在2026年GTC大会上，黄仁勋通过三小时主题演讲揭示了AI产业的重大转向，重点阐述了算力基建、推理架构与芯片创新的突破性进展。

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）”。

1. AI应用爆发
   1. Copilot、Agent、搜索、代码、客服等
   2. 需要实时推理能力
2. 推理算力需求将远超训练
   1. 每个用户请求都需要推理
   2. 推理规模可能比训练高 1000倍
3. 企业级AI开始普及

因此 Nvidia 的战略重点是：

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：

AI 工厂核心组件：

1. GPU计算
2. CPU协同
3. 网络互联
4. 存储
5. 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。

当前主力 AI 架构：

1. Blackwell GPU
2. Grace CPU
3. GB200 超级芯片

主要用于：

1. 大模型训练
2. 大规模推理

下一代架构：Vera Rubin

发布时间：2026 下半年

特点：

1. 3nm 制程
2. HBM4 内存
3. 推理性能大幅提升

预计：

1. 训练性能提升 3.5 倍
2. 推理效率提升 10 倍

Rubin 架构由两部分组成：

1. Vera CPU
2. Rubin GPU

系统级平台：Rubin NVL72

下一代 AI 架构：Feynman

定位：AI Agent 时代的计算架构

预计特点：

1. 更高带宽 HBM
2. 光互连
3. 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：

1. prompt
2. 上下文

特点：

1. 大规模矩阵计算

适合 GPU

2 Decode

逐 token 生成

特点：

1. 小计算
2. 高频调用

因此 Nvidia 提出：异构推理架构

1. GPU 负责 Prefill
2. 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：

1. agent runtime
2. agent orchestration
3. agent memory
4. 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：

1. 铜互连
2. 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：

也就是说：AI 不只是软件。

还要理解：

1. 重力
2. 摩擦
3. 空间
4. 物理世界

应用场景：

1. 机器人
2. 自动驾驶
3. 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：

1. Omniverse
2. 仿真训练
3. 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：

1. Drive AI
2. 自动驾驶仿真

合作厂商包括：

1. 多家车企
2. 自动驾驶公司

十、黄仁勋的终极愿景

从加速计算到生成式AI，再到物理AI的演进，这场演讲勾勒出AI深度融入工业体系的未来图景，最终指向智能时代的基建革命。