美国时间3月18日，英伟达在美国圣何塞举办GTC（GPU技术大会）。作为全球最受关注的科技巨头，今年GTC吸引约2.5万人线下参加，另有30万人通过线上方式收看直播。
英伟达CEO黄仁勋在主题演讲开场说道，“因为AI技术爆发，GTC大会的规模每年都在扩大。去年他们说GTC是AI行业的‘伍德斯托克摇滚音乐节’。今年我们搬进了体育场，GTC已经成AI行业的‘超级碗’”。
而在此次GTC大会上，英伟达不仅发布了Blackwell GPU、硅光交换机、机器人模型等一系列新产品。黄仁勋还在演讲中反复传递出一个信号：随着AI行业在模型训练上的整体需求放缓，再加上DeepSeek在模型推理上所做创新，AI推理时代即将到来。
演讲结束后，英伟达股价收盘跌超3.4%，报115.43美元/股，盘后继续下跌0.56%。
Blackwell Ultra GPU：专为AI推理打造的“算力核弹”
作为GTC的重头戏，黄仁勋在演讲中宣布推出数据中心AI GPU的新一代产品——NVIDIA Blackwell Ultra GPU。
此前市场传言英伟达去年年底计划将Blackwell Ultra改名为B300 ，但根据现场公布的结果，官方保留了原始命名。Blackwell Ultra GPU相比于上一代B200GPU性能提升了50%，约为15P FLOPS（基于低精度的四位浮点数格式FP4标准），内存上则搭载了业内最先进的HBM3E，从192GB升级到了288GB。
基于Blackwell Ultra，英伟达面向云计算厂商等大型企业客户客户提供两款系统集成产品：Blackwell Ultra NVL72机架式解决方案与NVIDIA HGX Blackwell Ultra NVL16系统。
其中，Blackwell Ultra NVL72是在一个数据中心机架（一台服务器搭载8个GPU，一个机架可以容纳多台服务器）中连接了72个Blackwell Ultra GPU以及36个英伟达基于ARM架构设计的Grace CPU。据与上一代B200GPU的同类产品相比，Blackwell Ultra NVL72在AI算力性能上提升超过了50%。HGX Blackwell Ultra NV16则是运用NVLink高速互联网络连接8个Blackwell Ultra GPU的服务器系统产品。
与A100、H100等多款主要用在AI模型预训练的产品不同，英伟达此次明确定位Blackwell Ultra“专为AI模型推理打造”（AI-Reasoning），同时兼顾"训练和多场景AI应用的高效性"。Blackwell Ultra NVL72和HGX Blackwell Ultra NVL16（8GPU）两款系统产品也在提升计算能力和内存容量的同时，专为复杂AI推理任务做了优化。以HGX Blackwell Ultra NVL16为例，相较于上一代Hopper架构，这款新品在大模型推理速度上提升了11倍。
此前在DeepSeek用极低的算力成本完成模型开发后，外界就曾担忧市场对英伟达算力芯片产品的旺盛需求是否会放缓，英伟达官方及黄仁勋就曾在多个场合表示，相比于AI厂商先前将大量算力投资用于AI模型训练上，DeepSeek主要在模型推理运用了创新技术，而AI推理依然需要大量英伟达GPU和高性能网络。
在AI行业的“Scaling Law”法则（模型规模越大，模型越智能）在预训练环节放缓后，推理环节将催生更大规模的算力需求，因此“DeepSeek的出现反而证明市场需要更多AI芯片”。
据黄仁勋介绍，Blackwell系列，目前已经全面投产。“产量惊人，客户需求惊人，因为人工智能出现了一个拐点，由于推理人工智能以及推理人工智能系统和智能体系统的训练，人工智能领域必须完成的计算量大大增加。”
按照英伟达“一年一更新”发布节奏，黄仁勋演讲中预告了下一代Rubin架构两款产品Rubin GPU、Rubin Ultra GPU的性能信息。
Rubin GPU算力性能将在FP4标准下达到50P Flops，约是Blackwell Ultra GPU的3.3倍，Rubin Ultra GPU则在相同标准下为100P。两款新架构产品届时也将用上HBM4、HBM4E先进AI内存。搭载Rubin GPU的Vera Rubin NVL144（连接144个GPU）将于 2026 年下半年推出，Rubin Ultra GPU的Rubin Ultra NVL576（连接576个GPU）将于2027年下半年推出。
继Rubin架构之后，黄仁勋现场公布下一代GPU架构的命名为“Feynman”，取自著名物理学家理查德・费曼（Richard Feynman），Feynman架构产品将于2028年发布。
智能体和机器人时代，AI将需要更多芯片
与去年GTC密集发布各种新产品的节奏不同，黄仁勋今年在公布新品前，在现场花了更多时间科普“Agentic AI”的概念，以及AI推理带来的巨大改变。
在现场展示的AI技术发展路线图中，黄仁勋按照“Generative AI（生成式AI）、Agentic AI（智能体）、Physical AI（具身AI）”三个阶段的进化路线，将Agentic AI描述为AI技术发展的中间态。
相比于生成式AI的主要应用——语言大模型与聊天机器人——主要聚焦于生成文本、图像内容，Agentic AI更进一步，能够理解任务、进行复杂推理、制定计划并自主执行多步骤操作，目前业内热议的数字员工等AI Agent即为相关应用。
在生成式AI的第一阶段，AI行业的“Scaling Law”法则集中体现在模型训练上，特别是预训练环节（Pre-Training，即从无到有开发模型的前期训练阶段），投入更多的数据、更大规模的算力资源训练出更好的模型，训练规模越大，模型越智能。
黄仁勋认为，从过去一年的行业发展进程来看，预训练为主的Scaling Law法则已走入“误区”。从今年乃至未来很长一段时间内，Agentic AI将代替生成式AI，成为行业新的发展方向。由于Agentic AI强调自主性与复杂问题解决能力，每一步解决复杂问题、分解任务的逻辑思考过程都需要用到“模型推理”，因此推理将成为新阶段的核心动力。
而从生成式AI发展到Agentic AI，并不意味着Scaling Law法则失效。相反，由于将应用范围从训练进一步扩展到推理，不只在预训练环节，模型的后训练（Post-Training，指预训练得到模型后，根据特定任务或需求，使用更小规模、更专注的数据集对模型进行进一步优化训练或微调的过程）和日常推理的长期思考（Long-Thinking）都要继续消耗算力资源，Scaling Law法则对规模的要求非但会变小，相反会进一步扩大。
以一个用户访问AI应用时产生的Token来举例，对于Agentic AI来说，推理所涉及的任务更加复杂，可能需要生成或处理更多Token来完成规划和执行。同时随着更多用户同时访问AI，Token的数量会爆炸式增加。对于大模型来说，每生成一个Token往往需要数千亿次浮点运算，如何在有限时间内尽可能多的生成Token，并快速将推理结果反馈给用户，大规模的算力资源是完成这一切的基础。
按照现场显示的效果，Blackwell Ultra NVL72集群在运行DeepSeek-R1 671B交互式副本时，只需10秒就可以给出答案，而上一代Hopper架构的H100同类产品则需要1分半。
此次大会上，英伟达还发布了一款新型的AI 推理服务软件Dynamo。它协调和加速数千个GPU之间的推理通信，并使用分解服务将大型语言模型的处理和生成阶段分离在不同GPU上。这允许每个阶段根据其特定需求进行独立优化，并确保最大程度地利用GPU资源。
黄仁勋认为，推理所需算力需求规模增长能“轻松超过去年估计的100倍”，未来行业需要更多、性能更强的AI芯片。根据他的预测，数据中心建设的投入到2028年将达到1万亿美元，目前“相当确定很快就会达到这个目标”。
硅光网络交换机、机器人模型与量子计算研究中心
此外，在今年GTC大会上，英伟达还将在硅光芯片、机器人应用、量子计算等领域有进一步的探索。
硅光领域，英伟达最新发布了NVIDIA Spectrum-X（基于以太网，适合兼容更广泛的企业网络）及NVIDIA Quantum-X（基于InfiniBand，偏向专用计算集群）硅光网络交换机。
这两款硅光网络交换机新品是英伟达首次利用“光电共封装技术”（co-packaged optics, CPO）将光通信直接集成到交换机上，推出的商用化硅光交换机产品。此前英伟达的交换机产品的光通信部分主要为“外挂式”，依赖从Finisar和Lumentum等外部供应商采购的标准化模块。
此次英伟达的硅光网络交换机新品与台积电、Coherent、康宁公司（Corning）、富士康、Lumentum和SENKO等行业巨头合作。Quantum-X交换机预计将于今年晚些时候上市，Spectrum-X交换机预计于2026年通过主流基础设施和系统供应商推出。
黄仁勋曾经用“A工厂”描绘AI时代超大规模数据中心的未来形态。随着AI数据工厂规模的扩张，网络基础设施也需要同步彻底革新。英伟达希望通过将硅光子技术直接集成到交换机中，突破超大规模和企业网络的传统限制，为目前万张、十万张GPU的数据中心向百万张GPU的AI工厂过渡奠定基础。
机器人作为未来“具身AI”（Physical AI）的关键应用，英伟达旗下辅助生成机器人训练数据的物理世界模型Cosmos、人形机器人基础模型GROOT N1以及3D实时仿真平台Omniverse是这一领域的主要产品。
其中，GROOT N1是通用机器人基础模型，英伟达此次正式宣布已经将其开源。GROOT N1模型采用双系统架构，灵感来自人类认知原理。在视觉语言模型的支持下，一个系统可以推理其环境和收到的指令，从而规划行动。另一个系统然后将这些计划转化为精确、连续的机器人动作。
除硅光芯片与机器人应用外，在谷歌、微软相继在量子计算芯片领域有重大突破后，量子计算当前成为了硅谷科技巨头布局未来的一个热门方向。英伟达此次也在GTC大会上宣布，将在波士顿建设NVIDIA加速量子研究中心（NVAQC）。据官方介绍，该中心是一个以研究为导向的机构，将通过尖端技术推动量子计算架构与算法的发展。
值得关注的是，去年谷歌发布的Willow芯片攻克困扰量子计算研究30年的“量子纠错”难题，市场升温带动量子计算概念股上股价涨，黄仁勋曾在今年1月接受分析师采访时给量子计算的落地“泼了一盆冷水”：要造出“非常有用的量子计算机”，可能需要20年。黄的这一评价当时导致一众量子计算相关股票应声下跌。
黄仁勋在谈及英伟达成立量子研究中心的目标时提到，量子计算的实用化依赖于解决关键技术挑战，如量子比特噪声和纠错。而NVAQC的使命是推动这些突破：“NVIDIA加速量子研究中心将是突破发生的地方，以创建大规模、有用的加速量子超级计算机。”
对于市场担忧量子计算颠覆现有计算工具，以前所未有的计算速度在密码学、隐私数据保护领域形成“量子霸权”，黄仁勋明确表示，量子计算不会单独取代现有的计算技术，而是作为AI计算能力的补充。未来的量子计算将成为AI超级计算机的“增强工具”，在药物开发、新材料制造等特定高复杂性领域发挥作用。
评论列表