黄仁勋在柏林，给 AI 工厂按下“快进键”

文｜李海伦

编辑｜徐青阳

北京时间10月21日，英伟达GTC柏林2026大会迎来黄仁勋的主题演讲。距离上次6月的NVIDIA GTC Taipei，一晃又过去了四个多月。

当时，黄仁勋围绕AI工厂、企业智能体和物理AI展示了英伟达的一系列布局：Vera Rubin加速进入量产，Nemotron和OpenShell分别提供模型能力与安全运行环境，Cosmos和Isaac则进一步完善机器人开发与仿真训练工具链。

这次来到柏林，黄仁勋进一步把目光投向这些技术如何投入使用。  目前，欧洲正加快建设本土AI基础设施，推动“主权AI”发展，而德国深厚的汽车制造、工业自动化和机器人产业基础，也为AI从数字世界走向实体产业提供了重要试验场。

就在GTC柏林主题演讲的两天前，当地时间10月19日晚，黄仁勋还与德国总理默茨共同出席了在柏林举行的“Invest in Germany Summit”投资峰会活动，双方围绕AI如何推动德国工业转型展开交流。

谈及英伟达与欧洲的渊源，黄仁勋回顾称，双方的合作已有33年历史。从早期的NV1、NV2，到后来帮助英伟达走出困境、奠定发展基础的NV3（RIVA 128），这些芯片均在欧洲制造。

如今，欧洲仍是英伟达的重要市场。黄仁勋透露，仅去年一年，英伟达就在欧洲投资了近100亿美元，并在当地建立了超过1.2万个合作伙伴关系。

这场发布会，英伟达围绕AI基础设施的建设、运营和行业应用，公布了一系列新方案与合作进展：

1. 推出模块化AI工厂方案DSX POD，将集成、布线和测试提前放到工厂完成，在配套等条件齐备后，预计可将部署时间从约6个月缩短至最快14天。

2. 升级DSX平台，降低电力与冷却消耗。通过动态功率管理，在相同Token产出条件下，最高可降低30%的功耗；采用闭环液冷与干式冷却方案，减少冷却过程中的蒸发耗水。

3. 推出Kumo结构化数据开放模型家族，扩展Agent Toolkit。帮助AI利用企业表格和关系型数据库开展预测，并打通数据接入、检索和智能体开发流程。

4. 推出OpenShell企业级参考架构。结合Vera Rubin、Vera CPU和BlueField-4，为智能体提供运行隔离、行为监测和软硬件安全控制。

5. 扩展Isaac机器人开发平台。新增Isaac OS、Isaac Lab 3.0及仿真资产和训练数据，并由Agile Robots推出Agile ONE SN人形机器人参考平台，减少开发中的软硬件集成工作。

6. 更新自动驾驶模型与安全工具。推出Alpamayo 2 Edge车端模型和Halos SAFE安全评估框架，同时深化与Bolt、沃尔沃、奔驰等伙伴的合作，推进自动驾驶研发与Robotaxi部署规划。

7. 深化医疗与电信应用。英伟达联合华盛顿大学蛋白质设计研究所推出蛋白质设计模型RFD4-Proteina，扩大自适应放疗合作；在电信领域，推出两种Aerial RAN Computer配置，与欧洲运营商合作探索通信网络与AI计算基础设施的融合。

8. 通过提前预订产能，通过产能协议和预付预订，推动载板、先进封装、芯片测试及光学互连等环节扩产，为后续系统交付做准备。

从AI工厂怎么建，到每度电能产出多少Token，再到谁来使用这些算力，英伟达正在把更多影响AI商业回报的环节纳入自己的版图。

01

AI工厂，最快14天完成现场部署

英伟达DSX全栈AI工厂平台

建设一座AI工厂，买到GPU只是开始。

服务器、网络、电力、冷却系统需要协同设计，设备到场后还要安装、连接和调试。任何一个环节拖延，都可能让昂贵的算力设备迟迟无法投入使用。

此次推出的DSX POD，就是英伟达对这一问题的回应。

DSX POD将原本需要在数据中心现场完成的大量布线、集成和测试工作，它采用模块化设计，在工厂提前完成计算、网络、机架供电和液冷系统的集成、布线与测试。

一套Vera Rubin DSX POD由七个液冷计算机架组成，通过约17公里的Spectrum-X线缆互连。系统完成工厂集成、布线和测试后，以可运输的集装箱形式交付，并采用800V直流供电和配套冷却系统。

按照英伟达公布的目标，在现场电力、冷却、网络等配套条件齐备后，DSX POD的现场部署时间可从约6个月缩短至最快14天。这一时间不包含前期场地准备及配套基础设施建设。

黄仁勋在现场还表示，通过将集成、布线和测试等工作提前放到工厂完成。

对运营商而言，部署提速直接关系到收入：设备越早上线，越早能够提供计算服务，也能减少等待期间的资金占用。

02

让每一度电，产出更多AI算力

AI工厂建起来之后，另一笔账是电力。

此次GTC柏林，英伟达围绕DSX AI工厂平台公布了一系列更新，将计算、网络、存储、供电和冷却放在同一套架构下优化，希望让有限的基础设施支撑更多AI任务。

首先是节电。DSX MaxLPS通过动态分配功率，在既定电力预算内调整计算资源的运行状态。英伟达表示，这套软件可以在生成相同数量Token的情况下，最高减少30%的功耗，也可以让运营商利用现有电力容量，支持更多GPU和更高吞吐量。

黄仁勋称，DSX MaxLPS是一个端到端的控制闭环，能够动态调配电力以匹配工作负载需求。在产出相同的情况下，它可最高减少30%的功耗。

DSX Flex则进一步连接AI工厂与电网，根据电价、供电条件和需求响应信号调整工作负载用电，并协调电网、现场可再生能源和储能。

英伟达表示，在一次模拟电网事件的早期测试中，Blackwell Ultra集群用电负荷最高降低40%，同时保持关键工作负载运行。

冷却方面，DSX参考设计采用闭环液冷与室外干式冷却器：冷却液吸收设备热量后循环使用，再通过类似大型散热器的设备向空气释放热量，减少传统冷却塔的蒸发耗水。

为了减少建设和运营中的反复调试，英伟达还在Hugging Face推出SimReady Central Library，提供经过验证的电力与冷却设备数字模型，配合DSX Sim，让建设者在安装设备前模拟不同配置、提前发现问题。

DSX OS也新增三个开发者预览组件，分别用于网络自动配置、机架级设备管理，以及GPU集群上线前的验证和故障定位。

从每度电能跑出多少Token，到冷却需要消耗多少水，英伟达正在把AI工厂的优化范围延伸到整套基础设施。算力规模之外，资源利用效率正成为另一项关键竞争指标。

03

让Agent用上企业自己的数据

在算力与电力的平衡之外，如何让智能体用好企业内部的数据，也是AI落地的关键。

此次GTC柏林，英伟达正式推出Kumo结构化数据开放模型家族，面向企业广泛使用的表格数据与关系型数据库，支持分类和预测等任务。

企业的客户、订单、库存和交易记录，往往分散在相互关联的多张数据表中。要利用这些数据进行预测，传统机器学习通常需要先整理数据、手动提取特征，再训练专门的模型，开发流程较为复杂。

英伟达希望通过Kumo结构化数据开放模型家族简化这一过程。该家族面向表格、关系型数据库和时间序列数据，支持预测、风险评分、异常检测等任务。

其中，Kumo Tabular和Kumo Relational可以利用带标签的样本进行上下文学习，在单次前向计算中完成预测，减少针对每项任务单独进行特征工程和模型训练的工作。

不过，让模型具备预测能力，只是其中一步。智能体还需要理解企业数据的业务含义，并在获得授权的范围内调用数据和执行任务。

围绕这些需求，英伟达此次扩展了智能体工具包NVIDIA Agent Toolkit，连接数据接入、检索、预测和安全控制等环节。

其中，NVIDIA Agent Knowledge Foundation旨在让智能体接入企业现有数据，减少数据迁移和工作流改造。配套的Auto-Ontology自动本体库，则将数据库中的原始字段和表间关系，映射为客户、订单等业务概念及其关联，帮助智能体理解这些数据代表什么。

在此基础上，Kumo负责利用结构化数据开展预测，Nemotron Retriever提供信息检索能力，让智能体能够结合企业历史记录和相关资料完成任务。

数据接入之后，还需要约束操作权限。OpenShell安全运行时通过隔离和权限策略，限制智能体可以访问的资源与执行的操作；NemoClaw则提供构建专门化智能体的参考架构与分步优化方案，帮助开发者调整和评估其行为。

从理解数据、检索信息，到开展预测和受控执行，英伟达希望把企业部署智能体所需的环节连接起来，让内部数据更容易转化为实际业务能力。

04

加码企业Agent安全，Anthropic等模型纳入支持范围

黄仁勋介绍OpenShell

当Agent开始读取数据库、修改文件、执行代码，企业关心的问题也随之变化：它到底能访问什么，又能操作到哪一步？

此次英伟达推出OpenShell参考架构，在已有安全运行时软件的基础上，将模型计算、任务执行和安全控制整合进一套软硬件体系。

其中，Vera Rubin负责模型推理，Vera CPU承载智能体运行框架和工具调用，OpenShell软件提供隔离与权限边界，BlueField-4 DPU则运行NVIDIA Sentry安全框架，持续监测智能体行为，并在芯片层面执行安全策略。

按照英伟达的说法，当智能体试图突破软件设定的边界时，Sentry可以在毫秒级将其隔离并停止运行。黄仁勋将这套分工概括为：让智能体在Rubin上思考、在Vera上行动、在BlueField上接受管控。

这套架构支持Linux、Kubernetes及Windows等企业环境，也可延伸至DGX Spark、DGX Station等本地和边缘系统，运行来自Anthropic、OpenAI、Google、Meta等公司的模型所构建的智能体。

企业软件厂商也在推进接入。SAP计划将其与Joule Studio运行时集成；ServiceNow则通过自身的治理平台制定和管理权限，由OpenShell执行相关约束，并结合Sentry支持快速撤销智能体访问权限。

随着Agent从回答问题走向持续执行任务，英伟达希望将安全控制嵌入底层计算架构，让企业能够在明确的权限边界内，部署更多自主运行的智能体。

05

降低人形机器人开发门槛

此次GTC，英伟达扩展了Isaac机器人开发平台，推出新的运行框架、训练工具和数据资源，并与Agile Robots合作，提供预先集成软硬件的人形机器人参考平台。

在实际开发中，机器人团队拿到本体后，通常还要打通传感器、控制系统、仿真、训练和部署流程。底层适配耗费的时间，会挤占真正用于技能开发和场景验证的资源。

因此，英伟达与Agile Robots希望将部分从仿真转向真机部署的配置工作，从数周缩短至数天。这一目标主要涉及开发准备和配置效率，不过机器人学会任务、稳定工作仍需要后续训练与验证。

Agile Robots宣布的Agile ONE SN，基于Isaac GR00T和Jetson Thor构建，计划于2027年初推出。其本体高1.40米、重40千克，其机器人本体拥有31个自由度，另配两只各有20个自由度的五指灵巧手，单臂负载3千克，并配备两只各有20个自由度的五指灵巧手，以及摄像头、激光雷达等传感器，未来还计划集成英伟达Halos安全技术栈。

软件方面，正式可用的Isaac Lab 3.0支持多GPU训练，并接入Newton、PhysX等物理引擎；新推出的开源运行框架Isaac OS，则负责连接AI模型、传感器、控制系统和机器人硬件，支持实时运行。

训练数据也是此次更新的重点。英伟达推出包含2000多个机器人与工厂仿真资产的SimReady Central Library，以及涵盖多样化人类活动、同步三视角视频和三维手部追踪数据的Human 1M数据集。

同时，三套面向DGX Station的开源参考工作流程，覆盖GR00T模型强化学习、灵巧操作训练，以及用于合成数据生成的Cosmos世界模型后训练。

黄仁勋表示，这些工具正在进入不同类型的机器人项目，包括ABB和KUKA利用仿真技术开展系统验证与工厂模拟，Sereact将GR00T与Cosmos用于货物操作训练，丰田物料搬运欧洲与SoftServe则利用Omniverse和Isaac Sim开发自主搬运方案。

发布会现场，黄仁勋通过开源机器人Microduck展示了物理AI的开发流程：开发者借助RTX Spark上的Agent规划训练课程，调用建模与仿真工具，在云端并行训练，再将策略部署到真机。

随后，小机器人登台互动。看着它们摇晃前行，黄仁勋打趣道：“别摔倒了，你们需要打个盹吗？”他还为背后的法国团队Pollen Robotics现场“带货”，邀请观众到官网下单。

06

帮更多Robotaxi落地欧洲

自动驾驶方面，英伟达正在把车端计算、驾驶模型、测试工具和出行平台连接起来，让合作伙伴更容易开发和部署自动驾驶系统。

欧洲出行平台Bolt选择Alpamayo Stack用于Robotaxi项目，计划在获得监管批准后，于2027年在马德里开展真实道路数据采集，并提出推动至少2.5万辆基于Hyperion平台、具备L4能力的Lucid车辆在欧洲落地的目标，德国是后续重点市场。

当然，采集数据、获得无人驾驶运营许可，再到大规模铺开车队，中间还有不少关要过，实际进度仍要看技术验证和监管审批。

为了让系统更容易装进车里，英伟达推出了20亿参数的Alpamayo 2 Edge模型，针对DRIVE AGX Thor车载计算平台优化，用于理解道路情况和规划车辆运动，设计上每秒运行10次。

但模型能判断怎么开，还需要验证它在目标运行条件下的安全性和可靠性。此次推出的Halos SAFE，就是把仿真、软硬件测试、道路测试和车队监控串起来，用明确的测试标准积累可追溯的安全证据。

配套的Cosmos工具则帮助开发者生成更多驾驶场景数据。英伟达也在与Uber建设自动驾驶数据工厂，保时捷则利用相关工具，把车队采集的数据转成训练素材和仿真场景，减少重复测试。

从这些发布来看，英伟达希望降低车企和自动驾驶公司的重复开发成本，让更多项目沿着自己的技术体系推进。未来车辆由谁制造、车队由谁运营可以不同，但研发、测试和车端计算，都可能成为英伟达的生意。

07

深入医疗与电信更多应用版图

医疗健康领域，英伟达正在将AI从数据分析进一步带向分子设计、实验流程和临床治疗。

英伟达与华盛顿大学蛋白质设计研究所联合推出开源模型RFD4-Proteina，让研究人员根据目标分子、约束条件和评分要求生成候选蛋白质。英伟达表示，该模型在蛋白质结合、小分子结合、酶支架和DNA结合四项基准测试中均优于基线。

这意味着，研究人员可以从希望实现的功能出发，让AI寻找可能满足要求的蛋白质结构。

在临床端，西门子医疗与英伟达合作推进下一代自适应放疗，利用智能体辅助治疗规划、患者专属模拟和机器人控制，帮助医疗团队根据患者情况调整治疗方案。

与此同时，多家企业正利用BioNeMo开发科学智能体，连接药物设计、自动化实验和数据分析。英伟达希望让模型参与更完整的科研与医疗流程，这也将带动对计算平台和专业软件的持续需求。

另一边，在电信领域，黄仁勋提出了将电信网络改造为“分布式AI网络”的宏大愿景。 

他指出，西方世界的10万个基站代表着约100吉瓦（GW）的分布式数据中心容量，未来这些基站将通过AI进行无线电感知与波束赋形，全面升级为分布式AI基础设施。

英伟达与欧洲运营商探索的方向，是让通信网络在传输数据的同时承担AI计算任务。

此次推出的MGX 2U与4U Aerial RAN Computer配置，可让无线网络处理与 AI计算共享集中式基站设施。目前，英伟达已同英国电信、德国电信、芬兰 Elisa以及诺基亚等多国运营商与技术伙伴展开合作。

08

提前锁定下一轮供应链产能

支持上述布局，英伟达还需要确保系统能够按时交付。

此次公布的扩产合作，覆盖载板、先进封装、芯片测试和光学互连等环节。

英伟达与IBIDEN、三星电机和欣兴电子达成相关协议，按英伟达公布的口径，未来三年面向英伟达产品的相关载板产能将扩至当前的2.5倍。

英伟达与Amkor计划扩大韩国先进封装能力，目标到2028年底，将相关中介层晶圆产能提高300%以上（即达到原来的4倍以上）。

光学互连方面，矽品精密的目标是到2027年年中，将相关CPO光学引擎产能扩至当前的15倍，并争取到2028年底再翻倍。

黄仁勋直言，我们正处于人类历史上最大规模的基础设施建设之中，需求极其强劲，产能是瓶颈所在，他们的供应链合作伙伴是全球顶尖的制造商。

随着AI系统越来越复杂，GPU芯片之外的制造环节，同样决定着最终交付速度。

通过长期协议和预付产能，英伟达正在提前为下一轮需求安排生产资源。

09

结语

回看这场发布会，英伟达正在同时做两件事：提高AI算力投入使用的效率，扩大能够消耗这些算力的应用市场。

这些布局最终都要接受商业回报的检验：工厂能否更早上线，每度电能否带来更多收入，行业客户是否愿意持续付费。

从不断突破算力上限，到追问算力如何产生收益，黄仁勋正在把英伟达的竞争，推向AI产业更深的地方。