具備海量內存帶寬以處理實時感官數據，並保持極低能耗與硬實時響應。
這一技術跨越被黃仁勳視為英偉達的保命符，也是芯片架構必須進行推倒重來的根本原因。在這種範式的徹底轉向下，算力需求的增長不再是線性的，而是呈現出一種核爆式的態勢。過去10年，AI算力大約每2年增長10倍，這一速度已遠超摩爾定律。
根據2026年的行業預測，到2035年左右，全球AI算力需求將跨越當前極限，實現10000倍以上的增長。數據對比顯示，過去10年AI主要通過學習人類現有的文本數據進行演進，這使算力需求提升了1000000倍。然而，文本作為一種一維的一階信號，其信息密度相對較低。
要在物理世界驅動能夠自由活動、具備觸覺反饋且邏輯自洽的具身智能設備，其數據處理量將呈現爆炸式增長。具身智能設備每秒產生的多模態感知數據，包括4K解析度的視覺流、激光雷達點雲以及觸覺傳感器陣列，將超過傳統文本生成任務1000倍以上。這在學術界被稱為“具身智能的吞噬效應”。
面對這種“吞噬一切”的算力飢渴，蘇姿丰與黃仁勳已經開啟了新一輪的軍備競賽。我們可以通過一個具體的場景進行工程化量化：一個具有26個自由度的人形機器人在複雜的工廠環境下作業，其視覺處理需要每秒60幀的4K圖像輸入。
為了實現實時的避障與操作，模型需要在每一幀圖像中解算出物體的六自由度位元位。同時，足端與指尖的壓力傳感器以1000Hz的頻率回傳觸覺數據。為了確保動作的連貫，AI必須在10ms內完成感知、規劃、逆運動學解算以及指令輸出。這種高頻、高維度的實時閉環計算是目前生成式大模型算力開銷的數千倍。
物理AI需要在海量真實世界數據中進行閉環訓練，涉及極為複雜的計算流體力學模擬、光照材質渲染及剛體動力學規律的解算。這種單項任務的瞬時計算強度，使得當前的Exascale集群顯得捉襟見肘。
在這種算力荒的焦慮下，一場關於底層架構的圍獵正式拉開序幕。
看清博弈的第一層：技術生死戰。物理AI不僅涉及雲端的大規模參數更新，更強調邊緣端的實時低延推理。這意味著芯片不僅要具備強大的原始計算能力，還需擁有極高的片上緩存與顯存容量，以存儲瞬時的物理上下文信息。這種架構上的垂直整合，正是黃仁勳死守的護城河。
面對這種恐怖的算力缺口，老黃祭出了最後的底牌：Rubin架構。在晶體管數量僅增加1.6倍的情況下，Rubin實現了訓練性能提升3.5倍、推理性能提升5倍的跨越式增長。這種超摩爾定律的實現，主要歸功於針對物理AI痛點進行的三項關鍵技術革命。
首先是這套超低精度計算協議NVFP4。Rubin正式引入了全新的4位浮點格式。在傳統視角下，降低精度意味著模型性能的斷崖式下跌。但在Rubin架構中，英偉達通過先進的動態標度調整算法，實現了精度的數學補償。本質上，NVFP4利用硬件電路實時監測計算過程中的數值分佈，並動態調整比例因子，使得在4位精度下依然能保持8位甚至16位的數值表現力。
在保證物理推理環節準確性的前提下，單片Rubin GPU的FP4峰值算力達到了驚人的50 PFLOPS。這種精度的壓榨直接解決了物理AI在處理海量感知數據時，由於計算密度不足導致的低延遲響應瓶頸，將推理Token的成本降低了10倍。
接著是第三代Transformer引擎中的硬件級自適應壓縮技術。由於物理AI模型參數規模已邁向1000000000000級，即便採用HBM4內存，其帶寬依然會成為系統瓶頸。這一設計不僅徹底打破了傳統總線在傳輸鏈路上的物理瓶頸，更讓算力核心與存儲陣列實現了前所未有的深度融合與協同。
這一設計在相同的顯存帶寬下，實現了雙倍甚至四倍的有效數據吞吐，顯著提升了GPU在 وإلى大規模集群環境下的利用率。在具身智能的推理過程中，這意味著機器人可以實時加載更大規模的世界模型副本，從而具備更強的邏輯常識。
最後是推理上下文內存優化機制ICMS。在物理AI的應用中，上下文不再是幾千個單詞，而是數小時的連續視頻流與傳感器時序數據。這導致了所謂的輸入輸出阻塞問題。ICMS技術通過高效的內存調度邏輯與BlueField-4處理器單元的緊密協同，為GPU提供了類似人類瞬時記憶的超高速存取能力。
這就賦予了機器人類般的條件反射，確保其在極端複雜的動態環境中依然維持毫秒級的感知決策閉環。它通過預取機制，在計算當前幀時就已經將下一幀動作所需的物理特徵參數加載至最近存儲層級，從而確保了感知到執行的反饋邏輯不再產生卡頓。
這三項技術通過軟硬一體的協同優化，使Rubin在保持通用性的同時，大幅降低了功耗。英偉達通過微架構的深度變革，成功通過架構紅利化解了高性能推理市場的競爭壓力，也為物理AI的大規模商業化掃清了硬件障礙。
然而，在英偉達試圖建立技術絕對壁壘的同時，還沒完。
第二層：權力的生存剝離。蘇姿丰則率領AMD展開了非對稱反擊。AMD在2026年CES上發布的MI455X系列，展示了截然不同的競爭哲學。在半導體製造工藝趨同的背景下，AMD選擇了暴力顯存這一技術方向。
MI455X搭載了目前業界最高密度的HBM4顯存配置，單片容量最高可達432GB，提供的帶寬優勢在海量數據交換場景下具有極強的競爭力。對於物理AI模型而言，由於需要處理極長序列的感知數據，顯存容量往往是性能的生門。蘇姿丰通過提供超大容量的內存空間，允許開發者繞過複雜的模型剪枝和量化流程，直接在單卡上部署完整的萬億級物理引擎模型。
這種硬件上的大力出奇蹟，在追求快速落地、低優化成本的工業場景中具有極高的吸引力。此外，AMD持續推進的ROCm開放生態戰略也迎來了爆發期。過去10年，英偉達憑藉CUDA建立了極其堅固的護城河。然而，隨著物理AI的多樣化，行業對封閉生態的抵觸情緒也在增加。
AMD的ROCm平台通過完全開源及對Triton、PyTorch等主流框架的底層優化，正大幅降低開發者從CUDA生態遷移的工程成本。其不對稱作戰策略，側重於利用存儲容量的絕對領先和生態的開放性，切入英偉達目前構建的封閉技術壁壘。在2026年的市場環境下，這種策略已初見成效。
而OpenAI官方的高調亮相與站台，則是本次CES最讓老黃心驚的商業信號。深層邏輯分析顯示，這種轉向不僅是出於單純的硬件效能考量，更是由於英偉達對頂級算力市場的絕對掌控，已經讓Sam Altman感受到了嚴重的供應鏈威脅。這無異於給老黃的帝國投下了重磅炸彈，標誌著頂級玩家們正式開啟了從被動接受到主動制衡的博弈。
這是一種典型的基於供應鏈安全與議價權的商業博弈。對於Sam Altman而言，建立一個多供應商的硬件底座，不僅能降低其龐大的推理成本，更能爭取對未來底層硬件演進方向的決策權。儘管英偉達目前在軟體生態的成熟度上仍保持顯著領先，但市場對多元化、標準化供應的需求正在加速。
如果更多大模型廠商為了成本和自主性轉向開放標準，蘇姿丰將正面終結黃仁勳的單極格局。
壓軸的是第三層：能源的最終審判。但無論芯片層面的競爭如何激烈，所有玩家最終都會撞上 وإلى一堵無法逾越的物理高牆，那就是能源。算力增長10000倍背後的物理代價是能源消耗的同步激增。
在2026年的語境下，能源已不再是算力的配套設施，而是成為了算力的核心邊界。當前趨勢已將能源問題提升至“能源即主權”的高度。根據馬斯克多次預警的算力飢餓，在數據中心密集型國家，AI相關產業的電力消耗佔比可能在5年內跨越30%的紅線。
這種趨勢表明，算力競爭的本質正在不可逆轉地轉化為能源儲備的競爭。物理AI時代真正的勝負手，將取決於誰能率先打破能源牆。傳統的電力傳輸系統已無法滿足Yotta級集群的瞬時負荷。一個萬億參數模型的高頻推理集群，其峰值功率可能達到吉瓦級別。
這意味著未來最先進的算力中心將不再建在城市周邊，而是必須與發電中心實現物理上的耦合。小型模塊化核反應堆與AI集群的深度整合，已成為行業內公認的工程化解法。通過在數據中心園區直接部署SMR，可以實現機架層面的實時穩定供電，避開脆弱的公共電網調度。
這種算力堆芯一體化的模式，將大幅提升能量利用效率，降低輸電損耗。電力供應的硬約束不僅是物理限制，更涉及全球地緣政治博弈。各國政府已開始將AI計算基礎設施視為與石油、糧食同等地位的核心戰略資源。
我們可以預見，未來的地緣競爭將圍繞能源與算力的雙中心展開。能源充沛的國家正在試圖利用能源優勢建設主權算力中心，以實現從能源出口國向算力出口國跨越。黃仁勳在演講中提到的主權AI，其底色實際上就是能源主權。誰擁有了穩定廉價且不被制裁的能源鏈，誰就擁有了在AI時代維持算力底座的入場券。
物理AI時代的開啟已成定局，但未來的變數遠不止於芯片。英偉達通過Rubin架構的微架構革新，鞏固了技術壁壘。而AMD則通過存儲密度的增長與開放生態策略發起了有力衝擊。
然而，電子計算在熱力學層面上的極限正在逼近。但想要徹底撕碎矽基芯片的物理枷鎖，人類必須尋找電子以外的媒介。2027年光子計算將作為破局者，通過光速躍遷，徹底推倒電子時代的能源圍牆。它利用光脈衝實現超低能耗運算，將目前的互連帶寬瓶頸暴力撕開。
而在更高維度的博弈中，量子計算正暗中接管一切。它不僅能優化複雜的物理並行系統，更將與能源革命深度耦合，推動物理AI最終接管真實的生產力命脈。最終能夠同時掌控算力密度與能源主權的實體，將主導未來的競爭格局。
CES 2026只是這一宏大進程的起點。隨著計算從數字比特延伸至物理原子，AI將不再僅僅是一個大腦，而是一個具備強健四肢與敏銳感知的生產力實體。社會生產力的組織方式將迎來全方位的重構。人類文明將正式跨入一個算力與物質世界深度耦合的嶄新時代。
在那樣的時代，人類究竟是駕馭智能的主人，還是淪為機器的零件！？
最後我有三句話送給大家：
一、不要去挑戰你不懂的物理極限。
二、認清算力即權力的運行邏輯。
三、別在時代的豪賭中，成為被收割的養分。
好了，今天視頻就到這裡。如果喜歡這期內容，請訂閱頻道、點贊並開啟小鈴鐺。我們下期視頻見！