黄仁勋柏林演讲：AI不只是芯片生意，英伟达要把智能变成一门工业

在 2026 年柏林 GTC 大会上，英伟达 CEO 黄仁勋提出，AI 正从软件技术演变为一套完整的工业体系。从最快 14 天部署的模块化 AI 工厂，到专为智能体设计的安全架构，再到人形机器人、自动驾驶和个人 AI 计算设备，英伟达正在将业务布局从芯片延伸至整个 AI 产业链。这场演讲揭示了一个重要趋势：未来 AI 竞争的重点，不仅是谁能训练出更强的模型，更是谁能以更低的成本、更高的效率持续生产智能。

文章作者、来源：ME News

从一座数据中心到一座智能工厂

当地时间 10 月 21 日，黄仁勋身穿标志性的黑色皮衣，站上德国柏林 Tempodrom 的舞台。这一次，他没有把演讲重点局限在 GPU 的性能提升上，而是试图解释一个更大的问题：当 AI 开始进入各行各业，我们究竟需要建立一个怎样的计算体系？

他用一块“五层蛋糕”描述 AI 的未来。从底层向上，分别是能源、芯片、基础设施、模型和应用。五个层次共同构成一套生产智能的工业系统。

这一观点并非首次提出，但在柏林的演讲中，黄仁勋把它与英伟达最新的技术和产品联系起来，展示了这套体系如何走向现实。

在传统计算时代，软件主要按照预先编写的指令执行任务。而在 AI 时代，系统能够根据不同问题实时生成答案、制定计划，甚至调用工具完成工作。

这意味着，智能不再只是预先写好的程序，而是一种需要持续计算、持续消耗能源的产出。

黄仁勋认为，数据中心的角色也因此发生变化。过去，数据中心主要负责存储和处理信息；未来，越来越多的数据中心将成为生产智能的 AI 工厂。

它们的产品不是汽车、钢铁或者消费电子，而是 Token，以及由 Token 所承载的推理、决策和自动化能力。

这一变化也重新定义了 AI 基础设施的经济价值。

过去，人们经常通过 GPU 数量、计算性能和数据中心规模衡量算力投入。但未来，企业还需要关注投入多少电力、花费多少成本，最终能够生产出多少有价值的智能。

对于英伟达而言，这也意味着公司正在从 GPU 供应商，进一步向 AI 基础设施的全栈平台提供商发展。

AI 工厂可以在 14 天内部署，英伟达试图改变数据中心建设方式

如果说“五层蛋糕”描述的是 AI 的产业结构，那么此次演讲中最具体的变化之一，就是英伟达发布的 DSX POD。

这是一套基于 Vera Rubin 计算平台的模块化 AI 工厂参考设计。

传统数据中心建设涉及机架安装、电力布线、网络连接、液冷系统调试等大量复杂工作，建设和部署周期往往很长。

DSX POD 的思路则不同：将计算、网络、电源和冷却系统提前集成到模块化容器中，并在工厂内完成组装与验证，再运输到目标地点部署。

按照英伟达公布的方案，对于已经准备好电力、冷却和网络等配套设施的场地，现场部署时间可以从约六个月缩短至最快 14 天。

需要注意的是，14 天并不意味着一座 AI 数据中心能够从空地开始，在两周内完成全部建设，而是指预制系统抵达已具备相关条件的场地后的部署时间。

英伟达计划与戴尔、HPE、联想、施耐德电气、Vertiv 等合作伙伴，在 2027 年初开始推动相关模块化 AI 工厂的交付。

这背后是 AI 基础设施建设方式的改变：从高度依赖现场施工的工程项目，逐渐转向标准化、模块化的工业产品。

除了缩短部署周期，英伟达还展示了提高能源利用效率的方案。

其 DSX 平台通过动态电力分配技术，在特定条件下可以用最多减少 30% 的电力，完成相同数量的 Token 生成任务。

在冷却方面，利用闭环液冷与干式冷却设备，部分设计可以将设施冷却过程中的耗水量降低到接近零。不过，实际效果仍取决于当地气候、系统配置和运行条件。

这些技术的价值不仅在于节约成本，更在于应对 AI 行业日益突出的电力瓶颈。

当模型越来越复杂，推理请求越来越多，限制 AI 扩张速度的可能不只是芯片供应，还包括电网容量、建设周期以及持续运营成本。

英伟达正在试图把这些过去属于数据中心运营商和工业工程公司的问题，也纳入自己的技术体系。

智能体成为新的计算平台，安全问题被推到核心位置

黄仁勋在柏林重点强调的第二个方向，是 AI Agent，也就是能够自主规划和执行任务的智能体。

过去两年，AI 应用主要围绕聊天、问答、代码生成和内容创作展开。但随着模型能力提高，越来越多的 AI 系统已经可以使用浏览器、访问文件、调用软件，甚至执行涉及多个步骤的复杂工作。

黄仁勋认为，智能体不只是一个语言模型，而是由模型、运行框架、隔离环境、知识和工具共同组成的系统。

例如，一个企业智能体可以读取公司的内部资料，分析销售情况，生成报告，并在授权范围内调用其他业务系统。

但问题随之而来：当 AI 不再只是回答问题，而是拥有实际操作权限时，如何保证它不会越权访问数据、泄露信息或者执行危险操作？

为此，英伟达推出了 OpenShell Reference Architecture，面向企业级智能体提供安全隔离、权限控制和行为监测能力。

它将 Vera Rubin 计算基础设施、Vera CPU 以及 BlueField-4 数据处理器结合起来，分别承担模型计算、智能体任务运行和安全管控等工作。

其中，NVIDIA Sentry 能够在底层监测智能体行为，并在系统识别到违反既定策略的操作时进行隔离和阻断。

这一设计传递了一个重要信号：随着智能体开始参与真实业务，安全机制不能只是附加在应用上的功能，而需要成为计算架构本身的一部分。

对于企业来说，部署 AI Agent 的挑战也不再只是选择哪一个模型。

更关键的问题是：智能体能够接触哪些信息？可以执行哪些操作？谁来审计它的行为？出现异常时，如何及时停止？

英伟达希望提供一套底层基础设施，让企业在部署大规模智能体时，不必完全从头搭建这些能力。

AI 模型越来越开放，企业自己的数据正在变得更重要

在谈到模型生态时，黄仁勋没有将重点放在某一款封闭模型的竞争上，而是强调开放模型和企业专有知识的结合。

目前，英伟达已经针对不同领域构建了多条模型产品线，包括面向语言任务的 Nemotron、面向物理世界建模的 Cosmos、面向人形机器人的 GR00T，以及面向自动驾驶的 Alpamayo。

这些模型能够成为企业构建行业专用 AI 的基础。

黄仁勋认为，企业不必为了获得强大的 AI 能力，就从零开始训练一个巨型基础模型。更现实的路径是选择合适的开放模型，再结合自身拥有的数据和专业知识进行定制。

一家制造企业可能拥有几十年的生产数据、设备参数和工艺经验；一家金融机构可能拥有庞大的交易记录、风险模型和内部业务规则。

这些数据对于通用模型而言未必可直接使用，但对企业自身来说，却可能是最有价值的 AI 资产。

此次英伟达还推出了 Agent Knowledge Foundation，帮助智能体连接和利用企业内部的结构化与非结构化数据。

其中包括针对文档解析、语义检索、相关性排序以及结构化数据预测的模型和工具。

英伟达在演讲中展示了几项实际应用：西门子利用智能体和数字孪生技术辅助工厂生产规划；达索系统利用工程智能体进行汽车设计优化；Lila Sciences 则探索利用智能体和自动化实验平台辅助药物研发。

这些案例所体现的趋势是，企业 AI 正从相对独立的聊天工具，逐渐融入实际生产流程。

未来企业之间的 AI 差异，可能不再完全取决于购买了哪一家公司的基础模型，而在于谁能更有效地将自身知识、业务流程与 AI 结合。

从机器人到自动驾驶，物理 AI 成为下一场竞争

演讲进入后半段后，黄仁勋将视线从数字世界转向现实世界。

在他看来，物理 AI 将成为下一轮重要技术浪潮。

语言模型可以理解和生成文本，但现实世界中的机器人还需要感知周围环境、理解空间关系、预测物体运动，并将决策转化为实际动作。

这使得物理 AI 面临与语言模型不同的挑战。

为了推动机器人开发，英伟达宣布扩展 Isaac 开放机器人平台，并展示了由 Agile Robots 推出的 Agile ONE SN 人形机器人参考平台。

这款机器人拥有 31 个身体自由度，搭载英伟达 Jetson Thor 边缘 AI 计算平台，并结合 Isaac GR00T 模型及相关训练工具。按照官方计划，它将在 2027 年初面向研发市场推出。

英伟达希望通过标准化的机器人硬件参考平台、仿真工具和模型，降低机器人研究机构和开发者的门槛。

因为对于机器人而言，在现实环境中反复训练不仅成本高昂，还可能涉及安全问题。通过数字孪生和仿真环境，开发者能够让机器人先在虚拟世界中学习，再将训练结果迁移到真实机器上。

在汽车领域，英伟达也扩大了 Hyperion 自动驾驶计算平台的合作生态。

沃尔沃计划采用 Hyperion 和 Alpamayo 软件技术；奔驰、大众商用车以及其他欧洲出行企业，也在不同的自动驾驶项目中使用或展示相关平台。

这些合作涵盖高级辅助驾驶、自动驾驶车辆以及未来 Robotaxi 车队，但距离完全自动化的规模商业运营，仍需要经过进一步的测试、验证与监管审批。

此次演讲最轻松的场景之一，则是几只名叫 Microduck 的小型机器人登上舞台。

黄仁勋展示了这些机器人如何通过仿真训练获得动作能力，再将训练结果部署到实际设备上。

它们看起来更像科技展上的趣味作品，却直观展示了英伟达对未来机器人开发方式的设想：让 AI 在虚拟世界中积累经验，再将能力带到现实世界。

为什么这场演讲选择了欧洲？

柏林并不是一个偶然的地点。

欧洲拥有庞大的工业基础，在汽车制造、工业自动化、精密机械、医疗设备和能源基础设施等领域具有深厚积累。

这些行业也恰好是物理 AI 和工业智能体最有可能创造实际价值的领域。

黄仁勋在演讲中提到，英伟达近年来已向欧洲技术生态投入近 100 亿美元，并与超过 12,000 家合作伙伴开展合作。

在他看来，欧洲不应该只是 AI 技术的消费者，也应该成为 AI 的生产者。

这种表述与近年来各国关注的主权 AI 议题密切相关。

对于欧洲企业和政府而言，AI 基础设施的自主部署、敏感数据控制、本地模型开发和产业应用能力，正在变得越来越重要。

英伟达希望通过开放模型、AI 工厂、企业智能体和工业机器人平台，将自身技术嵌入欧洲正在形成的 AI 产业体系。

但这也包含一层商业逻辑。

当 AI 竞争逐渐从模型能力延伸到算力成本、能源效率和行业部署，英伟达的潜在市场就不再局限于云服务商和大型模型公司，而会进一步覆盖制造业、汽车、金融、医疗、电信以及各类基础设施运营商。

市场范围扩大了，英伟达需要解决的问题也随之增加。

英伟达真正想争夺的，是未来 AI 产业的底层标准

回顾整场柏林演讲，黄仁勋实际上围绕一个核心目标展开：让英伟达的技术成为下一代 AI 产业的基础设施。

在计算层，Vera Rubin 与 Vera CPU 承担越来越复杂的 AI 任务；在基础设施层，DSX 将电力、冷却和数据中心运营整合进 AI 工厂平台；在软件层，OpenShell、Nemotron 和 Agent Toolkit 服务于企业智能体；在现实世界，Isaac、Cosmos 和 Hyperion 分别面向机器人、世界模型与自动驾驶。

英伟达还展示了 RTX Spark 个人 AI 计算设备，希望将部分智能体开发和推理能力带到本地计算环境。

这些产品看起来分属不同领域，但共同指向一个趋势：英伟达正在把原本相对分散的 AI 技术环节，连接成可以相互协同的产业生态。

不过，这场愿景能否兑现，仍有许多现实挑战。

AI 工厂需要解决电力供应和建设成本问题；企业智能体需要证明其安全性、可靠性和实际投资回报；机器人与自动驾驶则还需要面对复杂真实环境下的技术验证和商业化周期。

此外，随着越来越多的大型科技公司开发自主芯片，以及开放模型和软硬件生态不断成熟，英伟达也需要证明其全栈平台能够持续提供足够明显的性能与成本优势。

因此，这场演讲最值得关注的，并不是某一款新产品的参数，而是英伟达正在尝试改变 AI 行业的竞争规则。

过去，AI 产业最受关注的问题是：谁能训练出最聪明的模型？

而黄仁勋描绘的未来，竞争还将围绕另一个问题展开：谁能用更低的成本、更可靠的系统，将智能持续生产出来，并真正投入到各行各业？

从这个角度看，柏林 GTC 不只是一次新产品发布会，更是英伟达对下一阶段 AI 产业形态的一次集中展示。

AI 的下一场竞争，正在从模型走向工厂，从屏幕走向现实世界。