2026年10月21日，NVIDIA在柏林举办GTC大会，创始人兼CEO黄仁勋发表主题演讲。这是GTC首次在欧洲设主场。NVIDIA在欧洲运营已满33年，过去一年在欧洲投资接近100亿美元，仅演讲前一周就公布了14家欧洲初创公司的投资。演讲前夕，NVIDIA宣布Vera Rubin GPU家族七款芯片全部完成流片，量产进度提前至2026年第三季度；9月底正式发布开源智能体安全平台OpenShell，已有超过100家机构宣布采用；RTX Spark系列PC也确认于今年秋季上市。
按摩尔定律的速度，芯片性能十年翻一百倍。黄仁勋在GTC Berlin上给出了NVIDIA的数字：同样十年，一百万倍。从2016年的Pascal到今天的Vera Rubin，六代架构，每换一代都连带着把系统、系统软件和算法全部重做，他管这叫Extreme Co-Design，直译过来就是"极限协同设计"。走到今天，这条路线的产物已经跟传统GPU完全不同了：Vera Rubin整机100%液冷，组装时间从上一代Blackwell的两小时缩到五分钟，72块GPU通过NVLink连成一台巨型计算机，再装进工厂预制的集装箱运到现场，几天内就能开始产出token。在这套硬件之上，黄仁勋同时拿出了智能体安全的解法。他说："Hope is not security"，希望不是安全，安全是技术和工程。你给智能体的权限，得在系统调用级别被强制执行，靠在提示词里写一句"请不要删除任何东西"是不行的。
图 1｜黄仁勋在 GTC Berlin 2026 发表主题演讲。
一、AI基础设施：从芯片到工厂的全栈重构
1、五层蛋糕：AI产业的认知框架
黄仁勋用一个简单的模型概括了整个AI产业的结构：一块五层蛋糕。最底层是能源，驱动高性能计算机，计算机构成AI工厂，工厂运行模型产出token，token嵌入到每一个应用中。
这个框架的关键判断是：AI本质上是制造业。它的运行方式和普通软件截然不同，需要专门的机器结构和工厂基础设施来生产智能，再嵌入到各行各业中。黄仁勋强调，这五层中每一层都在创造就业和增长。欧洲的施耐德电气、西门子能源在能源层已经做到全球领先；Nebius等初创公司在AI工厂层崛起；Mistral等公司在模型层站稳脚跟。
他还做了一个预测：未来每一家电信公司都将拥有超过10万个站点，全球约100GW的分布式电信基站和数据中心将演变为去中心化的AI网络。AI基础设施不会只集中在少数超大规模数据中心里。
图 2｜AI 产业的五层结构：能源、计算、AI 工厂、模型与应用。
2、极限协同设计：十年一百万倍的方法论
NVIDIA的AI计算始于2016年发布的DGX-1，那是全球第一台AI超级计算机，第一台交付给了OpenAI。此后十年，NVIDIA经历了六代架构：Pascal、Volta、Ampere、Hopper、Blackwell、Vera Rubin。
每一代都不只是换一块更快的芯片。黄仁勋所说的Extreme Co-Design，是指每一代都同时重新设计芯片架构、系统形态、系统软件和算法。新算法催生新架构，新架构又加速新算法，形成正向循环。摩尔定律预计的同期改进幅度是100倍（前五年10倍，后五年再10倍），NVIDIA通过这种全栈协同做到了一百万倍。
他用了一个说法来定义NVIDIA的本质："我们是一家算法公司，开发芯片来加速那些算法。"
图 3｜全栈 AI 工厂平台：芯片、系统、软件库与模型协同工作。
3、Vera Rubin：100%液冷，五分钟组装
黄仁勋在现场展示了Vera Rubin的实物。这台计算机的外观和内部结构都与前代有根本性区别：没有线缆，100%液冷。上一代Blackwell的一个节点组装需要两小时，到处是线缆，80%液冷。Vera Rubin把组装时间缩短到五分钟以内。
每块Vera Rubin GPU拥有20 petaflops的算力。Vera CPU是一颗高性能处理器，每个时钟周期执行8条指令，搭载全球首个低功耗LP-DDR内存系统，兼顾高带宽和极高的能效。片上互联速度是全球芯片中最快的，专门为agentic AI会话的发起和处理做了优化。
Vera Rubin家族还包含一颗专用推理加速芯片Grok 3，专门针对文本和token的生成解码做加速。100%液冷也带来了更长的产品生命周期、更高的可靠性和更好的性能表现。
图 4｜现场展示 Vera Rubin 计算托盘。
4、NVLink 72与Spectrum-X：把72块GPU变成一块
Vera Rubin的计算单元不是单块GPU，而是通过NVLink交换板把72块GPU连接成一台巨型GPU。黄仁勋展示了NVLink交换板的实物，板上集成了四块NVLink交换芯片。72块GPU，每块20 petaflops，合在一起就是一个庞大的统一计算系统。
图 5｜NVLink 交换板连接机架中的 GPU。
Spectrum-X是另一项关键硬件：全球首款共封装光学以太网交换机。NVIDIA与台积电共同开发了名为CuPy的工艺，将硅光子直接封装到芯片上。传统方案需要通过印刷电路板传输数据，带宽和信号质量都会打折扣。共封装光学方案让数据从激光器直接进入收发器，再直接到达芯片，跳过了电路板这个瓶颈。
目前已量产的规格是512端口、每端口200Gbps。
图 6｜Spectrum-X 共封装光学交换系统。
5、DSX Pod：集装箱里的AI工厂
AI工厂规模巨大。一座1GW容量的AI工厂造价约500亿美元，从建成到投产通常需要数月。黄仁勋发布的DSX Pod把这个周期缩短到"几天"。
DSX Pod的做法是把整套AI基础设施在工厂里预制好：7个液冷计算机架通过17公里的Spectrum-X线缆互联，组成一个Vera Rubin NVL72计算单元。全部在工厂内完成布线、测试、老化，然后装入可运输的集装箱。到达现场后，接上当地电力就能启动。
黄仁勋算了一笔账：一座年收入预期400亿美元的AI工厂，投产延迟三个月就是100亿美元的收入损失。DSX Pod把从交付到产出token的时间从四五个月压缩到大约一个月。
配套的DSX MaxLPS是一个动态控制回路，根据工作负载实时调整供电，在保持性能不变的前提下节省30%的电力。冷却系统方面，Vera Rubin支持最高45°C冷却液温度的闭环液冷，在适宜的气候区可以使用室外干冷器散热，完全不蒸发水。按2GW规模计算，每天可节约5400万升水，相当于18万户家庭的日用水量。
图 7｜DSX Pod：在工厂预集成、测试后交付的 AI 基础设施。
二、智能体架构：五要素与安全
黄仁勋做了一个结构性的定义：智能体由五个要素组成。这套框架把他后面讲的所有软件和安全产品串在了一起。
1、智能体的五个要素
第一个要素是模型。大语言模型负责感知、推理、规划和行动，这是智能体的大脑。
第二个要素是agent harness，黄仁勋用了一个比喻：这是智能体的"外骨骼"。如果模型是大脑，那harness就是身体的其余部分，它协调智能体的工作流程，管理活跃记忆、工作记忆和长期记忆，并激活工具。NVIDIA提供的开源harness包括OpenClaw和Hermes。
第三个要素是沙箱，即harness运行的安全隔离环境，对应的产品是OpenShell。第四个要素是知识，由Agent Knowledge Foundation提供，让智能体能读取和理解企业的结构化和非结构化数据。第五个要素是工具，由CUDA-X库承载，让智能体能执行具体的计算任务。
黄仁勋的判断是：未来不会只有一个模型跑所有任务。每家公司都会混合使用闭源模型、开源模型和自己定制训练的模型，根据任务类型选择最合适的那个。
图 8｜智能体的组成：模型、harness、沙箱、知识与工具。
2、OpenShell：系统调用级的安全执行
目前阻止智能体滥用权限的方式，本质上就是在提示词里加一句"请不要删除任何东西""请不要碰我的SSH密钥"。黄仁勋在现场放了一段视频，开场就是这个场景，然后给出结论：这不叫安全。
OpenShell是NVIDIA在9月底发布的开源安全运行时环境，基于Apache 2.0协议。它的核心设计思路是把安全执行放到智能体外部，在操作系统层面强制执行策略，LLM内部的安全屏障靠不住。
具体机制分三层。策略层：你用YAML定义每个智能体可以访问哪些文件、连接哪些网络端点，OpenShell在系统调用级别执行这些策略。凭证层：智能体本身不持有任何密钥。OpenShell在沙箱外部运行一个独立进程supervisor来保管所有凭证，只有当请求被策略批准后，supervisor才会把凭证注入到那条请求中。一个被攻陷的智能体无法泄露密钥，因为它从未拥有过密钥。隔离层：每个智能体运行在独立的沙箱中，没有直接的网络访问权限，所有出站请求都必须经过supervisor检查。
黄仁勋把OpenShell比作早期互联网的浏览器沙箱。早期互联网病毒横行，直到浏览器严格限制了网站能做的事。OpenShell对智能体做的是同一件事。
宣布后，几乎所有主要阵营都表态支持，包括Anthropic、微软、甲骨文、CrowdStrike、Palo Alto Networks等超过100家机构。Anthropic与NVIDIA合作推出了Claude OpenShell agents。
图 9｜OpenShell 在沙箱之外检查出站请求，并按策略允许或拒绝。
3、Sentry：硬件隔离的监控层
NVIDIA Sentry是OpenShell之上的可选加固层，运行在BlueField-4 DPU上，与主机CPU完全隔离。它的工作方式是：智能体的所有数据流量都经过Sentry，如果智能体的行为偏离预设策略，Sentry会在毫秒级别内更新策略、切断智能体与模型的连接，并将智能体隔离。
所有操作都会生成日志记录，供运维人员事后审查。黄仁勋的判断是，安全策略的执行和权限监控必须是动态的，因为每一个智能体启动时、每一个任务、每一个用户的权限组合都不同。
图 10｜Sentry 在 BlueField 上提供额外的硬件隔离保护。
三、开放模型与企业知识系统
1、Nemotron：不只给权重，连数据和复现脚本都给你
NVIDIA的开源模型策略和行业中大多数做法不同。黄仁勋说，NVIDIA提供的开放模型不只包括模型权重，还包括训练数据和完整的复现脚本。他给出的理由是：只有当你知道模型是怎么来的、用什么数据训练的，你才能对这个模型有充分的信心。
Nemotron是语言模型家族的统称。NVIDIA同时还在推进多个方向的模型：用于理解和生成物理世界的Cosmos，训练人形机器人的GR00T，面向自主导航的Alpamayo。
这些模型本身可能不是最前沿的研究成果，但通过生态合作伙伴的后训练和微调，可以达到前沿水平。黄仁勋举了几个案例：AI21用Nemotron Omni训练出性能超越顶级水平的模型；Code Rabbit通过Base Ten对Nemotron微调后达到一流水平；Harvey用Nemotron Parse做后训练扩展，也做到了前沿级别。
他的核心观点是：从一个好的开源模型出发，用自己的数据做后训练，就能生产出针对自身业务的"主权智能"。
图 11｜NVIDIA 在语言、物理世界、机器人等方向布局开放模型。
2、Agent Knowledge Foundation：四步把企业数据变成智能体的知识
让智能体真正有用的关键不在模型本身，在于让它理解你公司的数据。Agent Knowledge Foundation提供了一套完整的工具链。
Nemotron Parse负责从非结构化文档中提取信息。企业数据大量存在于PDF、报告、合同等非结构化格式中，需要AI来阅读和提取。Nemotron Embed负责将查询请求匹配到向量数据库中的知识。Nemotron 3 Omni是一个多源搜索和排序系统，从多个不同来源中找到查询相关的数据，汇总后按相关性排序。Kumo则针对结构化数据库做预测。
黄仁勋用供应链场景做了演示：你收到供应商短缺的通知（非结构化数据），你的订单信息在SQL数据库里（结构化数据），你需要预测哪些订单会受影响、延迟多久（Kumo），然后找到替代零件的技术文档（向量数据库搜索）。四个工具分别对应了这条链路上的四个环节。
图 12｜Agent Knowledge Foundation：把企业数据接入智能体。
3、CUDA-X：智能体的工具箱
黄仁勋反复用了一个类比：再聪明的科学家也需要实验室，再好的工程师也需要仿真器和求解器。智能体也一样。
CUDA-X是NVIDIA积累了二十多年的加速计算库集合，覆盖流体力学、粒子物理、量子化学、图像处理、数据处理、光线追踪等领域。在AI时代之前，NVIDIA的主要工作就是加速这些仿真器和求解器。现在，这些库变成了智能体的工具。
黄仁勋把cuDNN比作AI行业的SQL：cuDNN对AI产业的意义，相当于SQL对全球数据库产业的意义。它是一个领域专用库，就像OpenGL和DirectX催生了实时计算机图形产业一样，cuDNN催生了AI计算产业。
GTC现场演示了三个智能体配上工具后的实际效果。制药公司Purple Sciences的智能体Lila Iris用BioNeMo做蛋白质设计和RNA优化，自主跑数百万次虚拟筛选，最优候选物送到自主机器人实验室制造和测试——整个B细胞淋巴瘤疗法的实验设计由智能体完成。Dassault和大众的两个智能体Aura和Leo协作，把Golf车门改型为Tiguan：Nemotron Parse分析技术需求，Simulia跑仿真发现振动问题后自动修正设计。西门子在Erlangen电子工厂用Cosmos生成合成数据，让工厂智能体推荐优化后的生产计划。
他还直接回应了"AI将终结软件产业"的说法。恰恰相反，AI来了之后，使用这些工具的用户会比以往任何时候都多。每一家工具公司都会成为AI公司。它们不只提供工具，还会提供专门优化过的智能体，这些智能体极其擅长使用它们的工具。
图 13｜Dassault Systèmes 工业智能体：设计、仿真与验证工具协同。
四、物理AI：AI进入真实世界
物理AI是黄仁勋定义的"AI的下一波浪潮"：AI理解物理世界，对物理世界做推理，并使用工具与物理世界交互。他在现场播放了一段机器人辅助放射治疗的视频：患者的肿瘤在疗程中改变形状，机器人实时感知变化中的身体环境，精准分割肿瘤边界，动态调整放射方向——不是执行预设程序，而是感知变化、做推理、用工具行动。
1、电信网络：未来的去中心化AI基础设施
黄仁勋把电信定义为他最看好的物理AI应用之一。他的逻辑是：手机基站用无线电波来感知世界和做推理，用波束成形与世界交互，跟机器人用摄像头和执行器做的事情在结构上是一样的，天然适合AI。
具体的提升来自两个方面。频谱效率方面，NVIDIA把在光线追踪上使用的AI技术应用到无线通信中，黄仁勋说频谱效率可以实现百万比一级别的提升。基础设施方面，全球约10万个电信站点、100GW的分布式数据中心，将在未来演变为去中心化的AI网络。
上周，经过近八年的合作，NVIDIA和Nokia在T-Mobile网络上完成了首次商用电话。黄仁勋说了一句："CUDA now makes phone calls."
图 14｜将加速计算与 AI 引入电信网络。
2、Hyperion：自动驾驶的行业标准架构
黄仁勋观察到一个趋势：每一家汽车制造商都想让自己的车辆加入网约车车队。未来Uber、Bolt、Grab、Lyft等平台上都会有robotaxi，但它们不会只来自一个品牌。构建自动驾驶系统极其昂贵，尤其是软件部分。NVIDIA因此决定做一个标准化架构。
Hyperion的标准配置包括14个摄像头、9个雷达、3个激光雷达和大量超声波传感器，由两套NVIDIA GPU系统驱动。NVIDIA同时在开发AV软件，目标是打造一套autonomous robotaxi能力，接入各大网约车平台。
黄仁勋在演讲中宣布四个新的Hyperion合作伙伴和四款新车型加入：大众Bus、沃尔沃车队、下一代奔驰，以及捷豹路虎的全新车型。他对这个市场的估算是：全球每年约1万亿英里的出行里程，robotaxi每英里收费一到两美元，规模巨大但高度碎片化。Hyperion要做的是创建一个虚拟车队标准，任何品牌都可以加入。
图 15｜Hyperion 自动驾驶平台及汽车合作生态。
3、人形机器人：NVIDIA Agile One
机器人行业的核心难题是碎片化。不同任务需要不同的机器人配置，每种配置的量都不大，无法形成技术飞轮。黄仁勋用了手机和PC的类比：这两个行业进化快，是因为有标准化的配置，标准化带来规模，规模驱动技术迭代。
人形机器人有可能成为那个标准化配置。它不一定适合所有任务，但可能适用于很多任务，成为产量最大的机器人构型。如果AI能让它快速学习新技能，那些没有专业机器人团队的中小企业也能用上：给机器人演示一下该怎么做，它就能学会。
NVIDIA与Agile Robots合作开发的Agile One是一款参考人形机器人，预计明年第一季度交付。它出厂即集成计算机和软件，开箱就能工作。
图 16｜Agile ONE SN 人形机器人：现场演示页标注预计 2027 年第一季度提供。
4、RTX Spark：口袋里的DGX-1
黄仁勋在演讲最后做了一个直观的对比。2016年，NVIDIA发布的DGX-1拥有1 petaflop的算力和128GB的内存，需要两个人才能搬上楼，第一台送给了OpenAI。现在，同样的1 petaflop和128GB，装进了一台可以握在手里的RTX Spark PC。
图 17｜黄仁勋在现场展示 RTX Spark 系列 PC。
这台PC搭载NVIDIA与微软联合开发四年的n1X芯片，是全新的RTX Spark系列产品线。在黄仁勋的框架里，个人计算机的角色变了：从工具变成你的个人智能体和助手。这台电脑需要具备他今天讲的全部五个要素：模型（本地或云端运行）、安全运行时环境（OpenShell）、知识和工具。
对于需要更强算力的用户，黄仁勋展示了搭载RTX Spark的DGX Station：20 petaflops算力、754GB内存，运行Windows，预计年底上市。
黄仁勋指出，开发物理AI需要三台计算机：第一台在云端训练AI模型，第二台是Omniverse数字孪生用来学习和验证技能，第三台是机器人本体上的计算机。演讲最后的现场演示把这三台计算机串在了一起。一个名为Micro Duck的小型机器人，由法国初创公司Pollen Robotics制造，在一台RTX Spark上使用Hermes agent、Nemotron和GPT-6以及Astra模型，配合FreeCAD、Blender和Isaac Sim工具，完成了从3D建模到物理仿真、从虚拟训练到真机部署的全流程。黄仁勋把这只机器鸭子请上台，它当场展示了行走、站起和翻跟头的能力。
图 18｜Micro Duck 机器人在演讲现场登台。
这场GTC Berlin演讲的核心线索：能源驱动计算，计算产出token，token驱动智能体，智能体用工具完成工作。黄仁勋把每个环节都摊开了：从Vera Rubin的芯片级创新，到DSX Pod的供应链改造，到OpenShell的安全架构，到Nemotron的开放模型，到CUDA-X的工具库，再到Hyperion和Agile One的物理AI应用。
对于想参与AI经济的企业，黄仁勋给出的路线图很明确：选一个好的基础模型（闭源或开源），用自己的数据做后训练得到定制模型，用Agent Knowledge Foundation让模型理解企业数据，用CUDA-X给智能体配上专业工具，把整套系统跑在OpenShell的安全沙箱里。他说开发智能体并不难，它由四五个组件构成，关键在于知识和工具，而"这些知识和工具属于你，这是你的专业能力"。
