黄仁勋2个半小时演讲 AI时代 英伟达曾经进入Agentic (黄仁勋lori)

资本看空，只是在让英伟达股票更「亲民」而已。

「AI 届春晚」过去以来不时是 GTC 的外号之一，但在 GTC 2025 的开幕主题演讲中，这个梗被英伟达开创人、爱穿皮衣的老黄「偷了」。「我觉得 GTC 曾经变成了 AI 界的超级碗」

黄仁勋这样引见 GTC 的盛况。「但在这里，AI 会让我们每集团都成为赢家」。

在 GTC，没有输家好吗｜图片来源：英伟达

但面对近期股价的数次暴跌，尤其是以 DeepSeek R1 为代表的、对业内「我们真的要求这么多 GPU 吗」的质疑，GTC 作为「春晚」，英伟达就肯定拿出更多真的能镇住场子的「硬货」出来。

尽管不知能否也是遭到股价影响，今天老黄的口条，相比以往清楚要「磕巴」了不少，但他在 150 分钟内，接连给从 AI Agent 到数据中心的 AI 芯片、再到具身智能的多个行业生态，再次指明了未来。

再一次性性地，英伟达看到了 AI 的未来，如今，他们要求让全全球一同置信。

Agentic 援救英伟达

「It's all about Tokens」。

不同往届GTC过去先引见英伟达的硬通货，今天的收场，老黄用40分钟解读了：Agentic AI时代，英伟达的立身之本——越来越高效地处置tokens（词元）。单位时期内能处置的tokens百倍万倍增长，同时单位算力本钱和能耗降低。

在他看来，英伟达踩中AI风口的十几年，AI曾经经验了三代技术范式的转移。最早是判别式AI（语音识别、图像识别），接着是生成式AI，然后就是当下我们身处的Agentic AI，未来会是影响物理全球的Physical AI。

黄仁勋秀出了 AI 技术展开的途径｜图片来源：英伟达

每一代AI技术迁移，计算的形式都会出现改动。

从AlexNet到ChatGPT，是从检索的计算形式转变为生成的计算形式。

而当AI从ChatGPT那种靠预测下一个tokens、大约率出现幻觉的生成式AI，迈向Deep Research、Manus这样的agentic AI运转时，每一层计算都不同，所要求的tokens比设想的多100倍。由于在Agentic AI运转中，上一个token是下一个token生成时输入的上下文、是感知、规划、执行的一步步推理。

此刻，Agentic AI就是我们如今所处的时代，AI正在经验一个新的拐点，它变得越来越智能、运转越来越普遍，同时也要求更多的算力来支持它。

老黄用同一段提醒词下，代表两种技术范式的开源模型——Llama3.3和Deepseek-R1所消耗的tokens举例说明，以强化学习为主导的推理类运转，消耗了越来越多的tokens、同时也让AI运转也变得越来越牢靠。

这段提醒词是：「在我的婚宴上，要求7集团围着一张桌子坐，我的父母和岳父岳母不应该坐在一同。而且，我媳妇坚持说她坐在我左边照相时会更美观，但同时我要求坐在伴郎旁边。我们这一轮怎样坐？假定我们约请牧师和我们坐在一同呢？」

DeepSeek R1 的 Reasoning 模型给出了近 20 倍于传统大模型的 Token 量｜图片来源：英伟达

如上图左边，Llama3.3作为大言语模型，用不到500个tokens加快回答，但布置的主人座位并不满足要求。对比之下，左边的R1作为推理模型，用掉8000多个tokens得出了正确答案。

差异在于，左边的大言语模型只尝试了一次性性，左边的推理模型尝试了一切不同的或许性，然后反思、验证了自己的答案。而且推理模型要求更多的计算，由于模型更复杂。R1的尺寸是6800亿个参数，它的下一代版本或许有数万亿个参数。

更进一步，Agentic AI运转是有数次调用相似DeepSeek-R1做推理的环节，要求的计算只会更多。这也是为什么ChatGPT可以不要钱、Deep Research和Operator这种agent不要钱不起的要素（以后OpenAI区分以20美元、200美元的多少钱提供服务）。

用预训练放缓来审问英伟达还是太早了，由于，Scaling Law（缩放定律）的故事还没有讲完。

长思索的模型关于 Token 的需求有数倍优化｜图片来源：英伟达

老黄表示，除了预训练和后训练（微调），测试时的Scaling Law才刚刚末尾。（指模型推理阶段，灵敏分配计算资源以优化性能。例如，依据疑问复杂度智能延伸“思索时期”，或经过屡次推理生成多个候选答案并择优输入）

在英伟达GTC的一篇官方博文中，Tokens（词元）被视为AI的言语与货币。它是AI在训练和推理环节中处置的数据单位，用在预测、生成和推理的每一个场景。

在老黄看来，减速AI任务负载的新型数据中心「AI 工厂」，就是要高效地处置这些tokens，将其从AI言语转换为AI货币——即智能。经过软硬一体优化，以更低的计算本钱处置更多tokens。

如此一来，当更复杂、智能的推理模型，要求更快、更多地吞吐tokens时，如何能够有一套软硬兼施的计算系统让它愈加高效，就成为AI运转能不能赚钱的关键。

这就是Agentic AI下，新黄氏定律曲线。

在性能、Token 和支出的多维度曲线下，厂商依然有盈利的机遇｜图片来源：英伟达

而要想抵达「Revenue」那个切面、让AI运转成功商业化闭环，还得买英伟达，照旧是「买得多以免多」——不，如今是「买得多，赚得多」。

「AI工厂」的操作系统——Dynamo

不久前，最了解英伟达的「DeepSeek靠软硬一体优化成功了550%的实际利润率」资讯刷屏。别忘了，了解英伟达的，也包括他自己。DeepSeek在Infra上的弹药，老黄也给你配齐了！

英伟达此次推出了一个新的「AI 工厂」引擎的操作系统，Dynamo。有了它，tokens的吞吐和提早还能大幅优化！

黄仁勋解说 Dynamo 如何成功 pd 区分 ｜ 图片来源：英伟达

为了让一个更大的模型，更高效地产出更多 token，自身曾经成为了一个工程学疑问。如何合理运行流水线并行、张量并行、专家并行、在途批量化、pd 区分、任务负载控制，如何控制 KV cache，各家都拿出了不同的方案。

英伟达此次也推出了自己的方案，Dynamo。黄仁勋把这个推理服务库比作新时代的 VMware，能够智能编排如何让 AI 在推理时代跑的更好——每秒能出现更多 token。

接上去黄仁勋简直在直接对要求推销英伟达的数据中心喊话了：未来的每一个数据中心都会遭到功耗的限制。你的营收也会遭到功耗的限制，你能经常经常使用的电力就能推算出潜在营收。

采纳 Blackwell，你在相同电力下，能收获更好的性能；再加上Dynamo，Blackwell 将能进一步优化——Hopper 也能优化，但是没那么多。

依照英伟达的说法，经常经常使用 Dynamo 优化推理，能让 Blackwell 上的 DeepSeek-R1 的吞吐量优化 30 倍。Dynamo 也完全开源。

引入 FP4 和 Dynamo 后 Blackwell 与 Hopper 系列芯片性能的对比 ｜图片来源：英伟达

黄仁勋直接帮企业算起了账：在同等功耗下，Blackwell 的性能比 Hopper 高出 4—5 倍的幅度。在「推理模型」的测试里，Blackwell 的性能大约是 Hopper 的 40 倍。

相同的 100 兆瓦数据中心，经常经常使用 H100 要求 1400 个机架，每秒可以消费 3 亿个 token，经常经常使用 GB200，只要求 600 个机架，每秒可以出现 120 亿个 token。

老黄：你买的越多，省的越多！

100 兆瓦数据中心算账题｜图片来源：英伟达

不只要 Blackwell「超大杯」，还有光芯片落地

在配件范围，老黄还宣布了其 Blackwell AI 工厂平台的下一个演进版本 ———— Blackwell Ultra，旨在进一步优化 AI 推理才干。

与现存的 Blackwell 不同，据老黄引见，Blackwell Ultra 专为 AI 推理而设计的：在 DeepSeek R1 发布之后，目前 OpenAI o1 与 Google Gemini 2.0 Flash Thinking 都是曾经上市的推理模型产品。

Blackwell Ultra 详细包括 GB300 NVL72 和 HGX B300 NVL16 系统，其 AI 性能比其前代产品高出 1.5 倍。GB300 NVL72 在一个机架规模设计中衔接了 72 个 Blackwell Ultra GPU 和 36 个基于 Arm Neoverse 的 NVIDIA Grace CPU。与 Hopper 一代相比，HGX B300 NVL16 在大型言语模型上提供了快 11 倍的推理速度，多 7 倍的计算才干和 4 倍的内存。相同支持一道发布的 NVIDIA Dynamo 推理框架。

Blackwell Ultra 作为「超大杯」退场 | 图片来源：英伟达

包括 AWS、谷歌云和微软 Azure 在内的关键科技公司和云服务提供商，将从 2025 年下半年末尾提供由 Blackwell Ultra 驱动的实例。

除了 Blackwell Ultra，英伟达还发布了其 2026 年和 2027 年数据中心路途图的升级，其中就包括行将推出的下一代 AI 芯片 Rubin（以天文学家 Vera Rubin 命名）与 Rubin Ultra的方案性能。

下一代 AI 芯片代号为 Rubin | 图片来源：英伟达

Rubin NVL144 机架，将与现有的 Blackwell NVL72 基础设备直接兼容。而 Rubin Ultra 的整个机架将被新的规划 NVL576 取代。一个机架最多可容纳 576 个 GPU。

除了这些相对单调的芯片迭代，英伟达还第一次性性地下了其光芯片在 AI 计算范围的进度，老黄将其称之为：

「下一代人工智能的基础设备」

硅光芯片具有高运算速度、低功耗、低时延等特点，且不用追求工艺尺寸的极限参与，在制造工艺上，也不用像电子芯片那样严苛，肯定经常经常使用极紫外光刻机，也就是由于「芯片抗争」，被群众所熟知的 EUV。

目前，英伟达并未直接将光芯片技术用户 AI 芯片上，而是与台积电（TSMC）协作，采纳台积电的硅光子平台Compact Universal Photonic Engine (COUPE)，该平台经常经常使用台积电的SoIC-X封装技术，同时结合了电子集成电路（EIC）与光子集成电路（PIC）。打造出两款名为 Spectrum-X和Quantum-X 采纳硅光子技术的交流机。

随着「人工智能工厂」谢全球各地兴修，能耗与运营本钱，曾经成为困扰巨型数据中心继续拓展的关键疑问；因此英伟达也在用硅光子技术，来尝试进一步优化现有的巨型数据中心。

这些也正是硅光子技术大显神通的场景，硅光子芯片有潜力彻底改动数据处置速度，同时放慢推进量子计算技术的展开。同时新光子技术还将为数据中心的 GPU 集群节省数兆瓦的动力。

「人工智能工厂是一种具有极端规模的新型数据中心，网络基础设备肯定启动革新以跟上步伐。」黄仁勋这样引见硅光子芯片在数据中心的运转前景。

Quantum-X InfiniBand 交流机采纳非凡的线缆来减速运转 | 图片来源：英伟达

据英伟达地下的信息，Spectrum-X 提供100Tb/s 的总带宽，总吞吐量为 400Tb/s，并且提供每端口最高 1.6Tb/s 的速度 —— 是目前顶级铜缆传输最加快度的两倍），连老黄自己都吐槽「这段引见里真实是太多 TB 了」。

Quantum-X 光子 InfiniBand 交流机将于 2025 年晚些时辰上市，而 Spectrum-X 光子以太网交流机方案于 2026 年发布。

最后，老黄还宣布了在 Rubin 之后的下一代 AI 芯片的架构命名 Feynman；这个称号源自对量子计算范围有着关键奉献的迷信家 Richard Phillips Feynman，他同时也是现代量子计算机概念的奠基人，于 20 世纪 80 年代提出了量子计算机的概念。

直到 2028 年的英伟达 AI 芯片配件路途图 | 图片来源：英伟达

依据老黄发布的路途图，Feynman 架构将于 2028 年退场 —— 或许到那个时辰，我们真的能看到量子计算技术出现严重打破了。

英伟达生态完整成型

去年轻黄在 GTC 上，伸出手臂，和一排人形机器人站在一同，曾经成为经典一幕，

而往年，仿真数据和机器人，依然出如今 GTC 的各个角落中。甚至在演讲的一末尾，老黄的讲稿中，直接就把物理 AI 放在了 AI 展开的最高点上。

AI 展开的阶段：后三个阶段区分为生成式 AI、Agentic AI、物理 AI ｜ 图片来源：英伟达

不过，在整个 GTC 中，单就时长而言，触及到物理 AI 的比重，并没有设想中的高。智能驾驶部分和机器人部分的引见加在一同，或许有余半个小时。

尽管时长不长，英伟达此次的发布，却依然让人看到了英伟达的野心。

关于一切 AI 而言，数据、算法和算力，都是最关键的要素。

我们熟习的生成式 AI，是在海量的互联网文字和视频数据中训练出来的，英伟达的奉献，更多的在算力方面。

而走到物理 AI，英伟达却是想在数据、算法、算力上全方面发力，一个产业地图曾经呼之欲出。

在算力上，英伟达有之前发布的 Orin 和 Thor 芯片。

在数据上，英伟达也是关键的奉献者。物理 AI 强调让 AI 能够了解物理全球，而全球在过去并没有像积聚文字和视频数据一样，积聚足够多的 3D 环境数据。要大批出现数据，还得看英伟达推进的仿真数据的进度。

而经过几届 GTC 上去，英伟达曾经片面补齐了数据的消费流程：

Omniverse 数字孪生环境，相当于一个超强的 3D 编辑器，能够生成逼真的场景和东西。开发者可以依据不同的范围、机器人类型和义务，整合真实全球的传感器数据或示范数据。

Cosmos 模型训练平台，相当于一个专门为汽车和机器人搭建的虚拟全球，运行 Omniverse 训练 Cosmos，能够让 Cosmos 生成有限多样的虚拟环境，创立既受控、又具有系统性有限扩充才干的数据。

两者结合，就能产出有限多各种各样环境、光线、布景的虚拟仿真数据。正如下图所示，Omniverse 中的机器人呈糖果色，主打与理想出现数字孪生，而 Cosmos 中的布景则可以完全变换，生成不同的布景。

Omniverse 和 Cosmos 的机器人数据效果 ｜ 图片来源：英伟达

而针对人形机器人，英伟达还特地推出了一系列其他的工具，比如往年主推的蓝图（blueprint）工具中的 Mega，就可以测试大规模的机器人部署的效果。

英伟达心愿人形机器人的开发者能够先采集一部分理想全球的数据，导入 Omniverse 外面，然后运行 Cosmos，将这部分理想全球的数据转换成多样化的虚拟数据，直接导入英伟达的 Issac Lab 中启动前期训练——或许模拟学习复制行为，或许强化学习在试错中学习新技艺。

在落地更快的智能驾驶范围，这种 Ominiverse 和 Cosmos 相互依仗的数据才干曾经初见成效。此次的 GTC，英伟达宣布通用汽车（GM）已选择与英伟达协作，共同打造未来的智能驾驶车队。除了对运行仿真环境对工厂和汽车的设计启动改良之外，英伟达还将协助通用汽车改良智驾体验。

Groot N1 自身并不是一个严重的技术打破——之前 FigureAI的 Helix 等模型，都是采取了相似的双系统架构。

英伟达很清楚，心愿的是经过将一套先进的模型开源，再加上完整的分解数据生成与机器人学习管道，人形机器人开发者可以在全球各个行业的不同环境和义务场景中对 Groot N1 启动前期训练——正如 DeepSeek 对人工智能产业的带动一样。

英伟达在机器人范围的进度似乎不时没有停歇，不时在不时补齐产业链上的每一个空缺，速度惊人。似乎要让机器人开发，变得像目前的 AI 运转开发一样容易，才干停歇。

专门针对机器人的研发，往年英伟达还与 DeepMind、迪士尼研讨院（Disney Research）共同协作，结合推出了一款新的物理引擎 Newton。

以后的大少数物理引擎都是针对特定需求设计的，例如大型机械模拟、虚拟全球或电子游戏等，而机器人要求的，是能够准确模拟刚体、软体资料，支持触觉反响、时期序列技艺学习、执行器控制，基于 GPU 减速，从而在超实时的虚拟全球中，以惊人的速度训练 AI 模型的物理引擎。

在演讲的完毕，一款小小的 Blue 机器人登台亮相了。Blue 机器人内置了两个英伟达芯片，而它的训练，则是完全是在英伟达的树立的训练体系和 Newton 引擎中，经过实时模拟成功的。

英伟达关于机器人的投入看来不会中止，机器人演示不时出现小缺陷，抢走老黄的风头，似乎也将成为接上去几年英伟达 GTC 经常性的看点了。

演讲完毕前的经典画面｜图片来源：光轮智能开创人&CEO 谢晨

在GTC 主演讲完毕之前，老黄在视频播放的间隙，摆了一个 Pose。你可以说是随性，但从某种意义过去看，这个经典画面——清楚是名画「发明亚当」的一个镜像——或许会在以后 AI 科技的历史中不时出现。

---

4S店维修保养记载怎样查询?

只需是正轨4S，车辆每一次性保养都会在店方留下电脑资料存档。 就算是车辆前往其他4S，只需是同品牌下属4S，都可以查到车辆的维修和保养记载。 这比单纯检查保养手册上的敲章要来的靠谱的多，由于4S店方的存档记载造假的概率接近0。

VMware和NVIDIA推出的新一代混合云架构，详细是什么呢？

超越 30 万 VMWare 客户将受益于 NVIDIA AI 软件对一切运行程序的一致控制性能，并能够运用 NVIDIA BlueField-2 DPU 的安保和减速性能。

NVIDIA 开创人兼首席执行官黄仁勋表示：NVIDIA 和 VMWare 将一同协助客户把每家企业的数据中心改形成减速的 AI 超级计算机。 企业将借助 NVIDIA DPU 构建安保、可编程、软件定义的数据中心，大幅减速一切企业运行程序。

一、适用于企业的AI平台，简化任务负载部署控制

这是 NVIDIA 与 VMware 的初次协作，NVIDIA NGC 中心上的丰厚 AI 软件将被集成到 VMware vSphere、VMware Cloud Foundation 和 VMware Tanzu 中，协助企业扩展现有 AI 基础设备，一致控制一切运行程序，在数据中心、云和边缘部署 AI 基础设备。

这一整合将简化针对最苛刻任务负载的 AI 部署和控制。 各行业均可在与其企业相反的平台上，借助容器和虚拟机，轻松地在混合云中大规模开发和部署 AI 任务负载。

VMware 客户可经常使用现有的基础设备、资源和工具集为数据迷信和 AI 任务负载提速，从而协助扩展 AI 和机器学习技术的普及范围。

目前，来自戴尔、惠普和联想等抢先系统制造商的部分经过预测试且内置 NVIDIA A100 的主机曾经支持 NGC 软件。

数据迷信家、开发人员和研讨人员将可访问 NGC 的各类云原生 GPU 优化容器、模型和行业特定软件开发套件。

二、全新混合云架构，引入新安保模型

为了协助企业应对愈发复杂的混合运行需求，VMware 推出 Project Monterey 项目，扩展 VMware Cloud Foundation 对 SmartNIC 技术的支持，从而减轻主机 CPU 在网络、存储和安保方面的担负。

VMware 和 NVIDIA 为混合云提供了一种协助企业开展基础设备、提高运营水平的新架构，并引入了一种新的安保模型，将控制程序、网络、安保和存储义务从 CPU 转移到 DPU。 该架构将把 VMware Cloud Foundation 运营模型扩展到裸机主机。

这一新架构是 Vmware 今天推出的 Project Monterey 技术预览的基石。

Project Monterey 项目为基于 Mellanox SmartNIC 技术（包括可编程的 NVIDIA BlueField-2）的混合云提供架构，以支持 AI 和以数据为中心的运行。

经过结合经常使用 NVIDIA BlueField-2 DPU 与 VMware Cloud Foundation，客户将能够减速多种新一代和通用运行、提供可编程智能，并在各类数据中心、边缘和电信云中运转散布式零信任安保模型。

除了 NVIDIA 外，Project Monterey 项目也失掉了英特尔、惠普、联想、戴尔等公司的支持。

三、有望减速医疗AI开展

VMware 和 NVIDIA 生态系统的整合曾经为医疗等行业的 AI 部署运行带来便利。

以医学成像 AI 和剖析工具剖析范围的指导者加利福尼亚大学旧金山分校（UCSF）智能影像中心为例，该中心采用 NVIDIA Clara 医疗运行框架支持 AI 成像，并为加利福尼亚大学旧金山分校社区以及学术和行业协作同伴提供了探求、创新以及采用 AI 所需的关键资源，以此改善患者护理。

加利福尼亚大学旧金山分校放射与生物医学影像学系主任 Christopher Hess 以为，NVIDIA Clara AI 运行框架和 VMware Cloud Foundation 的整合，将有助于他们借助通用数据中心基础设备扩展其 AI 任务，展开培训和研讨等活动，并协助支持时期紧迫的急救诊断。

结语：将为企业提供抢先体验方案

随着 AI 逐渐浸透到更多行业，许多企业技术公司试图将 AI 技术引入 IT 控制软件，来协助客户更高效的任务。

关于 VMWare 而言，此次与 NVIDIA 的协作，为用户经常使用多种包括 AI 的软件及服务带来便利，也将有助于参与 VMware 用户的采用率。

目前，NVIDIA 和 VMware 正在企业 AI 和减速计算平台范围展开的普遍软件工程协作，希望经常使用 AI 并安保减速混合云端运行的企业可以注册参与抢先体验方案。

CPU经常使用 一个高 一个低

这是很正常的事情，所谓双核，只要在运转多义务才干完全发扬成效。 往常我们所运转的义务，一个中心完全可以轻松应对。 假设两个中心都运作的话，基本觉得不出来有所提高，而且，功耗大，所以由OS内核分配机制选择中心的运作方式，在一个中心可以应对的状况下，只供应一个中心所要求的能量，另一个中心基本处于闲置形态。 当运转多义务或许是要求启动少量浮点运算（大型游戏中的顶点运算，高精度画面中的HDR强度运算等）、逻辑运算、AI运算时，另一个中心才会介入出去分担压力，以提高性能！所以，在往常的基本操作中，一个应用率在40-50% 另一个才百分之几的现象是再正常不过的了！！用不着担忧！