一文汇总：黄仁勋在台湾GTC大会上究竟说了什么？
Taylor Wilson
黄仁勋在台北GTC宣布英伟达从GPU公司全面转型为AI端到端基础设施公司，以Vera Rubin量产、自研CPU、AI工厂运营系统DSX和端侧AI PC四条线同时落地，核心押注是——Token就是收入单位，算力就是工厂产能。
"Token就是收入"——这套商业逻辑怎么理解？
黄仁勋的核心判断：生成式AI已进入"能完成工作"阶段，智能体（Agentic AI，能自主观察、推理、规划、调用工具的AI）可以独立执行任务。
他援引GitHub数据：AI相关代码提交量从2023年约3亿次增至2025年5亿次，2026年前几个月已接近三倍增长。
这意味着→ AI不是取代程序员，而是放大工程师产出；代码量越大，消耗的Token越多，Token就变成了可计价的收入单位。
用大白话说＝ 算力不再是"买来备着"的成本项，而是像工厂产线一样直接生产收入——谁有更多算力，谁就能"出货"更多AI服务。
Vera Rubin量产——英伟达史上最大工程项目长什么样？
Vera Rubin进入全面量产，黄仁勋称其为英伟达历史上最具野心的工程项目，约4万名工程师与台湾供应链共同参与。
它不是单块GPU，而是机架级甚至多机架级系统，核心组件包括Rubin GPU、Vera CPU、ConnectX-9网络、BlueField-4安全处理器、Spectrum-X以太网交换机，以及支持200Gb CPO光电共封装（把光通信模块直接封装在芯片旁边，缩短信号传输距离）的网络架构。
制造端亮点：采用无缆化midplane设计，机架组装时间从约2小时压缩至约5分钟。
这反映出 英伟达在把AI硬件从"攒机"推向"工业化流水线"——组装速度提升24倍，本质上是在用造汽车的思路造AI工厂。
自研CPU进场——英伟达要抢谁的饭碗？
Vera CPU搭载88个自研Olympus核心，提供1.2TB/s内存带宽，支持NVLink芯片间互联、LPDDR5X内存及PCIe Gen6。
黄仁勋给出的性能数据：SQL数据库查询提速3倍，纽约证券交易所实时流处理提速6倍，智能体沙箱性能比x86高1.8倍。
这意味着→ 英伟达直接切入数据中心CPU利润池，对Intel、AMD等传统CPU厂商构成正面竞争压力。
用大白话说＝ 传统CPU是为人类操作设计的，但智能体运行在纳秒级世界，需要低延迟、高带宽的专用处理器——英伟达的逻辑是：既然GPU旁边必须有CPU，不如自己做一个专为AI优化的。
500亿美元建一座AI工厂——DSX系统解决什么问题？
黄仁勋披露，1GW级AI工厂造价已从200亿至300亿美元升至500亿至600亿美元，未来可能达800亿至1000亿美元。
DSX平台是AI工厂的数字孪生（在虚拟环境中1:1复刻工厂）与运营系统，在工厂动工前就在Omniverse中模拟电力、冷却、网络与机架布局。
DSX MaxLPS回收"搁浅瓦数"（已分配但未被实际使用的电力），提升同等电力预算下的GPU部署密度；DSX Flex让AI工厂根据电网信号动态调整用电，变成电网调峰资产。
这意味着→ 当一座工厂投资上千亿美元时，"省下1%电力"就是省下数亿美元——DSX的本质是把AI工厂从"通电就跑"变成可精细运营的产能系统。
企业工具包和开源模型——英伟达在软件端做了什么？
发布企业AI工具包：Open Shell安全框架负责沙箱、权限与隐私管理，配合Hermes框架及CUDA-X工具；Red Hat、Canonical、微软等生态伙伴接入。
典型案例：与Cadence合作的芯片设计超级智能体，将原本数周的芯片验证调试流程压缩至数小时，提速超40倍。
同步发布Nemotron 3 Ultra开源模型，采用SSM状态空间模型（一种比Transformer更省算力的序列处理架构）与MoE混合专家架构（只激活部分参数来回答问题），官方口径推理速度提升5倍、总成本降低30%，并开放模型权重、训练数据与训练脚本。
AI PC来了——RTX Spark平台意味着什么？
英伟达与微软共同推出RTX Spark平台，搭载英伟达与联发科联合研发的N1X芯片，集成Blackwell架构GPU、定制Grace CPU、128GB统一内存，采用台积电3nm工艺，官方口径提供1 PFLOP级AI算力。
新产品线涵盖笔记本、台式机及DGX Station，后者最高配768GB内存，可在桌面端运行万亿参数模型。
黄仁勋将新PC定义为"旧操作系统加大语言模型"，并预判十年后家庭AI超级计算机可能像家庭影院一样普及。
这意味着→ 英伟达从云端算力一路延伸到桌面端，试图让"本地运行智能体"成为PC的新基本功能——这对高通、苹果等端侧芯片玩家是直接挑战。
Content is for reference only, not financial advice.