2026年10月21日，NVIDIA在柏林舉辦GTC大會，創始人兼CEO黃仁勛發表主題演講。這是GTC首次在歐洲設主場。NVIDIA在歐洲運營已滿33年，過去一年在歐洲投資接近100億美元，僅演講前一周就公布了14家歐洲初創公司的投資。演講前夕，NVIDIA宣布Vera Rubin GPU家族七款晶片全部完成流片，量產進度提前至2026年第三季度；9月底正式發布開源智能體安全平台OpenShell，已有超過100家機構宣布採用；RTX Spark系列PC也確認於今年秋季上市。
按摩爾定律的速度，晶片性能十年翻一百倍。黃仁勛在GTC Berlin上給出了NVIDIA的數字：同樣十年，一百萬倍。從2016年的Pascal到今天的Vera Rubin，六代架構，每換一代都連帶著把系統、系統軟體和算法全部重做，他管這叫Extreme Co-Design，直譯過來就是"極限協同設計"。走到今天，這條路線的產物已經跟傳統GPU完全不同了：Vera Rubin整機100%液冷，組裝時間從上一代Blackwell的兩小時縮到五分鐘，72塊GPU通過NVLink連成一台巨型電腦，再裝進工廠預製的集裝箱運到現場，幾天內就能開始產出token。在這套硬體之上，黃仁勛同時拿出了智能體安全的解法。他說："Hope is not security"，希望不是安全，安全是技術和工程。你給智能體的權限，得在系統調用級別被強制執行，靠在提示詞裡寫一句"請不要刪除任何東西"是不行的。
一、AI基礎設施：從晶片到工廠的全棧重構
1、五層蛋糕：AI產業的認知框架
黃仁勛用一個簡單的模型概括了整個AI產業的結構：一塊五層蛋糕。最底層是能源，驅動高性能電腦，電腦構成AI工廠，工廠運行模型產出token，token嵌入到每一個應用中。
這個框架的關鍵判斷是：AI本質上是製造業。它的運行方式和普通軟體截然不同，需要專門的機器結構和工廠基礎設施來生產智能，再嵌入到各行各業中。黃仁勛強調，這五層中每一層都在創造就業和增長。歐洲的施耐德電氣、西門子能源在能源層已經做到全球領先；Nebius等初創公司在AI工廠層崛起；Mistral等公司在模型層站穩腳跟。
他還做了一個預測：未來每一家電信公司都將擁有超過10萬個站點，全球約100GW的分布式電信基站和數據中心將演變為去中心化的AI網路。AI基礎設施不會只集中在少數超大規模數據中心裡。
2、極限協同設計：十年一百萬倍的方法論
NVIDIA的AI計算始於2016年發布的DGX-1，那是全球第一台AI超級電腦，第一台交付給了OpenAI。此後十年，NVIDIA經歷了六代架構：Pascal、Volta、Ampere、Hopper、Blackwell、Vera Rubin。
每一代都不只是換一塊更快的晶片。黃仁勛所說的Extreme Co-Design，是指每一代都同時重新設計晶片架構、系統形態、系統軟體和算法。新算法催生新架構，新架構又加速新算法，形成正向循環。摩爾定律預計的同期改進幅度是100倍（前五年10倍，後五年再10倍），NVIDIA通過這種全棧協同做到了一百萬倍。
他用了一個說法來定義NVIDIA的本質："我們是一家算法公司，開發晶片來加速那些算法。"
3、Vera Rubin：100%液冷，五分鐘組裝
黃仁勛在現場展示了Vera Rubin的實物。這台電腦的外觀和內部結構都與前代有根本性區別：沒有線纜，100%液冷。上一代Blackwell的一個節點組裝需要兩小時，到處是線纜，80%液冷。Vera Rubin把組裝時間縮短到五分鐘以內。
每塊Vera Rubin GPU擁有20 petaflops的算力。Vera CPU是一顆高性能處理器，每個時鐘周期執行8條指令，搭載全球首個低功耗LP-DDR記憶體系統，兼顧高頻寬和極高的能效。片上互聯速度是全球晶片中最快的，專門為agentic AI會話的發起和處理做了優化。
Vera Rubin家族還包含一顆專用推理加速晶片Grok 3，專門針對文本和token的生成解碼做加速。100%液冷也帶來了更長的產品生命周期、更高的可靠性和更好的性能表現。
4、NVLink 72與Spectrum-X：把72塊GPU變成一塊
Vera Rubin的計算單元不是單塊GPU，而是通過NVLink交換板把72塊GPU連接成一台巨型GPU。黃仁勛展示了NVLink交換板的實物，板上集成了四塊NVLink交換晶片。72塊GPU，每塊20 petaflops，合在一起就是一個龐大的統一計算系統。
Spectrum-X是另一項關鍵硬體：全球首款共封裝光學以太網交換機。NVIDIA與台積電共同開發了名為CuPy的工藝，將矽光子直接封裝到晶片上。傳統方案需要通過印刷電路板傳輸數據，頻寬和信號質量都會打折扣。共封裝光學方案讓數據從雷射器直接進入收發器，再直接到達晶片，跳過了電路板這個瓶頸。
目前已量產的規格是512埠、每埠200Gbps。
5、DSX Pod：集裝箱裡的AI工廠
AI工廠規模巨大。一座1GW容量的AI工廠造價約500億美元，從建成到投產通常需要數月。黃仁勛發布的DSX Pod把這個周期縮短到"幾天"。
DSX Pod的做法是把整套AI基礎設施在工廠里預製好：7個液冷電腦架通過17公里的Spectrum-X線纜互聯，組成一個Vera Rubin NVL72計算單元。全部在工廠內完成布線、測試、老化，然後裝入可運輸的集裝箱。到達現場後，接上當地電力就能啟動。
黃仁勛算了一筆賬：一座年收入預期400億美元的AI工廠，投產延遲三個月就是100億美元的收入損失。DSX Pod把從交付到產出token的時間從四五個月壓縮到大約一個月。
配套的DSX MaxLPS是一個動態控制迴路，根據工作負載實時調整供電，在保持性能不變的前提下節省30%的電力。冷卻系統方面，Vera Rubin支持最高45°C冷卻液溫度的閉環液冷，在適宜的氣候區可以使用室外乾冷器散熱，完全不蒸發水。按2GW規模計算，每天可節約5400萬升水，相當於18萬戶家庭的日用水量。
二、智能體架構：五要素與安全
黃仁勛做了一個結構性的定義：智能體由五個要素組成。這套框架把他後面講的所有軟體和安全產品串在了一起。
1、智能體的五個要素
第一個要素是模型。大語言模型負責感知、推理、規劃和行動，這是智能體的大腦。
第二個要素是agent harness，黃仁勛用了一個比喻：這是智能體的"外骨骼"。如果模型是大腦，那harness就是身體的其餘部分，它協調智能體的工作流程，管理活躍記憶、工作記憶和長期記憶，並激活工具。NVIDIA提供的開源harness包括OpenClaw和Hermes。
第三個要素是沙箱，即harness運行的安全隔離環境，對應的產品是OpenShell。第四個要素是知識，由Agent Knowledge Foundation提供，讓智能體能讀取和理解企業的結構化和非結構化數據。第五個要素是工具，由CUDA-X庫承載，讓智能體能執行具體的計算任務。
黃仁勛的判斷是：未來不會只有一個模型跑所有任務。每家公司都會混合使用閉源模型、開源模型和自己定製訓練的模型，根據任務類型選擇最合適的那個。
2、OpenShell：系統調用級的安全執行
目前阻止智能體濫用權限的方式，本質上就是在提示詞裡加一句"請不要刪除任何東西""請不要碰我的SSH密鑰"。黃仁勛在現場放了一段影片，開場就是這個場景，然後給出結論：這不叫安全。
OpenShell是NVIDIA在9月底發布的開源安全運行時環境，基於Apache 2.0協議。它的核心設計思路是把安全執行放到智能體外部，在作業系統層面強制執行策略，LLM內部的安全螢幕障靠不住。
具體機制分三層。策略層：你用YAML定義每個智能體可以訪問哪些文件、連接哪些網路端點，OpenShell在系統調用級別執行這些策略。憑證層：智能體本身不持有任何密鑰。OpenShell在沙箱外部運行一個獨立進程supervisor來保管所有憑證，只有當請求被策略批准後，supervisor才會把憑證注入到那條請求中。一個被攻陷的智能體無法泄露密鑰，因為它從未擁有過密鑰。隔離層：每個智能體運行在獨立的沙箱中，沒有直接的網路訪問權限，所有出站請求都必須經過supervisor檢查。
黃仁勛把OpenShell比作早期網際網路的瀏覽器沙箱。早期網際網路病毒橫行，直到瀏覽器嚴格限制了網站能做的事。OpenShell對智能體做的是同一件事。
宣布後，幾乎所有主要陣營都表態支持，包括Anthropic、微軟、甲骨文、CrowdStrike、Palo Alto Networks等超過100家機構。Anthropic與NVIDIA合作推出了Claude OpenShell agents。
3、Sentry：硬體隔離的監控層
NVIDIA Sentry是OpenShell之上的可選加固層，運行在BlueField-4 DPU上，與主機CPU完全隔離。它的工作方式是：智能體的所有數據流量都經過Sentry，如果智能體的行為偏離預設策略，Sentry會在毫秒級別內更新策略、切斷智能體與模型的連接，並將智能體隔離。
所有操作都會生成日誌記錄，供運維人員事後審查。黃仁勛的判斷是，安全策略的執行和權限監控必須是動態的，因為每一個智能體啟動時、每一個任務、每一個用戶的權限組合都不同。
三、開放模型與企業知識系統
1、Nemotron：不只給權重，連數據和復現腳本都給你
NVIDIA的開源模型策略和行業中大多數做法不同。黃仁勛說，NVIDIA提供的開放模型不只包括模型權重，還包括訓練數據和完整的復現腳本。他給出的理由是：只有當你知道模型是怎麼來的、用什麼數據訓練的，你才能對這個模型有充分的信心。
Nemotron是語言模型家族的統稱。NVIDIA同時還在推進多個方向的模型：用於理解和生成物理世界的Cosmos，訓練人形機器人的GR00T，面向自主導航的Alpamayo。
這些模型本身可能不是最前沿的研究成果，但通過生態合作夥伴的後訓練和微調，可以達到前沿水平。黃仁勛舉了幾個案例：AI21用Nemotron Omni訓練出性能超越頂級水平的模型；Code Rabbit通過Base Ten對Nemotron微調後達到一流水平；Harvey用Nemotron Parse做後訓練擴展，也做到了前沿級別。
他的核心觀點是：從一個好的開源模型出發，用自己的數據做後訓練，就能生產出針對自身業務的"主權智能"。
2、Agent Knowledge Foundation：四步把企業數據變成智能體的知識
讓智能體真正有用的關鍵不在模型本身，在於讓它理解你公司的數據。Agent Knowledge Foundation提供了一套完整的工具鏈。
Nemotron Parse負責從非結構化文檔中提取資訊。企業數據大量存在於PDF、報告、合同等非結構化格式中，需要AI來閱讀和提取。Nemotron Embed負責將查詢請求匹配到向量資料庫中的知識。Nemotron 3 Omni是一個多源搜索和排序系統，從多個不同來源中找到查詢相關的數據，匯總後按相關性排序。Kumo則針對結構化資料庫做預測。
黃仁勛用供應鏈場景做了演示：你收到供應商短缺的通知（非結構化數據），你的訂單資訊在SQL資料庫里（結構化數據），你需要預測哪些訂單會受影響、延遲多久（Kumo），然後找到替代零件的技術文檔（向量資料庫搜索）。四個工具分別對應了這條鏈路上的四個環節。
3、CUDA-X：智能體的工具箱
黃仁勛反覆用了一個類比：再聰明的科學家也需要實驗室，再好的工程師也需要仿真器和求解器。智能體也一樣。
CUDA-X是NVIDIA積累了二十多年的加速計算庫集合，覆蓋流體力學、粒子物理、量子化學、圖像處理、數據處理、光線追蹤等領域。在AI時代之前，NVIDIA的主要工作就是加速這些仿真器和求解器。現在，這些庫變成了智能體的工具。
黃仁勛把cuDNN比作AI行業的SQL：cuDNN對AI產業的意義，相當於SQL對全球資料庫產業的意義。它是一個領域專用庫，就像OpenGL和DirectX催生了實時電腦圖形產業一樣，cuDNN催生了AI計算產業。
GTC現場演示了三個智能體配上工具後的實際效果。製藥公司Purple Sciences的智能體Lila Iris用BioNeMo做蛋白質設計和RNA優化，自主跑數百萬次虛擬篩選，最優候選物送到自主機器人實驗室製造和測試——整個B細胞淋巴瘤療法的實驗設計由智能體完成。Dassault和大眾的兩個智能體Aura和Leo協作，把Golf車門改型為Tiguan：Nemotron Parse分析技術需求，Simulia跑仿真發現振動問題後自動修正設計。西門子在Erlangen電子工廠用Cosmos生成合成數據，讓工廠智能體推薦優化後的生產計劃。
他還直接回應了"AI將終結軟體產業"的說法。恰恰相反，AI來了之後，使用這些工具的用戶會比以往任何時候都多。每一家工具公司都會成為AI公司。它們不只提供工具，還會提供專門優化過的智能體，這些智能體極其擅長使用它們的工具。
四、物理AI：AI進入真實世界
物理AI是黃仁勛定義的"AI的下一波浪潮"：AI理解物理世界，對物理世界做推理，並使用工具與物理世界交互。他在現場播放了一段機器人輔助放射治療的影片：患者的腫瘤在療程中改變形狀，機器人實時感知變化中的身體環境，精準分割腫瘤邊界，動態調整放射方向——不是執行預設程序，而是感知變化、做推理、用工具行動。
1、電信網路：未來的去中心化AI基礎設施
黃仁勛把電信定義為他最看好的物理AI應用之一。他的邏輯是：手機基站用無線電波來感知世界和做推理，用波束成形與世界交互，跟機器人用攝影機和執行器做的事情在結構上是一樣的，天然適合AI。
具體的提升來自兩個方面。頻譜效率方面，NVIDIA把在光線追蹤上使用的AI技術應用到無線通信中，黃仁勛說頻譜效率可以實現百萬比一級別的提升。基礎設施方面，全球約10萬個電信站點、100GW的分布式數據中心，將在未來演變為去中心化的AI網路。
上周，經過近八年的合作，NVIDIA和Nokia在T-Mobile網路上完成了首次商用電話。黃仁勛說了一句："CUDA now makes phone calls."
2、Hyperion：自動駕駛的行業標準架構
黃仁勛觀察到一個趨勢：每一家汽車製造商都想讓自己的車輛加入網約車車隊。未來Uber、Bolt、Grab、Lyft等平台上都會有robotaxi，但它們不會只來自一個品牌。構建自動駕駛系統極其昂貴，尤其是軟體部分。NVIDIA因此決定做一個標準化架構。
Hyperion的標準配置包括14個攝影機、9個雷達、3個雷射雷達和大量超聲波傳感器，由兩套NVIDIA GPU系統驅動。NVIDIA同時在開發AV軟體，目標是打造一套autonomous robotaxi能力，接入各大網約車平台。
黃仁勛在演講中宣布四個新的Hyperion合作夥伴和四款新車型加入：大眾Bus、沃爾沃車隊、下一代奔馳，以及捷豹路虎的全新車型。他對這個市場的估算是：全球每年約1萬億英里的出行里程，robotaxi每英里收費一到兩美元，規模巨大但高度碎片化。Hyperion要做的是創建一個虛擬車隊標準，任何品牌都可以加入。
3、人形機器人：NVIDIA Agile One
機器人行業的核心難題是碎片化。不同任務需要不同的機器人配置，每種配置的量都不大，無法形成技術飛輪。黃仁勛用了手機和PC的類比：這兩個行業進化快，是因為有標準化的配置，標準化帶來規模，規模驅動技術疊代。
人形機器人有可能成為那個標準化配置。它不一定適合所有任務，但可能適用於很多任務，成為產量最大的機器人構型。如果AI能讓它快速學習新技能，那些沒有專業機器人團隊的中小企業也能用上：給機器人演示一下該怎麼做，它就能學會。
NVIDIA與Agile Robots合作開發的Agile One是一款參考人形機器人，預計明年第一季度交付。它出廠即集成電腦和軟體，開箱就能工作。
4、RTX Spark：口袋裡的DGX-1
黃仁勛在演講最後做了一個直觀的對比。2016年，NVIDIA發布的DGX-1擁有1 petaflop的算力和128GB的記憶體，需要兩個人才能搬上樓，第一台送給了OpenAI。現在，同樣的1 petaflop和128GB，裝進了一台可以握在手裡的RTX Spark PC。
這台PC搭載NVIDIA與微軟聯合開發四年的n1X晶片，是全新的RTX Spark系列產品線。在黃仁勛的框架里，個人電腦的角色變了：從工具變成你的個人智能體和助手。這台電腦需要具備他今天講的全部五個要素：模型（本地或雲端運行）、安全運行時環境（OpenShell）、知識和工具。
對於需要更強算力的用戶，黃仁勛展示了搭載RTX Spark的DGX Station：20 petaflops算力、754GB記憶體，運行Windows，預計年底上市。
黃仁勛指出，開發物理AI需要三台電腦：第一台在雲端訓練AI模型，第二台是Omniverse數字孿生用來學習和驗證技能，第三台是機器人本體上的電腦。演講最後的現場演示把這三台電腦串在了一起。一個名為Micro Duck的小型機器人，由法國初創公司Pollen Robotics製造，在一台RTX Spark上使用Hermes agent、Nemotron和GPT-6以及Astra模型，配合FreeCAD、Blender和Isaac Sim工具，完成了從3D建模到物理仿真、從虛擬訓練到真機部署的全流程。黃仁勛把這隻機器鴨子請上台，它當場展示了行走、站起和翻跟頭的能力。
這場GTC Berlin演講的核心線索：能源驅動計算，計算產出token，token驅動智能體，智能體用工具完成工作。黃仁勛把每個環節都攤開了：從Vera Rubin的晶片級創新，到DSX Pod的供應鏈改造，到OpenShell的安全架構，到Nemotron的開放模型，到CUDA-X的工具庫，再到Hyperion和Agile One的物理AI應用。
對於想參與AI經濟的企業，黃仁勛給出的路線圖很明確：選一個好的基礎模型（閉源或開源），用自己的數據做後訓練得到定製模型，用Agent Knowledge Foundation讓模型理解企業數據，用CUDA-X給智能體配上專業工具，把整套系統跑在OpenShell的安全沙箱裡。他說開發智能體並不難，它由四五個組件構成，關鍵在於知識和工具，而"這些知識和工具屬於你，這是你的專業能力"。
