2026 年 3 月 16 日，Nvidia 在美国圣何塞举办年度大会 Nvidia GTC 2026。CEO Jensen Huang（黄仁勋）进行了接近 3 小时的主题演讲，核心围绕AI算力基础设施、AI推理时代、下一代芯片路线图、AI Agent、机器人与“物理AI”等方向。
![]()
一、AI 正从“训练时代”进入“推理时代”
黄仁勋在开场提出一个关键判断：AI产业的重心正在从“训练（Training）”转向“推理（Inference）”。
原因有三：
-
AI应用爆发
- Copilot、Agent、搜索、代码、客服等
- 需要实时推理能力
-
推理算力需求将远超训练
- 每个用户请求都需要推理
- 推理规模可能比训练高 1000倍
-
企业级AI开始普及
因此 Nvidia 的战略重点是：
建立“AI 工厂”（AI Factory）来大规模生产 token。
黄仁勋预计：AI芯片市场规模将在 2027 年达到 1 万亿美元级别。
![]()
二、AI基础设施：AI Factory 成为新的数据中心形态
黄仁勋提出一个重要概念：AI Factory（AI工厂）。区别：
| 传统数据中心 |
AI Factory |
| 运行软件 |
生产 token |
| CPU主导 |
GPU/AI加速器 |
| 面向存储计算 |
面向 AI 推理 |
AI 工厂核心组件：
- GPU计算
- CPU协同
- 网络互联
- 存储
- AI软件栈
Nvidia目标：把整个 AI 数据中心做成一个“整机产品”。
三、芯片路线图：Blackwell → Rubin → Feynman
本次 GTC 最大看点之一是 AI 芯片路线图。
1 Blackwell（当前）
当前主力 AI 架构：
- Blackwell GPU
- Grace CPU
- GB200 超级芯片
主要用于：
2 Vera Rubin（2026）
下一代架构：Vera Rubin
发布时间：2026 下半年
特点：
预计：
Rubin 架构由两部分组成：
系统级平台：Rubin NVL72
![]()
3 Feynman（2028）
下一代 AI 架构：Feynman
定位：AI Agent 时代的计算架构
预计特点：
- 更高带宽 HBM
- 光互连
- 针对 AI reasoning 优化
发布时间：2028 年
四、AI推理架构：Prefill + Decode
黄仁勋提出：AI 推理需要新的计算架构。推理分为两个阶段：
1 Prefill
处理：
特点：
适合 GPU
2 Decode
逐 token 生成
特点：
因此 Nvidia 提出：异构推理架构
- GPU 负责 Prefill
- 专用芯片负责 Decode
目标：把 AI 推理成本降低一个数量级。
五、AI Agent 平台：NemoClaw
本次 GTC 还推出新的 Agent 平台：NemoClaw
定位：企业级 AI Agent 基础设施
功能包括：
- agent runtime
- agent orchestration
- agent memory
- tool integration
目标：让企业部署自主 AI agent。
![]()
六、网络革命：光互连 + 铜互连
随着 AI 工厂规模扩大：网络成为最大瓶颈。
黄仁勋强调：未来 AI 数据中心必须同时使用：
- 铜互连
- 光互连
特别是：Co-packaged optics（CPO）
原因：
AI工厂规模可能达到：GW级算力中心，网络需求指数级增长。
七、物理AI（Physical AI）
黄仁勋在演讲中反复强调：
AI 的终极形态是 Physical AI
也就是说：AI 不只是软件。
还要理解：
应用场景：
- 机器人
- 自动驾驶
- 工业自动化
八、机器人平台
Nvidia展示了多项机器人技术：
核心技术：
流程：仿真训练 → 现实部署
目标：加速机器人开发。
九、自动驾驶
自动驾驶继续是 Nvidia 的重点。
平台：
合作厂商包括：
十、黄仁勋的终极愿景
演讲最后，黄仁勋给出一个宏大叙事——未来计算三大阶段：
1️⃣ Accelerated Computing GPU改变计算
2️⃣ Generative AI 大模型时代
3️⃣ Physical AI AI进入现实世界
终极目标：让 AI 成为新的工业基础设施。
