Transcription
大家好，这里是最佳拍档。
二零二六年一月六日，拉斯维加斯的清晨还带着一丝凉意，但是CES展会的现场早已经人声鼎沸。一个能容纳三千人的礼堂座无虚席，外面的庭院里挤着两千名无法入场的观众。四楼原本的展区也临时变成了直播分的会场。在全球范围内，还有数百万观众正守在屏幕前，等待着一场科技盛宴的开启。
这场演讲的主角，正是英伟达的创始人黄仁勋，那个总是身着标志性皮衣、用沉稳的语气改写着行业规则的科技领袖。他一开口就抛出了一句让人印象深刻的话：“今天这里要塞进去的内容，大概有十五公斤那么多。”
九十分钟后，当演讲结束，整个科技界都在讨论，黄仁勋不仅带来了一堆的重磅产品，更宣告了一个全新时代的到来——一个由AI、物理交互和极致算力共同定义的时代。今天咱们就来聊聊这场演讲背后的技术逻辑、商业野心，以及它将如何影响着我们每个人的未来。
要理解这场演讲的分量，我们首先要回到黄仁勋开场提出的一个核心判断：计算机行业正在经历每十到十五年一次的彻底重置，而这一次，是两场平台级革命的叠加。回顾历史，从大型机到PC，从互联网到云，再到移动设备，每一次平台迁移都伴随着应用生态的全面重构。但是这一次，变革的深度和广度远超以往。
黄仁勋指出，第一场革命是应用形态的彻底改变。过去的应用是预录制、预编译的程序，下载到设备上就能运行。而未来的应用，将完全构建在AI之上，每一行代码、每一个像素、每一个token，都可能是实时生成的。你不再是简单的使用一个工具，而是在和一个能理解上下文、能实时思考的智能系统交互。想象一下，你打开了一个设计软件，不需要手动绘制线条，只需要描述你的想法，AI就能生成符合你预期的设计图，甚至还能根据你的反馈实时调整。这就是AI原生应用的魅力。
而第二场革命，发生在软件开发的底层逻辑上。过去，开发者的核心工作是编程，用代码来定义每一个功能、每一个流程，然后让程序在CPU上运行。但是现在，这个逻辑被彻底颠覆了。开发者的核心工作变成了训练，通过数据让AI学会技能。而运行这些AI的载体，也从CPU转向了GPU。这个转变是计算范式的根本性重塑。黄仁勋用五层蛋糕来形容计算机的技术栈，从底层的硬件到顶层的应用，现在的每一层都在被AI重新发明。这意味着，过去的十年里，价值约十万亿美元的传统计算体系，正在向这种全新的计算方式转型。每年有数千亿美元的风险投资，正在涌入这个新的世界。而全球一百万亿美元规模的产业体系中，越来越多的研发预算，正在从传统方法转向人工智能。
可能有人会问，这些钱都是从哪里来的呢？答案很简单，从传统计算的现代化转型中来的，从旧的研发模式向AI驱动的新模式迁移中来的。这场变革不是凭空出现的，而是技术积累到一定阶段的必然爆发，而英伟达正是这场变革的核心推动者。
要支撑这两场革命，极致的算力是基础。黄仁勋在这次演讲中给出了答案：Vera Rubin架构，一款被他称为突破摩尔定律极限的下一代计算平台。
要理解Vera Rubin的重要性，我们必须先明白行业当前面临的困境。摩尔定律已经基本放缓，芯片上晶体管数量的增长速度，早已跟不上AI模型的规模以每年十倍的增长速度，也跟不上AI推理Token的生成量以每年五倍的增长速度。这意味着，单纯依靠增加晶体管的数量来提升性能，已经走到了尽头。
那么，英伟达是如何破局的？答案是极端协同设计，也就是不再单独升级某一颗芯片，而是对整个技术栈的每一个环节进行同步创新，让六颗不同的芯片协同工作，形成一个有机的整体。Vera Rubin架构的核心，是由六颗定制芯片组成的系统，每一颗芯片都有其独特的使命，却又能无缝协同。
首先是Vera CPU，这是一款专门为AI超算设计的处理器。在功耗受限的环境下，性能是上一代的两倍，每瓦性能更是达到了全球顶尖的水平。它拥有八十八个自研核心，支持一百七十六个线程同时运行，通过空间多线程技术，实现了极高的IO性能，能够快速的调度AI推理过程中的海量数据。
与之紧密配合的，是Rubin GPU。这颗芯片的浮点推理性能达到了50 P·Flops，是上一代Blackwell GPU的五倍；训练性能达到了35 P·Flops，是上一代的三点五倍。更令人惊叹的是，它的晶体管数量仅为上一代的一点六倍。能实现这样的性能飞跃，关键在于其核心的NVFP4张量核心。这不是一个简单的四位浮点数计算单元，而是一个完整的处理单元，能够动态的调整精度和结构，在不需要高精度的场景下提升吞吐量，在关键环节回归最高精度。这种自适应能力是软件无法实现的，只能通过硬件固化。
除了CPU和GPU，Vera Rubin架构还整合了ConnectX 9网络芯片、BlueField 4 DPU、第六代NVLink交换机和Spectrum X以太网交换机。ConnectX 9为每一颗GPU提供了每秒一点六六TB的扩展带宽，来确保数据在芯片之间的高速流转。BlueField 4 DPU则是专门负责卸载存储和安全任务，让CPU和GPU能够全身心的投入到AI计算中。第六代NVLink交换机的传输速度达到了400 Gbps，单个机架的背板带宽就能达到每秒二百四十TB，相当于全球互联网总带宽的两倍多，让七十二颗GPU能够像一颗超级GPU一样协同工作。而Spectrum-X以太网交换机，是全球首款集成硅光子技术的交换机，拥有了五百一十二个通道，能够支持数千个机架组成的AI工厂，实现海量算力的集群调度。
为了让这套架构发挥最大的效能，英伟达在硬件工程上也下足了功夫。Vera Rubin的计算托盘经过了彻底的重新设计，取消了所有的电缆、软管和风扇，采用百分之百的液冷技术。冷却液温度保持在四十五摄氏度，这意味着数据中心不需要再配备昂贵的冷水机组，用热水就能冷却超级计算机。不仅大幅的提升了能效，还能为全球数据中心节省大约百分之六的电力，这对于规模庞大的数据中心来说，是一笔巨大的成本节约。
整个Vera Rubin机架的重量接近两吨，包含了二百二十万亿个晶体管，却能实现峰值推理性能五倍、峰值训练性能三点五倍的提升。黄仁勋透露，这套架构已经全面量产，微软、CoreWeave等企业已经宣布将部署数十万颗的Vera Rubin芯片，构建下一代的AI超级工厂。这不仅仅是一款产品的发布，更是英伟达为整个行业提供的算力解决方案，它将为AI原生应用的爆发，为物理AI的落地，提供了最坚实的基础。
如果说Vera Rubin架构是这场革命的算力引擎，那么物理AI就是这场革命的应用灵魂。黄仁勋在演讲中反复强调，AI的下一个前沿，是从屏幕走向物理世界，也就是让AI不仅能理解文本、图像，还要能够理解物理规律，能与现实世界产生交互。对于人类来说，物体恒存性（比如转过头再看，物体依然在那里）、因果关系（比如推一下物体，它就会移动）、重力（比如东西会往下掉），这些都是常识，但是对于AI来说，这些都是需要从头学习的复杂知识。
那么，英伟达是如何让AI学会这些物理常识的呢？答案是三机协作范式，也就是训练机、推理机、模拟机协同工作，再加上合成数据生成技术，让AI逐步理解物理世界的运行规律。这个范式的核心，是Cosmos世界基础模型，这是一款被黄仁勋称为理解世界如何运作的开源模型。
Cosmos的训练数据来源非常的广泛，包括互联网规模的视频、真实的驾驶和机器人的数据，以及大量的3D模拟数据。但是这些数据还远远不够，因为物理世界的多样性和交互类型太过于复杂，仅仅是依靠真实数据是无法覆盖所有场景的。于是，英伟达想到了一个绝妙的办法，那就是将算力转化为数据，通过合成数据生成技术，在模拟环境中生成符合物理规律的训练数据。比如，将一个简单的交通模拟器的输出输入到Cosmos中，Cosmos就能生成物理上可信的环绕视频，让AI学习不同交通场景下的物理交互。这种方式不仅解决了真实数据的稀缺和昂贵的问题，还能生成那些罕见的长尾场景数据，比如在极端天气下的驾驶场景、复杂地形下的机器人移动场景。这些场景在真实世界中很难收集，但是对于AI的可靠性却至关重要。
Cosmos的能力远不止于此，它能从单张图像中生成逼真的视频，能从3D场景的描述中生成符合物理规律的运动，也能从驾驶遥测数据中生成全景视频，还能分析极端场景，将它拆解为熟悉的物理交互，并且能够推理接下来可能发生的事情。黄仁勋说，物理AI的ChatGPT时刻已经快要到来，而Cosmos就是开启这个时刻的钥匙。
目前，Cosmos已经被下载了数百万次，不仅被英伟达用于自动驾驶、机器人等领域的研发，也被全球的开发者用于各种物理AI的应用开发。通过Cosmos，AI可以在模拟环境中行驶数十亿，甚至数万亿英里，学习如何应对各种复杂场景，然后再应用到真实世界中。这大大降低了物理AI的研发成本和风险，加速了技术落地的速度。
而物理AI最具有代表性的落地场景，无疑是自动驾驶。在这次演讲中，黄仁勋发布了全球首款具备推理能力的自动驾驶AI，它被称为Alpamayo，并且宣布它已经与梅赛德斯奔驰达成合作，将搭载在二零二六款奔驰CLA车型上，于二零二六年第一季度在美国上路，随后将逐步推向欧洲和亚洲。
Alpamayo的突破之处在哪里呢？首先，它是端到端训练的，从摄像头输入到方向盘、刹车、加速等执行器的输出，整个过程由AI直接控制，不需要人工来定义中间的环节。这意味着，它不需要开发者手动编写“看到红灯就刹车”、“看到行人就减速”等等这样的规则，而是通过学习大量人类的驾驶数据和Cosmos生成的合成数据，自己就能学会如何驾驶。
更重要的是，Alpamayo具备了思考和推理能力。传统的自动驾驶系统，本质上是从感知到规划，再到控制的流水线，只能根据传感器的输入做出预设的反应。Alpamayo不同的地方在于，它会对自己的决策进行推理，会告诉你它将要采取什么行动，为什么要采取这个行动，以及预期的行驶轨迹。比如，在一个复杂的十字路口，它不仅仅能够识别出前方有车，还能推理出那辆车可能要左转，所以它应该等它先通过。这种类似于人类驾驶员的预判能力，正是解决自动驾驶长尾问题的关键。
所谓的长尾问题，就是那些罕见的、但是可能发生的场景，比如道路上突然出现的障碍物、其他车辆的违规变道等等。这些场景无法通过收集足够的真实数据来覆盖，但是Alpamayo可以通过推理，将这些复杂的场景拆解为一系列它已经学会应对的简单场景，从而做出正确的决策。
为了确保绝对安全，Alpamayo还采用了双栈冗余设计。除了端到端训练的AI模型，英伟达还构建了一套完整的传统自动驾驶软件栈，作为安全护栏。这两套系统同时运行，由一个策略与安全评估器进行实时判断。如果当前场景是AI有足够置信度处理的，就由Alpamayo执行；如果是AI不太有把握的场景，就自动切换到传统软件栈，来确保驾驶的安全。
更值得一提的是，梅赛德斯奔驰CLA车型，刚刚被欧洲新车安全评鉴协会评为全球最安全的汽车。而Alpamayo系统是目前唯一一个从芯片、系统到每一行代码，都通过了安全认证的自动驾驶系统。这意味着，它不仅具备了强大的推理能力，还拥有极高的可靠性。黄仁勋预测，未来道路上的十亿辆汽车，都将具备自动驾驶能力。无论是机器人出租车还是私人汽车，都将由AI驱动，而Alpamayo的发布，正是这个实现愿景的重要一步。
如果说Vera Rubin架构和物理AI展现的是英伟达的硬实力，那么开源模型生态就是它的软实力，也是黄仁勋反复强调的，让AI无处不在的关键。
在这次演讲中，黄仁勋特别提到了DeepSeek R1，这款开源推理模型的出现，点燃了全球开源AI的创新运动。他指出，开源模型已经达到了前沿水平，虽然目前还比最顶尖的闭源模型落后大约六个月的时间，但是每隔六个月，就会有更聪明的新模型诞生，而它们的下载量已经呈现出了爆炸式的增长。
为什么开源模型能发展得如此迅速呢？因为他激活了全球范围内的创新力量。初创公司想要参与AI革命，大公司想要基于开源模型进行二次开发，研究人员想要探索AI的边界，学生想要学习最前沿的技术，几乎每个国家都不想被落下。这种全民参与的创新生态，是闭源模型所无法比拟的。
而英伟达在开源生态中的角色，已经从单纯的芯片供应商，转变为了前沿模型的构建者和生态赋能者。它不仅开源了大量模型，还开源了训练这些模型所使用的数据，这在自动驾驶等对安全性要求极高的领域里尤为重要，因为只有数据透明，才能让用户真正信任模型的训练过程。
目前，英伟达的开源模型已经覆盖了多个领域。在数字生物学领域，有用于合成蛋白质的La·Protein，有用于理解蛋白质结构的OpenFold 3。在地球科学领域，有用于理解物理定律、预测天气的Earth 2。在语言模型领域，有混合了Transformer和S·S·M高速模型的Nemotron 3。在机器人领域，有类人机器人控制模型Groot，以及自动驾驶领域的Alpamayo。
除此之外，英伟达还提供了一整套的NeMo库，包括物理NeMo库、生物NeMo库等，覆盖了AI的全生命周期管理，从数据处理、模型训练到部署和维护。开发者可以基于这些工具，快速构建自己的AI应用。黄仁勋认为，未来开源模型将成为全球最大的Token生成群体，因为随着参与的公司、研究的人员和领域越来越多，开源模型的多样性和适应性，将远远超过闭源模型。而英伟达的目标，就是通过开放这些模型和工具，让每一家公司、每一个行业、每一个国家，都能参与到这场AI革命中来。
目前，英伟达的开源模型已经在全球范围内得到了广泛的应用，与Hugging Face等平台的合作，更是实现了两百万开发者与一千三百万AI创作者的生态互联。这种开放的、协作的生态，正是AI技术能够快速普及的核心动力。
除了自动驾驶，物理AI的另一个重要落地场景是机器人和工业领域。黄仁勋在演讲中展示了一个机器人全家秀，从人形机器人、服务机器人，到工业机械臂、手术机器人，几乎涵盖了所有的机器人形态。这些机器人都有一个共同的特点，那就是它们都基于英伟达的Isaac平台进行训练，都内置了Jetson系列边缘计算芯片，都能通过Cosmos世界模型理解物理规律。
比如，Boston Dynamics的人形机器人，能够在复杂的地形上行走、跳跃，甚至完成高难度的动作。这背后离不开Isaac Sim和Isaac Lab等模拟工具的支持。机器人可以在虚拟环境中反复训练，学习如何应对各种物理交互，然后再部署到真实世界中，大大降低了研发成本和风险。
而英伟达的野心，远不止于消费级机器人。它正在将物理AI深度融入到工业全生命周期中，与西门子、Cadence、Synopsys等工业巨头达成合作，推动一场新的工业革命。以西门子为例，它正在将英伟达的CUDA X库、AI模型和Omniverse数字孪生平台，集成到自己的电子设计自动化和计算机辅助工程工具中，实现在计算机中设计、在模拟中制造、在现实中运行的工业闭环。
想象一下，未来的工厂不再需要大量的人工操作，而是由物理AI驱动的机器人进行生产。产品的设计、测试、优化都可以在数字孪生环境中完成，这将大大的缩短研发周期、降低生产成本。甚至连工厂的维护，都可以由AI提前预测设备的故障，进行预防性的维护。这些就是物理AI带来的工业变革。
黄仁勋指出，这场变革来得正是时候。全球各地都在兴建芯片、计算机、制药等领域的工厂，而全球劳动力短缺的问题又在日益加剧。我们比以往任何时候，都更需要由物理AI和机器人驱动的自动化。而英伟达与西门子等企业的合作，正是要抓住这个机遇，将AI与全球最大的物理产业结合起来，开启一个由物理AI驱动的工业新时代。
要让AI在物理世界中长时间的运行，还有一个关键的问题需要解决，那就是存储。AI在进行多轮推理、多步协作时，会产生大量的上下文数据，也就是K·V缓存，这相当于AI的工作记忆。传统的存储方案，要么是将K·V缓存放在GPU内存中，但是GPU的内存容量有限、成本高昂；要么就是放在普通的存储中，但是访问的速度太慢，会拖累AI的运行效率。这个存储瓶颈如果不解决，再强的算力也无法充分的发挥作用。
而英伟达在这次演讲中，给出了解决方案，就是由BlueField 4 DPU驱动的推理上下文内存存储平台。这套平台的核心思路，是在GPU内存和传统存储之间，构建一个第三层存储，既具备了接近GPU内存的访问速度，又具备了足够大的容量，能够支撑AI的长期运行。
具体来说，BlueField 4 DPU负责在硬件层面加速上下文数据的管理与访问，减少数据搬移的开销。Spectrum X以太网提供高速网络支持，实现数据的高速共享。而DOCA、NIXL和Dynamo等软件组件，则负责优化调度和降低延迟。这套方案的效果非常显著，在特定的场景下，能够让AI每秒处理的Token数量提升5倍，能效也提升5倍。
这个突破的意义非常重大，它让AI从一次性对话的聊天机器人，真正进化为了能够进行长期运行、持续思考、多步协作的智能体。想象一下，一个AI助理不仅能帮你处理即时的邮件和待办事项，还能长期跟踪你的工作进度和学习习惯，甚至能与其他的AI智能体进行协作，帮助你完成复杂的项目。这一切都离不开上下文内存存储平台的支持。而这套平台的推出，也标志着英伟达在AI存储领域的又一次领先，进一步完善了其全栈AI的战略。
讲到这里，我们可以回头看看英伟达的整个布局。从Vera Rubin架构提供的极致算力，到Cosmos世界模型和Alpamayo模型构建的物理AI能力，从开源生态的全面开放，到机器人、工业领域的深度落地，从芯片、网络到存储的全链路优化，英伟达正在构建一个完整的AI生态系统，一个能够支撑两场平台级革命的生态系统。
黄仁勋的愿望很明确：英伟达不再仅仅是一家芯片公司，而是一家全栈AI系统公司。它要定义下一个十年的计算规则，要让AI从屏幕走向物理世界，成为我们生活中不可或缺的一部分。这场演讲，也许标志着AI时代正在从屏幕智能走向物理智能的时代，而英伟达正站在这个时代的转折点上，期望引领着全球科技产业的发展方向。
未来新的世界会如何？让我们一起拭目以待。
感谢收看本期视频，下期再见。