•
【CES 2026】黃仁勳最新演講：三個關鍵話題，一台“晶片怪獸”
台北時間1月6日，輝達CEO黃仁勳身著標誌性皮衣再次站在CES2026的主舞台上。
2025年CES，輝達展示了量產的Blackwell晶片和完整的物理AI技術堆疊。在會上，黃仁勳強調，一個“物理AI時代”正在開啟。他描繪了一個充滿想像力的未來：自動駕駛汽車具備推理能力，機器人能夠理解並思考，AI Agent（智能體）可以處理百萬級 token 的長上下文任務。
轉眼一年過去，AI行業經歷了巨大的變革演進。黃仁勳在發佈會上回顧這一年的變化時，重點提到了開源模型。
他說，像DeepSeek R1這樣的開源推理模型，讓整個行業意識到：當開放、全球協作真正啟動後，AI的擴散速度會極快。儘管開源模型在整體能力上仍比最前沿模型慢大約半年，但每隔六個月就會追近一次，而且下載量和使用量已經呈爆發式增長。
相比2025年更多展示願景與可能性，這一次輝達開始系統性地希望解決“如何實現”的問題：圍繞推理型AI，補齊長期運行所需的算力、網路與儲存基礎設施，顯著壓低推理成本，並將這些能力直接嵌入自動駕駛和機器人等真實場景。
在本次黃仁勳在CES上的演講，圍繞三條主線展開：
●在系統與基礎設施層面，輝達圍繞長期推理需求重構了算力、網路與儲存架構。以Rubin平台、NVLink 6、Spectrum-X乙太網路和推理上下文記憶體儲存平台為核心，這些更新直指推理成本高、上下文難以持續和規模化受限等瓶頸，解決AI多想一會、算得起、跑得久的問題。
●在模型層面，輝達將推理型 AI（Reasoning / Agentic AI）置於核心位置。通過Alpamayo、Nemotron、Cosmos Reason 等模型與工具，推動 AI 從“生成內容”邁向能夠持續思考、從“一次性響應的模型”轉向“可以長期工作的智能體”。
●在應用與落地層面，這些能力被直接引入自動駕駛和機器人等物理AI場景。無論是 Alpamayo 驅動的自動駕駛體系，還是GR00T 與 Jetson的機器人生態，都在通過雲廠商和企業級平台合作，推動規模化部署。
01
從路線圖到量產：Rubin首次完整披露性能資料
在本次CES上，輝達首次完整披露了Rubin架構的技術細節。
演講中，黃仁勳從Test-time Scaling（推理時擴展）開始鋪墊，這個概念可以理解為，想要AI變聰明，不再只是讓它“多努力讀書”，而是靠“遇到問題時多想一會兒”。
過去，AI 能力的提升主要靠訓練階段砸更多算力，把模型越做越大；而現在，新的變化是那怕模型不再繼續變大，只要在每次使用時給它多一點時間和算力去思考，結果也能明顯變好。
如何讓“AI多思考一會兒”變得經濟可行？Rubin架構的新一代AI計算平台就是來解決這個問題。
黃仁勳介紹，這是一套完整的下一代AI計算系統，通過Vera CPU、Rubin GPU、NVLink 6、ConnectX-9、BlueField-4、Spectrum-6的協同設計，以此實現推理成本的革命性下降。
輝達Rubin GPU 是Rubin 架構中負責 AI 計算的核心晶片，目標是顯著降低推理與訓練的單位成本。
說白了，Rubin GPU 核心任務是“讓 AI 用起來更省、更聰明”。
Rubin GPU 的核心能力在於：同一塊 GPU 能幹更多活。它一次能處理更多推理任務、記住更長的上下文，和其他 GPU 之間的溝通也更快，這意味著很多原本要靠“多卡硬堆”的場景，現在可以用更少的 GPU 完成。
結果就是，推理不但更快了，而且明顯更便宜。
黃仁勳現場給大家複習了Rubin架構的NVL72硬體參數：包含220兆電晶體，頻寬260 TB/秒，是業界首個支援機架規模機密計算的平台。
整體來看，相比Blackwell，Rubin GPU在關鍵指標上實現跨代躍升：NVFP4 推理性能提升至 50 PFLOPS（5 倍）、訓練性能提升至 35 PFLOPS（3.5 倍），HBM4 記憶體頻寬提升至 22 TB/s（2.8 倍），單 GPU 的 NVLink 互連頻寬翻倍至 3.6 TB/s。
這些提升共同作用，使單個 GPU 能處理更多推理任務與更長上下文，從根本上減少對 GPU 數量的依賴。
Vera CPU是專為資料移動和Agentic處理設計的核心元件，採用88個輝達自研Olympus核心，配備1.5 TB系統記憶體（是上代Grace CPU的3倍），通過1.8 TB/s的NVLink-C2C技術實現CPU與GPU之間的一致性記憶體訪問。
與傳統通用CPU不同，Vera專注於AI推理場景中的資料調度和多步驟推理邏輯處理，本質上是讓“AI多想一會兒”得以高效運行的系統協調者。
NVLink 6通過3.6 TB/s的頻寬和網路內計算能力，讓Rubin架構中的72個GPU能像一個超級GPU一樣協同工作，這是實現降低推理成本的關鍵基礎設施。
這樣一來，AI 在推理時需要的資料和中間結果可以迅速在 GPU 之間流轉，不用反覆等待、複製或重算。
在Rubin架構中，NVLink-6負責GPU內部協同計算，BlueField-4負責上下文與資料調度，而ConnectX-9則承擔系統對外的高速網路連線。它確保Rubin系統能夠與其他機架、資料中心和雲平台高效通訊，是大規模訓練和推理任務順利運行的前提條件。
相比上一代架構，輝達也給出具體直觀的資料：相比 NVIDIA Blackwell 平台，可將推理階段的 token 成本最高降低10倍，並將訓練混合專家模型（MoE）所需的 GPU 數量減少至原來的1/4。
輝達官方表示，目前微軟已承諾在下一代Fairwater AI超級工廠中部署數十萬Vera Rubin晶片，CoreWeave等雲服務商將在2026年下半年提供Rubin實例，這套“讓AI多想一會兒”的基礎設施正在從技術演示走向規模化商用。
02
“儲存瓶頸”如何解決？
讓AI“多想一會兒”還面臨一個關鍵技術挑戰：上下文資料該放在那裡？
當AI處理需要多輪對話、多步推理的複雜任務時，會產生大量上下文資料（KV Cache）。傳統架構要麼把它們塞進昂貴且容量有限的GPU記憶體，要麼放到普通儲存裡（訪問太慢）。這個“儲存瓶頸”如果不解決，再強的GPU也會被拖累。
針對這個問題，輝達在本次CES上首次完整披露了由BlueField-4驅動的推理上下文記憶體儲存平台（Inference Context Memory Storage Platform），核心目標是在GPU記憶體和傳統儲存之間建立一個“第三層”。既足夠快，又有充足容量，還能支撐AI長期運行。
從技術實現上看，這個平台並不是單一元件在發揮作用，而是一套協同設計的結果：
- BlueField-4 負責在硬體層面加速上下文資料的管理與訪問，減少資料搬移和系統開銷；
- Spectrum-X 乙太網路提供高性能網路，支援基於 RDMA 的高速資料共享；
- DOCA、NIXL和Dynamo等軟體元件，則負責在系統層面最佳化調度、降低延遲、提升整體吞吐。
我們可以理解為，這套平台的做法是，將原本只能放在GPU記憶體裡的上下文資料，擴展到一個獨立、高速、可共享的“記憶層”中。一方面釋放 GPU 的壓力，另一方面又能在多個節點、多個 AI 智能體之間快速共享這些上下文資訊。
在實際效果方面，輝達官方給出的資料是：在特定場景下，這種方式可以讓每秒處理的 token數提升最高達5倍，並實現同等水平的能效最佳化。
黃仁勳在發佈中多次強調，AI正在從“一次性對話的聊天機器人”，演進為真正的智能協作體：它們需要理解現實世界、持續推理、呼叫工具完成任務，並同時保留短期與長期記憶。這正是 Agentic AI 的核心特徵。推理上下文記憶體儲存平台，正是為這種長期運行、反覆思考的 AI 形態而設計，通過擴大上下文容量、加快跨節點共享，讓多輪對話和多智能體協作更加穩定，不再“越跑越慢”。
03
新一代DGX SuperPOD ：讓576個GPU協同工作
輝達在本次CES上宣佈推出基於Rubin架構的新一代DGX SuperPOD（超節點），將Rubin從單機架擴展到整個資料中心的完整方案。
什麼是DGX SuperPOD？
如果說Rubin NVL72是一個裝有72個GPU的“超級機架”，那麼DGX SuperPOD就是把多個這樣的機架連接起來，形成一個更大規模的AI計算叢集。這次發佈的版本由8個Vera Rubin NVL72機架組成，相當於576個GPU協同工作。
當AI任務規模繼續擴大時，單個機架的576個GPU可能還不夠。比如訓練超大規模模型、同時服務數千個Agentic AI智能體、或者處理需要數百萬token上下文的複雜任務。這時就需要多個機架協同工作，而DGX SuperPOD就是為這種場景設計的標準化方案。
對於企業和雲服務商來說，DGX SuperPOD提供的是一個“開箱即用”的大規模AI基礎設施方案。不需要自己研究如何把數百個GPU連接起來、如何配置網路、如何管理儲存等問題。
新一代DGX SuperPOD五大核心元件：
○8個Vera Rubin NVL72機架 - 提供計算能力的核心，每個機架72個GPU，總共576個GPU；
○NVLink 6擴展網路 - 讓這8個機架內的576個GPU能像一個超大GPU一樣協同工作；
○Spectrum-X乙太網路擴展網路 - 連接不同的SuperPOD，以及連接到儲存和外部網路；
○推理上下文記憶體儲存平台 - 為長時間推理任務提供共享的上下文資料儲存；
○輝達Mission Control軟體 - 管理整個系統的調度、監控和最佳化。
這一次的升級，SuperPOD的基礎以DGX Vera Rubin NVL72機架級系統為核心。每一台 NVL72本身就是一台完整的AI超級電腦，內部通過NVLink 6 將72塊Rubin GPU 連接在一起，能夠在一個機架內完成大規模推理和訓練任務。新的DGX SuperPOD，則由多台NVL72 組成，形成一個可以長期運行的系統級叢集。
當計算規模從“單機架”擴展到“多機架”後，新的瓶頸隨之出現：如何在機架之間穩定、高效地傳輸海量資料。圍繞這一問題，輝達在本次 CES 上同步發佈了基於 Spectrum-6 晶片的新一代乙太網路交換機，並首次引入“共封裝光學”（CPO）技術。
簡單來看，就是將原本可插拔的光模組直接封裝在交換晶片旁邊，把訊號傳輸距離從幾米縮短到幾毫米，從而顯著降低功耗和延遲，也提升了系統整體的穩定性。
04
輝達開源AI“全家桶”：從資料到程式碼一應俱全
本次CES上，黃仁勳宣佈擴展其開源模型生態（Open Model Universe），新增和更新了一系列模型、資料集、程式碼庫和工具。這個生態覆蓋六大領域：生物醫學AI（Clara）、AI物理模擬（Earth-2）、Agentic AI（Nemotron）、物理AI（Cosmos）、機器人（GR00T）和自動駕駛（Alpamayo）。
訓練一個AI模型需要的不只是算力，還需要高品質資料集、預訓練模型、訓練程式碼、評估工具等一整套基礎設施。對大多數企業和研究機構來說，從零開始搭建這些太耗時間。
具體來說，輝達開源了六個層次的內容：算力平台（DGX、HGX等）、各領域的訓練資料集、預訓練的基礎模型、推理和訓練程式碼庫、完整的訓練流程指令碼，以及端到端的解決方案範本。
Nemotron系列是此次更新的重點，覆蓋了四個應用方向。
在推理方向，包括Nemotron 3 Nano、Nemotron 2 Nano VL等小型化推理模型，以及NeMo RL、NeMo Gym等強化學習訓練工具。在RAG（檢索增強生成）方向，提供了Nemotron Embed VL（向量嵌入模型）、Nemotron Rerank VL（重排序模型）、相關資料集和NeMo Retriever Library（檢索庫）。在安全方向，有Nemotron Content Safety內容安全模型及配套資料集、NeMo Guardrails護欄庫。
在語音方向，則包含Nemotron ASR自動語音識別、Granary Dataset語音資料集和NeMo Library語音處理庫。這意味著企業想做一個帶RAG的AI客服系統，不需要自己訓練嵌入模型和重排序模型，可以直接使用輝達已經訓練好並開源的程式碼。
05
物理AI領域，走向商業化落地
物理AI領域同樣有模型更新——用於理解和生成物理世界視訊的Cosmos，機器人通用基礎模型Isaac GR00T、自動駕駛視覺-語言-行動模型Alpamayo。
黃仁勳在CES上聲稱，物理AI的“ChatGPT時刻”快要來了，但面對挑戰也很多：物理世界太複雜多變，採集真實資料又慢又貴，永遠不夠用。
怎麼辦呢？合成資料是條路。於是輝達推出了Cosmos。
這是一個開放原始碼的物理AI世界基礎模型，目前已經用海量視訊、真實駕駛與機器人資料，以及3D模擬做過預訓練。它能理解世界是怎麼運行的，可以把語言、圖像、3D和動作聯絡起來。
黃仁勳表示，Cosmos能實現不少物理AI技能，比如生成內容、做推理、預測軌跡（那怕只給它一張圖）。它可以依據3D場景生成逼真的視訊，根據駕駛資料生成符合物理規律的運動，還能從模擬器、多攝影機畫面或文字描述生成全景視訊。就連罕見場景，也能還原出來。
黃仁勳還正式發佈了Alpamayo。Alpamayo是一個面向自動駕駛領域的開源工具鏈，也是首個開放原始碼的視覺-語言-行動（VLA）推理模型。與之前僅開放原始碼不同，輝達這次開源了從資料到部署的完整開發資源。
Alpamayo最大的突破在於它是“推理型”自動駕駛模型。傳統自動駕駛系統是“感知-規劃-控制”的流水線架構，看到紅燈就剎車，看到行人就減速，遵循預設規則。而Alpamayo引入了“推理”能力，理解複雜場景中的因果關係，預測其他車輛和行人的意圖，甚至能處理需要多步思考的決策。
比如在十字路口，它不只是識別出“前方有車”，而是能推理”那輛車可能要左轉，所以我應該等它先過”。這種能力讓自動駕駛從“按規則行駛”升級到“像人一樣思考”。
黃仁勳宣佈輝達DRIVE系統正式進入量產階段，首個應用是全新的梅賽德斯-奔馳CLA，計畫2026年在美國上路。這款車將搭載L2++級自動駕駛系統，採用“端到端AI模型+傳統流水線”的混合架構。
機器人領域同樣有實質性進展。
黃仁勳表示包括Boston Dynamics、Franka Robotics、LEM Surgical、LG Electronics、Neura Robotics和XRlabs在內的全球機器人領軍企業，正在基於輝達Isaac平台和GR00T基礎模型開發產品，覆蓋了從工業機器人、手術機器人到人形機器人、消費級機器人的多個領域。
在發佈會現場，黃仁勳背後站滿了不同形態、不同用途的機器人，它們被集中展示在分層舞台上：從人形機器人、雙足與輪式服務機器人，到工業機械臂、工程機械、無人機與手術輔助裝置，展現出一版“機器人生態圖景”。
從物理AI應用到RubinAI計算平台,再到推理上下文記憶體儲存平台和開源AI“全家桶”。
輝達在CES上展示的這些動作，構成了輝達對於推理時代AI基礎設施的敘事。正如黃仁勳反覆強調的那樣，當物理 AI 需要持續思考、長期運行，並真正進入現實世界，問題已經不再只是算力夠不夠，而是誰能把整套系統真正搭起來。
CES 2026 上，輝達已經給出了一份答卷。 (騰訊科技)