昨晚（3月16日）老黄在圣何塞又穿着皮衣上台了，两个小时的 keynote 信息量大到爆炸。朋友圈刷屏的都是 Vera Rubin 新架构和 DLSS 5，但说实话，这些对我们写代码的人来说太远了。
我把整场看完，帮大家筛出了 5 个真正跟开发者有关的东西。尤其是第一个，可能会改变你用 AI Agent 的方式。
先说结论
| 发布 | 一句话概括 | 开发者相关度 |
|---|---|---|
| NemoClaw | OpenClaw 的「企业安全版」，开源 | ⭐⭐⭐⭐⭐ |
| Nemotron 3 Super | 120B 参数只激活 12B，1M 上下文，免费 | ⭐⭐⭐⭐⭐ |
| OpenShell Runtime | Agent 安全沙箱，防止 AI 搞破坏 | ⭐⭐⭐⭐ |
| DGX Spark | 个人 AI 超算，128GB 统一内存 | ⭐⭐⭐ |
| cuDF 加速 | Spark/DuckDB/Polars 提速 5 倍 | ⭐⭐⭐ |
1. NemoClaw：OpenClaw 终于有「成年人版本」了
这是整场 keynote 我最兴奋的部分。
用过 OpenClaw 的都知道，它强是真的强，但安全问题也是真的头疼。装个第三方 Skill 你都不知道它会不会偷偷读你的 .env 文件，企业里更不敢随便用。
NemoClaw 本质上就是 OpenClaw + 企业级安全层。NVIDIA 做了这几件事：
- 多层安全护栏：策略引擎控制 Agent 能访问哪些文件、能调哪些 API
- 网络隔离：Agent 的网络请求可以被防火墙策略过滤
- 隐私保护：内置数据脱敏，防止 Agent 把敏感信息泄露给外部模型
- 审计日志：每个 Agent 操作都有完整记录
bash
# 一行命令启动安全沙箱版 OpenClaw
nemoclaw init --profile enterprise
nemoclaw agent start --policy strict关键是：完全开源，硬件无关。不是只能跑在 NVIDIA GPU 上，AMD、Intel 也行。这一点很良心。
目前还是 alpha 阶段，官方也说了"expect rough edges"，但方向绝对是对的。企业用 AI Agent 最大的阻力就是安全合规，NemoClaw 算是给了一个标准答案。
GitHub 地址已经放出来了，感兴趣的可以去 star 一下，后面我会出一篇本地部署教程。
2. Nemotron 3 Super：120B 的脑子，12B 的开销
这个模型的架构设计让我眼前一亮。
Nemotron 3 Super 是一个 Mamba-Transformer 混合架构的 MoE 模型：总参数 120B，但每次推理只激活 12B。什么概念？你用 12B 的算力成本，拿到了 120B 级别的效果。
几个硬参数：
- 1M token 上下文窗口（原生支持，不是外挂 RAG）
- 专为 Agent 场景优化：多轮对话、工具调用、代码生成
- 支持推理（reasoning）、语音、视觉，真正的多模态
最骚的是：OpenRouter 上可以免费用。
python
import openai
client = openai.OpenAI(
base_url="https://openrouter.ai/api/v1",
api_key="your-key"
)
response = client.chat.completions.create(
model="nvidia/nemotron-3-super-120b-a12b",
messages=[
{"role": "system", "content": "你是一个代码审查专家"},
{"role": "user", "content": "帮我 review 这段 Python 代码，重点看安全问题：\n\n" + code}
],
temperature=0.3
)
print(response.choices[0].message.content)我实际测了一下，代码审查场景确实不错，尤其是能结合上下文理解整个项目结构（得益于 1M 的上下文窗口）。推理速度也比想象中快，毕竟只激活 12B 参数。
如果你在国内访问 OpenRouter 不太稳定，也可以试试 ofox.ai 这类聚合平台，改个 base_url 就行，延迟会低很多。
3. OpenShell Runtime：给 AI Agent 套上「安全气囊」
这个发布没有 NemoClaw 那么抢眼，但我觉得同样重要。
OpenShell 是一个 Agent 执行沙箱 。简单说，就是让 AI Agent 在一个隔离环境里跑，就算它想 rm -rf / 也只能删沙箱里的东西。
为什么这个很重要？因为现在的 AI Agent 越来越「自主」了------Claude Code 能直接改你的代码，OpenClaw 能操作你的电脑。如果 Agent 出了 bug 或者被 prompt injection 攻击，后果可能很严重。
OpenShell 的做法：
yaml
# openShell 配置示例
sandbox:
filesystem:
writable: ["/workspace", "/tmp"]
readable: ["/home/user/project"]
blocked: ["/etc", "/root", "~/.ssh"]
network:
allowed_hosts: ["api.openai.com", "api.anthropic.com"]
blocked_ports: [22, 3306, 5432]
resources:
max_memory: "4GB"
max_cpu_time: "300s"这种粒度的控制，对企业部署 Agent 来说简直是刚需。之前我们团队内部也踩过坑------Agent 不小心把测试环境的数据库给 truncate 了（别问我怎么知道的）。
4. DGX Spark：普通人也能有 AI 超算？
老黄这次发布了两款「个人 AI 工作站」：
- DGX Spark：128GB 统一内存，支持 4 台集群
- DGX Station：748GB 显存，20 PFLOPS
DGX Spark 让我比较感兴趣的是价格定位------虽然具体价格没公布，但从「个人工作站」的定位来看，应该比传统服务器便宜不少。
对开发者的意义：
- 本地跑大模型：128GB 统一内存可以跑 70B 甚至更大的模型
- 微调不再需要云 GPU：本地迭代，省钱省时间
- 隐私敏感场景：数据不出机房
不过说实话，对大多数开发者来说，API 调用依然是性价比最高的方案。买一台 DGX Spark 的钱够你调几年 API 了。除非你有特殊的隐私需求或者需要频繁微调，否则没必要折腾硬件。
5. cuDF：数据处理提速 5 倍，Python 开发者狂喜
这个更新比较低调，但对做数据开发的同学来说是实实在在的提升。
cuDF 是 NVIDIA 的 GPU 加速 DataFrame 库，GTC 上宣布了对主流引擎的适配：
- Apache Spark → 5x 加速
- DuckDB → 5x 加速
- Polars → 5x 加速
- Pandas（通过 cudf.pandas）→ 自动 GPU 加速
python
# 零代码改动，自动 GPU 加速
%load_ext cudf.pandas
import pandas as pd
# 以下代码自动在 GPU 上执行
df = pd.read_parquet("huge_dataset.parquet")
result = df.groupby("category").agg({"value": "sum"}).sort_values("value")%load_ext cudf.pandas 这一行就够了，后面的 pandas 代码不用改。这个体验确实丝滑。
踩坑提醒
- NemoClaw 现在还是 alpha，生产环境别急着上。先在个人项目里玩玩，等 beta 再考虑正式用
- Nemotron 3 Super 免费有限制，OpenRouter 的免费额度不是无限的，高频使用建议买个 plan
- cuDF 需要 NVIDIA GPU，没有 N 卡的同学只能眼馋了
- DGX Spark 的 4 台集群模式目前软件支持还在完善中
我的看法
这届 GTC 的核心主题其实就一个字：Agent。
老黄不再只是卖显卡了，他在构建一个从模型（Nemotron）到框架（NemoClaw）到运行时（OpenShell）到硬件（DGX）的 Agent 全栈。这个布局挺清晰的------当 AI Agent 成为新的计算范式，NVIDIA 要做的不只是提供算力，还要提供整个基础设施。
对我们开发者来说，最实际的收益是：
- NemoClaw 让企业 Agent 落地有了安全保障
- Nemotron 3 Super 提供了一个免费且强大的 Agent 专用模型
- OpenShell 让你敢放手让 Agent 干活
如果你正在做 AI Agent 相关的开发，这三个东西值得你这周末花几个小时研究一下。
我是一个独立开发者，日常用各种 AI API 搞些有意思的项目。如果你也在折腾 AI 开发，欢迎关注交流。