黄仁勋GTC柏林演讲,AI性能十年提升百万倍,智能体与AI工厂成新重心
英伟达CEO黄仁勋在GTC柏林大会指出,过去十年AI性能提升约100万倍,远超摩尔定律的100倍增长,核心在于软硬件协同优化。他提出个人AI智能体、AI工厂与物理机器人三大方向,并强调企业需从AI消费...
10月29日,英伟达首席执行官黄仁勋在GTC柏林大会发表主题演讲,系统阐述了AI产业下一阶段的发展路径。其核心论点直指一个被广泛忽视的事实:过去十年间,AI计算性能实际提升了约100万倍——这一数字远超同期摩尔定律所预测的约100倍增长。
这一结论并非基于单一芯片指标,而是对整个计算系统演进的综合评估。黄仁勋以对比方式具象化呈现:2016年,英伟达向OpenAI交付的DGX-1超级计算机,配备128GB内存,体积庞大到需两人搬运;而如今,一台轻薄的RTX Spark桌面设备同样具备128GB统一内存,可由单手轻松举起。
性能跃升的关键,在于“极致协同设计”(Full Stack Co-Design)——即芯片、系统架构、软件栈、算法与数据中心层级的深度整合。黄仁勋强调,这不是仅靠晶体管微缩所能实现的突破,而是软硬一体、端到端优化的结果。
在此基础上,他将AI产业未来划为三个相互支撑的方向:个人AI智能体、AI工厂与物理AI(实体机器人)。
个人智能体被视为下一代人机交互范式。黄仁勋指出,传统PC依赖用户逐条指令操作软件;而未来的计算终端,如RTX Spark,将作为用户的“个人AI助手”,自主规划任务、调用工具并完成工作。这标志着从“工具执行”向“目标达成”的根本转变。
在规模化部署层面,他将大型AI数据中心称为“AI工厂”。类比制造业,AI工厂以电力、算力与数据为原料,产出可直接用于业务的“智能”与“Token”。一座1吉瓦规模的AI工厂总投资约500亿美元,若延迟投产三个月,可能错失约100亿美元收入——凸显建设时效对商业竞争力的决定性影响。
为加速部署,英伟达推出NVIDIA DSX POD:每个POD由七个液冷机架组成,通过总长约17公里的Spectrum-X网络互联。传统大型AI系统现场部署需约六个月,DSX POD则将集成、测试等环节前置至工厂完成,现场部署最短仅需14天。
第三条路径是物理AI与机器人。演讲中,由Hugging Face与Pollen Robotics团队开发的MicroDuck机器人登台演示:开发者利用AI智能体构建仿真环境训练行走策略,再将模型迁移至实体机器人。该过程体现“仿真训练—现实部署”的闭环能力,也预示AI正从虚拟世界走向物理世界。
值得注意的是,黄仁勋对智能体的定义已超越“大模型+提示词”的早期认知。他在演讲中明确将智能体拆解为五个核心组件:模型、外部编排框架、隔离沙箱、知识库与工具。其中,模型能力已非稀缺资源;真正决定智能体能否进入企业生产环境的,是编排逻辑、行业知识沉淀与权限治理机制。
这一判断正快速转化为商业现实。迈富时(02556.HK)三季报显示,其AI应用收入同比增长114%,占总收入比重达57.5%;更关键的是,与具体业务结果挂钩的“场景Token”收入已占双位数比例——标志行业正从“功能交付”迈向“结果交付”。该公司产品架构中,GenAI OS负责多模型调度,AI-Agentforce中台处理编排与记忆管理,AI-KnowForce知识中台则将30多个一级行业、750多个细分领域的业务逻辑转化为知识图谱,有效缓解通用模型在垂直场景中的事实幻觉问题。
与此同时,企业自建模型的需求激增,也催生了新的基础设施缺口。一家PCB厂商可基于自身产线数据训练质检小模型,实现100%全检与99%以上良率;但若想进一步提升模型精度,仍需行业级数据支撑。迅策科技(3317.HK)推出的TokenRouters平台,正是试图解决这一“数据孤岛”问题——构建企业间合规、可控的专用Token与行业数据交换市场。
黄仁勋在演讲中还提出AI的“五层蛋糕”模型:能源→芯片→AI工厂→模型→应用。在他看来,AI已不再是纯软件范畴,而是一种新型制造业:AI工厂持续生产Token,Token再转化为可落地的数字智能。因此,企业不能仅满足于使用现成AI服务,更需具备“生产智能”的能力——即利用自有数据训练专属模型,让AI真正掌握行业语境与业务逻辑。
这种趋势正在重塑产业分工。大厂(如阿里、字节、腾讯)凭借模型底座与生态入口推动“让更多人用上Agent”;而企业服务厂商(如迈富时、神州数码)则依托行业知识与项目经验,专注“让Agent在具体业务里算得清账”。二者路径分化清晰,共同指向一个共识:智能体的价值不在炫技,而在嵌入真实工作流并产生可衡量的经济回报。
黄仁勋最后重申:未来十年,AI将不再局限于科技公司内部,而会深度融入电信、医疗、汽车、制造等实体领域。当每家企业都能拥有为其业务定制的智能体,当AI工厂像发电厂一样提供稳定智能输出, AI的产业化才真正进入深水区。
这场演讲没有高喊口号, 而是用具体数据、设备对比与商业案例勾勒出一条清晰的技术演进与产业落地路径——性能提升百万倍是起点,智能体与AI工厂才是接下来十年真正的主战场。
