🔥 黃仁勳掏出這塊晶片，PC四十年歷史被改寫了 輝達正式殺入PC晶片市場！RTX Spark超級晶片發佈，你的下一台電腦不是"工具"，是AI搭檔。 經常用電腦的朋友，應該都有這種感覺—— 這麼多年過去了，電腦好像一直沒跳出同一個套路：幾千塊的輕薄本也好，上萬的遊戲本也罷，永遠是CPU負責幹活、獨顯負責畫圖。

接下來的10年，當你買電腦時，可能就不再關心處理器快不快、顯示卡強不強了，或許你只看這台電腦能不能自己替你幹活了？ 前幾天的COMPUTEX 2026上，輝達發佈了面向Windows電腦的RTX Spark超級晶片。 看上去，這似乎只是一顆新處理器，但它相當於是把輝達建構資料中心的那套AI計算邏輯放到了個人電腦裡。 它擁有一顆Blackwell架構GPU，裡面塞了6144個CUDA核心和第五代支援FP4精度的Tensor Core，還有一顆20核的Grace CPU。GPU和CPU通過NVLink-C2C高速互聯，並共享高達128GB的統一記憶體。

這不僅是一場產品發佈會，這是一份舊世界的“死亡通知書”。 6月1日，台北。黃仁勳站上GTC Taiwan的舞台，用兩個多小時的時間，把一個冰冷的事實砸在所有人面前：從今天起，電腦不再為人類而造，而是為智能體而造。 全場壓軸的RTX Spark超級晶片，6144個GPU核心、128GB統一記憶體、1 PFLOP的AI算力，被塞進了一台筆記本。這是四十年來第一次，整條PC產品線被推倒重來。而此前傳聞中的“性能怪獸”Vera Rubin真機亮相時，全場沸騰——供應鏈規模是上一代的兩倍，組裝一個機架從兩小時砍到五分鐘。 但如果你只盯著硬體參數，你就完全錯過了這場演講真正要傳遞的訊號。黃仁勳用一個又一個硬核的工程學事實，宣告了一件事：智能體時代已經到來，舊世界的計算範式、企業架構和職場規則，正在被連根拔起。

馬斯克先用上了。 輝達憋了許久的晶片大招，終於來了。 芯東西6月1日報導，今日，在GTC台北大會上，輝達創始人兼CEO黃仁勳穿著閃亮的黑色皮衣發表主題演講，發佈輝達首款Arm架構PC晶片RTX Spark超級晶片，以及輝達豪賭2000億美元市場的大招——專為智能體設計的Vera CPU。 兩款全新晶片“王牌”，直搗英特爾、AMD的腹地。

從輝達、微軟、Arm幾乎同時在社交平台發佈“A new era of PC”（“PC新紀元”），到輝達創始人兼首席執行長黃仁勳說出“PC 正在被重新定義”，輝達進軍個人PC處理器市場一事終於落地。 6月1日，Computex 2026首日，黃仁勳發表主題演講，並正式發佈了一款專為個人智能體（AI Agent）打造的PC晶片：RTX Spark（N1X）。 這款RTX Spark由輝達與聯發科（MediaTek）合作設計，採用台積電3nm工藝，搭載一顆輝達Blackwell架構GPU，擁有6144個CUDA核心和第五代Tensor Core，通過NVLink-C2C晶片互聯技術與20核輝達Grace CPU相連。 RTX Spark推出的背景是，Agent正在改變人們與電腦互動的方式，同時也正在顛覆軟體行業的格局。當前，AI Agent 正處在一個關鍵拐點。OpenClaw、Hermes Agent 等開放原始碼專案已在 GitHub 和 OpenRouter 等開發者社區取得突破性紀錄。然而，Agent在大眾層面的廣泛普及一直受限，主要原因在於使用者很難在其主力PC上安全、私密地運行Agent。

2026年Google I/O開發者大會，給人的感覺只有兩個字：張狂。 不僅把AI智能體像填鴨一樣，無縫塞進搜尋、瀏覽器、手機、智能眼鏡等所有核心流量入口，還連續甩出Gemini 3.5 Flash、視訊模型Omni、全新AI助手Spark三張王炸。 亮完肌肉後，劈柴甚至炫耀般地宣佈，Gemini月活破9億；並同步官宣大幅降價。 意思再直白不過了：我比你強，還比你便宜。

3DGS迎來史詩級升級。智東西4月15日報導，今天，“AI教母”李飛飛的世界模型團隊World Labs開源了動態3D高斯潑濺（3DGS）渲染器Spark 2.0。▲Spark 2.0官宣開源（來源：X）李飛飛本人在該成果發佈的第一時間評論稱：“Spark 2.0現在可以在任意裝置上流式傳輸超過1億個高斯潑濺！能夠為基於網頁的3DGS渲染開源生態做出貢獻，我們感到無比自豪！”▲李飛飛評論（來源：X）Spark系列模型於去年首次發佈，是一個專為網頁建構的動態3D高斯潑濺（3DGS）渲染器。它與網頁端最流行的3D框架THREE.js整合，並利用WebGL2在任意帶有網頁瀏覽器的裝置上運行，包括桌面端、iOS、Android以及VR裝置。與上一版本相比，Spark 2.0新增了一套細節層級（LoD）系統，能夠在任意裝置上流式傳輸並渲染超大規模的3DGS世界。▲在兒童房間裡自由探索，物品細節清晰（來源：World Labs部落格）此外，新版還使用了.RAD的3DGS檔案格式，支援漸進式細化的流式傳輸，而虛擬潑濺分頁系統則通過固定的GPU記憶體分配，實現了對無限潑濺世界的訪問，通俗來講就是可以渲染無限大的3D場景。▲草原中的洞穴小屋，場景轉換無畸變（來源：World Labs部落格）如此流暢連貫的效果是怎麼實現的？針對大規模場景的擴展難題，Spark 2.0運用了3項圖形學與系統底層方案：細節層次最佳化、漸進式流式載入以及虛擬視訊記憶體管理。李飛飛團隊在部落格中，對Spark 2.0背後的三項技術進行了十分詳細的展開，具體如下：01. 採取連續式細節層級穩定渲染百萬級潑濺在電腦圖形學中，處理大型3D場景時常常採用細節層級系統，該系統會根據物體與觀察者之間的距離自動調整渲染的細節程度，不同的細節層級方法介於離散式與連續式之間，形成一個技術譜系。採用離散式細節層級（LoD，Level-of-Detail）時，系統需要為潑濺效果製作多個版本，從精簡到精細依次遞增，再根據各版本的近似邊界與相機的距離，在不同版本間進行切換。Spark的早期系統設計支援離散模式，但其存在明顯缺陷：當使用者在場景中移動、不同版本突然切換時，畫面會出現明顯的跳變；此外，將潑濺效果按區塊分組後，使用者還能看到清晰的邊界痕跡。Spark 2.0的LoD設計採用了一種連續式LoD方法，所有潑濺都存在於一個層級結構中，即LoD潑濺樹。Spark 2.0會沿著樹的一個邊界切割面單獨選取潑濺，從而在視口內最佳化潑濺的細節。▲LoD潑濺樹（來源：World Labs部落格）樹中的每個內部節點都是其子節點的一個低解析度版本，通過將子節點的多個潑濺合併成一個新的潑濺來近似表示子節點潑濺的形狀和顏色。這個過程一直持續到樹的根節點——一個單一的、大的潑濺，它聚合了該物體中所有潑濺的整體形狀和顏色。利用這棵LoD潑濺樹，Spark 2.0會計算出穿過該樹的一個“切片”，從而為當前視口選取最佳的N個潑濺進行渲染。通過設定一個最大潑濺預算N（根據裝置類型不同，通常在50萬到250萬個潑濺之間），系統確保每幀只需渲染恆定數量的潑濺，從而獲得穩定、高影格率的渲染性能。通過上下調整N值，即可在影格率和潑濺細節之間進行權衡。▲公園中的自行車，細節真實，前後一致性強（來源：World Labs部落格）Spark 2.0通過同時遍歷多個LoD潑濺樹實例，對該演算法進行了進一步擴展。與僅從單一根節點開始遍歷不同，針對每個3DGS物體，拓展後的演算法會將其螢幕尺寸及潑濺節點 (dm0,Sm0) 一同加入初始優先佇列，後續流程與原有邏輯保持一致，可在場景中所有3DGS物體上同步篩選需細化的細節層級。這一設計讓大規模組合世界的建立變得簡單高效：只需在空間任意位置加入3DGS LoD物體，Spark 2.0便能自動計算出每幀需渲染的所有LoD潑濺的最優全域子集。02. 設計新型檔案格式大場景3D世界在網頁上秒開Spark2.0定義了一種新的檔案格式.RAD（代表RADiance場），該格式能夠壓縮3DGS資料，並支援隨機訪問流式傳輸，從而在資料通過網路傳輸時實現漸進式細化。目前最常見的兩種3DGS資料檔案格式是.PLY和.SPZ，它們代表了兩種不同的資料編碼方式：行式儲存和列式儲存。.PLY檔案是按行順序儲存的，在接收到資料後立即顯示潑濺，從而實現漸進式載入。但它未經過壓縮，且編碼精度存在浪費。.SPZ檔案將相似類型的資料按列順序儲存在一起，從而獲得了更好的壓縮率。但遺憾的是，它無法實現漸進式載入，因為在任何潑濺獲得其所有屬性之前，必須接收完整的檔案。為實現3DGS資料的高效壓縮與流式傳輸，李飛飛團隊設計了全新的.RAD檔案格式。該格式編解碼簡潔、擴展性強、編碼精度可調節，同時支援隨機訪問。▲.RAD檔案格式（來源：World Labs部落格）檔案結構十分清晰：以RAD0檔案頭開頭，隨後依次為頭部中繼資料長度、中繼資料JSON，以及一個或多個各含6.4萬個潑濺的資料區塊。頭部中繼資料記錄了所有資料區塊的偏移地址與字節大小，支援任意順序讀取資料區塊內容。單個資料區塊也採用相似結構：以RADC塊頭起始，接著是塊中繼資料長度、中繼資料JSON，最後為該6.4萬個潑濺的壓縮資料。潑濺各項屬性按列儲存，可分別選用自訂編碼方式。同類資料集中存放，再通過Gzip壓縮，能獲得出色的壓縮率。頭部採用JSON編碼，可通過版本欄位與新增可選欄位保障後續擴展。資料類型編碼與壓縮演算法均以字串名稱在中繼資料中指定，方便後續擴展新類型。03. 採用虛擬記憶體開闢1600萬潑濺固定視訊記憶體池虛擬記憶體是一項記憶體管理技術，它以固定大小的實體記憶體為基礎，向程序提供大容量的虛擬地址空間，並通過頁表以固定尺寸的頁為單位，完成虛擬地址與實體位址的對應。Spark 2.0將這一思路應用到3DGS渲染中。具體來講，李飛飛團隊在GPU上開闢了一塊可容納1600萬個潑濺的固定視訊記憶體池，自動管理GPU中每6.4萬個潑濺為一頁的“視訊記憶體頁”，與.RAD檔案中對應大小的虛擬資料區塊之間的對應。▲虛擬記憶體（來源：World Labs部落格）資料區塊會按照LoD遍歷順序載入到空閒頁面中；當頁表佔滿，且新資料區塊優先順序更高時，系統會按最近最少使用（LRU）策略淘汰舊資料。Spark 2.0支援同時載入多個.RAD檔案並共用同一張頁表。對每個檔案，系統會記錄資料區塊到頁表的對應，以及頁表到對應檔案與資料的反向對應。在遍歷多棵LoD潑濺樹時，引擎會記錄資料區塊與檔案的訪問順序，形成全域統一的優先順序排序，進而對場景中所有3DGS物體的潑濺載入與儲存進行統一最佳化。04. 結語：Spark 2.0降低空間智能的創作門檻爭奪基礎設施定義權從2025年的首次亮相到今日的2.0版本迭代，Spark的進化軌跡某種程度上也對應著3DGS這一技術的成熟曲線。三維內容的交付長期以來被兩座大山壓著：一是資產太重，動輒GB級的檔案讓網頁端望而卻步；二是渲染太貴，高端GPU才能流暢運行的場景，手機瀏覽器只能圍觀。Spark 2.0通過連續LoD、.RAD格式和虛擬視訊記憶體“三板斧”，讓高品質三維內容像普通圖片和視訊一樣，在網際網路上自由流動、即點即看。李飛飛團隊選擇將該技術開源，降低了空間智能的創作門檻，同樣也是在爭奪下一代空間內容基礎設施的定義權。 (智東西)

▎祖克柏曾公開承認自己對Meta AI進度不滿意，並下定決心啟動一場全面革新。在沉寂了將近一年之後，Meta終於端出了一道讓行業側目的大菜。4月8日，Meta正式發佈旗下最新旗艦AI模型 Muse Spark，將其定性為“從零開始的全面改造”——這是Meta全新成立的超級智能實驗室（Meta Superintelligence Labs，下稱MSL）對外發佈的首個公開模型，也是祖克柏為重奪AI桌上一席之地而打出的最重要一張牌。Muse Spark的誕生，是Meta對自身AI戰略一次徹底的自我否定與重構。過去兩年，Meta在AI賽道上的形象相當尷尬：Llama系列雖然憑藉開源策略在生態圈積累了口碑，但無論是產品完成度還是模型性能，都被OpenAI的ChatGPT、Anthropic的Claude遠遠甩在身後。祖克柏曾公開承認自己對Meta AI進度不滿意，並下定決心啟動一場全面革新。過去9個月裡，Meta重建了整個AI技術堆疊，包括訓練基礎設施、推理架構和資料策略。Muse Spark不是在舊基礎上修修補補，而是真正意義上的“新生”。用Meta自己的話說，這是“我們擴展階梯的第一步”——言下之意，Muse系列之後還有更多。新大腦，新團隊重建的不只是技術，還有人。去年，Meta宣佈成立超級智能實驗室，並以143億美元投資入股AI資料公司Scale AI，獲得49%股權，並任命Scale AI創始人Alexandr Wang 擔任Meta首席AI官，主導這場重建工程。與此同時，Meta從OpenAI、Anthropic、Google大批挖角頂尖研究人員，以業界罕見的薪酬體系重組了AI核心團隊。這一系列動作的訊號再明確不過：祖克柏要玩真的了。從獨立第三方評測機構Artificial Analysis的資料來看，Muse Spark在綜合智力指數（Intelligence Index）上得分52，全球排名前五，僅次於GoogleGemini 3.1 Pro Preview、OpenAI GPT-5.4和Anthropic Claude Opus 4.6，大幅超越Meta此前最強模型Llama 4 Maverick（18分）。具體能力維度上：視覺理解（MMMU-Pro）：得分80.5%，全球第二，僅次於Gemini 3.1 Pro Preview的82.4%；推理與指令遵循（HLE評估）：得分39.9%，位居第三；科學推理（CritPT物理研究題）：得分11%，超越Claude 4.6 Sonnet（3%）和Gemini 3 Flash（9%）；“人類終極考試”（Humanity's Last Exam）：借助外部工具時達到58.4分的高水準。值得關注的是，Muse Spark在達到頂尖性能的同時，Token消耗效率極高，僅使用約5800萬輸出Token，與Gemini 3.1 Pro Preview相當，遠低於Claude Opus 4.6的1.57億和GPT-5.4的1.2億。效率與性能兼顧，是Muse Spark在架構層面的重要突破。Meta自己也坦承，在“長視野代理系統和編碼工作流”領域仍存在一定差距，這也是未來需要持續補強的方向。兩種模式：快與深的平衡Muse Spark上線後，Meta AI應用同步推出兩種工作模式：即時模式（Instant）：針對日常對話和簡單問題，追求快速響應；沉思模式（Contemplating）：面對複雜任務時啟動，可協調多個AI子智能體平行推理，在保持相近延遲的同時大幅提升輸出質量。這種“多智能體平行”的架構設計頗具新意。以旅行規劃為例，模型可以同時完成行程規劃、目的地對比、活動篩選等多個子任務，最終整合輸出一份完整方案，效率和精度均遠超傳統單鏈式推理。Muse Spark是一個原生多模態模型，支援文字、圖像等多種輸入形式，具備真正的跨模態理解與互動能力。在應用場景上，Meta著重佈局了兩個垂直方向：健康領域：Meta專門與超過1000名醫生合作最佳化訓練資料，使模型在處理醫療建議類問題時具備更高的專業性與安全性。這一舉措訊號明顯——Meta正在將AI定位為“個人健康助手”，而非單純的資訊檢索工具。視覺STEM（科學、技術、工程、數學）：模型在處理視覺化科學與工程問題上表現出色，使用者可以通過拍照或描述來排查家用電器故障、生成互動小遊戲，甚至即時理解技術圖紙。此外，Muse Spark還可接入使用者在Instagram、Facebook、Threads等平台分享的內容，提供個性化推薦，並在Meta AI眼鏡上實現更強的環境感知能力——這是Meta“具身AI”戰略的重要組成部分。這或許是Muse Spark發佈中最微妙、也最值得關注的一個訊號。Meta曾是開源AI生態的旗手，Llama系列開放權重下載，催生了全球數以萬計的開發者應用。然而，Muse Spark首發時選擇了閉源——僅通過meta.ai和Meta AI應用提供，API僅向部分合作夥伴開放私有預覽，普通開發者無法直接呼叫。祖克柏表示，未來仍計畫發佈“越來越先進的開源模型”，但Muse Spark本身暫不開源。這一轉變意味著什麼？一種解讀是：Meta已意識到，在前沿模型的軍備競賽中，“開放”固然可以擴大生態，但也意味著提前曝光核心能力、讓競爭對手借鑑領先技術。在真正建立性能優勢之前，Meta選擇先“守住底牌”。另一種解讀則更為商業：Meta需要通過閉源API變現，為每年數百億美元的AI投入找到可持續的商業回報。兩種邏輯並不矛盾，但都指向同一個方向：Meta正在從理想主義的開源布道者，向務實的AI商業玩家悄然轉型。“個人超級智能”：祖克柏想要的，遠不止一個聊天機器人在發佈聲明中，祖克柏將Muse Spark定位為通往“個人超級智能”願景的第一步。這個詞彙的選用絕非隨意——它對應的是Sam Altman口中“AGI”概念的Meta版敘事，暗示Meta的野心在於打造一個真正能夠替代人完成任務的AI代理（Agent），而非只是一個回答問題的聊天工具。按照這一戰略路線，Meta未來的AI產品將嵌入使用者的全平台數字生活：Instagram的內容推薦、WhatsApp的日程管理、AR眼鏡的即時視覺輔助……Meta擁有全球最龐大的社交使用者基礎，這是OpenAI和Anthropic無法複製的獨特資產。當然，這也伴隨著隱私風險。目前，使用Muse Spark需要通過Facebook或Instagram帳號登錄，Meta的慣常做法是利用公開使用者資料進行模型訓練。隨著AI深度融合個人社交資料，使用者隱私邊界如何界定，將是監管機構和公眾長期關注的議題。Muse Spark的意義，不僅僅在於一個模型的性能數字。它更深層的含義是：Meta終於重新站上了前沿AI的牌桌。在過去一年裡，OpenAI憑藉GPT-5系列、Anthropic憑藉Claude 4系列、Google憑藉Gemini 3系列，分別鞏固了各自的行業地位。而Meta一直以一個“追趕者”的姿態出現，甚至一度被調侃為“AI時代的局外人”。Muse Spark改變了這一敘事。52分的綜合評分，視覺理解全球第二，Token效率業界領先——這些數字證明，經過9個月的徹底重建，Meta已經具備了與頂尖AI公司正面交鋒的技術實力。更重要的是，Meta有其獨有的護城河：35.8億日活使用者、跨平台的社交資料網路、AR眼鏡等硬體生態，以及在消費級AI產品上的多年沉澱。一旦模型能力與平台生態真正融合，Meta在AI應用層的爆發力，可能遠超今天市場的預期。這場AI翻身仗，才剛剛開始。 （鈦媒體）