黃仁勛CES2026最新演講：三個關鍵話題，一臺“芯片怪獸”

從算得多，到算的久、算得起。

來源 |騰訊科技

作者 |李海倫 蘇揚

北京時間1月6日，英偉達CEO黃仁勛身著標志性皮衣再次站在CES2026的主舞臺上。

2025年CES，英偉達展示了量產的Blackwell芯片和完整的物理AI技術棧。

在會上，黃仁勛強調，一個“物理AI時代”正在開啟。

他描繪了一個充滿想象力的未來：

自動駕駛汽車具備推理能力，機器人能夠理解并思考，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。

黃仁勛在發布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、全球協作真正啟動后，AI的擴散速度會極快。

盡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年更多展示愿景與可能性，這一次英偉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、網絡與存儲基礎設施，顯著壓低推理成本，并將這些能力直接嵌入自動駕駛和機器人等真實場景。

在本次黃仁勛在CES上的演講，圍繞三條主線展開：

·在系統與基礎設施層面，英偉達圍繞長期推理需求重構了算力、網絡與存儲架構。

以Rubin平臺、NVLink 6、Spectrum-X以太網和推理上下文內存存儲平臺為核心，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，英偉達將推理型 AI（Reasoning / Agentic AI）置于核心位置。

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，都在通過云廠商和企業級平臺合作，推動規?；渴?。

01

從路線圖到量產

Rubin首次完整披露性能數據

在本次CES上，英偉達首次完整披露了Rubin架構的技術細節。

演講中，黃仁勛從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，新的變化是哪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計算平臺就是來解決這個問題。

黃仁勛介紹，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。

英偉達Rubin GPU 是Rubin 架構中負責 AI 計算的核心芯片，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 的核心能力在于：同一塊 GPU 能干更多活。

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。

黃仁勛現場給大家復習了Rubin架構的NVL72硬件參數：

包含220萬億晶體管，帶寬260 TB/秒，是業界首個支持機架規模機密計算的平臺。

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 內存帶寬提升至 22 TB/s（2.8 倍）；

單 GPU 的 NVLink 互連帶寬翻倍至 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是專為數據移動和Agentic處理設計的核心組件，采用88個英偉達自研Olympus核心，配備1.5 TB系統內存（是上代Grace CPU的3倍），通過1.8 TB/s的NVLink-C2C技術實現CPU與GPU之間的一致性內存訪問。

與傳統通用CPU不同，Vera專注于AI推理場景中的數據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的帶寬和網絡內計算能力，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 在推理時需要的數據和中間結果可以迅速在 GPU 之間流轉，不用反復等待、拷貝或重算。

在Rubin架構中，NVLink-6負責GPU內部協同計算；

BlueField-4負責上下文與數據調度；

而ConnectX-9則承擔系統對外的高速網絡連接。

它確保Rubin系統能夠與其他機架、數據中心和云平臺高效通信，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，英偉達也給出具體直觀的數據：

相比 NVIDIA Blackwell 平臺，可將推理階段的 token 成本最高降低10倍，并將訓練混合專家模型（MoE）所需的 GPU 數量減少至原來的1/4。

英偉達官方表示，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芯片，CoreWeave等云服務商將在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

“存儲瓶頸”如何解決？

讓AI“多想一會兒”還面臨一個關鍵技術挑戰：

上下文數據該放在哪里？

當AI處理需要多輪對話、多步推理的復雜任務時，會產生大量上下文數據（KV Cache）。

傳統架構要么把它們塞進昂貴且容量有限的GPU內存，要么放到普通存儲里（訪問太慢）。

這個“存儲瓶頸”如果不解決，再強的GPU也會被拖累。

針對這個問題，英偉達在本次CES上首次完整披露了由BlueField-4驅動的推理上下文內存存儲平臺（Inference Context Memory Storage Platform），核心目標是在GPU內存和傳統存儲之間創建一個“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，這個平臺并不是單一組件在發揮作用，而是一套協同設計的結果：

• BlueField-4 負責在硬件層面加速上下文數據的管理與訪問，減少數據搬移和系統開銷；

• Spectrum-X 以太網提供高性能網絡，支持基于 RDMA 的高速數據共享；

• DOCA、NIXL和Dynamo等軟件組件，則負責在系統層面優化調度、降低延遲、提升整體吞吐。

我們可以理解為，這套平臺的做法是：

將原本只能放在GPU內存里的上下文數據，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信息。

在實際效果方面，英偉達官方給出的數據是：

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，并實現同等水平的能效優化。

黃仁勛在發布中多次強調，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、調用工具完成任務，并同時保留短期與長期記憶。

這正是 Agentic AI 的核心特征。

推理上下文內存存儲平臺，正是為這種長期運行、反復思考的 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

英偉達在本次CES上宣布推出基于Rubin架構的新一代DGX SuperPOD（超節點），將Rubin從單機架擴展到整個數據中心的完整方案。

什么是DGX SuperPOD？

如果說Rubin NVL72是一個裝有72個GPU的“超級機架”，那么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計算集群。

這次發布的版本由8個Vera Rubin NVL72機架組成，相當于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上下文的復雜任務。

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。

對于企業和云服務商來說，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、如何配置網絡、如何管理存儲等問題。

新一代DGX SuperPOD五大核心組件：

· 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擴展網絡

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以太網擴展網絡

連接不同的SuperPOD，以及連接到存儲和外部網絡；

· 推理上下文內存存儲平臺

為長時間推理任務提供共享的上下文數據存儲；

· 英偉達Mission Control軟件

管理整個系統的調度、監控和優化。

這一次的升級，SuperPOD的基礎以DGX Vera Rubin NVL72機架級系統為核心。

每一臺 NVL72本身就是一臺完整的AI超級計算機，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，則由多臺NVL72 組成，形成一個可以長期運行的系統級集群。

當計算規模從“單機架”擴展到“多機架”后，新的瓶頸隨之出現：

如何在機架之間穩定、高效地傳輸海量數據。

圍繞這一問題，英偉達在本次 CES 上同步發布了基于 Spectrum-6 芯片的新一代以太網交換機，并首次引入“共封裝光學”（CPO）技術。

簡單來看，就是將原本可插拔的光模塊直接封裝在交換芯片旁邊，把信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

英偉達開源AI“全家桶”

從數據到代碼一應俱全

本次CES上，黃仁勛宣布擴展其開源模型生態（Open Model Universe），新增和更新了一系列模型、數據集、代碼庫和工具。

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，還需要高質量數據集、預訓練模型、訓練代碼、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，英偉達開源了六個層次的內容：

算力平臺（DGX、HGX等）、各領域的訓練數據集、預訓練的基礎模型、推理和訓練代碼庫、完整的訓練流程腳本，以及端到端的解決方案模板。

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）、相關數據集和NeMo Retriever Library（檢索庫）。

在安全方向，有Nemotron Content Safety內容安全模型及配套數據集、NeMo Guardrails護欄庫。

在語音方向，則包含Nemotron ASR自動語音識別、Granary Dataset語音數據集和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，可以直接使用英偉達已經訓練好并開源的代碼。

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——

用于理解和生成物理世界視頻的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。

黃仁勛在CES上聲稱，物理AI的“ChatGPT時刻”快要來了，但面對挑戰也很多：

物理世界太復雜多變，采集真實數據又慢又貴，永遠不夠用。

怎么辦呢？合成數據是條路。

于是英偉達推出了Cosmos。

這是一個開源的物理AI世界基礎模型，目前已經用海量視頻、真實駕駛與機器人數據，以及3D模擬做過預訓練。

它能理解世界是怎么運行的，可以把語言、圖像、3D和動作聯系起來。

黃仁勛表示，Cosmos能實現不少物理AI技能，比如生成內容、做推理、預測軌跡（哪怕只給它一張圖）。

它可以依據3D場景生成逼真的視頻，根據駕駛數據生成符合物理規律的運動，還能從模擬器、多攝像頭畫面或文字描述生成全景視頻。就連罕見場景，也能還原出來。

黃仁勛還正式發布了Alpamayo。

Alpamayo是一個面向自動駕駛領域的開源工具鏈，也是首個開源的視覺-語言-行動（VLA）推理模型。

與之前僅開源代碼不同，英偉達這次開源了從數據到部署的完整開發資源。

Alpamayo最大的突破在于它是“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，理解復雜場景中的因果關系，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”。

黃仁勛宣布英偉達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，計劃2026年在美國上路。

這款車將搭載L2++級自動駕駛系統，采用“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。

黃仁勛表示包括Boston Dynamics、Franka Robotics、LEM Surgical、LG Electronics、Neura Robotics和XRlabs在內的全球機器人領軍企業，正在基于英偉達Isaac平臺和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。

在發布會現場，黃仁勛背后站滿了不同形態、不同用途的機器人，它們被集中展示在分層舞臺上：

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、無人機與手術輔助設備，展現出一版“機器人生態圖景”。

從物理AI應用到RubinAI計算平臺,再到推理上下文內存存儲平臺和開源AI“全家桶”——

英偉達在CES上展示的這些動作，構成了英偉達對于推理時代AI基礎設施的敘事。

正如黃仁勛反復強調的那樣，當物理 AI 需要持續思考、長期運行，并真正進入現實世界，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，英偉達已經給出了一份答卷。

· END ·

合 作 對 接

掃碼添加投資人說運營者微信，備注「商務合作」詳細溝通。

超 級 社 群

【投資人說】正在組建超級創業者社群、超級讀者群、超級媒體群等，目前總人數已超1000人。

關注【投資人說】微信公眾號，發送信息「進群」，與各行業精英直接交流，共同進步。

旗 下 媒 體