2026 年 3 月 16 日，Nvidia 在美国圣何塞举办年度大会 Nvidia GTC 2026。CEO Jensen Huang（黄仁勋）进行了接近 3 小时的主题演讲，核心围绕AI算力基础设施、AI推理时代、下一代芯片路线图、AI Agent、机器人与“物理AI”等方向。

Nvidia在GTC2026大会上，CEO黄仁勋提出AI产业重心已从“训练时代”转向“推理时代”，预计推理算力需求将比训练高1000倍，战略重点是建立AI工厂大规模生产token。Nvidia展示了芯片路线图，包括当前Blackwell架构、2026年发布的VeraRubin架构及2028年的Feynman架构，强调异构推理架构以降低成本。同时推出企业级AI Agent平台NemoClaw，强调AI终极形态是物理AI，涵盖机器人与自动驾驶技术，网络革命将融合光互连与铜互连。黄仁勋最终勾勒AI成为新的工业基础设施的愿景。

 

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）”。

原因有三：

1. AI应用爆发
   • Copilot、Agent、搜索、代码、客服等
   • 需要实时推理能力
2. 推理算力需求将远超训练
   • 每个用户请求都需要推理
   • 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：

建立“AI 工厂”（AI Factory）来大规模生产 token。

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：

传统数据中心	AI Factory
运行软件	生产 token
CPU主导	GPU/AI加速器
面向存储计算	面向 AI 推理

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。

1 Blackwell（当前）

当前主力 AI 架构：

• Blackwell GPU
• Grace CPU
• GB200 超级芯片

主要用于：

• 大模型训练
• 大规模推理

---

2 Vera Rubin（2026）

下一代架构：Vera Rubin

发布时间：2026 下半年

特点：

• 3nm 制程
• HBM4 内存
• 推理性能大幅提升

预计：

• 训练性能提升 3.5 倍
• 推理效率提升 10 倍

Rubin 架构由两部分组成：

• Vera CPU
• Rubin GPU

系统级平台：Rubin NVL72

3 Feynman（2028）

下一代 AI 架构：Feynman

定位：AI Agent 时代的计算架构

预计特点：

• 更高带宽 HBM
• 光互连
• 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：

• prompt
• 上下文

特点：

• 大规模矩阵计算

适合 GPU

---

2 Decode

逐 token 生成

特点：

• 小计算
• 高频调用

因此 Nvidia 提出：异构推理架构

• GPU 负责 Prefill
• 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：

• agent runtime
• agent orchestration
• agent memory
• 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：

AI 的终极形态是 Physical AI

也就是说：AI 不只是软件。

还要理解：

• 重力
• 摩擦
• 空间
• 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：

• Omniverse
• 仿真训练
• 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：

• Drive AI
• 自动驾驶仿真

合作厂商包括：

• 多家车企
• 自动驾驶公司

---

十、黄仁勋的终极愿景

演讲最后，黄仁勋给出一个宏大叙事——未来计算三大阶段：

1️⃣ Accelerated Computing GPU改变计算

2️⃣ Generative AI 大模型时代

3️⃣ Physical AI AI进入现实世界

终极目标：让 AI 成为新的工业基础设施。