作者：丁玲玲

這兩年AI行業，不管是大模型，還是建數據中心，到最后總會繞不開一個最實在的問題：真金白銀砸進去的算力，怎么變成穩定的營收？

前兩年行業狂熱的時候，幾乎沒人問這個問題。大家都在卷參數、搶GPU、拼訓練集群的規模，好像只要手里有算力、有大模型，就拿到了AI時代的船票。

但到了2026年，潮水慢慢退了：大模型的能力邊界大家心里都有數了，訓練的一次性投入早就花完了，真正燒錢、也真正決定生死的，是每天都在跑的推理；堆起來的算力很多時候在空轉，單Token的成本下不來，商業化就永遠落不了地；智能體最火，但也只是很有限地落到企業業務里。

整個AI行業，就這么走到了一個關鍵的十字路口。

黃仁勛在2026年GTC上的這場演講，信息量極大。但如果拋開那些眼花繚亂的技術名詞和性能數字，你會發現其實只講了三件事：

英偉達正在從一個賣硬件的公司，變成一個賣AI工廠的公司；AI的算力需求正在從訓練轉向推理，而且這個拐點才剛剛開始；以及，英偉達想用OpenClaw這樣的開源項目，定義下一代智能體的操作系統。

很多人看這場發布會，盯著的是VeraRubin架構又漲了多少算力，收購Groq又搞了什么新技術，但在我看來，值得關注的是當下AI行業最核心的四個命題：

第一，AI公司的核心壁壘到底是什么？第二，推理時代的競爭本質是什么？第三，AI的商業化到底該怎么走？第四，未來的AI行業，話語權到底在誰手里？

這篇文章，只想站在一個行業觀察者的角度，跟大家聊聊這場演講背后，AI行業已經發生的底層變化。

從GPU到AI工廠：英偉達的“五層蛋糕”

黃仁勛開場就把AI生態比作一個“五層蛋糕”：基礎設施、芯片、平臺、模型、應用。英偉達想做的是，每一層都有它的身影。

過去幾年，我們已經習慣了英偉達在AI訓練市場的一騎絕塵。但這次演講最核心的信息是，英偉達不再把自己定位成一家芯片公司，甚至不是一家硬件公司，而是一家“AI工廠”的構建者。

什么叫AI工廠？黃仁勛給出的畫面是：你把電力和數據輸進去，它輸出的是Token——也就是AI能夠理解和生成的基本單位。而Token，在他看來，正在變成一種新的“大宗商品”，未來會像石油一樣被定價、被交易。

為了實現這個愿景，英偉達正在做兩件事：垂直整合，但橫向開放。

垂直整合很好理解。從CUDA庫到NVLink交換機，從自研CPUVera到收購Groq，再到共封裝光學技術，英偉達把數據中心里能想到的所有組件都自己做了一遍。

為什么要這么做？因為加速計算不是簡單的“芯片更快”，而是要從算法到底層系統做協同設計。老黃的原話是：“我們別無選擇，必須深入理解應用、領域和算法的底層邏輯。”

但有趣的是，英偉達同時強調自己是“橫向開放”的。它的庫、框架、模型都愿意和云廠商、企業軟件、開源社區集成。

你看，AWS、Azure、GoogleCloud都被請到臺上，Snapchat、Salesforce、Palantir也成了案例。英偉達很清楚，它不可能通吃所有應用層，最好的姿態是成為“賦能者”。

這種“既要又要”的姿態，其實是很多平臺型公司的標準話術。但英偉達的特殊之處在于，它確實擁有足夠深的護城河，CUDA的裝機量、開發者生態、以及每年數千億美元的客戶采購承諾。這些讓它在談判桌上有了足夠的籌碼。

推理的拐點：算力需求暴漲10000倍

黃仁勛反復強調一個數字：過去兩年，AI的計算需求增長了10000倍。他解釋說，這是因為AI的能力從“感知”進化到了“生成”，又從“生成”進化到了“推理”。

什么意思？早期的AI是識別圖片里的貓，現在的AI能自己畫一只貓；而未來的AI（比如o1、o3模型）會自己思考怎么畫一只更好的貓，甚至反思剛才畫得對不對。

這個過程需要模型在生成Token之前，先產生大量的“思考Token”，也就是內部推理。這會讓計算量再上一個數量級。

老黃甚至給出了一個更驚人的預測：到2027年，客戶對Blackwell和Rubin架構的采購訂單總額將達到1萬億美元。

考慮到英偉達2025財年的營收剛剛達到千億，這個數字聽起來像天方夜譚。但他的邏輯是：每一家云服務商、每一家AI公司，本質上都在運營一個“Token工廠”，而Token的產量直接決定了收入。

在功率受限的數據中心里，誰能用更少的電產出更多的Token，誰就能贏。

從這個角度看，英偉達發布的硬件路線圖就很容易理解了。

Blackwell相比Hopper，每瓦性能提升了35倍；VeraRubin又在高端層級提升了10倍；再加上收購Groq后引入的數據流處理器，用來處理那些需要極低延遲的解碼任務。英偉達試圖用多層次的架構，覆蓋從免費API到天價企業服務的所有定價區間。

但這里有一個值得玩味的地方：性能提升的曲線正在變得越來越陡峭。

從2016年的DGX-1到2026年的VeraRubin，十年間算力提升了4000萬倍。這個數字本身已經脫離了普通人的感知范疇。問題是，這種指數級增長還能持續多久？物理極限、能源消耗、制造成本，都是現實存在的天花板。

黃仁勛的答案是“極致協同設計”。把芯片、互聯、散熱、軟件全都揉在一起優化。他甚至展示了用Omniverse模擬的AI工廠數字孿生，用來在虛擬世界調試整個數據中心的功耗和散熱。

聽起來很美，但也意味著英偉達的研發復雜度正在指數級上升。

OpenClaw：智能體時代的Linux？

如果說硬件是英偉達的肌肉，那么軟件和生態就是它的靈魂。這次演講最大的意外，可能是黃仁勛花了大量篇幅介紹一個叫OpenClaw的開源項目。

OpenClaw太火了，簡單說，它是一個能讓開發者用自然語言創建AI智能體的框架。你只需要在終端輸入一行命令，就能生成一個專屬的Agent，它可以幫你寫代碼、管理文件、調用API，甚至半夜自動跑上百次實驗，第二天給你報告結果。

黃仁勛把它比作Linux、Kubernetes和HTML，那些在關鍵時刻定義了下一代計算平臺的開源技術。他還宣布英偉達將全力支持OpenClaw生態，并推出了企業級安全版本NemoClaw。

這個動作的戰略意圖很明顯：英偉達想成為智能體時代的操作系統底座。

過去的IT世界由文件系統、數據庫、SaaS工具構成，而未來的世界將由無數個AI智能體構成。這些智能體需要調用工具、訪問數據、協同工作，也需要安全管控和策略執行。

如果OpenClaw能成為智能體的標準接口，那么英偉達就能從底層芯片到上層框架，牢牢卡住生態位。

但這里有幾個問題。

第一，OpenClaw目前還只是一個社區項目，雖然躥升很快，但距離成為真正的標準還有很長的路。Linux的成功花了三十年，Kubernetes的成功也離不開Google和云廠商的推動。英偉達能不能調動足夠的開發者資源，還是個未知數。

第二，英偉達的“開放”到底有多開放？它同時推出了自己的NemoClaw參考實現，以及一系列Nemotron基礎模型。這有點像Google當年推Android，名義上開源，但核心服務都握在自己手里。如果OpenClaw真的成了氣候，英偉達會不會像控制CUDA那樣控制它的演進方向？

第三，企業級AI智能體的落地遠比消費級復雜。數據隱私、合規審計、與現有系統的集成，都是巨大的工程。黃仁勛也承認這一點，所以強調了安全護欄和策略引擎。但真正跑通這些場景，需要的是整個企業軟件生態的配合，而不僅僅是英偉達一家的努力。

物理AI：機器人的ChatGPT時刻

除了數字世界的智能體，黃仁勛還花了很大篇幅講物理AI，你可以干脆理解為機器人。

他宣布了一大串合作伙伴：比亞迪、現代、日產、吉利加入自動駕駛出租車陣營；Uber將在多個城市部署具備自動駕駛能力的車輛；ABB、KUKA、Caterpillar在用NVIDIA的仿真平臺訓練工業機器人；甚至迪士尼的機器人Olaf也上臺走了一圈。

黃仁勛說，自動駕駛汽車的ChatGPT時刻已經到來。而人形機器人、手術機器人、倉儲機器人，都在經歷類似的轉折。

從技術角度看，物理AI的難點在于數據。現實世界充滿了邊緣情況，不可能靠真實數據窮舉。所以英偉達的策略是用仿真生成合成數據，在Omniverse里構建虛擬世界，讓機器人在里面學習走路、抓取、避障，然后把學到的策略遷移到現實。

這個思路聽起來合理，但落地并不容易。仿真和現實之間的“Sim-to-Realgap”一直是機器人領域的核心難題。英偉達的Newton物理引擎、Kosmos世界模型、GROOT基礎模型，能不能真正縮小這個差距，還需要時間的檢驗。

另外，機器人的市場爆發比數字AI慢得多。工業機器人的部署周期長，人形機器人還處于原型階段，自動駕駛的商業化也一波三折。英偉達在這個領域的投入雖然大，但短期內恐怕很難看到像GPU那樣的回報。

寫到這里，我不得不提幾個問題。

首先是算力需求的可持續性。過去兩年的算力暴漲，很大程度上是靠大模型的“軍備競賽”驅動的。如果模型規模的增長放緩，或者新的算法大幅降低了計算需求，英偉達的增長曲線會不會突然掉頭？

老黃給出的答案是“推理拐點”，但推理需求能否像訓練一樣持續放大，還有待驗證。

其次是競爭的壓力。AMD的MI系列在追趕，AWS、Google、微軟都在自研芯片，甚至連OpenAI都在傳要自己做AI硬件。雖然短期內英偉達的優勢難以撼動，但長期來看，云廠商肯定會想方設法降低對單一供應商的依賴。

拋開地緣性風險不談，你也不能忽略OpenClaw的不確定性。英偉達想定義一個開源標準，但開源社區有自己的運行邏輯。如果社區覺得英偉達的控制欲太強，完全可以fork一個分支自己玩。歷史上這樣的例子并不少見。

黃仁勛的演講像一場科技界的超級碗，信息轟炸之余，也留下了無數可以討論的話題。

在我看來，英偉達今天的地位，是二十年技術積累和幾次豪賭的結果。從CUDA到AI工廠，它一直在賭一件事：計算的未來屬于加速計算，而加速計算的未來屬于英偉達。

這個賭局還沒有結束。接下來的幾年，我們會看到AI工廠是否真的能像工業時代的工廠那樣重塑經濟，看到OpenClaw是否能成為智能體的Linux，看到機器人是否真的能走進我們的生活。

而對于我們這些旁觀者來說，唯一能確定的是：這場變革的速度，只會越來越快。

       原文標題 : 黃仁勛GTC演講，我們梳理了的四個關鍵問題