编辑：前沿在线 编辑部
10月21日，柏林Tempodrom。黄仁勋照例穿着那件黑皮衣登台。台下除了开发者，还有汽车、制造、医药和通信行业的人。熟悉的开场，接下来却不是大家以为的那场GPU性能秀。
他一口气摆出机架级计算系统、装进集装箱的AI工厂、专门管Agent权限的安全架构，还有汽车、医疗设备和人形机器人。
压轴更出人意料：几只会动的Microduck机器人晃晃悠悠走上舞台。近两个小时，从几百亿美元级别的基础设施讲到手掌大的机器，跨度够大。
但这不是在展台上随手抓几个热点拼盘。黄仁勋想讲的，是一套新的计算秩序：AI不能永远待在聊天框里。
模型要接企业数据，Agent要真正调用工具，机器人还得在物理世界把动作做出来。环环相扣，才是一门完整生意。
也正因此，这次演讲里有个变化特别明显。
GPU当然重要，但黄仁勋谈得更多的，是算力怎么建起来、智能体怎么安全地干活、工业软件怎么接进来，以及真实世界的机器怎么学会行动。把这些线索串起来，才能读懂英伟达的下一步。
以下为前沿在线基于NVIDIA官方演讲回顾与英文记录整理的长篇内容编译稿，按演讲主要脉络呈现。
图1｜2026年10月21日，黄仁勋在GTC柏林主题演讲现场。图片来源：NVIDIA Newsroom
欧洲的 AI 机会：不能只会用，还得能自己造
开场第一道题，有点像跨行业版"找共同点"。欧莱雅、Revolut、Spotify、默克、沃达丰、Zara、保时捷、雀巢、汇丰银行，被黄仁勋挨个搬上屏幕。
美妆、银行、音乐、汽车......你很难把它们归到一个行业里。答案却是同一个：都是欧洲企业，也都在与NVIDIA的AI技术发生联系。
配图｜黄仁勋在GTC柏林演讲，背景展示欧洲合作伙伴。来源：NVIDIA Blog，2026年10月。
黄仁勋还翻出了一段老历史。NVIDIA成立于1993年，早年的NV1等产品就与欧洲制造供应链有交集：法国克罗勒的芯片生产、马耳他的封装，以及德国显卡和工作站市场，都是他提到的往事。
这段讲述提醒现场，欧洲和NVIDIA的关系远不止这一轮大模型热潮。
之后的故事也顺着工业链走：汽车设计、工程仿真、车载计算。NVIDIA一点点进入欧洲企业的研发流程。所以黄仁勋此刻谈"欧洲AI"，不是从一张白纸画未来，而是在一套已经运转多年的工业体系里寻找下一步。
他给出的合作规模也不小。按照NVIDIA披露的口径，过去一年对欧洲相关生态的投资接近100亿美元，合作伙伴超过1.2万家。
此前他还接连到访巴黎、伦敦、斯德哥尔摩和都柏林。数字先记下，更值得看的，是这些投入想落到哪些产业环节。
欧洲手里有大量工程知识、成熟的软件和工厂，还有真实客户。黄仁勋想传递的意思很清楚：到了AI时代，不能光当一个购买AI服务的客户，也得想办法拥有自己的AI生产能力。
随后，那块"五层蛋糕"又出现了。底座是能源，往上是芯片与计算系统、AI工厂等基础设施、模型，最顶端才是应用。
普通用户往往只见过顶层------一个对话框、一款Agent。黄仁勋把镜头往下移：撑着这层体验的，是电网、数据中心、散热、网络和工业制造。哪一层跟不上，最上层再热闹也难长久。
这也是他坚持用"工业革命"形容AI的原因。过去的软件，更多是人写下规则、机器照着执行；今天的模型通过训练获得能力，推理时再不断产出文本、代码、图像和下一步行动。计算中心不只是存放信息的地方，也开始变成持续供给智能能力的设施。
Token就是这套比喻里的"产品"。它当然仍是一个技术与计费单位，但在黄仁勋眼里，AI工厂就是围绕持续生产Token和提供计算服务组织起来的 。上层应用有多少真实需求，底层产能就得跟着调整。
所以说到"主权AI"，重点不是买一排GPU就能宣布完成任务。数据放在哪、谁有权调用、模型能否用本地专业知识继续训练、计算设施能否长期运转，这些才决定一个地区能不能真正参与这门产业。欧洲深厚的制造底子，让它在这件事上有自己的优势。
当然，企业也不必一听"生产AI"就去训练世界最强的通用模型。把行业资料接进来、围绕特定任务后训练、让模型调用已经成熟的专业工具，同样是在形成自己的AI能力。放到经营层面，能否改善原有业务，远比模型名字是否响亮更要紧。
Vera Rubin进入量产：英伟达要卖的不止 GPU
欧洲故事讲完，终于轮到NVIDIA真正的家底。只是黄仁勋今天摆出的，早已不是"一颗新GPU吊打上一代"的单线叙事。他要卖给客户的，是一整座能够稳定运行的AI工厂，以及配套的计算平台。
Vera Rubin、NVLink交换系统、Spectrum-X以太网、BlueField-4()*、Groq 3解码加速器*......产品名一个接一个出现。
单看像硬件菜单，放在一起才看出门道：模型计算、芯片互连、网络、数据访问和安全执行，都得有人接住。AI进入Agent阶段后，任何一个环节掉链子，整体效率都会受影响。
回头看过去几年，行业的关注点变了不止一次。最早比的是训练：GPU集群能不能把更大的模型练出来。后来推理成为主战场，大家开始算每秒多少Token、单位Token要花多少钱，商业模式也由此变得更具体。
Agent又把这条链路拉长了一大截。用户说一句"帮我做完"，背后可能是拆任务、搜文件、调数据库、执行代码、验证结果，然后继续推理。模型不再是答完一句就下班，整套系统反而要一直保持协同。
这样一来，光有理论算力漂亮还不够。模型需要高速内存和互连，不同阶段可能用到不同芯片，调用工具还要依赖CPU、存储和网络。过去大家习惯盯单机参数，现在得看整套系统跑真实任务的本事。
最典型的情况是：模型回答很快，Agent却卡在一个数据库请求上，用户仍然得等。对购买算力的企业来说，最终不是要一张更好看的参数表，而是希望任务跑得完、系统扛得住，账也算得过来。
黄仁勋宣布Vera Rubin进入全面生产阶段，将它定位为服务完整Agent工作负载的新一代计算平台。这句话的重点在"完整"：除了模型推理，编排、工具执行和长流程运行，也开始进入底层架构的考虑范围。
按照NVIDIA的OpenShell资料，Vera Rubin NVL72承担重要的推理计算，Vera CPU接手部分Agent Harness和工具任务，BlueField-4则负责独立的安全执行。可以把它理解成一套分工明确的生产系统：有的负责算，有的负责调度，有的专门守住边界。
训练、后训练和推理并非同一种负载，但客户希望自己的基础设施能够灵活调度，而不是某种需求一变化，机柜就闲着。这是NVIDIA强调系统级平台的重要背景。至于不同任务是否真能高效切换，还得由具体配置与运行数据回答。
黄仁勋现场还抛出一个更具冲击力的量级：1吉瓦级AI工厂，整体投入可能达到约500亿美元。这是用于说明规模的估算，不是所有项目都适用的标价。
别忘了，这笔生意牵涉土地、电网、机房、液冷、网络、芯片、软件和长期运维。让算力真正上线，比买到芯片复杂得多。
因此，衡量NVIDIA不能只看GPU跑分。**CUDA及CUDA-X、网络互连、系统软件、模型和开发工具，正在被打包成一个彼此依赖的平台。**从采购者角度看，这是更完整的交付能力；从行业竞争看，则是更深的生态影响力。
黄仁勋甚至用"设计硅芯片来加速算法"概括NVIDIA的工作。说到底，芯片依然是入口，真正想沉淀下来的，是开发者一旦用了就很难绕开的计算与软件体系。
图2｜黄仁勋介绍Spectrum-X Ethernet硬件。图片来源：NVIDIA Newsroom。
DSX POD：AI 工厂也开始"预制"了
算力系统有了，下一道难题更现实：货到了，厂什么时候能开？在AI基础设施领域，芯片交付不等于算力上线。电力接入、液冷施工、网络调试，任意一道工序延误，昂贵的设备都只能暂时等着。
黄仁勋这次推到台前的，是**DSX POD。**远看像一个集装箱，内里却是一套为Vera Rubin系统准备的模块化AI工厂参考设计。与其说NVIDIA在卖一个"算力箱子"，不如说它在改变AI工厂的交付流程。
合作伙伴可以先在制造工厂完成机架组装、供配电、液冷管路、布线和测试，再把集成好的模块运到部署现场。现场不必把所有工序重新做一遍，而是重点连接现成的电力、冷却、网络设施。传统数据中心项目的一部分施工工作，就这样被搬回了工厂。
数字也随之变得好看。按NVIDIA给出的条件，现场所需基础设施已就绪时，部署时间有望由约六个月压缩到最少14天。
注意，这里的14天说的是现场部署，不包括土地审批、电网接入和全部土建工程。若把它写成"两周建起一座数据中心"，显然会把范围说大了。
不过，即使只看现场部署，这仍然触及了AI投资里很要命的一项成本------时间。设备越早完成集成与验证，越有机会早一天开始服务客户。对于已经砸下巨额资本的运营商，这笔账不难理解。
DSX POD不是NVIDIA单打独斗。Bull、Dell Technologies、HPE、Lenovo、Schneider Electric、Vertiv等企业都在合作生态中。从计算设备到供电冷却，这门生意天然需要一串供应商共同配合。
按照发布时的计划，合作伙伴预计从2027年初开始在全球交付。新闻稿还刻意强调"首次生产Token"的时间点：订单签完、机器搬到现场，都还不算真正赚钱。开始稳定产出可销售的计算服务，才算工厂投入生产。
同时公布的还有DSX平台的节水与能耗目标：在特定设计和比较条件下，冷却用水量最多减少100%，相同AI产出下功耗最高降低30%。这些都是NVIDIA披露的潜在改善口径，不是每座设施都能照抄的统一成绩。
尤其要留意两个词：**最多，以及相同AI产出。不同冷却方案、负载和地理条件下，结果可能相差很多。**对企业来说，这些指标应当进入项目验证清单，而不是先变成一张宣传海报。
但DSX POD真正有意思的地方，也许比"两周"更大。它把AI数据中心的一部分建设过程，改造成类似工业设备的标准化预制：设计可以复用、模块可以运输、扩容可以分批做。
未来谁能把交付、维护和能效一并管好，谁才有机会把"AI工厂"从新概念做成成熟产业。
图3｜黄仁勋在舞台上介绍DSX POD模块化AI工厂。图片来源：NVIDIA Newsroom。
图4｜DSX POD参考设计的集装箱内部结构示意。图片来源：NVIDIA Newsroom。
图5｜NVIDIA DSX平台示意图，展示计算与能源、冷却之间的系统关联。图片来源：NVIDIA Newsroom。
Agent 的"五件套"：只有大模型，真不够
如果说前面都是在讲"怎么造厂"，Agent就是这座工厂打算服务的新主顾。过去一次AI请求，基本是输入问题、得到答案。
换成Agent，用户扔来的是一个目标，后面可能要连续跑好几轮推理，还得和外部工具打交道。
配图｜NVIDIA Agent Toolkit智能体运行框架概念图，展示模型与工具、知识和工作流的协同。来源：NVIDIA Blog，2026年10月。
黄仁勋干脆把Agent拆成了五样东西：Model提供理解、推理和规划能力；Harness负责组织步骤、保存任务状态；Sandbox隔离执行环境；Knowledge让系统能查到外部和企业知识；Tools则负责真正调用软件、做操作。听起来不复杂，却比"一个大模型加个聊天窗口"多了好几层工程活。
这五件套把一个事实摆在了台面上：**智能体能不能干活，不能只靠模型榜单说了算。**模型思路再好，查不到资料、调不动工具、没有执行权限，用户交给它的任务还是没法落地。
另一面也成立。一套稳定的运行框架，加上可靠的知识与专业工具，可能让并非榜单第一的模型完成非常有价值的工作。企业不会因为某个大模型得分领先，就自动把整个业务流程交给它。
拿新材料评估举例。工程师提出目标，Agent先查设计要求、找材料数据，再调用求解器做模拟、比较结果。大模型负责把这些步骤串起来，专业软件仍然负责它最擅长的计算。角色分工比"让AI取代工程师"要务实得多。
软件开发也一样。写出一段代码只是起点，拉仓库、运行测试、看报错、修问题，闭环走通才能算任务完成。Agent越像一个能独立推进工作的助手，背后就越依赖一套稳定的工具和执行环境。
也正因为一次任务会触发多轮模型调用，Agent可能拉高整个系统的Token需求。黄仁勋把它视为下一代计算平台的增长动力，但对客户来说，Token消耗只是过程，不是最终成绩。
企业最后要看的，还是任务成功率、做完需要多久、出了错怎么补救、人工要介入几次、总成本多少。这才是Agent从炫技走向生产力的分水岭。
OpenShell 与 Sentry：给会干活的 AI 加一道"安全围栏"
想象一下：一个AI助手刚才还在回答问题，下一秒就获得了读文件、运行代码、访问云服务甚至操作业务数据库的权限。能力确实上来了，出错的代价也跟着变了。
黄仁勋因此把"安全"提前摆上桌面。**会行动的Agent，不可能只靠一句"请谨慎操作"来管理。**它能接触哪些文件、连哪些网络、使用什么工具，都应当有明确的权限限制与持续监测。
这次亮相的OpenShell，就是围绕这件事设计的参考架构。开源OpenShell运行时提供受策略约束的隔离执行环境，Vera Rubin、Vera CPU和BlueField-4等系统部件分别承担模型计算、Agent任务与安全控制。NVIDIA想把安全能力放进系统底座，而不是留到应用上线再补。
现场视频有个很直白的演示思路：在提示词里写"不要删除文件""不要碰SSH密钥"，并不意味着Agent就真的失去了这些权限。模型有没有听进去是一回事，操作系统究竟允许它做什么，是另一回事。
OpenShell要管的是后者。文件、系统调用、外部网络和密钥都要经过实际策略约束。就算模型判断失误，也应该被挡在它无权跨越的边界之外。对企业而言，这远比一句漂亮的安全承诺有说服力。
具体做法包括：把Agent关进隔离沙箱、把关键凭据留在沙箱之外，由外部监督机制检查敏感访问；策略更新有授权上限，操作也要留下可审计的记录。听上去像传统IT安全，但Agent一旦能在系统间自动跑任务，这些老规矩反而变得更重要。
另一个关键词是Sentry。按NVIDIA介绍，它配合BlueField-4运行在与Agent主机隔离的信任域中，对行为进行监测，发现越界操作时可执行隔离。与其把安全寄托在模型"自觉"上，不如由独立部件来守门。
NVIDIA称相关隔离动作可以在毫秒级完成。这是官方给出的性能和设计口径，真实部署中能否稳定发挥，还要结合权限策略、软件环境与对抗测试评估。
黄仁勋还列出一组平台比较数据：Vera Rubin NVL72在指定Agent负载下每兆瓦吞吐最高提升30倍；Vera CPU在部分x86基准下有性能优势；Sentry也对应特定的Agent承载指标。
这里涉及不同部件与比较条件，不能把这些倍数简单叠加，更不能当成所有企业应用的保证值。
把这些放在一起看，**OpenShell是在补Agent企业化很关键的一块短板。**未来一个组织可能运行成百上千个智能体，它们该读什么、能改什么、出了事谁能追溯，很可能和模型能想出多少招一样重要。
图6｜NVIDIA OpenShell参考架构官方示意，覆盖模型计算、运行环境与安全控制。图片来源：NVIDIA Newsroom。
Nemotron、Cosmos、GR00T：AI 模型开始"分工上岗"
安全问题刚讲完，台上的画风又变了。黄仁勋开始报模型名字，越报越像一支分工明确的队伍。背后思路不复杂：**企业需要的不是一个什么都硬扛的超级聊天模型，而是一组可以根据任务搭配使用的能力。**开放模型、闭源模型、专用模型，都可能有自己的位置。
NVIDIA在GTC柏林发布的开放模型生态主题图。来源：NVIDIA Blog，2026年10月。
这张名单覆盖得相当广。Nemotron面向语言和Agent推理；Cosmos尝试学习物理世界；GR00T服务机器人；Alpamayo瞄准智能汽车；Ising关注量子与经典计算协同；Earth-2围绕地球系统相关AI计算，BioNeMo则继续往生命科学延伸。名字看着多，指向的是完全不同的技术问题。
想想就明白了：**让AI分析一份合同，与让机器人抓起一个杯子，根本不是同一道题。**后者还要面对空间、运动、接触和传感噪声；自动驾驶每天碰到的是不断变化的交通环境；科学模型又要遵守物理和实验约束。强行让一个通用模型负责所有事情，并不一定省钱，也未必更可靠。
语言模型这边，NVIDIA在柏林介绍了Nemotron 3.5 Super VL、Bolt等新版本，检索、嵌入、重排和文档解析等工具也一并扩展。看似是一串细分名称，其实是在补齐企业AI的一条完整工作链。
一份企业资料进来，先得被解析、找到相关内容，再判断哪些结果值得送给语言模型；如果涉及业务预测，还需要处理结构化数据的模型。这些步骤都由Agent串起来。与其追问"哪个模型最强"，不如追问"哪些模型能把这件事一起做好"。
轮到Cosmos，任务更难。机器人和汽车需要理解的是物体怎样移动、接触会发生什么、环境会如何变化。**真实数据昂贵，有些危险或罕见情形更难反复采集。**世界模型和合成数据因此有了位置：让训练覆盖更广的物理情境。
NVIDIA同时介绍了Cosmos Data Factory，围绕数据整理、标注、生成和评估搭建工作流。但数字世界再丰富，终究不能代替真实测试。一个模型在仿真里表现漂亮，不代表机器走进工厂就能稳稳完成任务。
更远的边界也被摸到了。RFD4-Proteina尝试服务蛋白质设计，Ising面向量子处理器校准和纠错相关工作。这些领域的评价体系和聊天模型完全不同，是否好用，最终得由专业实验与研究数据说话。
对于企业，黄仁勋给出的路径是从开放模型起步，用自己的数据和任务继续适配，而不是每家公司都从零练一个底座。不过，"开放"也有边界：权重、许可证、商用条件、数据合规得一项项核实。真正让模型懂行业的那一步，终究要靠企业自己的知识和业务场景。
让 AI 真正读懂企业：Nemotron 与 Kumo 各有一手
很多公司已经把成堆PDF接进了大模型。提问，能答；做摘要，也能答。可一旦让它判断哪张订单会受供应商延期影响，哪些客户需要优先通知，AI突然就没那么神了。
原因并不神秘：企业里真正重要的知识，不只有文档，还有订单、库存、客户、产品之间错综复杂的关系。
企业AI知识系统：从数据接入、Nemotron解析与检索、Kumo预测到Agent应用。
前沿在线根据NVIDIA GTC Berlin 2026发布技术原创绘制，非NVIDIA官方架构图。
黄仁勋给这层能力取了一个名字：Agent Knowledge Foundation。它不是另一个万能聊天模型，而是一组帮助Agent读取企业文档、连接结构化数据库的模型和软件库。
**先解决文档。**Nemotron Parse把材料解析出来，Embed负责将查询和知识组织成可检索表示，Rerank再把更相关的结果往前排。
这样，Agent至少有机会找到真正需要的那份资料，而不是在海量文件里随手抓几段话拼答案。
但供应链、销售、运营还需要另一种能力：预测。Kumo面向表格、关系和时间序列数据，尝试从业务记录里找出规律，让Agent不只回答"现在发生了什么"，还能够辅助分析"接下来可能发生什么"。这时，光靠文档搜索就不够了。
Auto-Ontology解决的则是基础但很实际的一关。数据库里原本是一堆字段，它试着把这些字段翻译成客户、产品、订单等业务对象，并建立彼此之间的关系。没有这层组织，AI连数据说的是什么都可能弄错。
现场举的例子很贴近企业日常。一家供应商发来通知，说某种零件要延期；通知是邮件或PDF，订单和库存却在SQL数据库里。Agent得先读出延期的品种和时间，再找哪些订单受影响、哪些客户可能被波及，接着翻工程资料和替代料清单。
一次任务从非结构化文档跑到关系数据库，再到预测与技术文件，远不是"把PDF上传给AI"那么简单。
关键变化不是AI知道得更多，而是开始能把散在不同系统里的信息串成行动线索。当然，预测不会自动变成确定事实。涉及换料、调整生产、安排资金等决定，仍然得有人负责核对。
对企业而言，能帮忙做判断、又知道何时该交还给人，才是有价值的Agent。
CUDA-X：AI 会用工具，比只会聊天更重要
接下来黄仁勋聊的，不是什么新鲜名字，而是NVIDIA攒了二十多年的老本行------CUDA-X。它不像新GPU那样上镜，但工程师熟得很：科学计算、仿真、数据处理、视觉和数值优化，背后都有各种加速库在默默干活。开发者不用每次都从底层写一套GPU程序。
CUDA-X相关cuDSS结构仿真可视化，展示工程求解场景。来源：NVIDIA Blog，2026年10月。
NVIDIA在演讲中披露，计算平台开发者已经超过1100万。这个数字说的是生态规模，不代表所有人都在用同一款工具。但黄仁勋想证明的东西很明显：未来Agent频繁调用的软件，很多早就建立在NVIDIA的计算生态上。
这也是一个经常被忽略的产业角度。Agent再聪明，最终做事仍得调用真实工具。谁手里有成熟的工具箱，谁就更容易成为那条任务链里的基础设施。模型公司不一定能包下整条价值链。
比如让模型解释空气动力学，文字可以说得很漂亮。但真的要计算升力和阻力，还是得调用经过验证的求解器。工程师要的不是一篇解释空气动力学的文章，而是可以得出可信计算结果的工作系统。
更合理的分工是：模型理解需求、准备参数、组织计算任务、解释结果；专业工具执行严格的数值求解。对那些已有几十年工程积累的软件来说，Agent反而可能成为新的入口，而不是一个取而代之的对手。
创作领域也是同样的道理。做图像、建三维模型、处理视频、渲染画面，各有自己的算法和工具链。有些环节适合生成模型，有些仍然要靠传统图形流水线。让Agent把它们串起来，用户就有机会从"挨个操作软件"转向"提出目标、检查结果"。
不过，舞台上一条指令顺畅跑完，不代表工程系统就可以直接上生产。工具版本有没有调对、参数有没有越界、计算失败怎么恢复、结果能不能重现，这些问题一个都绕不开。软件工程最难的那部分，并不会因为接入Agent就自动消失。
所以黄仁勋在开放模型和知识之后谈CUDA-X，很有意味。模型负责判断，知识提供依据，工具负责干活。
NVIDIA原本服务人类程序员的加速计算生态，正在试着变成Agent时代可直接调用的底层能力。
九、从实验室到工厂：三段演示，看 Agent 怎么干活
讲了这么多架构，观众也该看看Agent究竟能干点什么。于是视频切出三个现场：实验室、工厂、工程设计平台。
地方完全不同，任务却有个共同点------不是让AI在对话框里回答问题，而是让它动用专业知识和工具，推动真实工作。
NVIDIA官方工业AI案例拼图，包含西门子工厂、工程仿真及机器人数字孪生。来源：NVIDIA Blog，2026年10月。
第一站是Lila Sciences。视频展示的是一项潜在B细胞淋巴瘤疗法的研究任务：AI参与提出研究假设、进行虚拟实验探索，再与自动化实验室衔接。
这已经不是让模型写一份药物研发方案，而是把文献、专业计算、实验安排和反馈组织成一个过程。
当然，实验流程演示和临床疗法是两回事。候选假设要经实验验证，药物效果和安全性更要经过严格的研究与临床程序。这里最值得关注的，是AI能否把科研人员从繁重的信息整理与重复试验安排中解放出来，缩短从猜想到证据的距离。
镜头来到第二站：西门子位于德国埃尔兰根的工厂。团队准备为新产品安排量产，Agent先帮忙在数字孪生环境里测试方案。
工厂改一条线，影响的可能是设备节拍、人员动线、产线协调与安全；不像网页上的设置，点错还能立即撤回。
数字孪生的作用就变得具体了。把设备动作、布局和工艺流程先搬到虚拟世界，换一种方案试一试，再决定现实中怎么部署。
Agent不是取代车间工程师，而是帮助他们把设计数据、仿真模型和生产计划更快联系起来，少在软件和部门之间来回搬信息。
第三站是达索系统。工程Agent可以辅助调整汽车设计，再把方案送进仿真。汽车研发里，造型、结构、重量、热管理、气动性能都互相牵连，一项改动常常会引出另一串工程问题。
这也是为什么"AI帮我生成一个设计"远远不够。真正难的是让每次修改进入可靠求解流程，拿到能复核的结果，再由工程师决定下一步。Agent在这里是组织者，不能把未经验证的模型建议直接当成工程结论。
把三个场景连起来看，一端是实验室里的科学假设，一端是车间量产和工程设计。**它们证明的不是AI已经接管专业工作，而是AI开始有机会进入这些工作流程。**能不能长期稳定运行、提高多少效率、花多少钱，仍然得靠真实项目说话。
还有一层B端意义。企业未来采购的可能不只是模型调用量，而是一整套能连起PLM、ERP、MES、仿真平台和知识系统的工具链。
数据接口在谁手里、结果可不可信、安全责任怎么划分，这些看似不够性感的问题，很可能比模型演示更影响订单。
诺基亚与 T-Mobile：GPU 开始"打电话"了
讲到这里，黄仁勋突然把GPU拉进了一个平时不太会被放进GTC主角名单的地方：通信基站。它们早就铺满城市、道路和社区，连接人、设备和传感器。
如果未来有一部分AI计算也能靠近这些节点运行，基站就不再只负责把数据送来送去。
NVIDIA Aerial CUDA加速RAN软件与硬件平台架构图，为技术文档示意，非柏林大会现场实拍。来源：NVIDIA Documentation。
NVIDIA这次介绍了与诺基亚及运营商推动AI原生无线接入网（AI-RAN）的进展，称合作方在T-Mobile网络上完成了首次商业通话演示。通信和AI计算，开始被放在同一个技术平台上讨论。
黄仁勋现场用了句很上口的话："现在，CUDA可以打电话了。"听着像玩笑，背后却是通信协议、无线信号处理开始与GPU加速计算直接结合。它要改变的，不只是运行某个AI应用的方式。
无线网络的老难题其实一直在：信道复杂、干扰变化、用户不断移动，频谱和资源怎么调度都很讲究。AI可以与传统数字信号处理配合，尝试优化部分环节。但这不是把聊天模型塞进基站那么简单，通信系统有自己的实时性和可靠性门槛。
一次通话演示当然值得关注，却离大规模部署还有距离。商业网络要面对全天候运行、复杂环境和严格运营指标，能演示与能长时间稳定服务，仍是两道不同的题。
另一条路线更有想象空间：分布式AI计算。网络节点如果同时承担通信和部分计算工作，工业传感、实时视频分析等任务就可能更靠近数据源处理。
但机房不是越小越灵活，功耗、散热、安全、维护和真实需求都会限制部署方式。基站也不能简单等同于一座缩小版数据中心。
黄仁勋还用十万个站点的大规模网络帮助观众想象这种分布式覆盖能力。这是潜在场景的描述，不代表十万个站点已经部署同等规模AI算力。
真正值得观察的是：运营商会不会从单纯提供连接，逐步尝试提供靠近用户和设备的智能计算服务。
从影像到放疗：物理 AI 走进医疗现场
从通信网络切出来，黄仁勋又把AI带进了医院。这一段说的是NVIDIA与西门子医疗在AI驱动放射治疗上的开发合作。和写一份病历摘要相比，这件事要棘手得多：设备、患者身体、肿瘤位置、实时影像和治疗计划，必须在一个高精度流程里协同。
西门子医疗既有放射治疗AI自动勾画工作流示意，仅用于解释临床场景，非本届NVIDIA合作项目现场图。来源：Siemens Healthineers。
难就难在人体不是静止的。人会呼吸，姿势会变化，内部组织也会运动。自适应放疗希望利用实时感知与影像信息追踪这些变化，再在安全约束下调整治疗过程。黄仁勋把它放进物理AI版图，正因为系统面对的是持续变化的真实环境。
按演讲介绍的技术构想，Nemotron智能体帮助协调部分治疗规划流程；Isaac for Healthcare和Omniverse用于构建设备及解剖结构的数字孪生；Holoscan与IGX Thor则连接实时影像和传感数据。
不是让一个聊天模型"决定怎么治疗"，而是让多套专业系统协同完成高精度任务。
这一幕也让物理AI的要求变得非常直观。写错一段回答可以撤回，医疗设备的动作却必须经得起严格验证。系统不仅要理解目标是什么，还得知道它在哪里、发生了什么变化、哪些操作被允许，以及如何确认执行结果。
边界同样得讲清楚：NVIDIA展示的是合作开发方向，不能据此认为相关系统已经在所有地区拿到临床许可，更不能把舞台演示直接视作疗效证据。能否进入实际治疗，需要医疗机构和监管体系完成各自的验证。
回头看前面的科学实验，再看这里的治疗场景，技术逻辑其实是一条线：AI接入数据和专业工具，参与复杂流程，再通过实验或物理系统接受检验。对于NVIDIA，加速计算与模型工具链有了新的使用场景；对于行业，真正的门槛始终在可靠性和安全性。
Hyperion：英伟达的自动驾驶"朋友圈"又扩大了
汽车终于来了。NVIDIA做车载计算已经不是一年两年，从早期座舱业务到DRIVE平台，黄仁勋始终想让更多车企把计算底座建立在NVIDIA之上。这次柏林演讲，只是把这条路线往更复杂的自动驾驶场景推进了一步。
黄仁勋展示的不是简单的"GPU上车"。车载计算、传感器、模型、仿真工具和安全软件被放进同一套开发体系，目标是让车企能围绕统一平台开发自动驾驶和Robotaxi能力。
欧洲车企采用NVIDIA Hyperion平台的官方发布资料图。来源：NVIDIA Newsroom，2026年10月。
这里的核心名字是DRIVE Hyperion。它把车载计算与传感器等组件组织成参考架构，帮助不同车企减少底层系统的重复开发。对一家汽车公司来说，能少走一些硬件和基础软件的弯路，才有更多精力留给整车验证和用户体验。
但别把采用平台和实现自动驾驶画等号。兼容Hyperion、使用其中某些组件、接入相关软件，与拿到L4商业运营许可，隔着大量开发和验证工作。车型合作名单再长，也不能直接换算成已上路的无人车数量。
黄仁勋提到Bolt与Lucid，以及梅赛德斯-奔驰、大众汽车商用车、Einride等伙伴的相关规划。名单横跨乘用车、商用物流和出行平台，正好说明NVIDIA希望这套计算技术能进入不止一种车辆形态。
但车和车的工作方式并不相同。乘用车、货运车辆与出行平台所面对的道路、运营约束、控制要求和验证周期差别很大。统一平台能复用部分计算能力，却无法替客户省去所有场景开发。
官方还介绍了捷豹路虎、沃尔沃汽车和梅赛德斯-奔驰等下一代车型与Hyperion的兼容安排。沃尔沃的规划涉及Hyperion及Alpamayo Stack方向，探索更安全的驾驶辅助。这里的Alpamayo指向自动驾驶推理、软件开发和验证体系，而不是单独一个模型名。
真实道路比展示视频复杂得多。临时施工、道路标识模糊、行人突然改变动作，这些情况很难全部写成固定规则。自动驾驶系统要持续感知、预测、规划并控制车辆。学习模型的重要性在上升，但传统算法和安全约束仍然不可或缺。
仿真正是补这块难题的重要工具。研发团队可以在数字环境里反复重现高风险或罕见场景，观察系统表现，再修正方案。但仿真终究不能替代现实世界，车辆还得经受真实道路测试、功能安全与运营验证。
NVIDIA很清楚自己的位置：它不必自己造遍所有汽车，也不需要亲自运营Robotaxi车队。它更希望各家车企采用共同的计算平台和开发工具，把生态规模做起来。
车企则继续掌握整车、制造、服务、驾驶策略与商业运营。最后谁能赢，不能只看平台宣传页有多少合作Logo，还得看经过验证的车辆最终能在道路上跑得多稳、跑得多广。
31 自由度 Agile ONE SN：给机器人研发搭一套底座
车能自己跑之后，下一站自然是机器人。不过，人形机器人比汽车麻烦得多。汽车通常沿道路移动，机器人却要在不规则的环境里走路、转身、拿取物体，还得面对接触、摩擦和多关节协调。光让模型"想明白"，距离机器真的能完成动作，还差不少工程环节。
柏林这次出现了一个具体平台：思灵机器人（Agile Robots）的Agile ONE SN人形机器人参考平台，技术底座包含NVIDIA Isaac GR00T、Jetson Thor等。它被摆上舞台，不只是展示一台人形机器的外观，更是要说明研究团队可以从一套现成平台出发开展开发。
规格也很实在。按照官方介绍，Agile ONE SN高1.40米、重40公斤、全身31个自由度，单臂负载3公斤；双手采用WUJI Hand 2，每只五指手具备20个自由度，并配有触觉感知与1kHz力控制。机载Jetson Thor公布的算力为2070 FP4 TFLOPS、128GB统一内存。
项目预计2027年初推出，目标是把研究人员搭建实验平台的时间从数周缩短到数天。这些是官方的规格与目标，算力口径不能跨精度直接比较，时间改善也还不是所有团队的实测结果。
为什么要强调"参考平台"？做过机器人开发的人并不陌生：传感器怎么接、软硬件接口怎么通、数据怎么采、基础控制怎么跑，常常会消耗大量时间。研究算法的人，先得花几周把机器弄到能正常工作的状态。模块化平台至少希望把其中一部分重复劳动省下来。
在NVIDIA给出的工作流里，Isaac Capture负责数据采集，GR00T提供机器人模型能力，Isaac Lab服务仿真训练，Isaac OS承担运行时，开放数据集为开发者补充训练材料。团队可以先在数字环境里构建任务，再将策略拿到真实机器上测试。整条链路是一个体系，不是某个模型单独包办。
生态合作名单包括思灵机器人、Figure、KUKA、NEURA Robotics等。这也说明NVIDIA的打法是平台化：它希望让不同机器人公司使用相关开发工具，而不是自己生产所有机器人。实际项目仍需要解决硬件接口、数据归属、模型迁移和运营成本。
仿真当然重要，甚至可能改变机器人的数据供给方式。但一旦落到现实地面，摩擦、光照、传感器误差和机械磨损就会找上门。**模拟得再逼真，也得通过真实测试把差距一点点补上。**规模化应用还要经受长期稳定性和维护成本的考验。
因此，Agile ONE SN值得关注的不是孤立的31自由度，而是这套"数据---模型---仿真---运行时---硬件参考"的研发链路。NVIDIA在GPU时代凭CUDA构建开发者生态，如今也想把类似的方法带进物理AI：让更多团队从共同底座出发，把时间留给真正有差异的技术和场景。
图7｜NVIDIA Isaac机器人平台整体示意。图片来源：NVIDIA Newsroom。
最后的彩蛋：一台 RTX Spark，四只 Microduck
眼看两小时的演讲要收尾，黄仁勋突然把镜头从吉瓦级AI工厂拉回桌面。他举起一台RTX Spark个人AI计算机------前面讲的还是大型集群，这会儿却只需要一只手。
NVIDIA此前一周发布这款设备，希望把RTX图形与AI计算能力带到更贴近个人开发者的地方。
接着他翻出一段旧事。2016年，他曾向当时还很小的OpenAI交付DGX-1。那台系统的演讲介绍口径是约1 Petaflop计算能力、128GB统一内存，当年搬上舞台还需要两个人一起抬。
十年后，现场展示的RTX Spark也被描述为1 Petaflop级能力和128GB统一内存，体积却小到黄仁勋可以单手举起。这是全场很有画面感的一次对比：过去占据大量空间的部分计算能力，正在向个人设备下沉。
不过，这里的"1 Petaflop"绝不能机械地当成完全等效。新旧设备的计算精度、芯片架构、软件环境和负载都不同。黄仁勋要讲的是单位体积计算能力的变化，而不是两台机器在任何任务下性能都一模一样。
小电脑展示完，屏幕上出现了Hugging Face的Microduck。视频演示了一条机器人开发链路：Agent在Isaac Sim里创建环境与训练场景，把训练任务提交云端，再将学到的策略带回RTX Spark评估，最后部署到真实机器人。桌面设备、云端算力、机器人硬件，就这样被一条工作流接上了。
然后，四只Microduck真的走到了舞台上。它们按指令坐下、站起、休息，黄仁勋也跟着互动。前面动辄是上百亿美元的基础设施，到了最后却由几个小家伙收尾，现场的节奏一下轻了不少。
别只看它们有多可爱，真正有意思的是背后的训练方式。个人电脑负责开发和测试，大规模训练交给云端，仿真里学到的技能再回到机器上验证。不同规模的计算资源各干各的活，形成一条连得起来的链路。
对开发者来说，本地算力有助于处理私有资料、测试模型和减少部分云端依赖，但内存、功耗、散热仍是现实约束。云端也不会因为个人电脑变强就消失。黄仁勋用这个演示，把之前讲的AI工厂、模型、Agent、仿真和物理世界，重新串成了一个完整故事。
图9｜黄仁勋展示RTX Spark个人AI计算机，与历史上的DGX-1形成对比。图片来源：NVIDIA Newsroom。
图10｜Microduck机器人在GTC柏林舞台的演示。图片来源：NVIDIA官方博客
这一次，英伟达想定义的不只是 GPU
从第一张欧洲企业名单，到最后的Microduck，黄仁勋一路讲了算力、数据、工具、工业和机器人。表面上看新品很多，真正变化的却是NVIDIA讲述自己的方式：GPU仍是根基，但舞台中央已经站上整座AI产业链。
第一层生意是计算本身。 Vera Rubin和DSX POD试图让AI工厂更强、更快上线；第二层是软件与模型， CUDA-X、OpenShell、Nemotron和企业知识工具链让开发者继续围绕平台做应用；**第三层则落到工业现场，**让通信、汽车、医疗、机器人去消化越来越多的智能计算。
但不能因为黄仁勋把路线图画得完整，就觉得所有行业已经沿着这条路跑通。工业软件有自己的多年积累，汽车需要长期安全验证，机器人还在寻找稳定可复制的落地场景。NVIDIA可以提供底座，却无法替每家企业解决所有现实问题。
越往真实生产世界走，越不能只拿模型榜单或一次现场演示评判成败。可靠性、接口、成本、维护、责任分工，甚至客户原有的组织流程，都会变成技术落地的门槛。这些不够上镜的细节，才是未来几年真正要拼的地方。
黄仁勋这次传达出的方向已经足够鲜明：模型能力会继续进步，但下一阶段的竞争，越来越取决于模型能否进入实际工作、Agent能否持续执行、智能能否和物理设备连接。十年前NVIDIA推动GPU走向通用加速计算，如今又想让自身平台走进更多行业系统。
前沿在线认为：GTC柏林站传递出的信号很明确，英伟达正在把GPU时代积累的平台优势，向工业AI和物理世界复制，而未来产业链的话语权，可能越来越取决于谁掌握底层技术生态。
演讲的结尾甚至搞了一场模仿欧洲歌唱大赛（Eurovision）的音乐谢幕。四只Microduck在旁边，OpenShell、BlueField上的Sentry、机器人仿真被写进了带点自嘲意味的歌词。萨克斯之后，全场唱起"We are Europa"。对一场硬核技术发布会来说，这种收尾挺少见。
但它恰好与开场呼应。演讲从欧洲工业传统起笔，途中越讲越像NVIDIA的全栈平台路线图，最终又把故事落回欧洲企业与开发者。黄仁勋想让这些人相信，未来的AI不仅要被消费，也能在这里被建设、被使用、被验证。
看完这近两个小时，再回头看那些机架、集装箱、沙箱、汽车和小鸭子，就没那么割裂了。它们都在回答同一个产业问题：当智能可以被大规模生产，也可以被软件和机器随时调用，下一代计算平台的主导权会掌握在谁手里？
*本文为前沿在线独立编译整理稿，部分行业解释和判断为前沿在线编辑分析。
参考资料
1：NVIDIA官方中文演讲回顾（2026-10-21）https://blogs.nvidia.cn/blog/gtc-berlin-2026-keynote/
2：NVIDIA GTC Berlin 2026官方新闻资料与图片包 https://nvidianews.nvidia.com/online-press-kit/gtc-berlin-2026-news
3：英文演讲记录参考 https://stockanalysis.com/stocks/nvda/transcripts/679541-gtc-berlin-2026-keynote/
4：官方主题演讲入口 https://www.nvidia.cn/gtc/berlin/keynote/
END -