代理式AI时代，英伟达要掌握的不只是算力

2026年6月1日的台北GTC大会上，NVIDIA CEO黄仁勋给出了一个让全行业震动的宣告：智能体AI（Agentic AI）已经真正到来，实用化AI已经真正到来。
 
黄仁勋用两个小时的密集输出，向全世界展示了NVIDIA如何将自己的角色推向一个更具统治力的王座。从单颗GPU到解耦分布式的Vera Rubin系统，从自研Vera CPU向传统芯片巨头挑战，到联合MediaTek、微软重构PC版图，再到用开源Nemotron 3 Ultra大模型与企业级Agent Toolkit构建生态护城河——NVIDIA早已不再是一家卖芯片的硬件公司，它正在成为AI时代整个硅基世界“计算基础设施”的造物主。
 
 
 
Vera Rubin：从“单颗GPU”到“解耦分布式系统”的范式跃迁
 
半导体行业必须戒掉用“单颗单晶圆芯片”来评估算力红利的旧习惯了。
 
在本次大会上，备受瞩目的下一代硬件主角Vera Rubin宣布加速进入全面量产。面对台下无数试图探寻其算力参数（TFLOPS）的分析师，黄仁勋极其严谨地纠正了市场的行业认知，即Vera Rubin不是一颗芯片，也不仅仅是一个GPU。它是一个从端到端解耦、分布式且异构的超大规模系统。
 
过去，芯片公司提供GPU，服务器厂商做整机，云厂商负责数据中心建设，软件公司开发应用。产业链各环节相对分散。
 
但Agentic AI对系统协同的要求太高了。GPU、CPU、DPU、网络、存储、内存、液冷、机架、电源、软件栈，必须围绕同一个工作负载做联合优化。否则，单点性能再强，也无法转化为稳定的Token产出。
 
因此，Vera Rubin不是简单升级GPU，而是把Vera Rubin NVL72、Vera CPU、BlueField、Spectrum-X、NVLink、DOCA、液冷系统和AI工厂设计蓝图放进同一个架构里。NVIDIA要交付的不是某一块硅片，而是一套从芯片到机架、从网络到软件、从仿真到运维的系统方案。
 
这意味着，NVIDIA正在把产业链的多个环节纳入自己的架构边界。它未必亲自制造所有部件，也未必直接运营数据中心，但它要定义数据中心应该如何建，服务器应该如何连，网络应该如何扩展，软件应该如何部署，AI工厂应该如何计算回报。
 
这就是Vera Rubin的深层价值。它不是产品代际，而是标准雏形。谁定义了AI工厂的标准，谁就掌握了下一轮AI基础设施的议价权。
 
Vera CPU暴露了NVIDIA最关键的野心
 
本次大会最让半导体同行感到“窒息”的，是Vera CPU的正式发布及全面投产。
 
过去行业普遍认为，NVIDIA在Grace CPU上的试水只是为了摆脱x86阵营的掣肘，完成买GPU绑定CPU的商业闭环。然而，Vera CPU暴露了NVIDIA更深层的野心：它不仅要实现AI工厂里的加速计算，还要掌握调度逻辑。
 
过去谈AI算力，GPU是绝对主角，CPU经常被视为配套资源。但Agentic AI改变了这一点。Agent要频繁调用工具、运行代码、访问数据库、处理上下文、管理权限和连接外部系统。越是复杂的Agent，越依赖CPU的低延迟调度、内存访问和核心间通信。这时，CPU 不再只是GPU的辅助，而是Agent loop的指挥系统。
 
黄仁勋说，CPU是指挥家，GPU是管弦乐队。这句话的核心不在比喻，而在权力关系。
 
“过去四十年，全球所有的CPU都是为了人类设计的，人类能忍受毫秒甚至秒级的延迟；但AI智能体毫无耐心，它们生活在纳秒级的世界里。”黄仁勋一针见血。
 
为了彻底根除传统处理器在Token吞吐过程中的“指挥官瓶颈”，Vera CPU摒弃了堆砌核心数的传统做法，将研发准星死死对准了单线程性能、延迟、以及极致的每核带宽：Vera CPU使用NVIDIA Olympus Core，采用单片式裸片设计、宽核心架构、先进的分支预测技术以及第二代NVIDIA可扩展一致性互连架构，从而确保数据在全部88颗核心之间的高效传输。它还支持PCIe Gen 6，采用LPDDR5X内存，内存带宽达到每秒1.2TB，通过第二代NVIDIA NVLink™-C2C互连技术，CPU与GPU之间相干带宽高达1.8TB/s 。
 
Vera相比x86 CPU，峰值内存延迟降低40%，核心到核心通信快50%。在半导体演进步履维艰的当下，5%的提升已属不易，而Vera CPU则在真实工作负载上实现数倍级性能暴涨，是极其罕见的。
 
很值得一提的是，可能很多人以为Vera会攻占x86的市场，但是黄仁勋指出，它不会取代旧市场，这是一个新市场：面向Agent的CPU。而且这个市场一定会比上一个市场更大。原因是，未来Agent的数量会远远超过人类，而且Agent非常没有耐心。
 
“在Grace Blackwell时代，行业曾认为从x86大换血到ARM架构的Grace是极度危险的一跃，”黄仁勋在台上坦言，“但我们以完美的执行力完成了这个转折。如今，随着数以百万计的Vera芯片随Rubin系统一起铺向全球，NVIDIA事实上可能已经演变成了全球最大的CPU制造商之一。”
 
联手微软，Wintel同盟的40年版图重塑
 
数据中心之外，NVIDIA用一颗筹备三年的“核弹”，彻底震碎了PC半导体市场的原有格局。
 
NVIDIA联合微软共同打造了NVIDIA RTX Spark超级芯片。这并非一张普通的端侧加速卡，而是一颗具备全天续航、本地运行“主权智能体沙盒”能力的异构SoC：采用台积电3纳米工艺；拥有20-CoreArm架构的NVIDIA Grace CPU（内含10个最新Arm Cortex-X925超大核与10个Cortex-A725大核），集成高达128GB的统一内存；具备1 PetaFLOP AI性能；为个人智能体打造的Windows PC提供强大动力。
 
这一大招的精妙之处在于其生态兼容性：它为Windows PC打造，支持CUDA生态。
 
这意味着，四十年前由微软和英特尔缔造的“Wintel”传统PC统治生态，在这一刻被微软与NVIDIA联合重写。本地智能体不再是一个只能联网对话的聊天框，而是能够通过OpenShell安全运行时，在断网状态下直接驱动Rhino、Blender等专业工业设计软件，进行自动化光追渲染、自主查错、甚至调用3D打印CAD的“高能数字伴侣”。
 
从联手微星（MSI）推出具备全屋智能指挥功能的迷你主机，到能够直接在桌面上吃下“万亿参数大模型”的适用于Windows的DGX Station终极怪兽工作站（拥有748GB统一内存），NVIDIA正在把算力网络从云端直接抽引到每一个家庭的桌面上。过去40年PC运行应用软件的传统形态，正式转向了由意图（Intent）驱动的智能体计算时代。
 
商业底层逻辑的质变：“买得越多，赚得越多”
 
每次的GTC，黄仁勋在发布会上都反复强调的那句口头禅——“The more you buy, the more you make（买得越多，赚得越多）”。这绝非简单的话术，而是当前AI产业极其残酷的精细化商业逻辑。
 
随着吉瓦（Gigawatt）级别的AI工厂建造成本从200亿美元飙升至800亿~1000亿美元，算力的物理约束已经触及能源天花板。
 
“如果你的数据中心拥有1吉瓦的电力，1吉瓦就是你的物理上限。在这种情况下，每瓦特带来的Token吞吐量就是你的全部营收。”黄仁勋为全球算力买家算了一笔账：AI软件架构每隔几个月就在发生剧烈异变。六年前行业在谈CNN（卷积神经网络），四年前在谈Transformer，随后演进到混合专家模型（MoE），而今天则是智能体系统。
 
如果贪图芯片本身的廉价而选择了生态孤立、架构僵化的硬件，一旦上层软件算法迭代，底层硬件资产将跟不上发展需求。而全球软件开发者的生命周期全部根植于NVIDIA CUDA体系。
 
过去CUDA的核心价值，是绑定开发者。开发者学习CUDA，调用CUDA-X库，把科学计算、图形渲染、数据处理、AI训练和工程仿真迁移到GPU上。但在Agentic AI时代，CUDA-X的角色开始变化。Agent会使用工具。这个工具可以是数据库、浏览器和Python，也可以是用于优化求解、数据处理、物理仿真、计算光刻、量子计算的CUDA-X库。也就是说，CUDA-X 不再只是人类开发者调用的函数库，而会成为Agent可以调用的专业技能层。这意味着NVIDIA的算力资产拥有极长的有效寿命（Useful Lifetime），能够实现最低的总体拥有成本（TCO）。
 
为了保驾护航这种千亿美金级别的超级基建，NVIDIA顺理成章地推出了全新的基础设施蓝图——NVIDIA DSX平台。通过Omniverse，客户可以在动工前虚拟仿真出整座AI工厂的电力、冷却、网络拓扑与系统集成，开机即完美交付。正因为这种全栈集成，CoreWeave、Nebius、GMI Cloud等新兴AI云服务商才能凭借NVIDIA的算力资产实现估值的疯狂暴涨。在2026年的科技产业里，Token已经变成了可直接盈利的货币，算力即是硬通货。
 
通往物理世界的终局之战
 
NVIDIA早早的就在为自己寻找下一个十年增长天花板，它就是物理AI。
 
在NVIDIA看来，物理AI并不是独立支线，而是Agentic AI逻辑向物理世界的延伸。如果一个Agent能理解环境、制定计划、调用工具并执行任务，那么当工具从软件变成机械臂、轮子、方向盘和传感器时，它就变成了物理AI。
 
底层逻辑并没有变：模型理解世界，harness编排任务，工具执行动作，runtime保证安全。
 
区别在于，Physical AI面临的数据难题更大。语言模型可以从互联网文本中学习，视觉模型可以从公开视频中学习，但机器人需要的是第一人称视角、动作轨迹、接触反馈、物理约束和长尾场景。真实世界数据昂贵、稀缺且不可穷尽。
 
所以NVIDIA的路线不是单纯造机器人，而是构建物理AI的数据闭环。Cosmos负责世界模型和物理世界生成，Omniverse提供仿真环境，Isaac提供机器人开发平台，GR00T面向人形机器人策略学习，Alpamayo面向自动驾驶推理规划，Thor则承担端侧计算底座。这套组合说明，NVIDIA想做的不是某一家机器人公司，而是机器人行业的训练场、仿真器和计算平台。
 
这与它在AI工厂中的策略完全一致。
 
在云端，它定义AI工厂；在PC上，它定义本地Agent；在机器人和汽车里，它定义Physical AI平台。不同市场，不同硬件形态，但背后都是同一个目标：把Agentic AI的运行环境纳入NVIDIA的计算栈。
 
结语
 
在当下这个时间节点上，全球AI产业博弈的基本单位已经彻底变了。四年前，行业竞争的基本单位是单颗GPU；两年前，是服务器与万卡集群；而今天，竞争的单位变成了吉瓦（Gigawatt）级别的AI工厂。
 
一旦竞争单位变成AI工厂，NVIDIA的优势就会被再次放大。因为AI工厂需要的不只是GPU，而是CPU、GPU、DPU、网络、存储、液冷、电力、封装、软件、工具链、运维系统和生态伙伴的端到端协同。越是复杂的系统，越需要总架构师；越是昂贵的基础设施，客户越不敢只买便宜零部件。
 
这正是NVIDIA的战略机会。它正在把自己从芯片供应商，升级为AI工厂的总设计方；从GPU公司，升级为Agentic AI的基础设施公司；从硬件卖方，升级为计算产业的规则制定者。这也是为什么传统芯片公司的估值逻辑，已经很难解释NVIDIA。