在刚刚结束的 2026 年国际消费电子展（CES）上，英伟达 CEO 黄仁勋将其定义为 AI 的下一波浪潮，甚至被称为 AI 的“终极形态”。
【完整版】CES2026 英伟达 CEO 黄仁勋主题演讲_哔哩哔哩_bilibili
先说说我们熟悉的AI
你肯定用过ChatGPT、Midjourney这些生成式AI吧？它们超级聪明，能聊天、写诗、画画、帮你写代码。但它们有个大局限：只能在屏幕里活着。你问它问题，它敲键盘回复；你让它画画，它生成图片发给你。它们再牛，也只是“嘴炮王者”，动不了手，也碰不到真实世界的东西。
物理AI到底是什么？
物理AI就是让AI“长出身体”，走进现实世界！简单说，它把人工智能装进机器人、自动驾驶汽车或其他机器里，让这些机器能：
- 看：用摄像头、传感器感知周围环境。
- 想：理解看到的东西（比如这是个苹果，还是个球？）。
- 做：自己动手操作（拿起苹果、避开障碍、组装零件）。
它不再是纯数字的AI，而是能和物理世界互动的“具身智能”。为什么叫“物理”AI？因为它要对付真实的物理规律：重力、碰撞、摩擦力……这些东西在电脑模拟里容易，但现实中超级复杂！
具身智能： 它通常需要一个“身体”——比如机器人的躯干、自动驾驶汽车的底盘，或者工厂的机械臂。
虚实交互： 它通过传感器（眼睛、触觉）感知环境，通过算法大脑进行推理，再通过执行器（手脚）改变物理世界。
2. 物理 AI vs. 数字 AI：有什么不同？
表格
| 维度 | 数字 AI (Digital AI) | 物理 AI (Physical AI) |
|---|---|---|
| 存在形式 | 虚拟的、软件、数据流 | 实体的、硬件载体（机器人、车等） |
| 核心能力 | 生成文本、图片、代码、分析数据 | 感知环境、抓取物体、移动、避障 |
| 交互方式 | 键盘输入、屏幕显示 | 摄像头、雷达、力反馈、机械动作 |
| 容错率 | 允许一定“幻觉”或错误 | 零容错，错误可能导致物理损坏或事故 |
| 典型应用 | 聊天机器人、搜索引擎、绘画模型 | 人形机器人、自动驾驶、智能工厂 |
3. 物理 AI 的“三大法宝”
🧠 物理常识（大脑）：
AI 必须懂得“水是流体”、“玻璃易碎”、“上坡需要更大的动力”。英伟达发布的 Cosmos 模型平台就是为了让 AI 学习这些物理规律，生成符合物理定律的视频和决策，而不是产生违背常识的“幻觉”。
👀 感知与传感（五官）：
仅仅靠摄像头看图是不够的。物理 AI 需要结合激光雷达、力传感器、IMU（惯性测量单元）等，实时感知物体的质地、重量、滑动摩擦力，甚至空气阻力。
🏭 数字孪生与仿真（训练场）：
这是物理 AI 最关键的“练级”方式。在真实世界试错成本太高（比如机器人摔倒、汽车碰撞），因此工程师们会在电脑里构建一个和真实世界物理规则完全一致的“虚拟镜像”（如英伟达 Omniverse）。AI 在虚拟世界中进行数百万次的模拟训练，直到熟练掌握技能后，再“上身”到实体机器人上。
4. 它能做什么？（应用场景）
🚗 自动驾驶：
这是最典型的物理 AI。它不仅要识别出前面有车，还要计算两车距离、相对速度、路面摩擦系数，决定刹车力度和转向角度。黄仁勋预测，未来十年内，大部分汽车将具备高度自动驾驶能力。
Waymo、Tesla的无人车就是典型。它们用物理AI实时感知路况、预测行人动作、安全行驶。
🤖 人形与工业机器人：
想象一个像人一样的机器人，能在家里帮你做饭、叠衣服、陪老人聊天。不是科幻电影了！像Tesla的Optimus、Figure机器人，都在往这个方向努力。
比如波士顿动力的机器人或特斯拉的 Optimus。物理 AI 让它们能灵活行走、搬运重物、甚至在流水线上拧螺丝。富士康已经利用这种技术模拟装配，将生产线部署时间缩短了 40%。
🏭 智能制造与科学计算：
在工厂中优化物流路径，或者在材料科学中，利用 AI 模拟分子间的物理相互作用来发现新材料。
以前工厂机器人只能重复固定动作，现在物理AI让它们更灵活，能适应不同零件、甚至学习新任务，提高效率，还能减少工人做危险活。
为什么现在物理AI这么火？
2025年以来，NVIDIA的老板黄仁勋反复提到“物理AI是AI的下一个大浪潮”。他们发布了新模型和平台，帮助机器人更快学习物理世界。Qualcomm、高通等公司也纷纷发力，2026年的CES大会上，各种智能机器人刷屏！
物理AI的好处显而易见：
- 提高生产力：工厂24小时不歇。
- 解决劳动力短缺：照顾老人、做家务。
- 安全第一：让机器人去危险环境工作。
当然，也有点挑战：物理世界太不确定了（东西会掉、会滑、会变），机器人要学得又聪明又安全，还不能太贵。
未来会怎样？
再过几年，物理AI可能会像智能手机一样普及。我们家可能有个机器人助手，工厂全是智能机器，路上全是无人车。生活会更方便，但我们也要想想就业、伦理这些问题。
总之，物理AI就是让AI从“会说”变成“会做”，从虚拟走向现实。
附：英伟达CEO黄仁勋在国际消费电子产品展览会（CES 2026）演讲要点
2026年1月6日，在拉斯维加斯 CES 2026 现场的聚光灯下，英伟达 CEO 黄仁勋在主题演讲中没有展示芯片，而是宣告了 AI 从理解语言走向改造物理世界的历史性转折。
英伟达系统性披露了其面向“物理 AI（Physical AI）”的最新技术路线图。从自动驾驶到通用机器人，从云端训练、仿真验证到现实世界部署，英伟达正试图以一套完整的全栈式计算与软件体系，推动 AI 从“看懂世界”走向“理解、推理并行动”。
2025 年开源模型取得突破，但仍落后于先进模型约 6 个月
一开场，黄仁勋开宗明义地指出，当下的革命性转折在于“双重平台迁移”。
一方面，计算的核心从传统 CPU 转向以 GPU 为核心的加速计算；另一方面，应用开发的基础正从预定规则代码转向以人工智能为基座。
“你不再仅仅是编写软件，而是在训练它；应用程序也不再是预先编译好的静态代码，而是能理解语境、每一次都从头动态生成内容的全新实体。”他解释道。这两种根本性转变同时发生、相互交织，彻底重塑了计算的本质。
此次演讲正值新年之际，黄仁勋特别强调了 2025 年开源模型取得的关键突破。他表示，去年是不可思议的一年。感觉所有事情都在同时发生，首先要谈的是 Scaling Law 的进程。
2015 年，语言模型 BERT 为整个行业带来了巨变。2017 年 Transformer 架构诞生，但直到五年后才迎来 ChatGPT 的爆发时刻，它唤醒了世界对人工智能潜力的认知。而随后一年发生了更关键的事：首个具备推理能力的模型出现，它创造了“Test Time Scaling”这个革命性概念——这本质上是实时思考的能力。人工智能每个阶段都需要巨大算力支持，计算定律持续扩展，大语言模型不断进化。
与此同时，2024 年另一个突破诞生：能自主思考的 Agent 系统开始出现，2025 年已渗透到各个角落。这些能推理、检索信息、做研究、使用工具、规划未来、模拟结果的智能体模型，突然开始解决极其重要的问题。黄仁勋还强调，自己尤其欣赏 Cursor 模型，它彻底改变了英伟达的软件开发方式。智能体系统即将从这里真正起飞。
当然还有其他类型的人工智能。我们知道大语言模型不是唯一的信息处理方式——宇宙中任何存在信息与结构之处，我们都能训练某种语言模型去理解信息及其表征，并将其转化为 AI。其中最重要的一类是物理 AI：既包括与物理世界交互的 AI，也包含理解物理定律的 AI 物理模型。
去年最关键的发展还包括开源模型的突破。当开源创新让全球每个企业、每个行业同时被激活时，人工智能才能真正无处不在。首个开源推理系统模型的出现震惊世界，彻底点燃了这场运动。黄仁勋强调：“如今各类开源模型系统遍布全球，且已触及技术前沿——虽仍落后尖端模型约六个月（原话是这样的：We now know that open models have also reached the frontier. Still solidly is six months behind the frontier models），但每半年就有更聪明的新模型涌现。正因如此，模型下载量呈现爆炸式增长，因为初创企业、大公司、研究者、学生乃至每个国家都希望参与这场 AI 革命。数字智能怎会让任何人掉队？开源模型正在重塑整个行业。”
英伟达数年前就预见到这种趋势，因此早前就开始建设自主运营的 AI 超级计算机 DGX Cloud。
但老黄这一行为让外界质疑其是否要进军云业务？他给出的答案是否定的，他补充道：
我们建造这些超级计算机本是为自用，如今已有价值数十亿美元的超级计算机在运行，以开发我们的开源模型。我对当前工作深感自豪——我们在蛋白质数字生物学领域的工作能让模型合成生成蛋白质；OpenFold3 能解析蛋白质结构；Evolve2 能理解生成多蛋白质体系；Earth2 是理解物理定律的 AI；ForecastNet 与 CORDiff 彻底改变了天气预报方式；NemoTriumph 作为首个混合 Transformer SSM 模型，能以极快速度进行长时间思考并给出智能回答；Cosmos 是理解世界运行机制的前沿开放世界基础模型；GROOT 是开放给世界的人形机器人系统模型。
发布完全开源的 Alpusin 仿真框架
在此次发演讲之前，英伟达 Omniverse 与仿真技术副总裁 Rev Lebaredian 曾向媒体表示：构建物理 AI 需要三台计算机。英伟达将其定义为从边缘到云的全栈式专用加速系统，包括操作系统、库和应用。英伟达的独特之处在于同时构建了这三者：用 DGX 训练 AI 模型，通过 Omniverse 和 RTX 上的 Cosmos 来仿真、测试与验证模型，最后通过 AGX 将模型部署到现实世界。物理 AI 浪潮才刚刚开始，仅这两类计算机就为英伟达物理 AI 部门带来近万亿美元的机遇。
在黄仁勋的主题演讲中再次强调了 Rev Lebaredian 的观点。英伟达将物理 AI 模型分为三大系列：用于世界生成与理解的 Cosmos World 基础模型、通用机器人模型 GROOT，以及本次 CES 发布的全新系列——具备思考能力的自动驾驶模型 AlpaMayo。英伟达同时开源了模型、数据库、训练脚本及设计蓝图，助力生态系统开发者使用。 
Cosmos 在对物理世界的理解上已与 GPT-40、Gemini 等顶级模型并驾齐驱，在物理推理和物理 AI 基准测试等关键评估中取得更高分数。这些模型下载量已突破 400 万次，正驱动着从制造、物流到医疗健康与出行等各行业的实际应用：日立集团正通过 Cosmos Reason 驱动的视觉 AI 智能体优化实时基础设施检测；Lem Surgical 利用 Cosmos Transfer 训练其机器人辅助复杂外科手术；Salesforce 运用 Cosmos Reason 分析机器人采集的视频数据以提升工作场所安全性；Telet 视觉智能平台借助 Cosmos Reason 加速工业自动化；Uber 则通过 Cosmos Reason 分析自动驾驶车辆在高速公路行人横穿等场景下的行为模式。
英伟达还宣布推出 AlpaMayo。这是一个全新的开源人工智能模型、仿真工具和数据集系列，用于训练物理机器人和车辆，旨在帮助自动驾驶车辆应对复杂的驾驶情况。这是史上首个让自动驾驶车辆具备思考能力的模型，可以让自动驾驶汽车“像人类一样思考”。这种推理-视觉-行动模型使自动驾驶系统能解决复杂边缘场景，例如首次遇到繁忙十字路口的故障交通灯。其方法是分解问题步骤，推理各种可能性，然后选择最安全路径。
AlpaMayo 开源地址：https://github.com/NVlabs/alpamayo
AlpaMayo 拥有 100 亿参数，既足以处理自动驾驶任务，又轻量化到可在工作站运行。它专为自动驾驶研究者设计，接收文本、环视摄像头、车辆历史数据及导航输入，最终输出轨迹与推理路径，让我们能理解车辆的决策逻辑。
除 AlpaMayo 外，英伟达还开源了部分训练数据，包含 17 小时驾驶记录，成为业内最大最多元的公开自动驾驶数据集。此外，黄仁勋同时发布完全开源的 AlpaSim 仿真框架，用于评估 AlpaMayo 等推理模型。
开发者可利用自有数据微调 AlpaMayo，也可通过 Cosmos 生成合成数据，结合真实与合成数据集训练测试自动驾驶应用。这些模型与工具将激活自动驾驶生态，构建完整的自动驾驶开发闭环。
AlpaSim 地址：https://github.com/NVlabs/alpasim
发布最新机器人开源模型 GROOT 1.6
正如 AI 已从基础识别迈向深度思考，机器人智能也在经历变革。
黄仁勋表示，当前大多数机器人属于“专才”——精于单一任务却缺乏适应能力。如今我们正见证“通才型机器人”的出现，它们如同拥有学士学位的毕业生，能应对多样情境但仍欠缺复杂任务所需的专家技能。未来将属于“通专融合型机器人”，它们如同机器人领域的“博士”，兼具广博知识与精深专长，实现多功能与高可靠性的统一。构建这类先进机器人需要一个开放的开发平台。
英伟达 Isaac 机器人平台提供了构建这类“通专融合型机器人”所需的开放框架、模型与工具库。这类机器人需要强大的“大脑”执行复杂任务，但从零训练机器人模型需耗费巨大时间与资金。英伟达则通过预训练模型并向所有人开放来降低这一门槛。
随后，老黄宣布正式对外发布 GROOT 1.6——专为人形机器人打造的最新开源推理模型。该版本包含两大升级：首先，它采用 Cosmos Reason 作为长效思考中枢，显著提升推理能力与情境理解水平；其次，它解锁了人形机器人全身协调控制能力，使其能同时执行移动与物体操控任务。GROOT 1.6 已成为社区热门选择，位列 Hugging Face 平台下载量最高的机器人基础模型之一。
GROOT 开源地址：https://github.com/NVIDIA/Isaac-GR00T
发布全球首个仿真环境机器人安全技能检测框架
机器人开发本身已具挑战，而当工作分散在笔记本电脑、实验室设备与云端时，协同调度更为困难。为此，英伟达开发了开源控制中心 NVIDIA OSMO，它如同粘合剂般无缝整合从数据生成到训练的完整流程，简化跨桌面与云端的开发工作。最后，现实世界中的机器人技能测试极为困难。为降低门槛，英伟达发布 Isaac Lab Arena——全球首个用于在仿真环境中安全测试机器人技能的开源框架。
接下来老黄深入介绍了前文提及的新开放框架之一：Isaac Lab Arena。开发者正教机器人掌握从精细物体抓取、线缆安装到动态环境导航等日益复杂的技能，但在现实世界中验证这些技能却存在过程缓慢、成本高昂、风险巨大等问题。当前行业缺乏严谨验证机器人技能的基础工具与技术——例如许多 AI 模型仍以语言能力为测试重点，而非机器人实际所需的精确物理动作；缺乏统一标准导致技能验证困难，基准测试体系碎片化。Isaac Lab Arena 作为全球首个大规模机器人策略评估与基准测试协作系统，正为填补这一关键空白而生。它整合了资产库、任务集、训练脚本及 Libero、RoboCasa、RobotIn 等重要机器人社区基准测试标准，成为社区的权威参照体系，为技能在现实部署前提供必要的基准测试框架。
一些先进的机器人公司已在 Isaac 与 GROOT 基础上构建其新一代物理 AI 系统，涵盖从人形机器人到外科手术系统等多元领域：波士顿动力推出基于 Jetson 与 Thor 平台并在 Isaac Lab 中训练的新款 Atlas 人形机器人；Franco Robotics 采用 GROOT 模型驱动其双臂操控机器人；Lem Surgical 运用 Isaac 与 Cosmos Transfer 训练外科手术机器人；LG 电子发布能处理多种家务的新型机器人；Noira 推出基于 GROOT 开发并借助 Isaac Lab 设计的门廊服务人形机器人；FSR Labs 则通过 Thor 与 Isaac 为外科医生提供实时 AI 导航。
开源生态正推动机器人世界飞速发展。为支持这一趋势，英伟达与 Hugging Face 强强联手，将 200 万英伟达机器人专家与 1300 万 Hugging Face AI 开发者社区连接起来。通过将英伟达顶尖工具集成至开发者现有工作环境来简化开发流程：Isaac 与 GROOT 技术现已内置入 Hugging Face 的 Lair 机器人库，使开发者能即时调用 GROOT 等模型及 Isaac Lab Arena 等仿真框架来评估机器人技能。硬件层面同样实现无缝对接——开源 Regi 2 人形机器人将在英伟达 Jetson 与 Thor 平台上流畅运行，让开发者能将先进 AI 模型直接部署于机器人本体；对于桌面级项目，开发者可完美结合 Reach Mini 与 DGX Spark 在本地运行定制化的 AI、语音及视觉模型。
最后是第三类计算机——机器人内置的、需要极致能效优化的计算单元。黄仁勋宣布，英伟达正式推出 Thor 家族新成员 Jetson T4000，它基于 Blackwell 架构，为现有 Orin 客户提供高性价比升级方案：在 40-70 瓦功耗下提供 1,200TOPS 的 AI 算力与 64GB 内存，其 AI 性能与能效较 AGX Orin 提升 4 倍，且与 T5000 接口完全兼容，可轻松进行量产替换。预计该模块将赋能从机械臂、自主移动机器人到人形机器人的广泛机器人类型。
发布 AI 超算 Vera Rubin，并宣布已全面投产
本场演讲的重中之重，当然还是要回到芯片上。
黄仁勋发布了其面向人工智能数据中心的新计算平台 Vera Rubin。英伟达此前已公布了 Vera Rubin 的部分细节，但直到刚刚的主题演讲中，老黄才详细阐述了该系统的工作原理并公布了其发布时间。他表示，Vera Rubin 目前正在生产中，首批搭载该系统的产品将于 2026 年下半年上市。
他在演讲中花了近 10 分钟来介绍这款芯片的设计初衷、架构、技术细节等信息。
据黄仁勋介绍，Vera Rubin 超算正是为了应对目前行业面临的根本性挑战而设计：AI 所需的计算量正在飙升，对英伟达 GPU 的需求也急剧增长。这是因为 AI 模型的规模每年都在以 10 倍的速度增长，更不用说之前提到的 O1 模型发布已成为 AI 发展的拐点——推理不再是一次性生成答案，而变成了一个思考过程。为了教会 AI 如何思考，英伟达在训练后阶段引入了强化学习和巨大的计算量。这不再是单纯的监督微调或模仿学习，而是让计算机通过不断尝试不同迭代来自主学习如何执行任务。因此，预训练、后训练及测试时扩展所需的计算量都呈现爆炸式增长。如今，每次推理不再是一次性完成，大家可以看到 AI 在“思考”，而思考时间越长，答案往往越好。这导致每年生成的文本量以 5 倍的速度增长。
与此同时，AI 竞赛正在白热化：每个人都在努力突破下一个边界，而每次达到新边界，上一代 AI 生成文本的成本就会下降约 10 倍。这种每年 10 倍的成本下降实际上揭示了竞争的激烈程度——总有人在不断突破前沿。
因此，这一切本质上都是计算问题：计算速度越快，就能越早抵达下一个前沿。所有这些变化都在同时发生，所以英伟达决定必须每年推进计算技术的尖端水平，绝不落后。
一年半前英伟达开始交付 GB200，现在 GB300 已进入全面量产阶段，Vera Rubin 已经全面投产，并且今年就会发布。
Vera Rubin 细节揭秘：重两吨、100%全液冷
Vera Rubin 的诞生恰逢 AI 下一个前沿时代的到来。其架构是一个由六种芯片组成的系统，通过极致的协同设计使其如一体般运作。它始于 Vera——一款定制设计的 CPU，性能是上一代的两倍，以及 Rubin GPU。
Vera 和 Rubin 从一开始就协同设计，实现高速、低延迟的数据定向一致性传输。随后，1.7 万个组件在 Vera Rubin 计算板上精密集成。高速机器人以微米级精度放置组件，最终完成包含多种 CPU 和两颗 Rubin GPU 的组装。该板卡可提供 100 Petaflops 的 AI 算力，是前代的 5 倍。
AI 需要高速数据吞吐。ConnectX9 为每个 GPU 提供 1.6TB/s 的横向扩展带宽，BlueField4 DPU 则卸载存储与安全任务，确保计算资源全力专注于 AI。Vera Rubin 计算托盘经过彻底重新设计：无电缆、无螺丝、无风扇，集成 1 个 BlueField4 DPU、8 个 ConnectX9 芯片、2 颗 Vera CPU 和 4 颗 Rubin GPU——这就是 Vera Rubin AI 超算的计算构建单元。接下来是第六代 NVLink 交换机，其数据交换量超过全球互联网流量，可连接 18 个计算节点，横向扩展至 72 颗 Rubin GPU 协同工作。
此外，SpectrumX 以太网光子技术——全球首个拥有 512 通道、200G 能力的共封装光学以太网交换机，可将数千个机柜横向扩展为 AI 工厂。
自设计启动以来累计投入 1.5 万工程师·年，首台 Vera Rubin NVL72 机柜现已上线运行：6 款突破性芯片、18 个计算托盘、9 个 NVLink 交换机托盘、220 万亿个晶体管、总重近 2 吨——这是迈向 AI 下一个前沿的巨大飞跃。
随后，为了回应外界关切，黄仁勋还解读了这款芯片的技术细节。
这是一个包含 1152 颗 GPU 的 Rubin 计算集群，由 16 个机柜组成。每个机柜包含 72 颗 Rubin GPU（每颗 Rubin 由两个实际 GPU 芯片连接构成）。他也在现场展示了实物，但有些细节需要保留，不能一次性全部透露。
据介绍，英伟达这次设计了六款不同的芯片。公司内部有个很好的原则：每代新品最多只更换一两款芯片。但问题在于——正如刚才描述的每款芯片的晶体管数量——摩尔定律已大幅放缓。晶体管数量逐年增加的幅度，根本无法跟上模型规模每年 10 倍的增长速度，也无法应对每年 5 倍的文本生成量增长，更无法匹配文本成本每年 10 倍的骤降速度。如果行业要继续前进，英伟达必须实施激进的极致协同设计，在整个系统层面同步创新所有芯片。
这就是为什么这一代产品别无选择，必须重新设计每一款芯片。刚才描述的每一款芯片本身都足以召开一场独立的发布会，在过去可能需要整家公司专注开发。而它们每一款都具有革命性，是同类中的巅峰之作。
黄仁勋称，“Vera CPU 让我深感自豪。在功耗受限的环境中，它的能效比全球最先进的 CPU 高出两倍，数据吞吐能力惊人。它专为超级计算设计，而 Vera GPU 同样卓越——如今 Vera 在单线程性能、内存容量等各方面都实现了飞跃性提升。这是一项巨大的成就。”
这是 Vera CPU（单颗），与之相连的是 Rubin GPU，这确实是颗巨型芯片。它采用了一项先进的发明——NVFP4 TensorCore。英伟达芯片中的 Transformer 引擎不仅仅是简单引入 4 位浮点数处理，而是一个完整的处理器单元，能动态自适应地调整精度和结构，以应对 Transformer 模型的不同层级：在可降低精度的环节实现更高吞吐量，在需要时恢复最高精度。
这种动态调节能力无法通过软件实现（因为速度太快），必须内置于处理器中。这就是 NVFP4 的核心价值。当人们谈论 FP4 或 FP8 时，对英伟达而言这几乎无意义——真正关键的是 TensorCore 结构及其配套算法。关于 NVFP4 英伟达已经发表论文，其在吞吐量与精度保持方面达到的水平令人惊叹。这是开创性的工作，未来这种格式和结构很可能成为行业标准。
正是通过这样的协同设计，英伟达才能在晶体管数量仅增加 1.6 倍的情况下实现性能的巨幅提升。值得一提的是，这款芯片是 100%全液冷。这确实是一个重大突破。
具体而言这款芯片的性能如何？
Vera Rubin 有几项惊人特性：首先，虽然功耗翻倍，但冷却液温度仍保持 45°C，整个系统能效提升约两倍——这预计能为全球数据中心节省 6%的电力，意义重大。
其次，全系统实现机密计算安全：所有数据在传输、静态存储及计算过程中均加密，每条总线（包括 PCIe、NVLink、CPU-GPU 及 GPU 间互联）全部加密。这让企业能安心将模型部署于第三方环境而不担心泄露。
第三，针对 AI 工作负载瞬时尖峰特性（如 AllReduce 计算层会导致 25%的瞬时功率骤增），我们实现全系统功率平滑技术，避免 25%的过度资源预留造成的能源浪费，让总功率预算得以充分利用。
最后看性能表现。这些图表是 AI 超算构建者最关注的：第一列是 AI 模型训练速度——训练越快，就能越早将下一代前沿技术推向市场，这关乎产品上市时间、技术领导力和定价权。
以训练 10 万亿参数模型为例（使用 100 万亿 token 数据），绿色柱表示 Blackwell 性能，而 Rubin 的吞吐量远超前者——仅需 1/4 数量的系统即可在一个月内完成相同训练。时间对所有人公平，但训练速度与模型规模将决定谁先抵达技术前沿。
第二部分是数据中心吞吐量：在吉瓦级数据中心（投资 500 亿美元）中，功耗是硬性约束。因此每瓦性能至关重要——如果你的每瓦吞吐量更高。
英伟达以“全栈 AI 计算架构”为核心理念，从底层芯片、系统平台到上层应用模型，构建了贯穿云端、边缘与终端的完整技术闭环。从 DGX 超级计算到 Omniverse 数字孪生，从 DRIVE 自动驾驶到 Isaac 机器人平台，英伟达正将物理世界的复杂问题转化为可计算、可迭代的 AI 工程系统。这不仅是对算力边界的持续突破，更是对“AI 重塑现实”这一命题的深刻实践——通过软硬件协同进化、开源开放生态与跨领域技术融合，英伟达正在为智能时代的根本性创新铺设道路。
来源：综合B站及各新闻稿
www.smartcity.team
