資料中心散熱革命：冷機退場，但熱量管理永不過時核心命題：晶片功率飆升正在改寫散熱遊戲規則，傳統冷機可能不再是唯一選擇，但如何高效排熱始終是繞不開的死結。💡 行業共識正在坍塌📌 聚焦Nvidia CEO 黃仁勳在 2024 年 10 月的一次演講中斷言："液冷將成為主流，空氣冷卻即將過時。"但現實遠比這句話複雜得多，冷卻技術的演變不是簡單的二選一，而是一場關於能效、成本與物理極限的三方博弈。資料中心營運商長期依賴的冷水機組（Chiller）正面臨存在性挑戰。原因很簡單，當單個 GPU 功耗從 300W 狂飆至 1000W 以上時，傳統風冷系統的極限被徹底暴露。行業開始轉向液冷方案，尤其是浸沒式冷卻和冷板式液冷，這些技術能直接接觸晶片帶走熱量，效率遠超空氣介質。但這裡有個被忽視的矛盾：液冷減少了對冷機的依賴，卻無法消除熱量本身。無論採用何種冷卻方式，資料中心每消耗 1 兆瓦電力，就必須向外界排放近乎等量的熱能。問題從"如何冷卻"變成了"如何排熱"，而後者的技術壁壘和成本壓力絲毫不比前者低。🔥 Nvidia 的 Rubin 晶片：一場能源危機預告⚠️ 警示Nvidia 即將推出的 Rubin 架構晶片單卡功耗預計突破 1500W，這意味著一個標準 42U 機架的總功耗可能達到 200kW 以上，相當於 150 個美國家庭的用電量。如果繼續沿用傳統散熱方案，資料中心的能源帳單將徹底失控。以某超大規模雲服務商的實際案例為參照：部署 10,000 台搭載 Rubin 晶片的伺服器，總計算功耗約 15MW，但配套的冷卻系統額外消耗 5-7MW 電力。這意味著每投入 1 美元用於計算，就要額外支付 0.35-0.5 美元用於散熱。更致命的是，許多老舊資料中心的電力基礎設施根本無法承載這種負荷，改造成本動輒上億美元。這張表揭示的真相是：即便 PUE（電能使用效率）最佳化到 1.1，散熱消耗仍佔總能耗的 10%。當計算密度提升 5 倍時，散熱的絕對成本增長可能達到 8-10 倍，因為你需要更強的泵、更大的冷卻塔、更複雜的管網。🌊 液冷不是萬能藥，排熱才是終極戰場🔍 洞察液冷技術解決的是"如何把熱量從晶片轉移到冷卻液"的問題，但冷卻液最終仍需通過乾冷器（Dry Cooler）或冷卻塔將熱量釋放到大氣中。這個環節的效率瓶頸，正在成為行業新的焦灼點。歐洲某 AI 訓練中心的工程師曾透露一個細節：他們採用浸沒式液冷後，機房內溫度從 28°C 降至 20°C，但室外冷卻塔的負荷卻增加了 40%。原因在於液冷系統雖然減少了空調能耗，卻對散熱末端提出了更苛刻的要求。傳統冷卻塔依賴水蒸髮帶走熱量，但在低溫或乾燥地區，蒸發效率急劇下降，必須引入乾冷器或混合系統。現實是殘酷的：乾冷器的初裝成本比冷卻塔高 2-3 倍，維護費用也更高，但它能在水資源匱乏地區運行，這對中東、北非的資料中心至關重要。Meta 在瑞典建設的資料中心就完全放棄了水冷，轉而使用全乾冷方案，利用北歐寒冷氣候實現 90% 以上時間的自然冷卻，PUE 常年維持在 1.08 左右。📊 冷機的退場與堅守：一場區域性的分裂✅ 機遇冷機並非即將消亡，而是在重新定義自己的生存空間。在高溫高濕地區（如東南亞、中東），冷機仍然是維持穩定運行的基石；在寒冷地區（如北歐、加拿大），自然冷卻和液冷的組合則大幅降低了對冷機的依賴。以下是不同氣候區域的冷卻策略差異：新加坡政府在 2023 年批准的一項資料中心擴建計畫中明確要求：所有新建設施必須將 PUE 控制在 1.3 以下，否則不予審批。這迫使營運商採用高效冷機配合液冷系統，並投資昂貴的餘熱回收裝置。相比之下，微軟在愛爾蘭的資料中心全年 75% 時間僅依靠外界冷空氣散熱，幾乎不啟動冷機。金句警示：冷機不會死，但它正在從"必需品"降格為"奢侈品"，只有那些別無選擇的地區才會繼續為它買單。⚡ 餘熱回收：從成本中心到利潤來源💎 案例芬蘭資料中心營運商 Yandex 將伺服器廢熱輸送至赫爾辛基市政供暖網路，每年向市政府出售熱能收入超過 200 萬歐元，同時獲得稅收減免。這種模式已在北歐多國複製，資料中心從"能源黑洞"變成"城市熱源"。餘熱回收技術的經濟學正在改寫。傳統觀念認為資料中心的熱量品質太低（通常 40-60°C），難以商業化利用。但液冷技術的普及改變了這一點，浸沒式液冷可以將冷卻液溫度提升至 70-80°C，足以直接接入區域供暖系統。計算一筆帳：一個 10MW 規模的資料中心，如果回收 50% 的廢熱用於供暖，在北歐地區每年可節省約 150 萬歐元能源成本，同時減少約 5000 噸碳排放。這不僅符合 ESG（環境、社會、治理）要求，還能顯著改善財務模型。但障礙同樣明顯：餘熱回收需要與市政供暖網路緊密耦合，這意味著資料中心選址必須靠近城市，而城市土地成本、噪音管制、社區反對等問題又會抬高建設門檻。德國法蘭克福就因居民投訴噪音污染，否決了一座計畫中的大型資料中心項目。🧠 跳出框架：散熱的終極解法可能不在地球上🚨 前沿思考當地面資料中心的散熱成本無限逼近算力收益時，也許該重新審視一個瘋狂的想法：把資料中心搬到太空或深海。SpaceX 已在測試衛星算力節點，而微軟的 Project Natick 證明了海底資料中心的可行性。這不是科幻，而是物理學對成本曲線的終極反抗。深海資料中心的邏輯很簡單：海水溫度常年穩定在 4-10°C，無需任何主動冷卻裝置，PUE 理論上可低至 1.05。微軟在蘇格蘭海岸部署的實驗艙運行兩年後，故障率僅為陸地資料中心的八分之一，因為密封環境隔絕了氧氣和濕度，延長了硬體壽命。但商業化路徑仍不清晰。海底資料中心的部署和維護成本極高，光纜鋪設、潛水器維護、緊急故障處理都是難題。更致命的是法律真空：誰擁有海底資料中心的產權？如何監管跨國海底網路？這些問題在聯合國海洋法公約中沒有明確答案。太空資料中心則面臨另一個極端挑戰：如何在真空環境中散熱？沒有空氣對流，熱量只能通過輻射排放，這需要巨大的散熱板，衛星體積和發射成本會急劇膨脹。但長遠來看，太陽能充足、無需地租、零碳排放的優勢可能抵消這些劣勢。🎯 結論：熱量是新的稀缺資源資料中心行業正在經歷一場範式轉移：從"如何用更多能源冷卻"轉向"如何讓每一焦耳熱量產生價值"。冷機可以減少，但熱量管理的複雜度只會增加。未來的贏家不是那些擁有最強冷卻裝置的公司，而是那些能把散熱變成系統工程、把廢熱變成商品的玩家。當 Rubin 晶片真正量產時，整個行業將面臨一次集體大考。那些仍在用 2020 年思維建設資料中心的人，會發現自己的資產迅速貶值；而那些提前佈局液冷、餘熱回收、智能熱管理的先行者，將在能效競賽中拉開代差。最後一句話送給所有從業者：在算力軍備競賽中，散熱能力才是真正的護城河，因為摩爾定律可以失效，但熱力學第二定律永遠有效。💬 專業評論解讀：散熱焦慮背後的行業共識與分歧🎯 核心共識：熱力學定律無法繞過看完內容，大家的評論雖然角度不同，但都指向同一個鐵律：熱量守恆定律不會因為技術進步而失效。David Chen 工程師的發言最為直白："第一熱力學定律仍然適用，GPU 消耗的每一焦耳電能最終都會變成必須排出的熱量。"這句話擊碎了所有對"液冷能消除散熱問題"的幻想。🔍 關鍵洞察變化的不是熱量總量，而是處理方式的靈活性。溫水液冷（45-60°C）允許更高的冷卻液溫度，這意味著可以減少甚至消除機械製冷（冷機），轉而依賴自然散熱或環境輔助冷卻。這不是技術突破，而是物理約束的重新分配。⚖️ 分歧點一：乾冷器 + 密閉循環能否扛住極端場景？第一位評論者提出了最尖銳的問題："在高溫缺水地區，乾式散熱 + 密閉循環系統能否在不犧牲韌性的前提下擴展？"這個問題戳中了行業痛點。乾冷器（Dry Cooler）的優勢是零水耗，但劣勢同樣致命：現實案例：中東某資料中心在 2023 年夏季遭遇 48°C 高溫時，乾冷器的散熱能力下降了 40%，迫使營運商臨時啟用備用冷機，能耗飆升 60%。這暴露了一個殘酷真相：乾冷器在理論上完美，但在極端氣候下的韌性仍需驗證。第一位評論者的擔憂完全合理——當機架密度衝破 200kW 時，任何散熱方案的容錯空間都在縮小。你不能允許系統在最熱的那 5% 時間裡崩潰，因為 AI 訓練任務是 7×24 小時運行的。📈 分歧點二：散熱是維運話題還是戰略決策？Cheong Nicholas 的發言將討論拉到了更高維度："冷卻不再是設施部門的話題，而是董事會等級的決策。"這個判斷背後有三層含義：1️⃣ 選址邏輯徹底改寫傳統資料中心選址優先考慮：電力成本 > 網路延遲 > 土地價格。但現在必須加入新變數：氣候適配性北歐、加拿大等寒冷地區成為香餑餑水資源可得性新加坡、中東即便電力充足也面臨水限制餘熱消納能力能否接入市政供暖網路直接影響 ROI微軟在愛爾蘭、Meta 在瑞典的選址，本質上是用"地理套利"避險散熱成本。但這種策略有天花板——全球適合建大型資料中心的寒冷地區屈指可數，一旦飽和，晚來者只能硬啃高溫地區。2️⃣ 資本支出的結構性變化評論者提到"影響 CAPEX 規劃"，具體體現在：前期投資重心轉移從 IT 裝置轉向散熱基礎設施全生命周期成本重估PUE 1.3 的傳統方案 vs PUE 1.1 的液冷方案，10 年 TCO 差距可達 30-40%靈活性溢價模組化液冷系統初裝貴 20%，但能快速響應算力擴容需求3️⃣ 風險管理的新維度Cheong 提到的"長期風險管理"包括：監管風險歐盟正在推動強制性 PUE 限制和碳稅氣候風險極端天氣頻率增加，散熱系統必須有冗餘設計社會風險社區對噪音、熱島效應的抵制可能導致項目擱淺金句提煉：當散熱成本佔總營運成本的 35% 以上時，它就不再是工程問題，而是生死存亡的戰略問題。🔄 分歧點三：餘熱回收是理想主義還是現實路徑？Chuck Blythe 的評論最具顛覆性："不要只想著排熱，要想辦法回收熱量。用熱泵將 45°C 溫水升級到 85°C 以上，COP（能效比）可以超過 4，這些熱水有大量工業和農業用途。"這個思路在北歐已經驗證可行，但在其他地區面臨三大障礙：障礙 1：需求匹配難題新加坡資料中心產生的熱水，在當地幾乎找不到買家。即便能供應給工業園區，輸送距離超過 5 公里後，管道熱損失和成本就會吞噬大部分收益。障礙 2：基礎設施鎖定餘熱回收需要與市政系統深度耦合，但大多數資料中心選址時沒考慮這一點。改造成本包括：鋪設保溫管網（每公里 200-500 萬美元）建設熱交換站（500-1000 萬美元/站）法律協調成本（供熱協議談判可能耗時 1-2 年）障礙 3：商業模式不成熟芬蘭案例的成功有特殊性：政府強制要求新建建築接入區域供暖，且給予資料中心稅收優惠。但在美國、亞洲大部分地區，這種政策激勵缺失，餘熱回收項目 IRR（內部收益率）往往低於 8%，無法吸引投資。現實判斷：餘熱回收在 2026 年仍是"錦上添花"而非"雪中送炭"。只有當碳稅真正重到讓排放成本超過回收成本時，這個模式才會從理想走向主流。⚡ 隱藏議題：電網容量才是最大瓶頸David Chen 提到的一個細節值得放大："省下來的冷機功率可以重新分配給額外的計算容量，提升每單位電網連接的 AI 輸出。"這句話揭示了一個被忽視的戰場：資料中心的增長速度已經超過電網擴容速度。以馬來西亞柔佛州為例，該地區計畫建設 10GW 資料中心產能，但當地電網容量僅 6GW，水資源也嚴重不足。結果是什麼？項目排隊等電力配額，部分營運商被迫自建燃氣電廠，成本暴漲 50%。換個角度看液冷的價值：傳統方案：100MW 計算 + 30MW 散熱 = 130MW 電網需求液冷方案：100MW 計算 + 10MW 散熱 = 110MW 電網需求在電網受限地區，這 20MW 差異意味著能多部署 20% 的伺服器。這才是液冷真正的殺手鐧——不是降低能耗，而是突破電網瓶頸。🚨 Steven Howell 的警告：紙面資料 ≠ 實際性能最後一條評論雖短，但擊中要害："我見過太多 S45 規格隱藏冷卻極限，紙面數字不等於現場表現。"這是行業潛規則：實驗室 PUE 1.2→ 實際運行 PUE 1.5標稱冷卻能力 200kW/機架→ 實際穩定運行僅 150kW號稱零水耗→ 應急模式仍需蒸發冷卻原因很簡單：裝置廠商的測試條件是理想化的（恆溫 25°C、海拔 0 米、無灰塵），而真實資料中心要應對 40°C 高溫、沙塵暴、電壓波動等極端場景。建議：任何散熱方案都應該按"最壞情況設計，平均情況運行"。別指望系統在最熱的那 1% 時間裡仍能滿負荷，20% 的冗餘設計不是浪費，而是保命。🎯 彙總結論：行業正在經歷認知升級這五條評論共同勾勒出一個事實：資料中心行業正從"技術驅動"轉向"物理約束驅動"。✅ 已達成的共識液冷不是魔法，只是改變了熱量處理方式乾冷器 + 密閉循環在缺水地區有潛力，但韌性待驗證散熱已從維運話題升級為戰略決策餘熱回收理論上可行，但需要政策、基礎設施、商業模式三者對齊❓ 仍在爭議的問題200kW/機架密度下，那種散熱方案的 TCO 最優？電網瓶頸會不會倒逼資料中心向偏遠地區擴散？碳稅和水限制政策會不會重塑全球資料中心版圖？🔮 一個大膽預測2028 年前，我們會看到第一座"負碳資料中心"——不是通過碳抵消，而是通過餘熱回收產生的經濟價值超過自身碳排放成本。這不是環保口號，而是熱力學定律與市場機制共同作用的必然結果。最後一句話：在算力軍備競賽中，誰先解決散熱問題，誰就能在電網、水資源、土地這三重約束下搶到最後的擴張空間。技術迭代可以等，但物理極限不會給你第二次機會。(芯在說)

人工智慧的大語言模型存在數十億到兆次平行的數學負載，需要高記憶體頻寬和低延遲，傳統 CPU 難以高效支撐。因此，AI專用的CPU、GPU、NPU、TPU、DPU應運而生，它們各有側重、各司其職，共同構成異構AI系統，保障 AI 任務高效運行。CPU No.1是什麼？Central Processing Unit，中央處理器，是通用計算核心，電腦的 “大腦” ，用於AI領域主要是控制邏輯、傳統 ML、資料預處理、任務協調。有什麼特點？通用能力強，負責統籌所有任務，核心優勢是控制邏輯和任務協調，但不擅長AI heavy math。誰在做？Intel、AMD、Apple（M 系列）GPU No.2是什麼？Graphics Processing Unit，圖形處理器，是用於AI領域主要負責大規模神經網路訓練、平行矩陣運算、深度學習負載。有什麼特點？平行計算能力突出，是現代 AI 訓練的核心動力，但存在高能耗、高成本的問題。誰在做？NVIDIA、AMDNPU No.3是什麼？Neural Processing Unit， 神經網路處理器，是專用 AI 加速器，負責最佳化神經網路推理，用於擅長端側 AI 計算、移動端 / IoT 裝置推理、低功耗執行 AI 最佳化的矩陣和向量運算流水線。有什麼特點？主打低功耗、高效率，專門適配邊緣裝置（手機、IoT）的 AI 推理需求，讓端側 AI 快速運行。誰在做？Apple（Neural Engine）、Qualcomm（Hexagon DSP）、Huawei（Kirin NPU）TPU No.4是什麼？Tensor Processing Unit，張量處理器，是Google定製晶片，主要最佳化張量運算，用於規模 AI 訓練、雲端推理（側重 TensorFlow）。有什麼特點？深度最佳化張量運算，在超大規模 AI 場景（Google Cloud）中表現強勢，壟斷 hyperscale AI 領域。誰在做？GoogleDPU No.5是什麼？Data Processing Unit，資料處理器，是專注資料中心與網路任務的處理器，用於網路、儲存、資料移動、AI 基礎設施加速。有什麼特點？專注解除安裝資料相關和網路任務，解放 CPU/GPU 的算力，讓其集中處理核心 AI 計算。誰在做？NVIDIA（BlueField）、Intel、Fungible (銳芯聞)

1.0 緒論：從“製造代工”到“系統主權”的範式轉移NVIDIA創始人黃仁勳將台灣定義為“AI產業革命的中心”，這一論斷精準地捕捉了全球科技產業正在發生的地緣性重構。本白皮書的戰略目標，正是系統性地剖析並論證這一論斷背後的深層邏輯。隨著全球計算範式從通用計算全面轉向加速計算，台灣的角色正在經歷一場深刻的範式轉移：從傳統的“製造代工”（OEM/Foundry）實體，演變為一個掌握著未來十年全球AI算力基礎設施定義權的“系統主權”（System Sovereignty）實體。“系統主權”這一核心概念的浮現，源於摩爾定律在二維平面上的放緩。當競爭的焦點不再僅僅是電晶體的尺寸與密度，而是擴展到涵蓋先進封裝、系統整合、散熱管理乃至物理供應鏈效率的綜合能力時，遊戲規則已然改變。這種主權不再僅僅是地緣政治意義上的，更是一種戰略工具。它賦予了台灣生態系統一種事實上的監管權力，使其能夠主導全球AI硬體的技術路線圖。掌握這種從原子級電晶體製造到集裝箱級資料中心交付的全端執行能力，不僅是一種效率優勢，更是一個強大的影響力槓桿，決定性地影響著所有其他國家在AI領域的發展速度與方向。下文將從技術、生態、物理效率和人力資本等多個維度，系統性地剖析台灣在AI時代不可複製的競爭壁壘，揭示其“矽主權”地位的堅實基礎。2.0 矽之堡壘：台積電不可踰越的技術護城河台積電（TSMC）的先進邏輯製程是台灣“矽主權”的基石。其技術領先並非簡單的節點演進，而是在良率、功耗和性能上，對所有競爭對手形成的經濟學與物理學雙重壁壘。這道護城河的深度，決定了全球AI晶片創新的速度與成本。2.1 製程霸權：2奈米（N2/N2P）與埃米（A16）時代的絕對領先隨著2025年末2奈米（N2）製程的量產，台積電將正式引領半導體產業進入全環繞柵極（GAA）電晶體時代。這場技術變革不僅是架構的革新，更是對競爭格局的徹底鎖定。良率背後的經濟學 三星雖在3nm節點激進引入GAA架構，試圖“先發制人”，但策略因低至10-20%的早期良率而遭遇重挫。對於AI晶片客戶而言，低良率不僅意味著高昂的沉沒成本，更是無法接受的交付風險。相比之下，台積電在3nm世代沿用並最佳化至極致的FinFET技術（N3E），確保了蘋果等大客戶的順利量產，為其向N2 GAA的平穩過渡贏得了寶貴的學習曲線和客戶信任。蘋果公司已鎖定台積電2026年前超過50%的N2產能，這一舉動實際上為其他競爭者設定了進入壁壘。A16製程與背面供電的革命性影響 台積電發佈的A16製程（1.6奈米級）引入了“超級電軌”（Super Power Rail）技術，這是一種革命性的背面供電網路（BSPDN）應用。該技術將電源線移至晶圓背面，解決了正面訊號線與電源線擁堵的物理瓶頸，對功耗動輒數百瓦的AI GPU而言是顛覆性的進步。儘管英特爾也推出了類似的PowerVia技術，但台積電的核心優勢在於能將A16製程與成熟的CoWoS封裝技術無縫結合。這種整合能力將“背面供電”從一個晶片級特性，轉變為一次系統級的性能解鎖，形成了從電晶體到封裝的完整低阻抗供電路徑。這正是“系統主權”的生動體現：對前後道工藝的全面掌控，創造出競爭對手無法企及的復合優勢，NVIDIA已成為其首批客戶。2.2 戰略失效：雙重採購策略的破產在AI時代，晶片設計公司曾普遍採用的“雙重採購”（Dual-sourcing）策略已宣告破產。其根本原因在於，先進製程的性能差距已跨越一個關鍵的經濟閾值，從過去的“微小”演變為“決定性”。當台積電的工藝能為AI晶片帶來30%的能效優勢時，這直接決定了資料中心的總擁有成本（TCO）。使用次優工藝所帶來的TCO懲罰，已遠超任何通過供應商談判可能獲得的成本節約。這使得供應鏈決策從戰術性談判，轉變為戰略性指令，從而創造出一個“贏家通吃”的經濟法則。這一法則迫使所有頂級客戶（如高通已將其旗艦晶片訂單全數轉回台積電）回歸單一供應源，從結構上鞏固了台積電的壟斷地位。台積電的技術護城河不僅在於晶圓製造，更無縫延伸到了決定AI晶片最終性能的封裝領域，這構成了其統治力的第二重壁壘。3.0 封裝革命：定義後摩爾定律時代的生態壁壘在後摩爾定律時代，隨著單顆晶片逼近光罩尺寸的物理極限，先進封裝已取代傳統光刻，成為AI晶片性能提升的關鍵加速器和供應瓶頸。在這一領域，台灣的統治力甚至超過了晶圓製造本身。3.1 CoWoS：AI晶片的生命線與產能瓶頸CoWoS（Chip-on-Wafer-on-Substrate）是當前所有高性能AI晶片（如NVIDIA H100/B200）不可或缺的生命線。當前全球AI晶片的供應瓶頸，並非4nm或3nm的晶圓產出，而恰恰是CoWoS的封裝產能。台積電在此領域擁有兩大核心優勢：產能的指數級擴張為應對井噴式需求，台積電正以驚人的速度擴張CoWoS產能，其月產能預計將從2023年的約1.2萬片，激增至2026年底的13萬片以上，實現了超常規的增長。技術的持續迭代台積電不僅擴產，更在迭代。其CoWoS-L技術引入了本地矽互連，能夠支援的封裝面積將擴展到約光罩尺寸的5.5倍，為整合更多HBM記憶體和更大邏輯晶片的下一代“晶圓級晶片”奠定了基礎。3.2 SoIC與3D堆疊：超越摩爾定律的未來系統整合晶片（SoIC）是台積電更為激進的3D封裝技術。與CoWoS的2.5D平面連接不同，SoIC通過混合鍵合（Hybrid Bonding）技術，允許不同晶片在垂直方向上直接堆疊。這種“真3D”結構極大地縮短了訊號傳輸距離，顯著降低了功耗，是超越摩爾定律的未來方向。SoIC的戰略意義在於，它將傳統上被視為低附加值的“封裝”後道工序，轉變為高附加值的前道工藝延伸，從而在晶片設計階段就將AMD、蘋果等核心客戶深度繫結。3.3 “大同盟”生態系統：不可複製的協同效應台積電的成功並非孤例，而是建立在其主導的3DFabric“大同盟”（Grand Alliance）生態系統之上。這個聯盟網路緊密地將從設計到製造的各個環節連結在一起。台灣先進封裝供應鏈關鍵廠商與角色這種“大同盟”的協同效應是其最強大的壁壘。例如，基板廠商欣興電子可以提前獲得台積電下一代封裝技術的工藝規範，從而預先最佳化良率。這種基於長期信任和地理鄰近的協同研發模式，是競爭對手通過簡單的垂直整合或跨國收購難以在短期內複製的。這一生態網路的真正秘訣在於其深層的社會技術結構：一種貫穿整個供應鏈、追求極致效率的共同工程師文化，這是一種專注於資本投資的競爭者（如美國和歐盟）所根本無法理解也無從複製的“秘密武器”。這種緊密的生態系統因其獨特的地理聚集而得到極致強化，從而引出了台灣最難以被模仿的競爭優勢——物理學的勝利。4.0 物理學的勝利：“一日供應圈”的效率極限台灣半導體產業最核心且最難被覆制的競爭力，並非單一技術，而是其極端地理密度所帶來的“一日供應圈”效應。這是一種由物理定律和時間成本共同鑄就的、近乎絕對的效率壁壘。4.1 聚落效應與時間成本台灣西部從北到南三百多公里的半導體走廊，創造了無與倫比的產業效率。地理密度帶來了三大核心優勢：1. “2小時響應圈”當台積電產線上的任何一台裝置或化學品出現參數異常，相關的供應商工程師能在2小時內抵達現場解決問題。這種即時響應能力是維持超高良率的關鍵。2. 迭代速度在解決複雜的研發和良率問題時，晶片設計、晶圓製造、封裝測試的工程師可以進行高頻次的面對面協作。這種溝通效率遠非跨時區的視訊會議所能比擬。3. 低在製品（WIP）庫存緊湊的供應鏈極大地縮短了晶圓在不同工序間的流轉時間，顯著降低了在製品庫存，從而節約了巨額的資金佔用成本。4.2 材料科學的隱形冠軍支撐台積電高良率的，是一批“隱形冠軍”級的本地材料供應商。以李長榮化工（LCY Chemical）為例，其重要性體現在：它為台積電提供了純度達到ppt（兆分之一）等級的電子級異丙醇（EIPA），這是先進製程清洗環節的必需品。更關鍵的是，LCY與台積電合作開發了雙循環回收模式，將廢液回收提純後再送回產線，不僅大幅降低成本，還解決了環保難題。當台積電嘗試在美國亞利桑那州設廠時，才發現重建這種複雜的化工管線和回收系統，需要面對漫長的審批周期和高昂的成本，這正是海外建廠效率難以匹敵台灣本土的根本原因之一。這種物理和生態的緊密結合，不僅體現在晶片製造端，更向上延伸至整個AI硬體基礎設施的建構。5.0 超越晶圓：AI基礎設施層的系統級統治力台灣的統治力並未止步於晶片元件。當視角從晶片提升到AI伺服器與資料中心機架的系統層面時，一個更全面的圖景浮現出來：台灣不僅製造AI的大腦（晶片），還建構了其鋼鐵之軀（物理基礎設施），從而實現了從元件供應到系統輸出的全鏈路統治。5.1 市場份額的絕對壟斷明確的資料顯示，台灣的ODM（原始設計製造商）廠商控制了全球超過90%的AI伺服器出貨量。這一數字背後，是其與全球雲服務巨頭和NVIDIA等晶片設計商數十年來形成的深度繫結關係。台灣主要AI伺服器ODM廠商及其市場角色5.2 從“組裝”到“架構”：液冷技術與協同設計AI伺服器的製造技術壁壘遠超傳統伺服器。以NVIDIA GB200機架為例，其極高的功率密度必須採用先進的液冷技術。台灣ODM廠商憑藉其在熱管理、電源供應和精密機構件領域成熟的產業鏈優勢，迅速主導了這一新興技術。更重要的是，合作模式已從簡單的“NVIDIA設計、ODM生產”，演變為“共同設計”（JDM）。這種深度協同，使得台灣ODM廠商實際上成為了AI硬體標準的共同制定者，這進一步鞏固了其系統級主權地位，並有效壓制了潛在競爭者的進入空間。所有這些技術、生態和系統優勢，最終都建立在一種獨特且難以移植的人力資本之上。6.0 戰略性人力資本：不可複製的工程師文化NVIDIA創始人黃仁勳曾斷言：“台灣的人才、文化和半導體生態系統將需要數十年才能複製。”這一觀點深刻地指出，技術可以引進，裝置可以購買，但文化無法複製。台灣半導體產業最深層次、最堅固的護城河，正是其獨特的工程師隊伍及其背後的社會文化基礎。6.1 “夜鷹計畫”與責任制文化台積電著名的“夜鷹計畫”（研發工程師三班倒，24小時不間斷研發）是其技術超越競爭對手的關鍵。這種文化的核心並非簡單的“加班”，而是一種根植於集體主義和職業倫理的、為追求極致效率而生的責任制範式。在半導體製造這種良率差之毫釐、成本謬以千里的行業中，這種“隨叫隨到”（on-call）的文化是確保生產穩定和快速迭代的關鍵競爭力。6.2 亞利桑那的“文化反證”台積電在美國亞利桑那州設廠所遭遇的文化衝突和建設延誤，恰恰反證了台灣工程師文化的獨特性。美國工程師對“工作與生活平衡”的追求，與台灣工程師視解決問題為己任的責任制文化形成了鮮明對比。這證明了台灣的“工程師紅利”是一種無法簡單通過資本投資移植到西方社會的特定社會文化產物。6.3 制度化的人才管道為應對未來的人才挑戰，台灣政府與頂尖大學（如台灣大學、清華大學等）合作，設立了多個由企業出資、產學共治的“半導體研究學院”。這些學院的課程設計與產業需求緊密結合，確保了從2奈米到未來埃米級製程所需的高端研發人才能夠得到制度化的、源源不斷的供應。儘管台灣擁有多層次的強大優勢，但也面臨著獨特的挑戰，這些挑戰將共同決定其“矽主權”的未來韌性。7.0 結論：矽主權的戰略演算與未來展望綜上所述，台灣在AI時代的核心競爭力並非源於單一公司或技術，而是一個由技術、經濟、社會和物理因素高度耦合、協同進化的“矽生態系統”。這是一個在經濟學上最高效、在社會學上最適配的精密體系，構成了台灣不可動搖的“矽主權”。7.1 “阿喀琉斯之踵”：風險與制約儘管優勢巨大，台灣仍面臨三大核心挑戰：能源與水資源極限台積電一家公司的電力消耗已超過全台灣總量的6%，且仍在快速增長。綠電供應的不足與氣候變化帶來的水資源短缺，是其長期發展的物理層制約。地緣政治悖論全球對台灣晶片的依賴構成了“矽盾”，這既是保護也是風險。雖然供應鏈多元化是長期趨勢，但我們必須認識到，由於技術和成本壁壘，在未來5-10年內，世界對台灣的依賴只會加深，而非減弱。人才流失風險台灣最獨特、最不可替代的資產——其頂尖的工程師人力資本——同時也是最易流動的資產。隨著美國等科技巨頭以優厚待遇積極挖角，這種“人才虹吸效應”正對台灣最核心的競爭優勢構成直接威脅。7.2 未來展望：2030年的台灣基於前文分析，我們對2030年台灣在全球AI格局中的角色提出以下三個戰略展望：1. 從製造中心到研發大腦隨著NVIDIA、AMD等全球巨頭紛紛在台設立研發中心，台灣正從單純的“製造執行者”升級為“架構定義”的深度參與者，其在全球科技價值鏈中的地位將進一步提升。2. 矽光子時代的先機面對銅互連的物理極限，矽光子技術是下一代AI晶片的關鍵。台積電等廠商已在該領域積極佈局，有望在即將到來的光電融合時代繼續保持領先地位。3. 持續的全球向心力我們的最終戰略判斷是——在2030年之前，儘管存在挑戰，但全球高性能AI算力供應鏈的重力中心依然是台灣。任何試圖完全繞過台灣建構高性能AI算力的嘗試，都將面臨一個耗資數兆美元、長達數十年的挑戰，且沒有任何成功的保證。黃仁勳將台灣稱為“AI中心”，這不僅是對其過去成就的肯定，更是對未來十年全球科技地緣格局的精準預判。作為矽基智能的物理髮源地，台灣將繼續扼守人工智慧時代的戰略咽喉。 (可薦)

引言：CES 2026 引爆行業革命，機器人開發的“ChatGPT時刻”正式到來太平洋時間2026年1月5日，拉斯維加斯國際消費電子展（CES）現場，NVIDIA創始人兼首席執行長黃仁勳的一句“機器人開發的ChatGPT時刻已然到來”，為全球機器人產業定下了新的發展基調。當天，NVIDIA正式宣佈推出用於物理AI的全新開放模型、框架和AI基礎設施，同時展示了Boston Dynamics、Caterpillar、Franka Robotics等全球領先企業基於其技術打造的多款新型機器人與自主機器，涵蓋移動機械臂、人形機器人、工業作業裝置等多個品類。這一系列發佈並非孤立的技術更新，而是NVIDIA對機器人產業發展瓶頸的精準突破，更是對未來“專家級通用”機器人開發範式的全面重構。長期以來，機器人產業始終面臨三大核心痛點：一是缺乏理解物理世界的通用智能，傳統機器人依賴預設程序，難以應對動態環境變化；二是開發流程分散複雜，模擬與現實存在巨大鴻溝，技術迭代效率低下；三是軟硬體協同不足，AI算力與能效難以匹配機器人輕量化、高即時性的應用需求。NVIDIA此次推出的全端技術體系——從Cosmos與GR00T開放模型，到Isaac Lab-Arena模擬框架與OSMO計算框架，再到Blackwell架構驅動的Jetson T4000硬體模組，形成了覆蓋“模型-框架-硬體-生態”的完整解決方案，旨在打通機器人開發的全生命周期，加速新一代AI驅動機器人的規模化落地。本文將從技術核心解析、產業鏈重構影響、應用場景突破、產業趨勢展望四大維度，深度拆解NVIDIA物理AI技術體系的核心價值與行業變革意義。一、技術核心解析：物理AI如何重構機器人的“認知與行動”能力黃仁勳所言的“機器人開發的ChatGPT時刻”，核心在於物理AI技術的突破性進展。不同於傳統AI聚焦數字世界的資訊處理，物理AI的核心目標是讓機器理解物理世界的運行規律，具備感知、推理、規劃與行動的閉環能力，實現從“執行指令”到“理解並決策”的跨越。NVIDIA此次發佈的技術體系，正是圍繞這一核心目標建構的全端解決方案，其技術核心可拆解為“感知-推理-行動-訓練”四大核心模組。1.1 核心模型 Cosmos與GR00T建構物理AI的“認知大腦”要實現機器人對物理世界的理解，首先需要建構能夠建模物理規律、融合多模態資訊的基礎模型。NVIDIA此次推出的Cosmos系列與GR00T N1.6模型，分別解決了“物理世界認知”與“人形機器人全身控制”兩大核心問題，共同構成了物理AI的“認知大腦”。1.1.1 Cosmos系列模型：賦予機器人“物理直覺”傳統機器人的最大短板在於缺乏“物理直覺”——無法預判環境變化對自身動作的影響，也難以理解物體的物理屬性（如重力、摩擦力、材質特性等）。這導致機器人在執行簡單任務時，一旦遇到未預設的場景（如地面油污、物體重量變化），就容易出現失穩或任務失敗的情況。Cosmos系列模型的核心價值，正是通過生成式AI技術，讓機器人內化物理世界的基本規律，具備即時預測、跨場景遷移與多步推理的能力。Cosmos系列包含三大核心模型，形成了“感知-預測-推理”的認知閉環：NVIDIA Cosmos Transfer 2.5：作為轉換模型，其核心功能是打通模擬與現實的“域鴻溝”。傳統機器人訓練依賴大量真實場景資料，成本高昂且周期漫長，而模擬資料又因與現實環境差異過大，導致訓練出的模型難以直接遷移。Cosmos Transfer 2.5支援空間條件控制的風格遷移，可將Isaac Sim中的合成資料轉換為帶有真實世界噪聲、光照幹擾、鏡頭畸變的等效資料，同時保持物理參數不變；反之，也能將真實世界的稀疏資料增強為多樣化的模擬場景，大幅提升模型從模擬到現實的零樣本遷移成功率。相較於前代模型，其體積更小、運行更快，生成質量顯著提升，域間遷移的誤差累積大幅減少。NVIDIA Cosmos Predict 2.5：聚焦物理世界的即時預測，解決機器人的“快思考”問題。該模型融合Text 2 World、Image 2 World、Video 2 World等生成能力，可根據文字、圖像或視訊輸入，生成連貫的環境演化序列。與傳統電腦視覺模型逐幀處理像素不同，Cosmos Predict 2.5直接對物理狀態的演化軌跡進行推演，能夠在毫秒級內預測環境變化對機器人動作的影響。例如在“機械臂倒水”任務中，傳統方法需要複雜的流體動力學方程求解，難以滿足即時性要求；而Cosmos Predict 2.5通過學習海量物理視訊資料，可即時預測下一時刻的流體分佈與不確定性，為控製器提供“是否會濺出”的預判依據，支撐機器人的動態微調。NVIDIA Cosmos Reason 2：作為開放推理視覺語言模型（VLM），負責機器人的“慢思考”——跨時間尺度的理解、推理與決策。該模型引入了大語言模型中成熟的思維鏈（CoT）機制，並將其擴展到視覺-動作領域，能夠直接從圖像中理解語義與空間關係，完成多步任務分解與因果推理。在“清理廚房檯面”這類複雜任務中，傳統規劃器依賴預定義的PDDL（規劃域定義語言），難以應對場景變化；而Cosmos Reason 2可自主分解任務（如“先移開水杯→再擦拭油污→最後整理餐具”），並通過反事實推理預判不同動作的後果，主動規避高風險操作（如避免碰撞易碎物品）。這種將感知、推理與決策緊密耦合的能力，有效解決了傳統模組化架構中資訊層層傳遞的損耗問題。三者的協同邏輯清晰：Cosmos Predict 2.5提供即時物理狀態預測，支撐毫秒級的動態反饋；Cosmos Reason 2負責長周期的任務規劃與風險預判；Cosmos Transfer 2.5則打通模擬與現實的資料通道，為前兩者的訓練提供高品質資料支撐，形成“預測-推理-資料迭代”的認知閉環。1.1.2 GR00T N1.6：解鎖人形機器人的“全身控制”能力如果說Cosmos系列模型解決了機器人“認知世界”的問題，那麼Isaac GR00T N1.6則聚焦於“如何行動”，特別是為人形機器人提供開放式的推理視覺語言行動（VLA）模型，實現全身動作的精準控制與上下文理解。人形機器人的控制難度遠超傳統機械臂，其擁有數十個自由度，需要兼顧平衡、協調、精準操作等多重目標，傳統控制方法難以實現複雜動作的靈活適配。GROOT N1.6的核心突破在於兩大技術創新：一是採用MoE（混合專家）架構，實現“通專融合”的控制能力。該架構包含多個獨立的“專家”子網路，在處理不同任務時啟動對應的專家模組——例如理解自然語言指令時啟動“通用語言專家”，執行精密銲接時啟動“運動控制專家”，既保證了通用任務的適應性，又提升了專項任務的精準度。二是深度整合Cosmos Reason 2模型，強化上下文理解與推理能力。通過融合視覺語言推理與動作控制，GR00T N1.6可直接將人類自然語言指令轉換為全身協調的動作序列，例如將“把桌子上的檔案遞給我”拆解為“移動至桌前→識別檔案位置→調整姿態→抓取檔案→精準遞出”的連貫動作，無需人工編寫複雜的運動控製程序。目前，Franka Robotics、NEURA Robotics、Humanoid等企業已開始利用GR00T賦能的工作流，進行機器人新行為的模擬、訓練與驗證。Salesforce則通過整合Agentforce、Cosmos Reason與NVIDIA Blueprint，對機器人採集的視訊片段進行分析，將事件解決時間縮短了50%，充分驗證了該模型在提升任務效率方面的核心價值。1.2 支撐框架 Isaac Lab-Arena與OSMO打通開發全流程物理AI模型的落地，離不開高效的開發與訓練框架支撐。長期以來，機器人開發麵臨兩大流程痛點：一是模擬評估體系分散，基準測試依賴人工操作，難以實現規模化驗證；二是端到端工作流複雜，需要跨工作站、雲端等異構計算資源，協同難度大，開發周期漫長。NVIDIA此次發佈的Isaac Lab-Arena開源模擬框架與OSMO雲原生計算框架，正是針對這兩大痛點的精準解決方案，旨在實現“模擬-訓練-評估-部署”的全流程閉環。1.2.1 Isaac Lab-Arena：標準化模擬評估的“協作平台”模擬訓練是機器人開發的核心環節，其質量直接決定了機器人在真實環境中的性能。但當前行業缺乏統一的模擬評估標準，不同開發者採用不同的測試體系，導致技術成果難以對比，且模擬場景與真實環境的差異過大，大幅降低了訓練效率。Isaac Lab-Arena的核心目標是建構一個開放原始碼的協作系統，實現大規模機器人策略評估與基準測試的標準化。該框架的核心優勢體現在三個方面：一是模組化設計，其評估層與任務層通過與光輪智能的深度合作完成建構，支援靈活配置不同任務場景與評估指標；二是多基準相容，可直接對接Libero、Robocasa等業界領先的基準測試體系，實現測試流程的標準化，確保機器人技能在部署至物理硬體前具備穩健性與可靠性；三是開源協作，現已在GitHub上公開發佈，開發者可基於該框架共享測試場景、驗證演算法效果，加速技術迭代。1.2.2 OSMO：跨環境協同的“開髮指揮中心”機器人開發涉及合成資料生成、模型訓練、軟體在環測試等多個環節，需要跨越工作站、邊緣裝置、混合雲等多種計算環境，傳統開發模式下，各環節相互獨立，資源調度複雜，嚴重影響開發效率。OSMO作為雲原生編排框架，將機器人開發整合至單一易用的命令中心，實現了全流程的高效協同。OSMO的核心功能包括：一是跨環境工作流定義，開發者可通過統一介面，定義覆蓋多計算環境的工作流，實現合成資料生成、模型訓練、測試驗證的自動化執行；二是資源智能調度，根據不同環節的算力需求，自動分配工作站、雲端等資源，提升資源利用率；三是快速整合適配，現已開放使用，並被Hexagon Robotics等企業採用，同時整合至Microsoft Azure Robotics Accelerator工具鏈中，大幅降低了開發者的接入門檻。1.3 硬體基石 Blackwell架構驅動的邊緣AI算力革命物理AI模型的即時運行，需要強大的邊緣AI算力支撐。機器人尤其是人形機器人、移動作業裝置等，對硬體的輕量化、低功耗、高即時性提出了嚴苛要求。傳統邊緣計算模組難以平衡算力與能效，無法滿足複雜物理AI模型的運行需求。NVIDIA此次發佈的Jetson T4000模組與IGX Thor工業邊緣平台，基於Blackwell架構打造，實現了算力與能效的跨越式提升，為物理AI的邊緣落地提供了核心硬體支撐。1.3.1 Jetson T4000：機器人的“高效小腦”Jetson T4000是Blackwell架構下放至邊緣端的首款機器人專用計算模組，現已正式發售，千片起訂量下單價為1999美元，為Jetson Orin客戶提供了高性價比的升級路徑。相較於上一代Jetson AGX Orin，該模組在核心性能上實現了全方位突破：Jetson T4000的核心突破在於NVFP4 4位浮點精度推理技術。對於物理AI應用而言，感知環節的精度可適當降低，但決策與控制的即時性至關重要。該技術允許機器人在邊緣端直接運行複雜的VLA模型，無需依賴不穩定的雲端網路，既保證了即時響應，又提升了運行安全性。在70瓦的可配置功率範圍內，其可提供1200 FP4 TFLOPS的算力，足以支撐Cosmos與GR00T模型的即時運行，是能耗受限型自主系統的理想選擇。1.3.2 IGX Thor：工業邊緣的“安全算力核心”除了面向通用機器人的Jetson T4000，NVIDIA還宣佈IGX Thor將於2026年1月晚些時候上市，聚焦工業邊緣場景，提供高性能AI計算與功能安全保障。該平台將機器人技術擴展到工業生產、建築採礦等複雜邊緣環境，具備企業級軟體支援能力，可滿足工業級應用對穩定性、安全性的嚴苛要求。目前，AAEON、Advantech、ADLINK等眾多合作夥伴已推出搭載Thor的系統，覆蓋邊緣AI、機器人和嵌入式應用等多個領域。1.4 生態協同 NVIDIA與Hugging Face打通開源開發鏈路技術的規模化落地離不開生態的支撐。當前，機器人已成為Hugging Face平台上增長最快的領域，而NVIDIA的開放模型與資料集在該平台的下載量持續領先。為進一步加速開源物理AI的開發，NVIDIA與Hugging Face達成深度合作，將開放原始碼的Isaac與GR00T技術整合到領先的LeRobot開源機器人框架中，建構了“軟硬體一體化”的開源開發生態。此次合作的核心價值在於打通了兩大開發者社區：NVIDIA的200萬機器人開發者與Hugging Face的1300萬全球AI開發者，實現了技術、工具與資源的雙向流動。具體來看，GR00T N系列模型與Isaac Lab-Arena已正式上線LeRobot庫，開發者可直接基於該框架進行模型微調和策略評估；同時，Hugging Face開放原始碼的Reachy 2人形機器人與NVIDIA Jetson Thor機器人電腦實現完全互操作，可運行包括GR00T N1.6在內的任何VLA模型；Reachy Mini桌面機器人則與NVIDIA DGX Spark實現相容，支援開發者基於NVIDIA大語言模型及本地運行的語音、電腦視覺開放模型打造自訂體驗。這種開源生態的協同，大幅降低了機器人開發的門檻，讓中小企業與個人開發者能夠快速接入頂尖的物理AI技術，加速了創新應用的孵化。正如Hugging Face首席技術官所言：“與NVIDIA的合作將徹底改變開源機器人開發的格局，讓更多開發者能夠聚焦應用創新，而非基礎技術建構。”二、產業鏈重構：從“碎片化”到“生態化”的全鏈路變革機器人產業鏈傳統上呈現“上游高壁壘、中游低利潤、下游分散化”的碎片化格局。上游核心零部件（控製器、伺服系統、減速器）佔據工業機器人總成本的60%以上，利潤分配比例超過40%，但技術門檻高，長期被海外企業壟斷；中游整機製造依賴上游零部件，同質化競爭激烈，毛利率普遍偏低；下游應用場景分散，不同行業的需求差異大，難以形成規模化效應。NVIDIA此次發佈的全端技術體系，將通過“技術賦能-生態整合-成本最佳化”三大路徑，重構機器人產業鏈的價值分配與協作模式。2.1 上游核心零部件 AI驅動的技術升級與國產化機遇上游核心零部件是機器人產業的“卡脖子”環節，也是利潤最集中的領域。NVIDIA的物理AI技術體系，將對上游零部件產業產生兩大關鍵影響：一是推動零部件的“智能化升級”，二是為國產零部件企業提供彎道超車的機遇。在智能化升級方面，傳統零部件以“高精度執行”為核心目標，而物理AI時代的零部件需要具備“感知-反饋-協同”的智能能力。例如，伺服電機需要即時採集運動資料，並與AI模型協同調整參數，以適應動態環境下的動作需求；減速器則需要具備更高的動態響應速度，配合機器人的即時微調動作。NVIDIA的GR00T模型與Jetson硬體平台，為零部件的智能化升級提供了標準介面與算力支撐，推動上游零部件從“被動執行”向“主動協同”轉變。在國產化機遇方面，長期以來，國內零部件企業受制於核心技術不足，難以與海外巨頭競爭。而NVIDIA的開放模型與框架，降低了零部件企業的智能化研發門檻。例如，國內控製器企業可基於NVIDIA的CUDA架構與GR00T模型，快速開發具備物理AI能力的智能控製器，無需從零建構演算法體系。伺服系統企業可借助Jetson平台的算力，實現運動資料的即時分析與參數最佳化。同時，隨著國內機器人產業政策的支援（如廣西出台的機器人產業發展政策，對核心零部件企業給予最高300萬元的年度獎勵），國產零部件企業將在技術升級與市場拓展中獲得更多助力。此外，NVIDIA Jetson T4000的量產與普及，將帶動上游晶片供應鏈的發展。該模組採用的Blackwell架構晶片，其國產化替代（如封裝測試、配套元器件）將為國內半導體企業提供新的市場機遇，進一步完善機器人產業鏈的國產化生態。2.2 中游整機製造 從“組裝整合”到“應用創新”的價值躍升中游整機製造是傳統機器人產業鏈的“薄弱環節”，長期依賴上游零部件進口，以組裝整合為主，缺乏核心技術，毛利率普遍低於20%。NVIDIA的全端技術體系，將徹底改變中游整機企業的發展模式，推動其從“組裝商”向“應用解決方案提供商”轉型。首先，降低研發成本與周期。傳統整機企業需要投入巨額資金建構AI演算法、模擬平台與硬體適配體系，研發周期長達1-2年。而基於NVIDIA的Cosmos模型、Isaac Lab-Arena模擬框架與Jetson硬體，整機企業可直接復用成熟的技術模組，聚焦行業應用場景的定製化開發，研發周期可縮短至3-6個月，研發成本降低50%以上。例如，智元機器人基於NVIDIA技術推出的面向工業和消費行業的人形機器人，以及配套的Genie Sim 3.0模擬平台，正是借助NVIDIA的技術賦能，快速實現了產品落地與迭代。其次，提升產品競爭力。借助NVIDIA的物理AI技術，中游整機企業的產品將具備“通用智能”能力，能夠適配更多場景，擺脫同質化競爭。例如，NEURA Robotics推出的第3代人形機器人（由保時捷設計），基於GR00T模型與Jetson Thor平台，具備精細化控制能力，可同時適配工業裝配、服務接待等多個場景；Richtech Robotics的移動人形機器人Dex，借助NVIDIA的導航與操作技術，能夠在複雜工業環境中實現精細操作與自主導航，大幅提升了產品的市場競爭力。最後，推動商業模式創新。隨著產品競爭力的提升，中游整機企業將從“賣裝置”向“提供服務”轉型，例如通過機器人租賃、按效果收費等模式，提升客戶粘性與長期盈利能力。例如，智元機器人推出的國內首個機器人租賃平台“擎天租”，正是基於其技術領先的機器人產品，開啟了新的商業模式探索。2.3 下游應用場景 從“單一化”到“規模化”的全面滲透下游應用場景的分散化是制約機器人產業規模化發展的關鍵因素。傳統機器人主要應用於汽車製造、電子加工等少數標準化場景，而醫療、建築、消費等領域的應用相對有限。NVIDIA的物理AI技術體系，通過提升機器人的環境適應性與任務通用性，將推動下游應用場景從“單一化”向“規模化”全面滲透，尤其是在工業、醫療、建築採礦、消費四大領域實現突破性進展。在工業領域，機器人將從“固定工位操作”向“全流程協同作業”升級。例如，富臨精工工廠引入的近百台遠征A2-W機器人（基於NVIDIA技術），已實現與AMR的協同作業，自主完成周轉箱的搬運、轉移與精準放置，覆蓋三條不同裝配線，涉及20余種物料，承載重量提升至14千克，且未發生一起物料傾倒事故。隨著NVIDIA技術的普及，更多製造企業將實現“機器人+智能製造”的升級，推動工業機器人的規模化應用。在醫療領域，物理AI技術將推動手術機器人與輔助診療裝置的精準化升級。LEM Surgical借助NVIDIA Isaac for Healthcare和Cosmos Transfer模型，訓練Dynamis手術機器人（搭載Jetson AGX Thor與Holoscan），大幅提升了手術操作的精準度；XRLabs則利用Thor平台與Isaac for Healthcare，為手術內窺鏡提供即時AI分析支援，幫助外科醫生精準判斷手術部位，降低手術風險。這些應用將推動醫療機器人從“高端試點”向“常規應用”普及。在建築採礦領域，Caterpillar與NVIDIA的深化合作將推動自主作業裝置的規模化落地。建築與採礦行業屬於典型的“危險、骯髒、枯燥”場景，對機器人的需求迫切，但環境複雜，傳統裝置難以適配。Caterpillar將借助NVIDIA的物理AI技術，開發具備自主導航、精準作業能力的重型裝置，提升作業效率與安全性。在2026年1月7日的CES主題演講中，Caterpillar CEO Joe Creed與NVIDIA高管將披露更多合作細節，預計將推出多款基於Blackwell架構的自主作業裝置。在消費領域，人形機器人將從“高端玩具”向“家庭助手”轉型。LG Electronics發佈的全新家用機器人，基於NVIDIA技術，可執行各種室內家務，具備動態環境適應能力，能夠應對家庭中的複雜場景（如躲避障礙物、處理不同材質的物品）；宇樹科技推出的小型人形機器人Unitree R1，起售價僅2.99萬元，借助NVIDIA的輕量化AI技術，實現了低成本與高智能的平衡，大幅拉近了與人消費市場的距離。2.4 價值分配重構 生態主導者引領的利潤再平衡隨著NVIDIA全端技術體系的普及，機器人產業鏈的價值分配將發生重大變化：從“上游零部件企業主導”向“生態主導者+應用創新者”共同主導的格局轉變。NVIDIA作為生態主導者，將通過“模型授權+硬體銷售+生態服務”獲取穩定的利潤回報；而中游整機企業與下游應用解決方案提供商，將通過場景創新與服務增值，提升利潤佔比；上游零部件企業則需要通過智能化升級，維持其利潤優勢。這種價值分配的重構，將推動產業鏈從“零和博弈”向“共贏發展”轉變。NVIDIA通過開放模型與框架，幫助上游零部件企業實現智能化升級，提升其產品附加值；中游整機企業借助NVIDIA技術推出高競爭力產品，帶動上游零部件的需求；下游應用場景的規模化落地，又將反哺中游整機與上游零部件企業的發展，形成良性循環。據行業預測，隨著這種生態化格局的形成，2027年將成為中國機器人產業的“大規模商業化元年”，整個產業鏈的規模將突破兆級。三、應用場景突破：物理AI技術的落地案例與價值驗證技術的價值最終需要通過應用場景來驗證。NVIDIA此次發佈的物理AI技術體系，已在工業、醫療、消費、建築採礦等多個領域實現落地，通過一系列標竿案例，充分驗證了其在提升效率、降低成本、保障安全等方面的核心價值。本節將重點解析四個典型應用場景的落地案例，深入探討物理AI技術的實際應用效果。3.1 工業製造 富臨精工的“人形機器人+智能製造”升級富臨精工是國內領先的汽車零部件製造商，其生產車間涵蓋多條裝配線，物料搬運、上料等環節傳統上依賴人工操作，存在效率低、誤差率高、勞動強度大等問題。為實現智能製造升級，富臨精工與智元機器人達成合作，引入近百台基於NVIDIA Jetson Thor與GR00T模型的遠征A2-W人形機器人，建構了“智能中樞平台+人形機器人+AMR”的協同作業體系。該體系的核心優勢在於三個方面：一是全流程自動化，智能中樞平台即時監控線邊物料剩餘量，當觸及預設水位線時，自動觸發配送任務，人形機器人與AMR協同作業，自主完成周轉箱的搬運、轉移與精準放置，無需人工干預；二是動態適應性強，借助NVIDIA Cosmos Reason 2模型的推理能力，人形機器人能夠應對車間內的動態環境變化，如躲避移動的工人與裝置、調整物料放置角度等；三是規模化擴展能力，從最初的1個搬運工位擴展至4個，覆蓋三條不同裝配線，涉及物料種類從4種增至20余種，承載重量從5-6千克提升至14千克，且線邊上料場景至今未發生一起物料傾倒事故。據富臨精工相關負責人介紹，引入該體系後，物料搬運效率提升了60%，人工成本降低了40%，同時物料配送的誤差率降至0.1%以下。這一案例充分驗證了NVIDIA物理AI技術在工業製造場景的規模化應用價值，為其他製造企業的智能化升級提供了可複製的方案。3.2 醫療健康 LEM Surgical的精準手術機器人訓練體系手術機器人是醫療領域的高端裝備，其訓練需要大量的臨床資料與模擬場景，但傳統訓練方式存在資料稀缺、風險高、周期長等問題。LEM Surgical作為專注於手術機器人研發的企業，借助NVIDIA Isaac for Healthcare和Cosmos Transfer 2.5模型，建構了高效的手術機器人訓練體系，用於其Dynamis手術機器人的研發與最佳化。Dynamis手術機器人搭載了NVIDIA Jetson AGX Thor與Holoscan平台，具備高精度的手術操作能力。其訓練體系的核心的是Cosmos Transfer 2.5模型的域遷移能力：通過將Isaac Sim中的模擬手術場景，轉換為帶有真實手術環境噪聲、光照條件的等效資料，大幅提升了模擬訓練的真實性；同時，將少量真實手術資料增強為多樣化的模擬場景，解決了臨床資料稀缺的問題。借助這一體系，LEM Surgical的研發團隊能夠快速驗證手術機器人的操作策略，最佳化運動控制參數，大幅縮短了研發周期。此外，XRLabs利用NVIDIA Jetson Thor與Isaac for Healthcare，開發了智能手術內窺鏡系統。該系統通過外接手術內鏡採集即時圖像，借助Cosmos Predict 2.5模型的即時預測能力，分析手術部位的解剖結構與操作風險，為外科醫生提供即時引導，降低了手術難度與併發症風險。目前，該系統已在多家醫院開展試點應用，手術精準度提升了30%，手術時間縮短了20%。3.3 消費服務 LG Electronics的家用智慧型手機器人家用機器人是消費領域的重要增長點，但傳統家用機器人功能單一，難以應對複雜的家庭環境。LG Electronics在CES 2026上發佈的全新家用機器人，基於NVIDIA的Cosmos系列模型與Jetson T4000模組，具備全方位的家務處理能力與動態環境適應能力。該機器人的核心優勢在於其強大的物理AI能力：通過Cosmos Reason 2模型，能夠理解自然語言指令，並分解為具體的家務任務，如“清理客廳檯面”可拆解為“整理物品→擦拭灰塵→分類收納”；借助Cosmos Predict 2.5模型，能夠即時預測動作後果，如避免碰撞易碎物品、調整拖地力度以適應不同地面材質；依託Jetson T4000的高效算力，實現了即時感知與決策，響應速度提升至毫秒級。此外，該機器人還具備自主充電、故障自診斷等智能功能，能夠適應不同戶型的家庭環境。LG Electronics相關負責人表示，這款家用機器人的目標是成為“家庭助手”，而非簡單的“家務工具”，其定價將控制在萬元以內，以實現規模化普及。該產品的推出，標誌著消費級家用機器人正式進入“通用智能”時代。3.4 建築採礦 Caterpillar的自主作業裝置升級建築與採礦行業是典型的高危、高勞動強度行業，對自主作業裝置的需求迫切。Caterpillar作為全球領先的工程機械製造商，正在擴大與NVIDIA的合作，將先進的AI和自主系統引入建築和採礦領域的裝置及作業現場。基於NVIDIA的Blackwell架構與物理AI模型，Caterpillar正在開發多款自主作業裝置，包括自主挖掘機、自主礦用卡車等。這些裝置具備三大核心能力：一是自主導航，借助Cosmos模型的環境感知與推理能力，能夠在複雜的施工現場與礦區環境中精準定位，躲避障礙物；二是精準作業，通過GR00T模型的動作控制能力，實現挖掘、裝載、運輸等作業的精準執行，提升作業效率；三是協同作業，多台裝置可通過OSMO框架實現資料共享與協同調度，形成自主作業車隊。據Caterpillar透露，其自主礦用卡車已在澳大利亞某金礦開展試點應用，借助NVIDIA的技術，作業效率提升了25%，事故率降低了80%，同時減少了人工成本。在2026年1月7日的CES主題演講中，Caterpillar CEO Joe Creed將與NVIDIA高管共同披露更多合作細節，預計將推出面向建築行業的首款自主挖掘機，計畫2027年實現規模化量產。四、產業趨勢展望：物理AI驅動下的機器人產業未來圖景NVIDIA此次發佈的物理AI技術體系，不僅解決了當前機器人產業的核心痛點，更勾勒出未來機器人產業的發展圖景。結合行業發展規律與技術迭代趨勢，未來3-5年，機器人產業將呈現“通用化、輕量化、開源化、規模化”四大核心趨勢，而NVIDIA將在這一處理程序中扮演關鍵的引領角色。4.1 趨勢一 從“專用機器人”到“專家級通用機器人”的跨越傳統機器人多為“專用裝置”，針對特定場景開發，功能單一，難以跨場景應用。而物理AI技術的發展，將推動機器人從“專用”向“通用”跨越，最終實現“專家級通用”的目標——即能夠快速學習多種任務，適配不同行業場景的需求。NVIDIA的Cosmos與GR00T模型，正是這一趨勢的核心驅動力。通過內化物理世界的通用規律，機器人能夠快速適應新場景、學習新任務，無需針對每個場景進行重新程式設計。一款基於GR00T模型的人形機器人，既可以在工廠完成精密裝配，也可以在醫院協助護理，還可以在家庭處理家務，只需通過少量場景資料微調即可實現功能適配。據行業預測，到2028年，專家級通用機器人的市場佔比將超過30%，成為機器人產業的主流產品形態。4.2 趨勢二 硬體輕量化與能效比的持續提升機器人尤其是人形機器人、移動服務機器人，對硬體的輕量化、小型化、低功耗提出了嚴苛要求。隨著Blackwell架構的普及與技術迭代，邊緣AI算力模組將實現“更高算力、更低功耗”的持續突破，推動機器人硬體的輕量化發展。NVIDIA的Jetson系列模組已展現出這一趨勢：從Jetson AGX Orin到Jetson T4000，算力提升4.3倍，而功耗控制在70瓦以內；未來，隨著晶片製程的進步與架構的最佳化，Jetson系列模組的算力有望進一步提升，功耗則持續降低，甚至可能出現50瓦以下、算力突破2000 TFLOPS的產品。這將推動機器人的小型化發展，如宇樹科技的小型人形機器人、松延動力的Bumi小布米等輕量化產品將成為消費市場的主流，進一步擴大機器人的應用範圍。4.3 趨勢三 開源生態成為創新核心驅動力機器人產業的創新需要大量的技術積累與資源投入，單一企業難以完成全鏈條的創新。開源生態將成為未來機器人產業創新的核心驅動力，吸引全球開發者共同參與技術突破與應用創新。NVIDIA與Hugging Face的合作，正是開源生態發展的重要里程碑。隨著LeRobot框架的普及，越來越多的開發者將接入NVIDIA的物理AI技術體系，孵化出更多創新應用。同時，開源生態的發展將推動技術標準的統一，降低行業的協作成本，加速創新成果的轉化。預計到2027年，全球將有超過50%的機器人創新應用基於開源框架開發，開源生態將成為機器人產業競爭的核心戰場。4.4 趨勢四 規模化落地與成本快速下降隨著技術的成熟與生態的完善，機器人的規模化落地將推動成本快速下降，形成“規模效應-成本下降-需求擴大”的良性循環。據資料顯示，2025年國內人形機器人出貨量預計達1.8萬台，2026年有望攀升至6.25萬台；多位行業專家預測，2026年國內人形機器人產量將突破10萬台，2028年有望達到百萬台級。成本下降的主要驅動力包括三個方面：一是核心零部件的國產化替代，如國內企業已實現減速器、伺服系統的批次供貨，成本較海外產品降低30%以上；二是規模化生產帶來的製造費用降低，隨著產量的提升，整機製造的單位成本將大幅下降；三是開源技術的應用，降低了研發成本。預計到2030年，人形機器人的售價將降至5萬元以下，消費級市場將全面爆發。4.5 挑戰與應對 技術、倫理與政策的協同推進儘管機器人產業前景廣闊，但仍面臨技術、倫理與政策三大挑戰。在技術層面，機器人的泛化能力、安全性仍需進一步提升，尤其是在複雜動態環境中的可靠性；在倫理層面，機器人的廣泛應用可能帶來就業結構變化、隱私洩露等問題；在政策層面，相關的法律法規、標準體系尚未完善，如機器人決策失誤的責任界定、資料安全規範等。應對這些挑戰，需要政府、企業與科研機構的協同推進：一是加強核心技術研發，聚焦泛化能力、安全性等關鍵痛點，推動技術標準的統一；二是建立健全倫理規範與法律法規，平衡技術創新與社會影響；三是出台針對性的政策支援，如職業培訓、資料安全保障等，確保機器人產業的健康發展。NVIDIA作為行業引領者，已通過開放模型與框架，推動技術標準的統一；同時，其與全球企業的合作，也在積極探索機器人應用的倫理邊界。五、結語：物理AI開啟機器人產業的“黃金十年”CES 2026上NVIDIA的系列發佈，標誌著機器人產業正式進入物理AI驅動的新時代。從技術核心來看，Cosmos與GR00T模型建構了機器人理解物理世界的“認知大腦”，Isaac Lab-Arena與OSMO框架打通了開發全流程，Jetson T4000硬體模組提供了高效算力支撐，形成了覆蓋“模型-框架-硬體-生態”的全端解決方案；從產業鏈影響來看，其推動上游零部件智能化升級、中游整機企業嚮應用創新轉型、下游場景規模化滲透，重構了產業價值分配模式；從應用前景來看，工業、醫療、消費、建築採礦等多個領域的落地案例，充分驗證了技術的實用價值。黃仁勳所言的“機器人開發的ChatGPT時刻”，不僅是技術的突破，更是產業範式的變革。未來十年，隨著物理AI技術的持續迭代、開源生態的不斷完善、成本的快速下降，機器人將從“工業裝備”全面走向“生活助手”，深度融入製造業、醫療健康、家庭服務等多個領域，成為推動經濟社會轉型的重要力量。對於企業而言，接入NVIDIA的物理AI技術體系，將成為把握產業機遇的關鍵；對於行業而言，建構開放協同的生態，推動技術標準的統一，將加速產業的規模化發展；對於社會而言，擁抱機器人技術帶來的變革，做好就業轉型與倫理規範，將實現技術創新與社會福祉的共贏。我們有理由相信，在物理AI的驅動下，機器人產業將迎來前所未有的“黃金十年”，為人類社會帶來更高效、更安全、更便捷的生活與生產方式。這些新模型均可通過 Hugging Face 獲取，包括：NVIDIA Cosmos™ Transfer 2.5和NVIDIA Cosmos Predict 2.5：開放、完全可定製的世界模型，為物理 AI 實現基於物理原理的合成資料生成與機器人策略評估的模擬支援。NVIDIA CosmosReason 2：開放推理視覺語言模型（VLM），使智慧型手機器能夠像人類一樣看見、理解物理世界並採取行動。NVIDIA Isaac™ GR00T N1.6：專為人形機器人打造的開放式推理視覺語言行動（VLA）模型，可解鎖全身控制能力，並借助 NVIDIA Cosmos Reason 增強推理和上下文理解。 (AI雲原生智能算力架構)

你好，拉斯維加斯！新年快樂，歡迎來到 CES。這裡的觀眾大概有 3000 人，外面的庭院裡還有 2000 人在觀看，據我在四樓原本應該是 NVIDIA 展區的地方還有 1000 人在觀看這場主題演講。當然，全世界還有數百萬人正在觀看這場直播，共同開啟新的一年。嗯，我們大概有 15 公斤重的乾貨要在這裡塞給大家。非常高興見到大家。每隔 10 到 15 年，電腦行業就會發生一次重設。新的平台轉移會出現：從大型機到 PC，從 PC 到網際網路，從網際網路到雲，從雲到移動端。每一次，應用程式的世界都會瞄準一個新的平台，這就是為什麼它被稱為“平台轉移”。你為新的電腦編寫新的應用程式。但這一次，實際上有兩個平台轉移同時發生。當我們轉向 AI 時，應用程式將建立在 AI 之上。起初，人們認為 AI 本身就是應用程式。事實上，AI 確實是應用程式，但你們將會在 AI 之上建構應用程式。除此之外，軟體的運行方式、軟體的開發方式也發生了根本性的變化。電腦行業的整個製造堆疊（Foundry stack）正在被重新發明。你不再編寫軟體，而是訓練軟體。你不再在 CPU 上運行它，而是在 GPU 上運行它。過去的應用程式是預先錄製、預先編譯並在你的裝置上運行的，而現在的應用程式能夠理解上下文，並且每一次都完全從零開始生成每一個像素、每一個 Token（詞元）。計算因此被從根本上重塑了，這歸功於加速計算，歸功於人工智慧。這五層蛋糕的每一層現在都在被重新發明。這意味著過去十年中大約10兆美元的計算基礎設施現在正在向這種新的計算方式現代化。這意味著每年有數千億美元的風險投資正在投入到現代化和發明這個新世界的過程中。這也意味著 100兆美元的產業，其中一部分研發預算正在轉向人工智慧。人們問錢從那裡來？這就是錢的來源。從傳統方法到 AI 的現代化，研發預算從經典方法向人工智慧方法的轉移。巨大的投資正在湧入這個行業，這也解釋了為什麼我們如此忙碌，去年也不例外。去年是不可思議的一年。(PPT 翻頁卡頓)這裡有一張幻燈片要出來。這就是不做綵排的後果。這是今年的第一場主題演講。我希望這也是你們今年的第一場主題演講，否則你們就已經夠忙的了。我們要把蜘蛛網清掃一下。2025 年是不可思議的一年。似乎所有事情都在同一時間發生，事實上可能確實如此。首先當然是縮放定律（Scaling Laws）。2015 年，第一個我認為真正產生影響的語言模型 BERT 出現了，它帶來了巨大的變化。2017年Transformer 問世。直到五年後的 2022 年，ChatGPT 時刻發生了，它喚醒了世界對人工智慧可能性的認識。那之後的一年發生了一件非常重要的事情。來自 ChatGPT 的第一個o1模型，即第一個推理模型，完全革命性地發明了這個叫做測試時縮放（Test Time Scaling）的概念，這是一個非常符合常識的事情。我們不僅預訓練一個模型讓它學習，我們還用強化學習對它進行後訓練（Post-train），使它能夠學習技能。現在我們還有了測試時縮放，換句話說就是“思考”。你在即時地思考。人工智慧的每一個階段都需要巨大的計算量，而計算定律在繼續擴展。大型語言模型（LLM）繼續變得更好。與此同時，另一個突破發生了，這一突破發生在 2024 年。代理系統（Agentic Systems）在 2025 年開始湧現。它開始普及到幾乎所有地方。代理模型擁有推理、尋找資訊、做研究、使用工具、規劃未來、模擬結果的能力。突然之間，它們開始解決非常非常重要的問題。我最喜歡的代理模型之一叫做 Cursor，它徹底改變了我們在NVIDIA 進行軟體程式設計的方式。代理系統將從這裡真正起飛。當然，還有其他類型的 AI。我們知道大型語言模型並不是唯一的資訊類型。只要宇宙有資訊，只要宇宙有結構，我們就可以教一個大型語言模型、一種形式的語言模型去理解這些資訊，理解它的表徵，並將其轉化為 AI。其中最重要、最大的一個就是物理AI（Physical AI）。即理解自然法則的 AI。物理 AI 是關於 AI 與世界互動的，但世界本身有編碼的資訊，這叫做AI物理學（AI Physics）。也就是說，物理 AI 是與物理世界互動的 AI，而 AI 物理學是理解物理定律的 AI。最後，去年發生的最重要的事情之一是開放模型（Open Models）的進步。我們現在知道，當開源、當開放創新、當全世界每個公司和每個行業的創新被啟動時，AI 將會無處不在。實際上，去年我們看到了DeepSeek R1 的進步，這是第一個開放的推理系統模型。它讓世界大吃一驚，它真正啟動了整個運動。非常非常令人興奮的工作。我們對它非常滿意。現在我們在全世界有各種各樣的開放模型系統，我們現在知道開放模型也已經達到了前沿。雖然穩固地落後於前沿模型六個月，但每六個月都有一個新模型出現，這些模型因為這個原因變得越來越聰明。你可以看到下載量爆炸式增長。下載量增長如此之快，是因為初創公司想參與 AI 革命，大公司想要參與，研究人員想要參與，學生想要參與，幾乎每個國家都想要參與。數字形式的智能怎麼可能拋下任何人呢？所以開放模型去年真正徹底改變了人工智慧。整個行業將因此被重塑。其實我們很久以前就有這種預感。你們可能聽說過幾年前，我們開始建立和營運我們自己的 AI 超級電腦。我們稱之為DGX Cloud。很多人問，你們是要進入雲業務嗎？答案是不。我們建立這些 DGX 超級電腦是為了自己使用。事實證明，我們營運著數十億美元的超級電腦，以便我們可以開發我們的開放模型。我對我們正在做的工作感到非常高興。它開始吸引全世界和各行各業的關注，因為我們在許多不同的領域做著前沿的 AI 模型工作。我們在蛋白質和數字生物學方面的工作：Llama-Protina 用於合成和生成蛋白質。OpenFold 3 用於理解蛋白質結構。Evo 2 用於理解和生成多種蛋白質，也就是細胞表徵的開端。Earth-2：理解物理定律的 AI。我們在 ForecastNet 和 CorrDiff 方面的工作真正徹底改變了人們進行天氣預測的方式。Nemotron：我們在那裡做了開創性的工作。第一個混合 Transformer SSM 模型，速度極快，因此可以思考很長時間，或者非常快地思考不需要很長時間就能產生非常聰明的智能答案。Nemotron-3 是開創性的工作，你可以期待我們在不久的將來發佈 Nemotron-3 的其他版本。Cosmos：一個前沿的開放世界基礎模型，一個理解世界如何運作的模型。Groot：一個人形機器人系統，涉及關節、移動性、運動。這些模型、這些技術現在正在被整合，並且在每一個案例中都向世界開放。前沿的人形機器人模型向世界開放。今天我們要稍微談談Alpamayo，我們在自動駕駛汽車方面所做的工作。我們不僅開源模型，我們還開源了用於訓練這些模型的資料，因為只有那樣你才能真正信任模型是如何產生的。我們開源所有模型。我們幫助你們從中通過衍生產品。我們有一整套庫，我們稱之為 NeMo 庫、物理 NeMo 庫和 Clara NeMo 庫（BioNeMo）。這些庫中的每一個都是 AI 的生命周期管理系統，以便你可以處理資料、生成資料、訓練模型、建立模型、評估模型、為模型設定護欄，一直到部署模型。每一個庫都極其複雜，所有這些都是開放原始碼的。因此，在這個平台之上，NVIDIA 是一個前沿的 AI 模型建構者，我們以一種非常特殊的方式建構它。我們完全在公開環境中建構它，以便我們可以賦能每個公司、每個行業、每個國家成為這場 AI 革命的一部分。我對自己在那裡的工作感到無比自豪。事實上，如果你注意圖表，圖表顯示我們對這個行業的貢獻是首屈一指的，你會看到我們實際上會繼續這樣做，甚至加速。這些模型也是世界級的。(突然螢幕黑屏/技術故障)所有系統都癱瘓了。這種事在聖克拉拉（NVIDIA總部）從來不會發生。是因為拉斯維加斯嗎？是不是有人在外面的老虎機中大獎了？所有系統都癱瘓了。好吧，我想我的系統還是癱瘓的，但這沒關係。我會即興發揮。所以，不僅這些模型具有前沿能力，不僅它們是開放的，它們還在排行榜上名列前茅。這是我們非常自豪的一個領域。它們在智能方面名列前茅。我們有重要的模型可以理解多模態文件，也就是 PDF。世界上最有價值的內容都捕捉在PDF 中。但這需要人工智慧來找出裡面的內容，解釋裡面的內容，並幫助你閱讀它。所以我們的 PDF 檢索器、我們的PDF 解析器是世界級的。我們的語音識別模型絕對是世界級的。我們的檢索模型，基本上就是搜尋、語義搜尋、AI 搜尋——現代 AI 時代的資料庫引擎，也是世界級的。所以，我們經常佔據排行榜榜首。這是我們非常自豪的領域。所有這一切都是為了服務於你們建構AI智能體（AI Agents）的能力。這確實是一個開創性的發展領域。你知道，起初當 ChatGPT 出來時，人們說，天那，它產生了非常有趣的結果，但它產生了嚴重的幻覺（胡言亂語）。它產生幻覺的原因，當然是因為它可以記住過去的一切，但它無法記住未來和現在的一切。所以它需要以研究為基礎（Grounding）。在回答問題之前，它必須做基礎研究。推理的能力——關於我是否需要做研究？我是否需要使用工具？我如何將一個問題分解成步驟？每一個步驟都是 AI 模型知道如何做的，並將它們組合成一系列步驟來執行它從未做過、從未被訓練過的事情。這就是推理的奇妙能力。我們可以遇到以前從未見過的情況，並將其分解為我們知道如何做的情況、知識或規則，因為我們在過去經歷過。現在，大型語言模型已經實現了這一根本性的飛躍。使用強化學習和思維鏈（Chain of Thought）、搜尋和規劃以及強化學習中的所有這些不同技術的能力，使我們擁有這種基本能力成為可能，並且現在也完全開源了。但真正棒的事情是另一個突破，我第一次看到它是在 Aravind 的Perplexity 上。Perplexity 這家 AI 搜尋公司，真的是一家非常有創意的公司。當我第一次意識到他們同時使用多個模型時，我認為這完全是天才。當然，我們會這樣做。當然，AI 也會呼叫世界上所有偉大的 AI 來解決它想在推理鏈的任何部分解決的問題。這就是為什麼 AI 真正是多模態（Multi-modal）的。意味著它們理解語音、圖像、文字、視訊、3D 圖形和蛋白質。它是多模態的。它也是多模型（Multi-model）的。意味著它應該能夠使用最適合該任務的任何模型。根據定義，它是多雲（Multi-cloud）的。因為這些 AI 模型位於所有這些不同的地方。它也是混合雲（Hybrid cloud）的。因為如果你是一家企業公司，或者你製造了一個機器人或任何裝置，有時它在邊緣，有時在無線電訊號塔，也許有時在企業內部，或者也許在醫院這樣你需要資料即時就在你身邊的地方。無論那些應用程式是什麼，我們現在知道這就是未來 AI 應用程式的樣子。或者換一種方式思考，因為未來的應用程式是建立在 AI 之上的。這就是未來應用程式的基本框架。這個基本框架，這種能夠做我所說的那些事情的代理 AI 的基本結構——即多模型的結構，現在已經為各種各樣的 AI 初創公司注入了強勁動力。現在你也可以，因為有了所有的開放模型和我們提供給你們的所有工具，你可以定製你的 AI 來教你的 AI 別人沒有教過的技能。沒有別人讓他們的 AI 以那種方式變得智能或聰明。你可以為自己做這件事。這就是我們在 Nemotron、NeMo 以及我們在開放模型方面所做的所有事情旨在做的。你在它前面放一個智能路由器（Smart Router）。那個路由器本質上是一個管理者，根據你給出的提示的意圖，決定那一個模型最適合那個應用程式來解決那個問題。好的。所以現在當你思考這個架構時，你擁有了什麼？當你思考這個架構時，突然之間你有了一個 AI：一方面完全由你定製。你可以教它為你公司的特定技能。它是商業機密，你有深厚的領域專業知識。也許你擁有訓練該 AI 模型所需的所有資料。另一方面，你的 AI 根據定義總是處於前沿。你總是擁有一方面的前沿技術。另一方面，你總是定製化的。而且它應該能直接運行。所以我們想我們會做一個最簡單的例子來讓你們可以使用。整個框架我們稱之為Blueprint（藍圖），我們的藍圖已經整合到世界各地的企業 SaaS 平台中，我們對進展感到非常高興。但我們要做的是向你們展示一個簡短的例子，說明任何人都可以做什麼。(演示視訊開始)(畫外音：讓我們建構一個個人助理。我想讓它幫我處理日曆、郵件、待辦事項列表，甚至幫我照看家裡。我使用 Brev 將我的 DGX Spark 變成個人云。所以我可以使用相同的介面，無論我是使用雲 GPU 還是 DGX Spark。我使用前沿模型 API 來輕鬆開始。)(音樂)(畫外音：我想讓它幫我處理郵件，所以我為我的代理建立了一個郵件工具來呼叫。我希望我的郵件保持私密，所以我將加入一個在 Spark 上本地運行的開放模型。現在，對於任何工作，我都希望代理為正確的任務使用正確的模型。所以我將使用一個基於意圖的模型路由器。這樣，需要郵件的提示將留在我的 Spark 上，其他所有內容都可以呼叫前沿模型。)(畫外音：我想讓我的助手與我的世界互動，所以我將它連接到 Hugging Face 的 Reachi 迷你機器人。我的代理通過工具呼叫控制Reachi 的頭、耳朵和攝影機。我想給 Reachi 一個聲音，我真的很喜歡 ElevenLabs，所以我將連接他們的API。)Reachi (機器人聲音): 嗨，我是運行在DGX Spark 上的 Reachi。使用者: 嘿 Reachi，今天我的待辦事項列表上有什麼？Reachi: 你今天的待辦事項列表：買雜貨、雞蛋、牛奶、黃油，還要把新指令碼發給 Jensen。使用者: 好的，給Jensen 發個更新。告訴他我們在今天結束前會給他。Reachi: 好的，會做的。使用者: Reachi，這兒還有個草圖。你能把它變成建築渲染圖嗎？Reachi: 當然。(音樂，生成渲染圖)使用者: 不錯。現在做一個視訊，帶我參觀一下這個房間。Reachi: 給你。使用者: 太棒了。通過Brev，我可以分享對我的 Spark 和 Reachi 的存取權。所以我要把它分享給Anna。Anna: 嘿，Reachi。Potato（寵物名）在幹什麼？Reachi: 他在沙發上。我記得你不喜歡這樣。我會叫他下去。Potato，下沙發！(畫外音：隨著開放原始碼的所有進展，看到你能建構什麼是令人難以置信的。我很想看看你會創造什麼。)(演示視訊結束)(音樂)這難道不令人難以置信嗎？現在，令人驚奇的是，這現在是完全微不足道的事情。這現在完全是微不足道的。然而，就在幾年前，所有這些都是不可能的。絕對無法想像。這種使用語言模型建構應用程式的基本框架——使用那些預訓練的、專有的、前沿的語言模型，並將其與定製的語言模型結合到一個代理框架、一個推理框架中，使你可以訪問工具和檔案，甚至連接到其他代理。這基本上就是現代 AI 應用程式或應用程式的架構。我們建立這些應用程式的能力非常快。注意，如果你給它以前從未見過的應用程式資訊，或者以一種並不完全像你想的那樣表示的結構，它仍然可以推理並盡最大努力通過資料和資訊來推理，試圖理解如何解決問題。這就是人工智慧。好的，所以這個基本框架現在正在被整合。正如我剛才描述的一切，我們有幸與世界上一些領先的企業平台公司合作。例如 Palantir，他們整個 AI 和資料處理平台正在由NVIDIA 加速。ServiceNow，世界領先的客戶服務和員工服務平台。Snowflake，雲端頂級資料平台。那裡正在做令人難以置信的工作。CodeRabbit，我們在 NVIDIA 各處都在使用CodeRabbit。CrowdStrike，建立 AI 來檢測和發現 AI威脅。NetApp，他們的資料平台現在上面有 NVIDIA 的語義 AI 和代理系統，用於做客戶服務。但重要的是這一點。這不僅是現在開發應用程式的方式，這將是你平台的使用者介面。所以無論是 Palantir、ServiceNow、Snowflake 還是我們要合作的許多其他公司，代理系統就是介面。不再是 Excel 和一堆你需要輸入資訊的方塊。也許不再僅僅是命令列。所有這些多模態資訊現在都成為可能，你與平台互動的方式更像是……如果你願意的話，就像你與人互動一樣簡單。這就是被代理系統徹底革命化的企業 AI。接下來的事情是物理AI（Physical AI）。這是你們聽我談論了幾年的領域。事實上，我們在這方面已經工作了八年。問題是，如何將那種在電腦內部很智能、通過螢幕和揚聲器與你互動的東西，變成可以與世界互動的東西？也就是說，它可以理解世界如何運作的常識。物體恆存性（Object permanence）：如果我把視線移開再看回來，那個物體還在那裡。因果關係（Causality）：如果我推它，它會倒下。它理解摩擦力和重力。理解慣性：一輛重型卡車沿路行駛需要更多的時間停下來，一個球會繼續滾動。這些概念對一個小孩子來說都是常識，但對 AI 來說完全是未知的。所以我們必須建立一個系統，允許 AI 學習物理世界的常識，學習它的定律，當然也要能夠從資料中學習，而資料是非常稀缺的。並且要能夠評估那個 AI 是否在工作，這意味著它必須在一個環境中進行模擬。AI 如何知道它正在執行的動作是否符合它應該做的，如果它沒有能力模擬物理世界對其動作的反應？模擬其動作的反應對於評估它非常重要。否則，就沒有辦法評估它。每次都不一樣。所以這個基本系統需要三台電腦。1.第一台電腦，當然是我們知道的 NVIDIA 製造的用於訓練AI模型的電腦。2.另一台電腦，我們知道是用於推理的電腦。推理模型本質上是運行在汽車裡、機器人裡、工廠裡或邊緣任何地方的機器人電腦。3.但必須有第三台電腦，它是為模擬而設計的。模擬幾乎是 NVIDIA 所做一切的核心。這是我們最舒適的地方，模擬確實是我們用物理 AI 所做幾乎所有事情的基礎。所以我們有三台電腦和運行在這些電腦上的多個堆疊、這些庫使其變得有用。Omniverse 是我們的數字孿生、基於物理的模擬世界。Cosmos，正如我之前提到的，是我們的基礎模型。不是語言的基礎模型，而是世界的基礎模型。並且也與語言對齊。你可以說像“球發生了什麼？”這樣的話，它們會告訴你球正滾下街道。所以是一個世界基礎模型。然後當然是機器人模型。我們有兩個。一個叫 Groot。另一個叫Alpamayo，我將要告訴你們。現在，對於物理 AI，我們必須做的最重要的事情之一是首先建立用於訓練 AI 的資料。資料從那裡來？與其像語言那樣，因為我們建立了一堆文字，那是我們認為 AI 可以從中學習的基準事實（Ground Truth）。我們如何教 AI 物理的基準事實？有非常多的視訊，非常多的視訊，但這幾乎不足以捕捉我們需要的多樣性和互動類型。這就是偉大的頭腦聚集在一起，將曾經的計算轉化為資料的地方。現在使用以物理定律為基礎和條件的合成資料生成（Synthetic Data Generation），以基準事實為基礎和條件，我們可以有選擇地、巧妙地生成資料，然後我們可以用這些資料來訓練 AI。例如，輸入到這個 AI、這個Cosmos 世界模型（左邊的）的是交通模擬器的輸出。這個交通模擬器對於 AI 學習來說幾乎不夠。我們可以把這個放入Cosmos 基礎模型中，生成環繞視訊，它是基於物理的、物理上合理的，AI 現在可以從中學習。這有太多例子了。讓我向你們展示 Cosmos 能做什麼。(Cosmos 演示視訊開始)(畫外音：物理 AI 的 ChatGPT時刻即將到來，但挑戰是顯而易見的。物理世界是多樣且不可預測的。收集真實世界的訓練資料緩慢且昂貴，而且永遠不夠。)(畫外音：答案是合成資料。它始於 NVIDIA Cosmos，一個用於物理AI 的開放前沿世界基礎模型。它在網際網路規模的視訊、真實駕駛和機器人資料以及 3D 模擬上進行了預訓練。Cosmos學習了世界的統一表徵，能夠對齊語言、圖像、 3D 和動作。)(畫外音：它執行物理 AI 技能，如從單張圖像進行生成、推理和軌跡預測。Cosmos從3D 場景描述中生成逼真的視訊。從駕駛遙測和感測器日誌中生成物理上連貫的運動。)(畫外音：來自規劃模擬器、多攝影機環境或場景提示的環繞視訊。它將邊緣情況（Edge Cases）帶入生活。開發者可以在Cosmos 中運行互動式閉環模擬。當動作產生時，世界會做出反應。)(畫外音：Cosmos 進行推理。它分析邊緣場景，將它們分解為熟悉的物理互動，並推理接下來可能發生的事情。Cosmos 將計算轉化為資料，為長尾情況訓練自動駕駛汽車（AV），並訓練機器人如何適應每一種場景。)(演示視訊結束)(音樂)我知道這令人難以置信。Cosmos 是世界領先的基礎模型。世界基礎模型。它已經被下載了數百萬次，在世界各地使用，讓世界為這個物理 AI 的新時代做好準備。我們也自己使用它。我們自己使用它來建立我們的自動駕駛汽車。用於場景生成和用於評估。我們可以擁有讓我們有效地行駛數十億、數兆英里的東西，但在電腦內部完成。我們取得了巨大的進步。今天，我們宣佈Alpamayo，世界上第一個會思考、會推理的自動駕駛汽車AI。Alpamayo 是端到端（End-to-End）訓練的。從字面上看，從攝影機輸入到執行輸出。攝影機輸入：大量由其自身駕駛或人類演示駕駛的里程，並且我們有大量由 Cosmos 生成的里程。除此之外，成千上萬的例子被非常非常仔細地標記，以便我們可以教汽車如何駕駛。Alpamayo 做了一些非常特別的事情。它不僅接收感測器輸入並啟動方向盤、剎車和加速，它還推理它即將採取的行動。它告訴你它將採取什麼行動，它得出該行動的理由，當然還有軌跡。所有這些都直接耦合，並由大量人類訓練資料以及 Cosmos 生成的資料組合進行非常具體的訓練。結果簡直令人難以置信。你的車不僅像你期望的那樣駕駛，而且它駕駛得如此自然，因為它直接從人類演示者那裡學習，而且在每一個場景中，當它遇到場景時，它會推理它要做什麼，並推理它即將要做什麼。這之所以如此重要，是因為駕駛的長尾效應（Long Tail）。我們不可能簡單地為每一個國家、每一個可能發生的情況、所有人口收集每一個可能的場景。然而，很有可能如果將每個場景分解成一堆其他的更小的場景，對於你要理解來說是很正常的。所以這些長尾將被分解為相當正常的情況，這輛車知道如何處理。它只需要對其進行推理。所以讓我們來看一看。你們即將看到的一切都是一次通過（One shot）。無手操作。(自動駕駛演示視訊開始)(音樂)聲音：導航至目的地。系好安全帶。(音樂)AI 聲音/提示：Heat. Heat. Heat.（註：此處為 AI 思考過程的聲音化或介面提示音，可能指熱力圖關注點或特定指令）(音樂)AI 聲音/提示：Heat.(音樂，車輛在複雜路況行駛，包括避讓、轉彎)AI 聲音/提示：Heat. Heat.AI 聲音/提示：Heat. Heat.(音樂)AI 聲音/提示：Heat. Heat.(掌聲)(音樂)AI 聲音/提示：Heat.(音樂)(掌聲)AI 聲音/提示：Heat.(音樂)(音樂)聲音：你已到達。(演示視訊結束)我們八年前開始研究自動駕駛汽車。原因是因為我們在早期推理出深度學習和人工智慧將重新發明整個計算堆疊。如果我們想要瞭解如何導航並將行業引向這個新的未來，我們必須擅長建構整個堆疊。就像我之前提到的，AI 是一個五層蛋糕。最底層是土地、電力和外殼。在機器人技術的情況下，最底層是汽車。上面一層是晶片，GPU，網路晶片，CPU，所有這類東西。再上面一層是基礎設施。在這種特定情況下，正如我提到的物理 AI，那個基礎設施是Omniverse 和 Cosmos。再上面是模型。在我剛才展示的模型層中，這裡的模型叫做Alpamayo。今天，Alpamayo 已經開源。這項令人難以置信的工作。這花了數千人。我們的 AV（自動駕駛）團隊有數千人。作為參考，我們的合作夥伴 Ola，我想 Ola 就在觀眾席的某個地方。梅賽德斯（Mercedes）五年前同意與我們合作，使這一切成為可能。我們想像有一天，道路上的十億輛汽車都將是自動駕駛的。你可以擁有一輛你正在編排並從某人那裡租用的 Robo Taxi（自動駕駛計程車），或者你可以擁有它並且它自己駕駛，或者你可以決定自己駕駛。但是每一輛車都將擁有自動駕駛汽車的能力。每一輛車都將由 AI 驅動。所以在這種情況下，模型層是Alpamayo，而上面的應用程式是梅賽德斯-奔馳。好的。所以這整個堆疊是我們的第一個NVIDIA First 全堆疊努力，我們一直致力於此，我很高興來自 NVIDIA 的第一輛 AV 汽車將在第一季度上路，然後在第二季度去歐洲，這裡是美國第一季度，然後歐洲第二季度，我想亞洲是第三季度和第四季度。而且強有力的事情是，我們將繼續用下一版本的Alpamayo和之後的版本更新它。我現在毫無疑問，這將是最大的機器人行業之一，我很高興我們致力於此，它教會了我們大量關於如何幫助世界其他地方建構機器人系統的知識。那種深刻的理解，知道如何自己建構它，自己建構整個基礎設施，並知道機器人系統需要什麼樣的晶片。在這個特定案例中，雙 Orin，下一代雙 Thor。這些處理器是為機器人系統設計的，並且是為了最高等級的安全能力而設計的。這輛車剛剛獲得評級。它剛剛投入生產。梅賽德斯-奔馳 CLA 剛剛被NCAP 評為世界上最安全的汽車。這是我所知道的唯一一個每一行程式碼、晶片、系統、每一行程式碼都經過安全認證的系統。整個模型系統基於感測器是多樣化和冗餘的，自動駕駛汽車堆疊也是如此。Alpamayo 堆疊是端到端訓練的，擁有令人難以置信的技能。然而，直到你永遠駕駛它，沒有人知道它是否會絕對安全。所以我們用另一個軟體堆疊來作為護欄（Guardrail），下面是一個完整的AV 堆疊。那個完整的 AV 堆疊是建構為完全可追溯的，我們花了大約五年時間來建構它。實際上大概六七年來建構第二個堆疊。這兩個軟體堆疊相互鏡像，然後我們有一個策略和安全評估器（Policy and Safety Evaluator）來決定：這是我有信心並可以推理出安全駕駛的事情嗎？如果是這樣，我會讓Alpamayo來做。如果這是一種我不太自信的情況，並且安全策略評估器決定我們要回到一個非常更簡單、更安全的護欄系統，那麼它就會回到經典的 AV 堆疊。這是世界上唯一同時運行這兩個 AV 堆疊的汽車，所有安全系統都應該具有多樣性和冗餘性。我們的願景是有一天每一輛車、每一輛卡車都將是自動駕駛的，我們一直在朝著那個未來努力。這整個堆疊是垂直整合的。當然，在梅賽德斯-奔馳的案例中，我們一起建構了整個堆疊。我們將部署這輛車。我們將營運這個堆疊。我們將維護這個堆疊，只要我們還活著。然而，就像我們作為一家公司所做的一切一樣。我們建構整個堆疊，但整個堆疊對生態系統是開放的。與我們合作建構 L4 和 Robo Taxi 的生態系統正在擴大，並走向各地。我完全預計這將會是——這對於我們來說已經是一個巨大的業務。這對我們來說是一個巨大的業務，因為他們用它來訓練我們的訓練資料、處理資料和訓練他們的模型。在某些情況下，他們用它來生成合成資料；在一些汽車公司，他們幾乎只建構汽車內部的電腦晶片；有些公司與我們進行全端合作；有些公司與我們進行部分合作。好的。所以不管你決定使用多少都沒有關係。我唯一的請求是儘可能多地使用一點視訊，整個東西都是開放的。這將是第一個大規模主流 AI 物理 AI 市場。現在我認為我們都可以完全同意，從非自動駕駛汽車到自動駕駛汽車的這個拐點可能就在這個時候發生。在接下來的 10 年裡，我相當確定世界上很大一部分汽車將是自動駕駛或高度自動駕駛的。但我剛才描述的這個基本技術——使用三台電腦、使用合成資料生成和模擬——適用於每一種形式的機器人系統。它可能是一個只是關節、機械手的機器人，也許是一個移動機器人，也許是一個完全人形的機器人。所以下一個旅程，機器人系統的下一個時代將是，你知道，機器人。這些機器人將會有各種不同的大小和……我邀請了一些朋友。他們來了嗎？嘿夥計們，快點。我有很多東西要講。快點，快點。你們告訴R2-D2 你們要來這裡嗎？你們告訴了嗎？還有 C-3PO。好的。好吧。過來。在此之前，現在，真正的一件事是……你們有Jetson。它們裡面有小小的 Jetson 電腦。它們是在 Omniverse 內部訓練的。這個怎麼樣？讓我們向大家展示一下你們這幫傢伙是在那個模擬器裡學會如何成為機器人的。你們想看看那個嗎？好的，讓我們看看那個。請播放。真的嗎？(機器人模擬視訊開始)(音樂)C-3PO/R2-D2 在 Omniverse 模擬環境中跌跌撞撞、學習行走的畫面(C-3PO 看著 R2-D2)聲音：看，什麼都沒有。(視訊結束)這難道不令人驚奇嗎？這就是你們學會成為機器人的方式。你們完全是在 Omniverse 內部完成的。機器人模擬器叫做Isaac Sim 和 Isaac Lab。任何想製造機器人的人，你知道，沒有人會像你們這麼可愛。但現在我們有所有這些……看看所有這些我們正在製造機器人的朋友。我們在製造大的。不，就像我說的，沒有人像你們這麼可愛。但我們有 Neura Robotics，我們有 Agility Robotics。那邊的 Agility。我們有 LG 在這邊。他們剛剛宣佈了一個新機器人。Caterpillar（卡特彼勒），他們有最大的機器人。那個是送到你家的食物配送機器人，連接到 Uber Eats。那是 Serve Robotics。我愛那些傢伙。Agility, Boston Dynamics（波士頓動力），不可思議。你有手術機器人，你有來自 Franka 的機械臂機器人，你有 Universal Robotics 的機器人，數量驚人的不同機器人。所以這是下一章。我們將來會更多地談論機器人技術。但這最終不僅僅是關於機器人。我知道一切都是關於你們這幫傢伙的。它是關於到達那裡。世界上最重要的行業之一將被物理 AI 和 AI 物理學徹底改變，那就是開啟了我們 NVIDIA 所有人的行業。如果不是我要談到的這些公司，這就不可能實現。我很高興所有這些公司，從Cadence 開始，將加速一切。Cadence CUDA-X 整合到他們所有的模擬和求解器中。他們有 NVIDIA 物理 AI，他們將用於不同的工廠和工廠模擬。你有 AI 物理學被整合到這些系統中。所以無論是 EDA 還是 SDA，在未來的機器人系統中，我們將擁有基本上相同的技術，讓你們這幫傢伙成為可能的技術現在完全徹底改變這些設計堆疊。Synopsys（新思科技）。沒有 Synopsys，你知道 Synopsys 和 Cadence 在晶片設計領域是完全不可或缺的。Synopsys 在邏輯設計和 IP 方面處於領先地位。而在 Cadence 的情況下，他們領導物理設計、佈局布線、模擬和驗證。Cadence 在模擬和驗證方面令人難以置信。他們倆都在進入系統設計和系統模擬的世界。所以在未來，我們將在 Cadence 和 Synopsys 內部設計你們的晶片。我們將設計你們的系統，並在這些工具內部模擬整個事物和模擬一切。那就是你們的未來。我們會給……是的。你們將會在這些平台內部誕生。相當驚人，對吧？所以我們很高興我們正在與這些行業合作，就像我們將 NVIDIA 整合到 Palantir 和 ServiceNow 一樣，我們將 NVIDIA 整合到計算最密集的模擬行業 Synopsys 和 Cadence 中。今天我們宣佈Siemens（西門子）也在做同樣的事情。我們將整合 CUDA-X、物理 AI、代理 AI、NeMo、Nemotron 深度整合到 Siemens 的世界中。原因是這樣的。首先，我們設計晶片，未來所有的晶片都將由 NVIDIA 加速。你們會對此感到非常高興。我們將擁有代理晶片設計師（Agentic Chip Designers）和系統設計師與我們一起工作，幫助我們做設計，就像我們今天有代理軟體工程師幫助我們的軟體工程師編碼一樣。所以，我們將擁有代理晶片設計師和系統設計師。我們將在其中創造你們。但之後我們要建造你們。我們必須建造工廠，製造你們的工廠。我們必須設計組裝你們所有人的生產線。而這些製造工廠本質上將是巨大的機器人。不可思議，對吧？我知道。我知道。所以你們將在電腦中被設計。你們將在電腦中被製造。你們將在電腦中被測試和評估，早在你們必須花時間應對重力之前。我知道。你們知道怎麼應對重力嗎？你們能跳嗎？能跳嗎？(機器人做動作)好的。行了。別顯擺了。好的。所以這……所以現在，使 NVIDIA 成為可能的行業，我只是很高興我們正在創造的技術現在處於如此複雜的水平和能力，我們可以回去幫助他們徹底改變他們的行業。所以從他們開始的事情，我們現在有機會回去幫助他們徹底改變他們的行業。讓我們看看我們要和 Siemens 做的事情。來吧。(西門子合作視訊開始)(畫外音：物理 AI 的突破正讓 AI 從螢幕走向我們的物理世界。正是時候，因為世界正在為晶片、電腦、救命藥物和 AI 建造各種各樣的工廠。隨著全球勞動力短缺的惡化，我們比以往任何時候都更需要由物理 AI 和機器人驅動的自動化。)(畫外音：這就是 AI 與世界上最大的物理行業相遇的地方，是NVIDIA 和 Siemens 合作的基礎。近兩個世紀以來，Siemens 建立了世界的工業，現在它正在為AI 時代重新發明它。)(畫外音：Siemens 正在將NVIDIA CUDA-X 庫、AI 模型和 Omniverse 整合到其 EDA、CAE 和數字孿生工具及產品組合中。)(畫外音：我們要一起將物理 AI 帶入完整的工業生命周期。從設計和模擬到生產和營運。)(音樂)(畫外音：我們要站在新工業革命的開端，這是由 NVIDIA 和 Siemens為下一個工業時代建立的物理 AI 時代。)(視訊結束)不可思議，對吧，夥計們？你們覺得怎麼樣？好的，抓緊了。抓緊了。所以這是，你知道，如果你看看世界的模型，毫無疑問 OpenAI 是今天領先的 Token 生成者。OpenAI 生成的 Token 比其他任何東西都多。第二大群體，第二大可能是開放模型。我的猜測是隨著時間的推移，因為有這麼多公司、這麼多研究人員、這麼多不同類型的領域和模態，開源模型將是迄今為止最大的。讓我們談談一個真正特別的人。你們想這樣做嗎？讓我們談談Vera Rubin。Vera Rubin。是的，繼續。她是一位美國天文學家。她是第一個觀察到……她注意到星系的尾部移動的速度與星系的中心差不多快。嗯，我知道這說不通。這說不通。牛頓物理學會說，就像太陽系一樣，離太陽較遠的行星繞太陽公轉的速度比離太陽較近的行星慢。因此，除非有不可見的物體，我們稱之為——她發現了——暗物質（Dark Matter），儘管我們看不到它，但它佔據空間，否則這發生是沒有道理的。所以 Vera Rubin 是我們以此命名我們下一台電腦的人。這難道不是個好主意嗎？我知道。(掌聲)好的。嘿，Vera Rubin是為瞭解決我們面臨的這個根本挑戰而設計的。AI 所需的計算量正在飆升。對 NVIDIA GPU 的需求正在飆升。它飆升是因為模型每年增加 10 倍，一個數量級。更不用說，正如我提到的，o1 的引入是 AI 的一個拐點。不再是一次性回答（One-shot），推理現在是一個思考過程。為了教 AI 如何思考，強化學習和非常顯著的計算被引入到後訓練中。不再僅僅是監督微調或稱為模仿學習或監督訓練。你們現在有了強化學習，本質上是電腦自己嘗試不同的迭代，學習如何執行任務。因此，預訓練、後訓練、測試時縮放的計算量因此爆炸式增長。現在我們做的每一個推理，不再僅僅是一次性，你可以看到 AI 在思考，這是我們所讚賞的。它思考的時間越長，通常產生的答案就越好。所以測試時縮放導致要生成的 Token 數量每年增加5倍。更不用說，與此同時，AI 的競賽正在進行。每個人都試圖達到下一個水平。每個人都試圖達到下一個前沿。每當他們達到下一個前沿時，上一代 AI Token 的成本就開始每年下降大約10倍。每年 10 倍的下降實際上告訴你在發生一些不同的事情。它在說競爭如此激烈。每個人都試圖達到下一個水平，有人正在達到下一個水平。因此，所有這一切都是一個計算問題。你計算得越快，你就能越快達到下一個前沿的下一個水平。所有這些事情都在同一時間發生。所以我們決定我們必須每年推進最先進的計算技術。一年都不能落下。我們一年半前開始發貨 GB200。現在我們正在全面量產GB300。如果 Vera Rubin 要趕上今年，它現在必須已經投產了。所以今天我可以告訴你們，Vera Rubin 已經全面投產。你們想看看 Vera Rubin 嗎？好的，來吧。請播放。(Vera Rubin 介紹視訊開始)(畫外音：Vera Rubin 恰好趕上了 AI 的下一個前沿。這就是我們如何建構它的故事。架構，一個由六個晶片組成的系統，工程設計為一體工作，源於極致的協同設計（Extreme Co-design）。)(畫外音：它始於 Vera，一個定製設計的CPU，性能是上一代的兩倍。以及 Rubin GPU。Vera 和 Rubin 從一開始就協同設計，以便更快、更低延遲地雙向一致地共享資料。)(畫外音：然後 17,000 個元件聚集在一個Vera Rubin 計算板上。高速機器人以微米級精度放置元件，然後 Vera CPU 和兩個 Rubin GPU 完成組裝。能夠提供 100 Petaflops 的 AI 算力，是其前身的五倍。)(畫外音：AI 需要快速的資料。ConnectX-9為每個GPU 提供每秒 1.6 Terabits 的橫向擴展頻寬。BlueField-4 DPU 解除安裝儲存和安全性，以便計算完全專注於AI。)(畫外音：Vera Rubin 計算托盤（Compute Tray）完全重新設計，沒有電纜、軟管或風扇。具有一個 BlueField-4 DPU、八個ConnectX-9 網路卡、兩個 Vera CPU 和四個 Rubin GPU，這是 Vera Rubin AI 超級電腦的計算建構塊。)(畫外音：接下來是第六代 NVLink Switch，移動的資料比全球網際網路還多，連接18 個計算節點，擴展到 72 個 Rubin GPU，作為一個整體運行。)(畫外音：然後是 Spectrum-X Ethernet Photonics（乙太網路光子學），世界上第一個具有 512 個通道和 200 Gbit 能力的共封裝光學（Co-packaged Optics）乙太網路交換機，將成千上萬的機架擴展為 AI 工廠。)(畫外音：自設計開始以來的 15,000 個工程師年。第一個Vera Rubin NVL72 機架上線。六個突破性晶片，18 個計算托盤，9 個 NVLink 交換機托盤，220兆個電晶體，重近兩噸。向 AI 下一個前沿的巨大飛躍。Rubin 來了。)(視訊結束)你們覺得怎麼樣？這是一個Rubin Pod。16 個機架中有 1152 個 GPU。正如你們所知，每一個機架有 72 個 Vera Rubin 或 72 個 Rubin。每一個 Rubin 是兩個實際的 GPU 晶片連接在一起。我要把它展示給你們看，但這有幾件事……好吧，我待會兒再告訴你們。我不能一下子告訴你們所有事情。好吧，我們設計了六種不同的晶片。首先，我們要公司內部有一條規則，這是一條好規則。任何新一代都不應該更改超過一兩個晶片。但問題是這樣的。正如你們所看到的，我們在描述每一個被描述的晶片中的電晶體總數。我們知道摩爾定律在很大程度上已經放緩。所以我們年復一年能得到的電晶體數量不可能跟上 10 倍大的模型。它不可能跟上每年生成更多 Token 的 5 倍。它不可能跟上 Token 成本下降將如此激進的事實。如果行業要繼續進步，就不可能跟上這種速度，除非我們部署激進的極致協同設計（Extreme Co-design）。基本上同時在整個堆疊的所有晶片上進行創新。這就是為什麼我們決定這一代我們別無選擇，只能重新設計每一個晶片。現在，剛才描述的每一個晶片本身都可以是一個新聞發佈會，而在過去的日子裡，可能有一整個公司專門做這個。每一個都是完全革命性的，同類中最好的。Vera CPU，我為它感到非常自豪。在一個受電力限制的世界裡，Gray CPU（註：口誤，應指Grace 的繼任者 Vera）性能是兩倍。在一個受電力限制的世界裡。它是世界上最先進 CPU 每瓦性能的兩倍。它的資料速率是瘋狂的。它是為處理超級電腦而設計的。Vera 是一個不可思議的 GPU（註：口誤，應指CPU）。Grace是一個不可思議的 GPU（註：口誤，應指 CPU）。現在 Vera增加了單線程性能，增加了記憶體容量，僅僅是急劇增加了一切。這是一個巨大的晶片。這是 Vera CPU。這是一個 CPU。這連接到 Rubin GPU。看看那個東西。這是一個巨大的晶片。現在，真正特別的事情是，我會過一遍這些。我想這需要三隻手，四隻手來做這個。好的。所以，這是 Vera CPU。它有 88 個 CPU 核心。CPU 核心被設計為多線程的。但Vera 的多線程特性被設計為每一個 176 個線程都可以獲得其全部性能。所以本質上好像有 176 個核心，但只有88 個物理核心。這些核心是使用一種叫做空間多線程的技術設計的。但 IO 性能令人難以置信。這是Rubin GPU。浮點性能是 Blackwell 的 5倍。但重要的事情是看底線。底線是它的電晶體數量僅為 Blackwell 的 1.6倍。這某種程度上告訴了你今天半導體物理的水平。如果我們不做協同設計，如果我們不在整個系統的每一個晶片層面上做極端的協同設計，我們怎麼可能提供那怕是最好每年 1.6 倍的性能水平呢？因為那就是你擁有的電晶體總數。即使你的每個電晶體性能多一點，比如說 25%，你也不可能從你得到的電晶體數量中獲得 100% 的良率。所以 1.6 倍某種程度上為你每年性能能走多遠設定了上限，除非你做一些極端的事情。我們稱之為極致協同設計。好吧，我們做的一件事，這是一個偉大的發明。它叫做NVFP4 Tensor Core。我們晶片內部的 Transformer 引擎不僅僅是我們放入資料路徑的某種 4 位浮點數。它是一個完整的處理器，一個處理單元，瞭解如何動態地、自適應地調整其精度和結構以處理 Transformer 的不同層級，以便你可以在可能損失精度的地方實現更高的吞吐量，並在你需要的地方回到儘可能高的精度。那種動態執行此操作的能力。你不能在軟體中這樣做，因為顯然它運行得太快了。所以你必須能夠在處理器內部自適應地做到這一點。這就是 NVFP4。當有人說 FP4 或 FP8 時，這對我們來說幾乎沒有任何意義。原因是讓它工作的是 Tensor Core 結構和所有的演算法。NVFP4，我們已經為此發表了論文。它能夠保持的吞吐量和精度水平是完全不可思議的。這是開創性的工作。如果是未來行業希望我們將這種格式和這種結構作為行業標準，我也不會感到驚訝。這是完全革命性的。這就是為什麼即使我們只有 1.6 倍的電晶體數量，我們也能提供如此巨大的性能提升。好的。所以這是……現在一旦你有了一個偉大的處理節點，這就是處理器節點，在這裡……例如這裡，讓我做這個……這就是……哇，它超級重。你必須是一個身材非常好的CEO 才能做這份工作。好的。所以這東西是……我猜這大概……我不知道，幾百磅。(有人笑)我也覺得這很有趣。來吧。(看向後台) 可能是這樣的。大家都走了。不，我不這麼認為。好的。所以看看這個。這是最後一個。我們徹底改變了整個 MGX 機箱。這個節點。43 根電纜，零電纜。六根管子，這兒只有兩根。組裝這個需要兩個小時。如果你幸運的話，需要兩個小時。當然，你可能會組裝錯。你得重新測試，測試，重新組裝。所以組裝過程極其複雜。作為我們第一批以這種方式解構的超級電腦之一，這是可以理解的。這個從兩小時變成了 5 分鐘。80% 液冷。100% 液冷。是的。真的，真正的突破。好的。所以，這是新的計算底盤。連接所有這些到機架頂部交換機、東西向流量的是Spectrum-X網路卡（NIC）。這是世界上最好的網路卡。毫無疑問，NVIDIA 的 Mellanox，很久以前加入我們的收購 Mellanox。他們在高性能計算方面的網路技術是世界上最好的，毋庸置疑。演算法、晶片設計、所有的互連、運行在上面的所有軟體堆疊、他們的 RDMA，絕對絕對首屈一指，世界上最好的。現在它有能力做可程式設計 RDMA 和資料路徑加速器，以便像 AI 實驗室這樣的合作夥伴可以為他們想要如何在系統中移動資料建立自己的演算法。但這完全是世界級的 ConnectX-9，Vera CPU 是協同設計的，我們從未透露過。直到 CX9 出現我們才從未發佈過，因為我們為一種新型處理器協同設計了它。你知道，ConnectX-9 或 CX8 和 Spectrum-X 徹底改變了乙太網路為人工智慧所做的方式。AI 的乙太網路流量要密集得多，需要更低的延遲。瞬時的流量激增不同於乙太網路所見的任何東西。所以我們建立了 Spectrum-X，即AI乙太網路。兩年前我們宣佈了 Spectrum-X。NVIDIA 今天是世界上最大的網路公司。所以它非常成功，被用於許多不同的安裝中。它正在席捲 AI 領域。性能令人難以置信，特別是當你有一個 200 兆瓦的資料中心，或者如果你有一個吉瓦的資料中心。這些是數十億美元。假設一個吉瓦的資料中心是 500 億美元。如果網路性能允許你多提供 10%——在 Spectrum-X 的情況下，提供 25% 更高的吞吐量並不罕見。即使我們只提供 10%，那也值50億美元。網路完全是免費的，這就是為什麼——嗯，每個人都使用 Spectrum-X。這真是一件不可思議的事情。現在我們將發明一種新型的……一種新型的資料處理。所以 Spectrum 是用於東西向流量的。我們現在有一個名為BlueField-4 的新處理器。BlueField-4 允許我們採取一個非常大的資料中心，隔離不同的部分，以便不同的使用者可以使用不同的部分。確保一切都可以虛擬化，如果他們決定虛擬化的話。所以你解除安裝了很多用於南北向流量的虛擬化軟體、安全軟體、網路軟體。所以 BlueField-4 標配在每一個這些計算節點上。BlueField-4 有第二個應用，我馬上就會講到。這是一個革命性的處理器，我對此感到非常興奮。這是 NVLink 6 Switch。就在這裡。這個交換機晶片。在這個 NVLink 交換機裡有四個。這每一個交換機晶片都有歷史上最快的 SerDes。世界勉強達到200 Gbits。這是 400 Gbits 每秒的交換機。這之所以如此重要，是為了讓我們可以讓每一個 GPU 在完全相同的時間與每一個其他GPU 對話。這個交換機，在這個機架背板上的這個交換機使我們要移動相當於兩倍全球網際網路資料量的資料，速度是兩倍。如果你拿整個地球網際網路的橫截面頻寬，大約是每秒 100 TB。這是每秒 240 TB。所以這某種程度上把它放在了透視中。這是為了讓每一個 GPU 都可以與每一個其他 GPU 在完全相同的時間工作。好的。然後在那之上……在那之上，好的，這是一個機架。這是一個機架。正如你們所看到的，這個機架中的電晶體數量是 1.7 倍。是的。你能幫我做這個嗎？所以，這通常大約是兩噸，但今天它是兩噸半，因為當他們運送它時，他們忘了把水排干。所以，我們從加利福尼亞運了很多水過來。你能聽到它尖叫嗎？你知道，當你旋轉兩噸半重的東西時，你得尖叫一下。哦，你可以做到。哇。好的，我們不會讓你做兩次。好的。所以，在這背後是NVLink Spines（脊柱）。基本上是兩英里的銅纜。銅是我們知道的最好的導體。這些都是遮蔽銅纜，結構化銅纜，世界上在計算系統中使用的最多的。我們的 SerDes 以每秒 400 gigabits 的速度驅動從機架頂部一直到底部的銅纜。這令人難以置信。所以這總共有 2 英里的銅纜，5000 根銅纜。這使得 NVLink Spine 成為可能。這是真正開啟 MGX 系統的革命。現在我們決定我們將建立一個行業標準系統，以便整個生態系統、我們所有的供應鏈都可以標準化這些元件。有大約 80,000 個不同的元件組成了這些 MGX 系統，如果我們每年都改變它，那就是徹底的浪費。每一個主要的電腦公司，從富士康到廣達再到緯創，你知道，名單還在繼續，到惠普、戴爾和聯想，每個人都知道如何建構這些系統。所以儘管性能如此之高，更重要的是功耗是兩倍，我們仍然可以將 Vera Rubin 擠進這個系統，這就是奇蹟：進入它的空氣，氣流大約是相同的。非常重要的是，進入它的水是相同的溫度，45°C。用 45°C，資料中心不需要冷水機組（Chillers）。我們基本上是用熱水冷卻這台超級電腦。它是如此令人難以置信的高效。所以這是……這是新的機架。電晶體多 1.7 倍，但峰值推理性能多5倍，峰值訓練性能多 3.5倍。好的，它們在頂部使用 Spectrum-X 連接。哦，謝謝。(掌聲)這是世界上第一個使用台積電（TSMC）新工藝製造的晶片，我們共同創新的工藝叫做COUPE。這是一種矽光子整合矽光子工藝技術。這允許我們將矽光子直接帶到晶片上。這是 512個連接埠，每秒200 Gbits。這是新的乙太網路 AI 交換機，Spectrum-X 乙太網路交換機。看看這個巨大的晶片。但真正令人驚奇的是，它有直接連接到它的矽光子。雷射從這裡進來。雷射從這裡進來。光學器件在這裡，它們連接到資料中心的其餘部分。我稍後會展示給你們看，但這在機架頂部。這是新的 Spectrum-X 矽光子交換機。好的。我們有一些新東西想告訴你們。正如我幾年前提到的，我們推出了 Spectrum-X，以便我們可以重新發明網路的方式。乙太網路真的很容易管理，每個人都有乙太網路堆疊，世界上的每個資料中心都知道如何處理乙太網路。當時我們唯一使用的是 InfiniBand，用於超級電腦。InfiniBand 延遲非常低。但當然，軟體堆疊、InfiniBand 的整個可管理性對於使用乙太網路的人來說非常陌生。所以我們決定第一次進入乙太網路交換機市場。Spectrum-X 就這樣起飛了，使我們成為了世界上最大的網路公司。正如我提到的，下一代 Spectrum-X 將繼承這一傳統。但正如我剛才所說，AI 已經重新發明了整個計算堆疊，計算堆疊的每一層。理所當然地，當 AI 開始部署在世界各地的企業中時，它也將重新發明儲存的方式。嗯，AI 不使用 SQL。AI 使用語義資訊。當使用 AI 時，它會建立這種臨時知識，臨時記憶，稱為KV Cache（KV快取）。鍵值組合，但它是一個 KV 快取。基本上是 AI 的快取，AI 的工作記憶。AI 的工作記憶儲存在 HBM 記憶體中。對於每一個 Token，對於每一個 Token，GPU 讀入模型，整個模型。它讀入整個工作記憶，它產生一個 Token，並將那個 Token 儲存回 KV 快取，然後在下一次它這樣做時，它讀入整個記憶，讀取它，並通過我們的 GPU 流式傳輸，然後生成另一個 Token。嗯，它一個 Token 接一個 Token 地重複這樣做，顯然如果你在那段時間與那個 AI 進行長時間的對話，那個記憶、那個上下文記憶將會極大地增長。更不用說模型正在增長。我們使用的輪次（Turns）正在增加。我們希望這個 AI 伴隨我們一生。記住我們曾經與它進行的每一次對話，對吧？我向它請求的每一丁點研究。當然，共享超級電腦的人數將繼續增長。因此，最初適合放在 HBM 內部的這個上下文記憶不再足夠大了。去年我們建立了 Grace Blackwell 的非常快的記憶體，我們稱之為快速上下文記憶體。這就是為什麼我們將 Grace 直接連接到 Hopper，這就是為什麼我們將 Grace 直接連接到 Blackwell，以便我們可以擴展上下文記憶。但即使那樣也是不夠的。所以下一個解決方案當然是去網路上，南北向網路，去公司的儲存。但如果你有很多 AI 同時運行，那個網路就不再足夠快了。所以答案非常清楚，要做得不同。所以我們建立了 BlueField-4，以便我們基本上可以在機架中擁有一個非常快的 KV 快取上下文記憶體儲存。所以我馬上就會向你們展示。但這是一個全新的儲存系統類別。行業非常興奮，因為這對於幾乎所有今天做大量 Token 生成的人來說都是一個痛點。AI 實驗室，雲服務提供商，他們真的因為 KV 快取移動造成的大量網路流量而受苦。所以我們將建立一個新平台、一個新處理器的想法，來運行整個 Dynamo KV 快取上下文記憶體管理系統，並將其放在離機架其餘部分非常近的地方，這是完全革命性的。所以就是這個。它就在這裡。所以這就是所有的計算節點。每一個都是 NVLink 72。所以這是 Vera Rubin NVLink 72，144 個 Rubin GPU。這是儲存在這裡的上下文記憶體。在每一個這些背後是四個 BlueField。在每一個 BlueField 背後是 150 TB……150 TB 的記憶體，上下文記憶體。對於每一個 GPU，一旦你在每一個 GPU 上分配它，將獲得額外的 16 TB。現在在這個節點內部，每個 GPU 本質上有一 TB。現在有了這裡的這個後備儲存（Backing Store），直接在同一個東西向流量上，以完全相同的資料速率，每秒 200 gigabits，實際上跨越這個計算節點的整個結構。你將獲得額外的 16 TB 記憶體。好的。這就是管理平面。這些是連接所有它們的 Spectrum-X 交換機，在這裡，末端的這些交換機將它們連接到資料中心的其餘部分。好的。所以這是 Vera Rubin。現在有幾件事真的令人難以置信。所以我提到的第一件事是，這整個系統的能源效率是兩倍。本質上，即使功耗是兩倍，使用的能量是兩倍，計算量是其許多倍，但進入它的液體仍然是 45 攝氏度。這使我們能夠節省大約 6% 的世界資料中心電力。所以這是一件非常大的事情。第二件非常大的事情是，這整個系統現在是機密計算安全（Confidential Computing Safe）的。意味著一切都在傳輸中、靜止時和計算期間被編碼。每一條匯流排現在都被加密了。每一個 PCI Express，每一個 NVLink，你知道對於 CPU 和 GPU 之間的 NVLink，GPU 到 GPU 之間，一切現在都被加密了，所以它是機密計算安全的。這允許公司感到安全，即他們的模型是由其他人部署的，但永遠不會被其他人看到。好的。這特定的系統不僅非常節能，而且還有一件事是令人難以置信的。由於 AI 工作負載的性質，它會瞬間飆升。通過這個稱為 All-Reduce 的計算層，電流的大小、使用的能量雖然是瞬間的，但確實超出了圖表。通常它會飆升 25%。我們現在在整個系統中擁有功率平滑（Power Smoothing），這樣你就不必過度配置 25 倍，或者如果你過度配置 25 倍，你不必留下 25%……不是 25 倍，是 25% 的能量被浪費或未使用。所以現在你可以填滿整個功率預算，你不必在此之外進行配置。最後一件事當然是性能。所以讓我們來看看這個的性能。這些只是建構 AI 超級電腦的人會喜歡的圖表。我們需要對每一個晶片進行完全重新設計，並在整個系統上重寫整個堆疊，才能使這成為可能。基本上這是訓練 AI 模型。第一列。你訓練AI 模型越快，你就能越快將下一個前沿帶給世界。這是你的上市時間。這是技術領導力。這是你的定價能力。所以在綠色的情況下，這本質上是一個 10 兆參數的模型。我們從DeepSeek 擴大了它，DeepSeek。這就是為什麼我們稱之為 DeepSeek++。在一個 100 兆 Token 上訓練一個 10 兆參數的模型。好的。這是我們對建構下一個前沿模型所需的模擬預測。Elon 已經提到 Grok 的下一個版本，Grok 3 我想是，不，Grok 5 還是什麼，是 7 兆參數（註：可能指Grok 3，此處為演講者口語推測）。這是 10 兆。綠色是 Blackwell。而在 Rubin的情況下，注意吞吐量是如此之高，因此只需要 1/4 的這些系統就可以在我們給出的時間（一個月）內訓練模型。好的。所以時間對每個人來說都是一樣的。現在你能多快訓練那個模型，以及你能訓練多大的模型，是你如何首先到達前沿的關鍵。第二部分是你的工廠吞吐量（Factory Throughput）。Blackwell 再次是綠色的。工廠吞吐量很重要，因為你的工廠在吉瓦的情況下是 500 億美元。一個 500 億美元的資料中心只能消耗一吉瓦的電力。所以如果你的性能、你的每瓦吞吐量非常好對比非常差，那直接轉化為你的收入。你的資料中心的收入與第二列直接相關。在 Blackwell 的情況下，它比 Hopper 高大約 10 倍。在 Rubin 的情況下，它將再高大約 10倍。好的。在現在的情況下……Token的成本，生成 Token 的成本效益如何。這是 Rubin，大約是 1/10，就像在……是的。所以這就是我們要如何讓每個人都到達下一個前沿，將 AI 推向下一個水平，當然還有能源高效和成本高效地建構這些資料中心。所以就是這樣。這就是今天的 NVIDIA。你知道，我們提到我們製造晶片，但正如你們所知，NVIDIA 現在製造整個系統。AI是一個全端。我們正在重新發明 AI，從晶片到基礎設施，到模型，到應用程式的一切。我們的工作是建立整個堆疊，以便你們所有人都可以為世界其他地方建立令人難以置信的應用程式。感謝大家的到來。祝大家有一個愉快的 CES。現在，在我……在我讓你們離開之前，有一大堆幻燈片我們不得不剪掉，我們不得不留在剪輯室的地板上。所以，我們這裡有一些花絮（Outtakes）。我想這會讓你們覺得很有趣。祝大家有一個愉快的 CES，夥計們。 (The AI Frontier)

大廠動態No.01DayOne完成20億美元C輪融資加速亞太與歐洲擴張亞太資料中心營運商 DayOne 宣佈完成超過 20 億美元 C 輪融資，由 Coatue 領投，印尼主權財富基金 INA 等參與。資金將用於擴展其在新加坡、馬來西亞、印尼、泰國、日本與香港的資料中心佈局，並支援芬蘭 Lahti 和 Kouvola 園區建設。DayOne 前身為中國 GDS 國際業務，目前已擁有及在建容量超過 500MW，並儲備同等規模開發潛力。點評：萬國海外獨立後，融資提速全球化佈局。No.02百度與華為佔據中國GPU雲市場七成份額推動自研晶片全端融合Frost & Sullivan 報告顯示，2025 年上半年百度與華為共佔中國 GPU 雲市場 70.5% 份額，其中百度以 40.4% 居首。兩者均採用“晶片到雲”全端策略，建構自研晶片規模化資源池，以挑戰 Nvidia CUDA 生態。儘管市場仍面臨性能、生態與整合瓶頸，但百度與華為正加速融合軟硬一體能力。其他大廠如騰訊、阿里受限於 AI GPU 供應，資本開支明顯下滑。點評：中國國產替代提速，芯雲一體成主流路線。No.03xAI宣佈資料中心叢集擴建計畫總投資達 200 億美元馬斯克旗下 xAI 正在田納西州孟菲斯與密西西比州德索托縣同步推進資料中心建設，最新項目“MACROHARDRR”預計將推動整體算力容量增至約 2GW。該叢集將服務於 Colossus 超級計算平台，目標部署 100 萬顆 GPU。xAI 已完成 200 億美元 E 輪融資，輝達、思科等為戰略投資方。資料中心依託自建燃氣電廠與 Tesla Megapack 快速部署，但也引發環保爭議。密西西比州政府已給予稅收優惠，稱其為州史上最大經濟開發項目。點評：馬斯克火力全開，美南成算力高地。No.04軟銀將以40億美元收購資料中心投資公司 DigitalBridge軟銀宣佈將以 40 億美元收購全球數字基礎設施投資公司 DigitalBridge。後者管理資產規模達 1080 億美元，旗下投資組合包括 AIMS、AtlasEdge、DataBank、Switch、Takanock、Vantage 和 Yondr Group，資料中心總容量達 5.4GW。該收購將強化軟銀在 AI 基礎設施領域的佈局，特別是在支援 OpenAI 的 Stargate 超大規模資料中心項目上。交易預計於 2026 年下半年完成，DigitalBridge 將保持獨立營運。點評： AI 風口下，軟銀重金搶灘算力基建。No.05微軟計畫在密歇根州Dorr和Lowell建設資料中心園區Grand Rapids成新興熱點微軟近日確認將在密歇根州 Grand Rapids 附近的 Dorr 和 Lowell 兩地建設資料中心園區。公司已在 Dorr 購地 272 英畝，在 Lowell 提議開發 235 英畝園區，前者為已購土地，後者仍處初期溝通階段。第三個選址 Gaines 因社區反對暫緩推進。微軟表示將加強與社區溝通，並承諾新設施符合節水和可持續發展目標。該地區正成為繼底特律後新的資料中心集聚地。點評：微軟中西部佈局提速，小城鎮迎資料中心入駐潮。No.06OADC收購NTT在南非的資料中心資產泛非資料中心營運商 OADC 將收購 NTT 在南非的七個資料中心，地點包括約翰內斯堡、開普敦、布隆方丹等地，交易已獲南非競爭委員會批准。該資產原屬 NTT 於 2010 年收購的 Dimension Data，現總容量約 10MW。本次交易是 OADC 母公司 WIOCC 戰略擴張的一部分，旨在增強其在南非及非洲的中立資料中心佈局。點評：區域整合提速，非洲市場熱度不減。科技動態No.07Nvidia宣佈Vera Rubin晶片支援45°C熱水冷卻引發傳統 HVAC股價下跌在 CES 上，黃仁勳宣佈其新一代 Vera Rubin 晶片可在 45°C 熱水環境下運行，無需冷水機組，引發 Modine、江森自控、特靈科技等 HVAC 企業股價普跌。Rubin 系列性能大幅超越 Blackwell，將於 2026 年下半年上市，採用 100% 液冷與模組化托盤設計。分析稱，傳統空調廠商或受衝擊，而擁有液冷佈局的 nVent、Vertiv 有望受益。點評：熱水冷卻上場，資料中心製冷範式或變天。No.08Vertiv發佈2026資料中心趨勢預測，AI驅動電力架構與液冷系統深度變革Vertiv 在其《Frontiers》報告中指出，AI 工廠對密度、規模和部署速度的極致需求，正在重塑資料中心設計與維運。五大趨勢包括：向高壓直流電架構轉型以支援 AI 功耗密度；數字孿生驅動模組化部署；AI 推理推動邊緣與私有部署；本地發電成為能源保障核心；液冷系統走向智能自適應。Vertiv 預計“資料中心即算力單元”將成為 AI 時代基礎設施新範式。點評：AI 正在重寫資料中心設計公式，全端協同成關鍵。No.09江森自控將在新加坡投資6000萬新元擴建創新中心聚焦 AI 資料中心冷卻技術江森自控宣佈未來五年將在新加坡投資約 6000 萬新元（約合 4400 萬美元），擴建其創新中心，研發麵向 AI 與雲端運算資料中心的下一代冷卻、熱管理與自動化技術。項目將專注液冷與混合冷卻，適用於亞太高溫、高功耗環境，同時作為區域研發樞紐服務整個亞太市場。擴建後將增加至 90–100 名工程師，聯合高校與客戶進行應用測試。點評：液冷東南亞落地，瞄準 AI 高密集算力。No.10Ventiva在CES推出離子冷卻參考設計，適用於AI資料中心與邊緣裝置美國冷卻技術公司 Ventiva 在 CES 2026 上發佈其新型“分區空氣冷卻”參考設計，採用離子冷卻技術，可精準為 CPU、GPU 等高熱部件定向送風，適配資料中心、邊緣計算與消費裝置。該方案無需大型機械風扇，可釋放機箱空間、提高機架密度，並與液冷系統互補。該技術利用電場驅動電漿體產生氣流，被視為新一代高效熱管理方案之一。點評：離子冷卻登場，挑戰風冷液冷二元格局。行業萬花筒No.11S&P警告AI驅動銅需求激增或對資料中心建設構成系統性風險S&P Global 報告指出，銅將成為繼記憶體、雷射器之後又一關鍵瓶頸資源。受 AI 資料中心、電網擴建、電動車等多重需求推動，全球銅需求預計到 2040 年將增長 50%，缺口達 1000 萬噸。其中資料中心銅用量將從 2025 年的 110 萬噸升至 2040 年的 250 萬噸，AI 訓練負載預計 2030 年佔資料中心銅需求的 58%。雖然部分互聯已轉向光纖，但整體銅強度依舊高達每兆瓦 30–40 噸。點評： “缺銅”繼“缺芯”之後，AI 基建面臨全端資源瓶頸。No.12JLL預測全球資料中心將在2030年前迎來3兆美元投資超級周期JLL 報告預測，至 2030 年全球資料中心總投資將達 3 兆美元，容量增至近 100GW，年複合增長率達 14%。其中地產資產價值增長約 1.2 兆美元，8700 億美元為債務融資，1–2 兆美元將用於 GPU 與網路裝置升級。JLL 指出儘管存在電力、供應鏈、成本等挑戰，當前行業租賃率與預租比例仍顯示基本面健康。AI 推動推理型負載崛起，預計 2030 年將佔據一半資料中心容量。點評： AI 驅動全球算力熱，泡沫論暫難成立。 (DeepKnowledge)