在CES 2026这场被视为“科技风向标”的演讲中，英伟达CEO黄仁勋并未停留在对过去成就的总结，而是以前所未有的清晰度和魄力，勾勒出人工智能未来十年的演进路线图。其核心论断是：AI正在经历从“数字智能”到“物理智能”的范式转移，一场比“ChatGPT时刻”更具颠覆性的变革即将到来。以下是对五大核心要点的深度解读。
计算行业大约每十至十五年就会经历一次“平台转移”。从大型机到PC，从互联网到移动互联，每一次转移都催生了全新的应用生态和产业巨头。而当下，我们正同时经历两大平台转移，这是史无前例的。
过去，应用程序构建在操作系统（如Windows、Linux）之上。未来，应用程序将构建在基础模型（Foundation Models）之上。AI本身不再是单一应用，而是成为所有应用的新底座。这意味着，无论是医疗诊断、金融分析、工业设计还是娱乐创作，未来的软件都将以一个或多个强大的AI模型为核心引擎，其功能通过自然语言交互、内容生成和复杂决策来体现。开发者不再仅仅是编写逻辑代码的程序员，更是“调教”和“引导”AI模型的架构师。
这是更具根本性的变革。传统软件开发的本质是“编程”：人类程序员用精确的编程语言（如C++， Python）将规则和逻辑“灌输”给计算机，计算机被动执行。而现代AI软件的本质是“训练”：人类提供海量数据和目标函数，AI模型通过深度学习算法主动从中归纳和提炼规律，最终形成一种类似本能的“能力”。这种从“规则驱动”到“数据驱动”的转变，使得软件能够处理前所未见的、模糊的、非结构化的现实问题。
黄仁勋用“五层蛋糕”的比喻形象地说明了其深远影响：从芯片（GPU/CPU）、系统（服务器/超算）、基础设施（云/AI工厂）、模型（大语言模型/物理模型）到应用，整个技术栈的每一层都在被重新发明。全球价值十万亿美元的现有计算基础设施，因此面临一场彻底的“现代化”改造，这解释了为何有数万亿美元的资金正涌入AI领域。英伟达的定位，正是为这全新的、全栈式的技术范式提供从硬件到软件、从训练到推理的完整解决方案。
如果说大语言模型为AI注入了理解和生成语言的“数字灵魂”，那么物理AI（Physical AI）的目标就是为这个灵魂赋予一个能够理解和交互物理世界的“身体”。这是黄仁勋演讲中最具前瞻性的部分。
物理AI包含两个相辅相成的维度：一是AI物理（AI for Physics），即让AI理解并遵守物理定律（如重力、摩擦、惯性、因果关系）；二是物理AI（AI in Physics），即AI能够作为智能体（Agent）在真实的或模拟的物理环境中进行操作和决策。其核心挑战在于，物理世界的“常识”对人类而言是与生俱来的，但对AI却是空白。我们无法通过标注海量数据来教会AI“重的物体惯性大”或“松手后杯子会掉落”，因为这类交互的多样性是无限的。
英伟达的破解之道在于其布局多年的“三台计算机”架构：
使用如GB200、Rubin等超算平台来训练庞大的物理模型。
将训练好的模型部署在边缘设备（如汽车、机器人）上实时运行。
这是最关键的一环，以Omniverse数字孪生平台为核心。在模拟环境中，AI可以安全、低成本地进行无数次试错学习，生成近乎无限的合成训练数据，并评估其行为后果。
此次发布的Alpamayo自动驾驶AI 是物理AI的集大成者。它的革命性不在于其自动驾驶性能本身，而在于其端到端可解释性。
Alpamayo不仅能开车，还能实时生成“思维链”，用自然语言解释其决策（如“我将减速，因为检测到前方有行人可能闯入车道，并预判其轨迹与我的路径相交”）。这种能力是通过将传感器数据、控制信号与推理文本进行联合训练实现的。它解决了自动驾驶领域最头疼的“长尾问题”——即应对罕见场景。通过推理，AI可以将一个前所未见的复杂场景，分解成多个它已知如何处理的子问题，从而做出合理决策。这标志着AI从“模式匹配”迈向“因果推理”，是从“感知智能”到“认知智能”的巨大飞跃，为AI在制造、物流、家庭服务等所有物理领域的广泛应用铺平了道路。
面对AI模型规模每年增长10倍、计算需求指数级爆炸的挑战，黄仁勋指出，依靠传统的、循序渐进的芯片升级路径已完全不够。摩尔定律的放缓是客观现实，但AI的算力需求不等人。为此，英伟达祭出了最激进的策略：全栈协同设计（Full-Stack Co-Design），即在同一代平台中，重新设计并优化所有关键芯片和互连技术。
Rubin平台就是这一策略的极致体现。它并非一颗单一的GPU，而是一个包含Vera CPU、Rubin GPU、NVLink-6互联、Spectrum-X网络交换机、BlueField-4 DPU以及NVFP4张量核心的完整系统。旨在打破单个芯片的性能瓶颈，通过系统级的优化实现指数级提升。
其中几个突破尤为关键：
这是一种自适应的、专为Transformer模型设计的处理单元。它能动态调整计算精度，在保证关键计算准确性的同时，在非关键步骤使用更低精度以换取极高吞吐量。这是Rubin能在晶体管数量仅增加60%的情况下，实现5倍推理性能提升的“秘密武器”。
Rubin平台的功耗虽是前代的两倍，但其计算性能提升高达3-5倍，意味着能效比显著提升。更关键的是，它能在45摄氏度的进水温度下稳定运行，使得数据中心无需昂贵的制冷设备，可直接利用环境温度冷却，这将为全球数据中心节省巨额电力和运营成本。
Rubin首次在全系统范围内实现了数据在传输、静态和计算过程中的全程加密（机密计算），满足了企业级应用的安全需求。同时，其先进的功率管理技术解决了AI负载瞬时波动的难题，避免了为应对峰值功率而进行的过度基础设施投资，提升了整体资源利用率。
黄仁勋在演讲中多次、高调地强调了对开源模式的拥抱，这与其构建生态系统的深层战略密切相关。他明确表示，开源模型（如中国的DeepSeek R1）的迅猛发展，正使AI变得无处不在，确保“数字智能不抛下任何人”。英伟达的开源策略并非简单的技术共享，而是一种高明的生态构建术。
英伟达的开源是多层次、全栈式的：
开源顶尖模型：包括Nemotron（语言模型）、Cosmos（物理世界模型）、OpenFold（蛋白质模型）等。这些并非“缩水版”模型，而是在各项榜单上名列前茅的前沿模型。开源它们意味着英伟达直接为全球开发者和企业提供了最高的起点。
开源训练数据与工具链：更关键的是，英伟达连训练这些模型所用的海量数据和全套工具链（如NeMo框架）也一并开源。这解决了企业对于模型“黑箱”的信任问题，允许他们完全透明地理解、验证甚至自定义模型的整个生命周期。
构建智能体框架：英伟达推出的“AI Route Blueprint”概念，倡导一种“多模型、多云、混合云”的智能体架构。应用可以智能地调用最适合任务的模型（无论是英伟达的开源模型、第三方模型还是企业自有的专有模型），实现能力的最优组合。
通过这一策略，英伟达将自己定位为AI时代的“基础设施提供者”和“生态赋能者”，而非与应用层竞争的服务商。企业可以基于英伟达的开源基石，快速构建具备自身行业知识和核心竞争力的专属AI应用。这极大地扩展了英伟达技术的渗透广度和客户黏性，使其标准和技术栈成为整个AI工业的事实基础。与Palantir、ServiceNow、Snowflake等行业巨头的深度合作，正是这一战略成功落地的证明。
黄仁勋的整个演讲，最终指向一个核心判断：我们正在踏入一个万物皆有智能的新时代。这个时代的竞争维度已经改变。
首先，竞争的焦点从单纯的模型精度，转向了训练速度、能效和推理成本的综合较量。谁能以更快的速度、更低的能耗和更便宜的成本完成AI模型的迭代与部署，谁就能引领下一个前沿。Rubin平台设计的三大目标——提升训练速度、优化数据中心能效、降低推理成本——正是直指这一竞争核心。
其次，AI的价值实现场景正从虚拟世界大规模走向物理世界。最大的机器人产业将是自动驾驶汽车，其次是各类人形机器人和工业自动化系统。黄仁勋预测，从非自动驾驶到自动驾驶的转折点即将开始，未来十年内，全球很大比例的汽车将具备自动驾驶能力。这个过程中，基于数字孪生的模拟、合成数据生成和持续学习，将构成一个永不停止的迭代闭环。
最终，英伟达的愿景超越了硬件供应商的角色。它通过提供从芯片、系统、模拟平台到开源模型的全栈式解决方案，旨在成为未来智能时代的“卖水人”和“筑路者”。无论最终的AI应用是什么，无论哪个企业或行业获胜，它们很可能都运行在由英伟达技术构建的基础之上。黄仁勋在CES 2026描绘的，不仅是一家公司的技术蓝图，更是一幅整个社会即将步入的、由物理AI驱动的智能化未来图景。
#CES2026#黄仁勋#英伟达#NVIDIA#物理AI#Rubin#Omniverse#数字孪生#AI芯片#全栈计算#Alpamayo#AGI#智能体#Cosmos
（点击阅读原文，跳转NVIDIA官方资讯）
