硅谷直擊：黃仁勛攜英偉達帝國入局龍蝦大戰，打造萬億美元 Agent 應用經濟，推理算力需求暴漲萬倍！

出品 | CSDN（ID：CSDNnews）

北京時間 2026 年 3 月 17 日凌晨，圣何塞 SAP Center 里，黃仁勛穿著那件標志性的皮衣上臺，幾句開場白之后，這場 GTC 就直接進入了高密度模式。

和隔著直播看完全不是一回事。我們這次直擊現場，CSDN 創始人兼董事長蔣濤、奇點智能研究院院長兼 CSDN 高級副總裁李建忠帶隊親赴硅谷 GTC 2026 大會現場。為你帶回關于全球 AI 計算和英偉達戰略的系列現場報道和深度解讀。

現象最直觀的感受不是“信息量很大”，而是黃仁勛對整場敘事節奏的控制：

CUDA 二十周年、Vera Rubin、光子互連、AI Factory、Agentic AI、NemoClaw、OpenClaw、數字孿生、Physical AI、雪寶走進現實……任何一個單拎出來都夠做 headline。

在現場看這場演講，會更容易意識到黃仁勛演講的情緒帶動能力。他其實并不是靠一次性拋出了多少新詞，而是把這些東西講成了一條完整的線：

從 GeForce 到 CUDA，從 CUDA 到深度學習，從深度學習到 Token 經濟，從 Token 經濟到 Agent，再從 Agent 走向機器人和物理世界。

老黃在這場演講里，宣告了 SaaS 的死亡，揭幕了風云莫測的 Agent 時代。

AI 的下一階段，不是更會聊天，而是開始真正干活。

CUDA 二十周年：那個“讓 GPU 可編程”的賭注

黃仁勛這次沒有一上來就報新品，而是先把時間撥回了 1999 年。

那一年，NVIDIA 做出了 GeForce 256，也就是后來被它定義為“世界上第一塊 GPU”的產品。對普通用戶來說，它改變的是 PC 游戲；但對黃仁勛來說，它更像是一個起點：GPU 天生適合處理那些可以被拆成海量小任務、并行執行的問題。

真正改變一切的，是 2006 年CUDA的發布。

從那一刻開始，GPU 不再只是用來渲染圖形的顯卡，而變成了一臺可以被程序員直接調用的通用并行計算機器。開發者不需要再把自己的數據偽裝成圖形紋理，也不需要再繞著圖形管線寫各種技巧，終于可以正大光明地在 GPU 上寫程序。

這件事的影響，遠遠超過了一代芯片升級。

分子動力學、流體模擬、地震處理、金融建模，這些原本就高度適合并行化的問題，一下子找到了真正匹配它們的底層平臺。更重要的是，NVIDIA 沒有把 CUDA 只做成一個接口，而是圍繞它慢慢長出了一整個軟件生態：cuBLAS、cuFFT、cuDNN、TensorRT……不同領域的人不需要從零掌握 GPU 編程，也能借助這些庫，把自己的應用真正跑起來。

這就是黃仁勛反復講的——CUDA飛輪。

更多庫，帶來更多開發者；更多開發者，帶來更多應用；更多應用，推動更多 GPU 部署；更多部署，再反過來支持更多研發。

二十年轉下來，CUDA 已經不只是一個工具鏈，而像是加速計算時代的一套底層操作系統。

NVIDIA 最深的護城河并不是某塊芯片，而是 CUDA 構筑的軟件生態。

說得更直白一點：芯片可以追，參數可以抄，但二十年積累下來的開發生態、庫、工作流和開發者習慣，不是說追就能追上的。

如果你也在關注 AI 計算、Agent 以及 NVIDIA 路線圖，歡迎掃碼加入 GTC 2026 交流群，查看大會直播視頻回放！

Geoffrey Hinton 賭對了，NVIDIA 也賭對了

講完 CUDA，黃仁勛把時間線拉到了 2012 年。

那一年，Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 用兩塊 NVIDIA GTX 580 訓練出 AlexNet，橫掃 ImageNet。現代深度學習時代，就是從那一刻真正開始加速的。

這段歷史今天看起來像常識，但在當年并不是。學術界對神經網絡長期充滿懷疑，真正一路堅持下來的人并不多，Geoffrey Hinton 就是其中最關鍵的一個。

黃仁勛提到，Hinton 當年押的是一個看似樸素、但當時并不主流的判斷：只要數據足夠多，算力足夠大，神經網絡就會不斷變強。后來的歷史證明，他賭贏了。

而 NVIDIA 押的是另一件事：如果深度學習成立，那 GPU 就會成為它最重要的底座。

事實也確實如此。

AlexNet 之后，NVIDIA 做出了cuDNN，后來幾乎所有主流深度學習框架都繞不開它。再往后，從 AlexNet 的 6000 萬參數，到 GPT-3 的 1750 億，再到今天萬億級別的模型，模型在變，框架在變，但那套“更多算力、更多數據、更大模型”的邏輯一直沒變。

NVIDIA 不是在 ChatGPT 時代突然變重要，它只是提前二十年把路修好了。

而對于這其中的核心——數據，黃仁勛的判斷是，企業里的兩類數據，其實扮演著完全不同、但同樣關鍵的角色：

● 結構化數據，是 AI 的基本事實

● 非結構化數據，是 AI 的上下文

數據庫、表格、交易記錄、庫存數據，這些結構化信息是企業過去幾十年最穩定、最可靠的資產。AI 真正補上的，不是把這些東西替代掉，而是讓機器終于有能力去理解圍繞它們的那些非結構化信息——文檔、郵件、圖片、合同、對話、代碼、視頻。

所以結構化數據和 AI 不是對立關系，恰恰相反，AI 會讓結構化數據更值錢。

結構化數據像骨架，非結構化數據像血肉，而 AI 像是把這一切串起來的大腦。三者不是替代關系，而是組合關系。

這對企業來說是個很重要的判斷：過去二十年積累下來的信息資產不會因為 AI 到來而失效，反而會因為新一代模型的理解能力變得更有價值。

AI 的真正爆發點，不再是訓練，而是推理

接下來，黃仁勛把敘事重心從“過去二十年”切到“未來五年”。

這里有一個非常關鍵的判斷：

AI 的重心，正在從訓練轉向推理。

而且，他沒有只從技術角度講這件事，而是給了一個很有沖擊力的視角：Token Economics。

AI 經濟的基本單位就是 Token。用戶輸入的是 Token，模型處理的是 Token，最后輸出的也是 Token。于是 AI 的成本、收入、吞吐量，最后都落到同一個問題上：能以多快的速度、用多高的效率，生產出多少 Token。

這里最關鍵的變量，是 Token 消耗量正在急劇膨脹。

從 ChatGPT 到 o1，再到 Claude Code，單個任務的 Token 消耗已經不是翻倍，而是直接增長了四個數量級。

原因也很簡單：過去那種一問一答的聊天式 AI，只是最輕量的一層。真正的 Agentic AI，一次任務里會不斷思考、拆解、試錯、調用工具、執行子任務，它消耗的 Token 規模和傳統對話完全不是一個量級。

這也是為什么黃仁勛會反復強調一個說法：未來的數據中心，不再只是存儲和檢索數據的地方，而是生產 Token 的工廠。

也就是他這幾年一直在推的概念：AI Factory。

黃仁勛真正要賣的是 Vera Rubin+ LPX

講到這里，黃仁勛才正式把話題帶進這次 GTC 的硬件主菜。

他先給 Blackwell 下了一個非常重的定義：它不只是 NVIDIA 歷史上最成功的產品發布，甚至可能是整個計算產業史上最成功的一次發布。

這句話聽起來很狂，但放在今天 AI 基礎設施的供需關系里，也并不完全夸張。Blackwell 已經全面量產，幾乎所有主要云廠商和 AI 公司都在圍繞它部署。

但這場 GTC 當然不是一場慶功會。

Blackwell 再成功，也只是承前啟后的一代。真正要接住Agentic AI這波需求爆炸的，是下一代架構：Vera Rubin。

這次黃仁勛又拿出了去年那張性能曲線圖，甚至還順手調侃了一下——大概只有 NVIDIA 的 Keynote，才會把去年的圖再拿出來講一遍。

但重點并不是復讀，而是把問題講得更清楚了：

未來 AI 推理不能只看“模型能不能跑”，而要看“以什么成本、以什么交互速度跑”。

圖的縱軸，本質上是在看單位電力能產出多少 Token；橫軸，本質上是在看每個用戶能以多快速度拿到結果。

如果把這兩個指標放在一起看，就會明白黃仁勛真正要表達的事：AI 服務會像云服務一樣分層，從免費，到中檔，到高端，再到超高端。模型越大、上下文越長、交互越快，底層硬件代際差異就越致命。

Rubin 的價值，不只是把 benchmark 做高，而是讓那些原本“算不過來、也賺不過來”的高端推理服務，真正變成一門商業上可成立的生意。

如果說 Vera Rubin 是下一代引擎，那么LPX才是這部分真正的殺招。

黃仁勛給出的名字是Groq 3 LPX。

不管外界之后怎么進一步解讀這個命名，在 Keynote 的語境里，它最重要的意義只有一個：NVIDIA 正在把大規模 AI 系統的芯片互連，從銅推向光。

這件事為什么重要？

因為當系統規模做到 NVL72 這種級別之后，瓶頸早就不只是單塊 GPU 的算力，而是整個系統內部到底能不能高速、低功耗、長距離地通信。銅線當然可以繼續用，但功耗、熱量、距離，都會越來越快地碰到邊界。光子互連打開的，恰恰是更大規模 AI 系統的上限。

黃仁勛最擅長做的一件事，就是把一個底層技術變化，直接翻譯成商業結果。

加上 LPX 之后，在高價值的 Premium 場景里，Vera Rubin + LPX 相比 Blackwell，性能效率可以拉到35 倍。

而同樣是一吉瓦電力，Blackwell 時代大概能對應數百億美元量級的年度收入，而到了 Vera Rubin + LPX 這一代，這個數字被直接拉到了3000 億美元。

這當然有黃仁勛一貫擅長的放大表達，但它背后的邏輯并不復雜：

● 交互速度更高

● 上下文更長

● Agent 工作流更復雜

● 高客單價 AI 服務終于跑得動

● 單位電力產出的商業價值被成倍放大

最后落到一句最樸素的話上：

能效就是錢。

NVIDIA 現在連路線圖都開始像軟件公司了

接下來是 roadmap。這是慣例，畫完今年的餅，就會畫下一年的餅，確保訂單量源源不斷。

但這次路線圖真正值得關注的，不是單純“2025 是誰、2026 是誰、2027 是誰”，而是黃仁勛傳遞出來的節奏感：

NVIDIA 現在是按“一年一代”的速度在往前推。

● 2025：Blackwell

● 2026：Vera Rubin

● 2027：Vera Rubin Ultra

● 2028：Feynman

如果熟悉半導體行業，就會知道這有多兇。傳統意義上的大架構切換，并不是這個速度。黃仁勛等于是在向所有云廠商、AI 公司和資本市場發信號：

別再用傳統芯片周期去理解 NVIDIA 了。未來幾年，它會像軟件公司迭代版本一樣，持續往前壓硬件路線圖。

這也是為什么今天越來越多的云廠、國家級算力項目和資本支出計劃，都得圍著 NVIDIA 的路線圖轉。數據中心設計、供電散熱、網絡拓撲、采購節奏，最后都會被這條 roadmap 牽引。

“歷史上最大規模的基礎設施建設，已經開始了。”

這也是整場演講里最值得記住的一句話之一。

因為它不是在形容 NVIDIA 自己，而是在定義這個時代的背景：未來五年，全球會用一種接近修電網、鋪鐵路、建通信網絡的方式，去建設 AI 基礎設施。

黃仁勛點了很多名字：微軟、AWS、Google、Meta、Oracle、CoreWeave、xAI，也提到了多個國家和地區。重點不在名單本身，而在于一個信號：

AI 算力正在從企業采購行為，升級成國家級戰略資產配置。

這意味著 AI Factory 不再只是幾個互聯網巨頭的事，而會像過去的發電站、鐵路、港口、光纖網絡一樣，成為下一輪全球競爭的底層基礎設施。

這也是為什么，黃仁勛可以順理成章地把敘事從 AI 工廠接到數字孿生和Physical AI。因為當基礎設施已經按照“國家工程”的量級在建設，NVIDIA 當然不會滿足于只做其中一層芯片。

企業軟件將迎來從 SaaS 到 Agent-as-a-Service 的范式轉換

如果說前半場黃仁勛在鋪墊基礎設施，那么后半場真正的主角只有一個：Agentic AI。

這里有一個很重要的區分：Agent 不是更會聊天的大模型，也不是把 prompt 寫長一點的 ChatGPT。它是一套能感知環境、調用記憶、讀取文件、使用工具、拆解任務、調度子 Agent，最后自己把事情做完的系統。

Agent 不再只是回答問題，它開始處理任務。它不只是對話入口，而越來越像一個調度中心。多模態輸入進來，記憶、文件、外部工具、命令行、MCP 接口、子 Agent 全部圍著它轉。

所以黃仁勛這次給出了一個非常濃縮、也很適合傳播的判斷：

Agent 是新的應用，Prompt 是新的程序，Token 是新的貨幣。

這背后的本質，是全新的計算平臺。

未來的軟件，不再只是一個界面加一堆按鈕，而會變成一個能自己做事的智能體。你給它的 prompt，不再只是輸入框里的自然語言，而越來越像是在寫程序。它處理和消耗的 Token，就是這個新系統里的流通單位。

如果說過去十幾年企業軟件的中心是 SaaS，那么接下來幾年，真正改變企業流程的，很可能是 Agent。

過去，企業買的是軟件和 SaaS，再花錢請系統集成商去部署和維護。未來，企業越來越像是在購買一種新的“智能勞動力”。

黃仁勛重新定義了企業買的到底是什么。

他提出了AgaaS：Agent-as-a-Service。

這個縮寫未必會像 SaaS 那樣最終成為穩定術語，但它足夠準確地表達了黃仁勛的判斷：

企業軟件市場接下來最大的增量，不是再賣一個功能模塊，而是賣一個能替人做工作的 Agent。

于是底層邏輯也跟著變了：

●傳統數據中心主要存文件

●AI Factory 主要生產 Token

●傳統軟件主要服務人

●新一代系統會同時服務人和 Agent

4.6 萬億美元的 IT 產業，正在從“軟件采購邏輯”切換到“智能勞動力采購邏輯”。

黃氏龍蝦 NemoClaw ：一行命令，把 Agent 從屏幕里拽出來

軟件世界講到這里，整場演講其實還差最后一步：如果 Agent 真的是新的應用，它總不能永遠只活在命令行、瀏覽器和聊天窗口里。

OpenClaw的出現，才讓這條線真正拐向了物理世界。

大會現場的預熱環節，其實就請來了龍蝦之父 Peter Steinberger 出場站臺。

Peter 自己給出的出發點也很有意思。他想解決的問題，并不是某個傳統意義上的機器人學難題，而是一個聽起來幾乎過于樸素的需求：人有時候就是想直接和電腦說話，而且不只是讓它回答，而是真的替你做事。正是在這個意義上，OpenClaw 才迅速引發共鳴，抓住所有開發者和知識工作者都已經開始感受到的那種沖動：我們不再滿足于 AI 會聊天，我們開始要求它動手。

到了黃仁勛真正把它接到 Keynote 主線里的時候，OpenClaw 的定位又被抬高了一層，還專門做了一個短片，講述 OpenClaw 如何超越 Linux 和 React，讓今年改元為“龍蝦元年”。

隨后就是王炸：NemoClaw 發布。

但這不僅僅是老黃跟緊熱度，也發布了一個英偉達風格的龍蝦，而是做一件更大的事：

把 Agent 從電腦屏幕里拽出來，塞進一個真實能動的機械系統里。

這只“黃氏龍蝦”從我們認知中的 Agent，變成了一個開放的機器人操作底座，一個足夠標準化、足夠友好、也足夠有社區屬性的開源硬件入口。就像早年的 PC 之于個人計算，樹莓派之于嵌入式開發，重點不是極限性能，而是門檻足夠低、生態足夠容易長出來。

NemoClaw 是 NVIDIA 往硬件里塞進去的那顆“大腦”。

它不是簡單地給機器人接上一個模型接口，而是把 Agent 那套能力真正帶到了物理世界：理解自然語言、感知環境、規劃動作、調用工具、執行任務。最關鍵的是，黃仁勛用了一種極其程序員友好的方式來展示它——不是復雜的機器人工作站，不是一堆控制臺，而是一行命令。

那種感覺非常直接：像是在給一臺機器“裝系統”。

這背后的含義很重。

它意味著機器人開發的門檻，正在從“必須有機器人學博士團隊”下降到“會命令行、會接模型、會調 API 的開發者也能開始上手”。這不等于機器人難題已經解決了，但它意味著入口正在被打穿。

所以 NemoClaw 真正重要的，不是“它支持什么功能”，而是它試圖復制 NVIDIA 當年在 CUDA 和 cuDNN 上做過的事：

● 先把底層平臺搭好

● 再把復雜性封裝掉

● 然后把開發門檻盡可能壓低

● 最后讓生態自己長出來

如果 CUDA 讓并行計算從少數專家的能力變成主流開發者的能力，cuDNN 讓深度學習從頂尖實驗室走向整個產業，那么 NemoClaw 想做的，就是把這種民主化邏輯推到機器人和 Physical AI 領域。

從 NemoClaw 往后，黃仁勛順勢也聊到了Physical AI和具身智能。

這里的關鍵詞不是“機器人”，而是仿真優先。

AI 如果真的要改變世界，就不能只活在云里。它得進入物理世界，得能看、能聽、能碰、能動。而一旦進入物理世界，它面對的就不再是干凈的數據集，而是摩擦、慣性、遮擋、碰撞、噪聲、延遲、失誤。

這也是為什么 NVIDIA 把 Isaac Lab、Newton、Cosmos、GROOT 這套東西一起擺出來。

可以把它理解成：NVIDIA 正在給 Physical AI 搭一整條流水線——從數據生成、仿真訓練，到強化學習、再到現實部署。它不是只想給你一個機器人模型，而是想給你一個從虛擬世界走到現實世界的完整開發系統。

而且這不只是實驗室概念。黃仁勛點到的那些合作方向——手術室助手機器人、全身控制、人形機器人、制造業訓練、Disney Research——已經足夠說明問題：

Physical AI 正在從 demo 走進產業真實需求。

語畢，黃仁勛自然引出了全場最后一個爆點，也是最有畫面感的一幕：雪寶，Olaf。

一個原本屬于動畫電影《冰雪奇緣》的角色，從屏幕里走到了現實世界。

但它并不只是“可愛”。

它真正想說明的，是 NVIDIA 現在試圖打通的一整條鏈路：

●角色誕生于數字內容世界

●行為在仿真環境里被訓練

●物理控制在 Newton 這樣的引擎里被優化

●最終進入真實世界里行動

黃仁勛現場和雪寶的互動，某種程度上比前面那些曲線圖、收入圖都更容易讓普通人一下子理解 Physical AI 到底意味著什么。

因為它不再是一個機械臂抓方塊，而是一個熟悉的、來自流行文化的角色，真的站到了現實世界里。

這一幕很像整個 Keynote 的隱喻：

數字世界里的智能，正在向現實世界外溢。

這家公司最早改變的是圖形計算，后來改變的是 AI 計算。現在，它開始試圖去定義：當智能真正從屏幕里走出來之后，下一代世界會長成什么樣。

（投稿或尋求報道：zhanghy@csdn.net）

【活動分享】"48 小時，與 50+ 位大廠技術決策者，共探 AI 落地真路徑。"由 CSDN 與奇點智能研究院聯合舉辦的「全球機器學習技術大會」正式升級為「奇點智能技術大會」。2026 奇點智能技術大會將于 4 月 17-18 日在上海環球港凱悅酒店正式召開，大會聚焦大模型技術演進、智能體系統工程、OpenClaw 生態實踐及 AI 行業落地等十二大專題板塊，特邀來自BAT、京東、微軟、小紅書、美團等頭部企業的 50+ 位技術決策者分享實戰案例。這不僅是一場技術的盛宴，更是決策者把握 2026 AI 拐點的戰略機會。