黄仁勋演讲 3 小时，几乎覆盖 AI 产业所有关键方向
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： 大模型训练 大规模推理 2 Vera Rubin（2026） 下一代架构：Vera Rubin 发布时间：2026 下半年 特点： 3nm 制程 HBM4 内存 推理性能大幅提升 预计： 训练性能提升 3.5 倍 推理效率提升 10 倍 Rubin 架构由两部分组成： Vera CPU Rubin GPU 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： prompt 上下文 特点： 大规模矩阵计算 适合 GPU 2 Decode 逐 token 生成 特点： 小计算 高频调用 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： 重力 摩擦 空间 物理世界 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： Omniverse 仿真训练 机器人基础模型 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： Drive AI 自动驾驶仿真 合作厂商包括： 多家车企 自动驾驶公司 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。
