英伟达 CEO 黄仁勋身穿标志性黑色皮衣，出现在 CES 展会前的英伟达特别演讲现场。作为 2026 年的首场公开活动，这次演讲信息量极大：不仅公布了 Blackwell、Rubin 两代架构芯片的最新进展，还第一次系统性展示了 Rubin 平台的六款核心芯片及其详细性能参数。
除了硬件升级，黄仁勋还把“物理 AI”推到了台前，宣布面向自动驾驶和机器人分别开源一款 VLA（视觉-语言-行动）模型，加速自动驾驶、机器人等物理世界应用的落地。
Vera Rubin 平台量产在即：推理性能跳跃 5 倍
作为英伟达新一代 GPU 架构，Rubin 的量产进展一直备受关注。早在去年 10 月的秋季 GTC 大会上，英伟达就首次亮相了 Vera Rubin 超级计算平台。与其说是单独升级一颗 GPU，不如说是发布了一整套“全栈协同”基础设施：
Vera CPU、Rubin GPU、NVLink 6 交换机、ConnectX-9 SuperNIC、BlueField-4 DPU 与 Spectrum-6 以太网交换机六大核心芯片从计算、网络到存储与安全进行了系统性重构。
Vera CPU：为超大规模 AI 场景定制
Vera CPU 基于定制 Arm v9.2 架构（代号 Olympus），面向大规模 AI 工作负载设计：
88 个高性能定制核心，支持 NVIDIA Spatial Multi-Threading，可同时运行 176 线程
搭载 162MB L3 缓存，在数据处理、压缩和 CI/CD 等任务上，相比 Grace CPU 性能提升约 2 倍
采用 3NP 先进制程，集成约 2270 亿晶体管
支持最高 1.5TB LPDDR5X 内存，通过 SOCAMM 技术提供约 1.2TB/s 内存带宽，是上一代 Grace 平台的 3 倍
在异构协同方面：
内建 1.8TB/s NVLink-C2C 一致性互联通道，可与 Rubin GPU 低延迟共享数据
单颗 Vera CPU 最多可高效驱动 4 颗 Rubin GPU
内置机架级机密计算能力，对多租户 AI 云服务提供硬件级安全隔离
用于推理任务调度、GPU 数据供给和多节点协同管理等场景，整体能效比上一代提升约 40%，推理响应加快约 50%
Rubin GPU：AI 算力核心的全面升级
Rubin GPU 是整个平台的算力中心：
集成约 3360 亿晶体管，采用双 Reticle 大芯片设计
配置 224 个 SM 单元，第六代 Tensor Core，第三代 Transformer 引擎
在 NVFP4 精度下推理算力可达 50 PFLOPS，是上一代 Blackwell 的约 5 倍
FP8 精度训练算力达到 17.5 PFLOPS，相比前代提升约 2.5 倍，可轻松应对万亿参数模型与 MoE 架构训练和推理需求
显存与带宽方面：
标配 288GB HBM4 显存
Ultra 版本最高支持 1025GB HBM4E，显存带宽可达约 22TB/s，相比 Blackwell 的约 8TB/s 提升超过 1.7 倍
搭配硬件自适应压缩，可在不显著牺牲性能的前提下减小约 30% 显存占用
互联与能耗方面：
单 GPU NVLink 带宽约 3.6TB/s，可实现全对全拓扑互联，适合大模型并行训练
标准版 TDP 约 1800W，Ultra 版约 3600W
支持 45℃ 温水液冷方案，散热效率提升约 60%，单位算力功耗下降约 40%，折算下来每 PFLOPS 能耗约 42W，更利于大规模 AI 集群部署
NVLink 6 交换机：机架内 GPU 高速互联
NVLink 6 交换机是 Rubin 平台机架内部 GPU 通信的枢纽：
单 GPU 双向互联带宽可达 3.6TB/s，相比上一代翻倍
带宽约为 PCIe Gen 6 的 14 倍以上
在 Vera Rubin NVL72 机架配置中，可实现 72 颗 GPU 全对全无阻塞互联，总带宽约 260TB/s，较前代机架提升逾 70%
ConnectX-9 SuperNIC：智能网卡与双模网络
ConnectX-9 SuperNIC 是 Rubin 平台的智能网卡：
支持 InfiniBand 和以太网双模
单端口速率 800Gb/s，单卡总吞吐最高可达 1.6Tb/s，相比 ConnectX-8 提升约一倍
兼容 InfiniBand HDR200 与以太网 400G
支持 RoCE v3，RDMA 延迟压缩至约 0.8μs，较前一代降低约 20%
芯片与功能：
集成约 230 亿晶体管
内置可编程 IO、网络内压缩、基于遥测的拥塞控制与线速 AES-256 加密
新增 AI 任务优先级调度，拥塞控制效率提升约 40%
与 Spectrum-X 以太网和 Quantum-X800 网络平台适配良好
每 Gb/s 功耗约 0.3W，能效提升约 50%，MTBF（平均无故障时间）约 200 万小时，适合 AI 工厂与云平台的超大规模部署
BlueField-4 DPU：安全与存储中枢
BlueField-4 DPU 集成计算、网络和存储三大职能：
内嵌 64 核 Grace CPU（Neoverse V2 架构）
FP8 算力约 8 TFLOPS，相比 BlueField-3 提升约 5 倍
网络能力提升约 2 倍，支持 800Gb/s 端口速率，兼容 InfiniBand 与以太网
网络延迟压缩到约 1.5μs，比上一代降低约 30%
可卸载约 90% 的存储与网络负载，显著减轻主机 CPU 压力
存储与内存：
支持最高 1.5TB LPDDR5X，内存带宽约 250GB/s，相比前代提升逾两倍
兼容 NVMe-oF 与 SATA，存储 IOPS 提升约 3 倍
Spectrum-6 以太网交换机：机架间超级互联
Spectrum-6 是 Rubin 平台跨机架网络的核心：
采用 CPO（共封装光学）技术，支持 200G 硅光模块
单芯片交换容量约 102.4Tb/s，相比前代翻倍
端口密度显著提高：可提供 128×800Gb/s 或 512×200Gb/s 端口，基本实现端口密度翻倍
在 NVL72 配置下：
机架间互联带宽可达约 260TB/s
端到端延迟约 2.5μs，比前代缩短约 30%
有效带宽利用率可达 95%
集成 AI 流量调度与动态负载均衡，可将 AI 任务网络抖动减少约 40%，应用整体运行效率最多提升数倍
六芯片协同：从“堆硬件”到全栈系统设计
Vera Rubin 平台的优势不只体现在单颗芯片性能，而在于六款芯片的整体协同。通过在计算、网络、存储、安全等层面一体化设计，英伟达声称：
AI 推理的每 Token 成本可下降约 10 倍
训练混合专家（MoE）模型所需的 GPU 数量最多可减少约 75%
这类全栈优化，主要面向两类关键场景：
一类是代理式 AI 的长时推理与工具调用，另一类是物理 AI 的大规模仿真与在线推理。
黄仁勋特别强调，Vera Rubin 的目标是应对 AI 计算需求“几乎以每年 10 倍速度增长”的现实。他直言，传统意义上的摩尔定律已经难以跟上模型体量扩张，只有通过从芯片到网络、再到系统软件的整体重构，才能让“让 AI 多算一会儿”在成本上仍然可以接受。
目前，这六款 Vera Rubin 平台核心芯片都已从代工伙伴处回片并进入测试阶段。按计划，平台产品会在 2026 年下半年率先在 Azure、CoreWeave、AWS 等云服务中上线部署。
AI 重心迁移：从“生成式”到“推理 + 物理 AI”
在这场演讲中，黄仁勋给 AI 行业的转向做了一个清晰划分：
从“生成式 AI”到“代理式 AI（Agentic AI）”：模型不仅生成文本或图片，而是具备自主推理能力，能做规划、分解任务，并调用外部工具和服务。
从“数字 AI”走向“物理 AI”：让 AI 理解真实世界的物理规律（例如重力、惯性），并能在现实环境中执行任务。
他提到，英伟达在物理 AI 方向已经默默布局了 8 年，此次则集中释放了一批相关技术和模型。
面向自动驾驶的 Alpamayo：开源 VLA 推理模型
在自动驾驶领域，英伟达发布了名为 Alpamayo 的开源 VLA 推理模型，这是号称“全球首个开源视觉-语言-行动自动驾驶推理模型”。
其特点包括：
引入链式推理（Chain-of-Thought）能力，不再只是被动响应传感器数据
能在复杂路况中理解因果关系，例如紧急变道、避险时机等决策逻辑
支持对自身决策过程做出解释，兼顾可解释性与安全性
配套的还有：
AlpaSim 高保真仿真框架，用于大规模虚拟路况与边缘情形模拟
约 1700 小时的开源驾驶数据集，为训练与验证提供闭环数据支撑
黄仁勋同时公布，首款采用英伟达全栈自动驾驶方案的梅赛德斯-奔驰 CLA 车型，将在 2026 年一季度于美国上路，这被视为“推理型自动驾驶 AI”真正进入消费场景的标志性事件。
面向多领域的 AI 家族：Nemotron、Cosmos、Clara
除了自动驾驶，英伟达在此次演讲中还提到一系列针对不同场景的模型：
Nemotron：主要面向逻辑推理与复杂任务执行的 Agent 模型，可用于多步骤规划和工具链编排。
Cosmos：聚焦物理规律和环境交互的“物理 AI”模型，使系统更好地理解真实世界的动力学与接触行为。
Clara：面向生物医药研发与医疗影像分析的模型与工具链，为药物研发和临床应用提供 AI 算法支撑。
机器人：物理 AI 的最大“落地场”
对物理 AI 而言，英伟达认为机器人将是最大的应用载体。为此，本次演讲重点发布了两块技术基石：
GR00T N1：人形机器人通用 VLA 基础模型
GR00T N1 面向人形机器人，定位是通用基础模型：
具备 VLA 能力，既看得懂视觉，又能理解语言并输出行动指令
支持全身控制与多步骤协作，而不仅限于单一机械臂动作
通过模仿学习和强化学习，掌握抓取、导航等复杂技能，并迁移到不同环境
Newton 物理引擎：超实时仿真与触觉训练
Newton 是面向机器人训练的物理引擎，由英伟达联合 DeepMind、迪士尼研究院等开发：
支持刚体、软体等多种物理对象模拟
融入触觉反馈仿真，用于训练机器人手部精细操作
可以“超实时”生成大规模合成数据，缓解真实机器人数据昂贵且稀缺的问题
配合 Omniverse 仿真平台和 Cosmos 物理模型，开发者可以在虚拟环境中先完成机器人的感知、决策与控制训练，再迁移到真实工厂、家庭等场景。
黄仁勋用“机器人的 ChatGPT 时刻已至”来形容这一阶段：意味着通用机器人有望像对话大模型那样，形成通用平台能力，再通过微调适配不同行业。
开放生态与中国模型：DeepSeek R1 的示范效应
在谈到生态时，黄仁勋多次强调“开放”与“开源”的重要性，认为开源模型是推动 AI 普及、降低门槛的关键。
他特别点名了中国开源模型 DeepSeek R1 的表现，认为这让行业看到：开放协作能够激活全球创新力量。
在他看来，目前开源模型整体上比顶尖闭源模型大约滞后半年的水平，但差距正在明显缩小。这也解释了英伟达在本次活动中同时开源多款 VLA 与物理 AI 模型的动机——希望通过开放模型来推动上下游快速迭代。
对未来五年的三点判断：算力结构、推理能力与机器人产业
在演讲结尾，黄仁勋对 未来五年 AI 行业给出了三点预判：
从编程软件到“训练软件”时代
传统意义上由 CPU 主导的通用计算，将持续向 GPU 加速计算迁移。
价值约 10 万亿美元的全球传统算力基础设施，将在 AI 的驱动下全面“现代化改造”。
推理算力与上下文管理成为新战场
随着 AI 从“一问一答”的工具，转为“长期共事”的智能体，企业之间的竞争将集中在推理阶段的算力以及长上下文管理能力上。
像 Vera Rubin 这样从芯片到网络再到系统软件的一体化平台，有望成为未来大型企业和云服务商的标配。
机器人成为比云更大的产业
到 2030 年，全球劳动力缺口预计将达到约 5000 万。
人形机器人与工业机器人的需求有望集中爆发，整体市场规模可能超过云计算本身。
物理 AI 与高精度仿真技术，被视为这一波机器人浪潮的核心基础。
