英伟达老黄在GTC大会上都说了什么?
看了下演讲全文,感觉这次老黄不只是在卖芯片,而是在卖一个全新世界观:AI 不是工具,不是应用,而是人类下一个工业革命的能源+发动机。AI 是新时代的电力 + 发动机,Token工厂、AI代理智能体、物理AI 共同构成基础设施。梳理下要点:
1. 第一性原理:AI 的本质重新定义(别再当它是“聪明App”了)
老黄认为
1)AI 不是单一模型突破,也不是“会聊天”的玩具,而是像电力一样的核心基础设施。
2)每个公司都会用,每个国家都会建,不建就落后,就像19世纪不建电厂一样。
2)计算需求过去两年已增长“一百万倍”,且还在指数级加速。
老黄更是给了一个炸裂的前瞻指引,预计到2027年,仅英伟达这些旗舰芯片(Blackwell + Vera Rubin 系列)就能贡献至少1万亿美元营收。”(比之前市场预期的5000亿翻倍,时间拉长一年但金额更狠)
这已经不是简单的财报指引,是给全球CEO和国家元首的最后通牒:你们不投AI工厂,我们就帮别人建。
2. Token工厂:数据中心的新物种
老黄把数据中心彻底改名——不再是存数据的仓库,而是生产智能代币的工厂。CEO 现在要像管传统工厂一样管“代币产出率”和“单位代币成本”。英伟达通过全栈垂直整合,已经把单位代币成本做到全球最低。
这就是工业化拐点:AI 从实验室玩具 → 国家级重资产基础设施。
投资视角来看,这会让“AI基建”概念彻底主流化,能源、冷却、网络、光模块、液冷、变压器等全产业链都会被重估。别只盯着GPU,看“Token工厂”全链条。
3. Vera Rubin 平台:下一代AI工厂的完整蓝图
Rubin不是单颗芯片,是垂直整合的7大芯片 + 5个机架级系统 + 1个超级计算机*。
他的亮亮点在于:
1)Vera CPU(专为Agent优化)、全液冷、Groq确定性流式推理 + Dynamo解耦、吉瓦级工厂代币生成速度提升350倍。
2)大规模光电共封装(CPO)、硅光子,目标百万卡集群、低功耗低延迟。
老黄原话这么说:“Vera Rubin 不是芯片,而是一个巨型系统,从能源到端到端全优化。”
这其实在告诉对手和客户:英伟达已经把“AI发电厂”的参考设计做出来了,你们直接抄作业就行(当然得用我们的零件😎)
4. Agentic AI + OpenClaw:下一个十年的操作系统级革命
OpenClaw在这次GTC上被老黄定义为“AI时代的Linux”——开源、底层框架,让Agent自主调用工具、写代码、管理文件。
老黄宣布NewClaw企业版平台,现场“极简养虾”demo(一键让AI代理管复杂养殖流程),象征极简部署 + 自主执行。
老黄更是明确说,今天世界上每一家公司都必须制定OpenClaw策略。同时推Nemotron开放模型联盟(语言、视觉、机器人、生物、气候等全覆盖),开放生态才是王道。
这是在逼所有企业从SaaS转向AaaS(Agent as a Service),代理框架、工具链、隐私护栏相关公司会爆。开源+企业级双轮驱动,类似于当年Android的打法。
5. Physical AI + 机器人:从数字到物理的ChatGPT时刻
老黄认为物理AI迎来爆发:不再是屏幕里的智能,而是能真正作用于现实世界。他聊到Robotaxi Ready新增比亚迪、现代、吉利等,覆盖1800万辆/年 + Uber大规模部署。
现场迪士尼Olaf雪宝机器人直接登台,展示Omniverse数字孪生 + Newton物理引擎,从虚拟直接迁移到物理适应。
老黄说机器人会成为数万亿美元市场,而物理AI是下一个大爆炸的领域。当然我们自己也需要清楚,物理世界落地比数字难100倍,但一旦起飞,体量远超纯软件。关注端到端(感知-决策-执行)全链公司。
6. 更远的下一代 + 未来场景(Feynman + 太空)
1)预告Feynman架构:Rosa CPU、LP40 LPU(推理专用)、BlueField-5、CX10网络等。
2)太空数据中心:Vera Rubin Space-1轨道AI计算机,用Omniverse建“数字孪生”太空基建。
这一次老黄呼应了老马,英伟达不只是地球算力霸主,还想做太空AI基础设施。
老黄这次演讲核心就是
AI 是新时代的电力 + 发动机,Token工厂、AI代理智能体、物理AI 共同构成基础设施。英伟达提供从能源到芯片的全栈钥匙,这个市场到2027年带给英伟达至少万亿美元营收。

From X
Disclaimer: The above content reflects only the author's opinion and does not represent any stance of CoinNX, nor does it constitute any investment advice related to CoinNX.



