英偉達首席執行官黃仁勳在柏林GTC大會上密集發佈新品，覆蓋AI基礎設施、智能體安全、機器人與自動駕駛等多個領域，並向歐洲政商界發出強烈呼籲——所有行業都必須成爲AI公司。
10月21日，英偉達首席執行官黃仁勳在GTC大會上表示，未來所有電信運營商都將提供AI算力，電信基站有望演變爲分佈式AI網絡。他將AI經濟描述爲由能源、算力、AI工廠、模型與應用構成的五層結構，並在展示中突出指出，算力層僅出現英偉達一家公司的標誌。
此次發佈涵蓋模塊化AI數據中心產品DSX Pod、智能體安全架構OpenShell、人形機器人蔘考平台，以及涉及自動駕駛、癌症治療和蛋白質設計等多個垂直領域的新品與合作。英偉達在活動中還宣佈，過去一年已在歐洲投資近100億美元，建立超過12000項合作關係。演講期間一度被綠色和平組織抗議人士打斷，黃仁勳稱將事後與其溝通，隨即繼續演講。
在當前部分投資者對AI基礎設施投入規模日益質疑的背景下，黃仁勳發出明確看多信號。"歐洲要想從AI中受益，並真正建立起AI生態和AI經濟，就需要所有終端市場、終端行業都採用AI，"他在演講中表示，並點名汽車、金融服務和醫療保健行業。英偉達美股盤前一度漲逾2%。
DSX POD：將部署週期從六個月壓至14天
英偉達發佈的DSX POD是基於Vera Rubin架構的完整AI工廠參考設計。其核心邏輯在於，將計算、網絡、佈線、機架級供電及液冷系統的集成安裝工作，從現場施工轉移至製造工廠。合作伙伴在發貨前完成機架間線纜連接、電氣佈線、管道安裝和功能驗證，集裝箱運抵現場後只需接入預先準備好的電力、冷卻與網絡設施，即可投入使用。
黃仁勳表示：
"AI工廠在開始生產token時創造價值，而不是在建設完工時。藉助DSX POD，我們將工廠級精度和速度帶入AI基礎設施建設，把部署時間從數月縮短至數週，使客戶能夠更快擴展容量並讓可創收的生產上線。"
需要指出的是，14天指的是場地已完成準備情況下的現場部署時間，不包含從選址到建成的完整週期。客戶仍需提前完成電力、冷卻、網絡等支持設施的準備工作。英偉達計劃與戴爾科技、HPE、聯想、Bull、施耐德電氣、維諦技術等合作伙伴，於2027年初在全球交付基於DSX POD設計的模塊化AI工廠。
在能效層面，DSX AI工廠平台採用閉環液冷和乾式冷卻器，將冷卻用水量降至接近零，在2吉瓦規模下每天可節省高達5400萬升水；DSX MaxLPS軟件則可幫助運營商在相同token輸出下減少最多30%的功耗。
OpenShell：以硬件級隔離管控AI智能體行爲
隨着智能體部署規模擴大，英偉達推出OpenShell參考架構，專門應對智能體安全問題。該架構整合Vera Rubin基礎設施、Vera CPU、BlueField-4數據處理器，以及OpenShell安全運行時軟件，通過在系統調用、文件訪問和網絡連接粒度上執行策略，限制智能體可訪問的資源範圍。
核心機制是運行在BlueField-4上的NVIDIA Sentry安全框架，該框架在硬件隔離的可信域中持續監控智能體行爲，一旦檢測到異常操作，可在毫秒級將其隔離並切斷其與模型的連接。英偉達稱，Vera Rubin NVL72系統在智能體工作負載下的每兆瓦吞吐量可達此前的30倍，NVIDIA Sentry則可將智能體承載能力提升最多20%。
OpenShell採用Apache 2.0許可證開源，支持Linux、Kubernetes、微軟Windows等企業環境，並可擴展至邊緣設備。微軟、谷歌雲、戴爾科技、思科、OpenAI、Anthropic等已宣佈參與相關合作，其中Anthropic與英偉達正合作開發Claude OpenShell智能體。
機器人與自動駕駛：多家歐洲車企及機器人公司加入生態
在物理AI領域，英偉達披露，今年上半年相關市場營收同比增長約30%，至約110億美元。
在機器人方向，英偉達宣佈擴展Isaac開放機器人開發平台，推出開源運行時框架Isaac OS、機器人學習框架Isaac Lab 3.0，以及包含2000餘種仿真就緒機器人和工廠資產的SimReady Central Library。同時，英偉達與思靈機器人合作推出人形機器人蔘考平台Agile One SN，內置Jetson Thor計算硬件，預計明年第一季度上市。黃仁勳表示：
"通用機器人正以驚人的速度進步——機器人的ChatGPT時刻正快速臨近。"
在自動駕駛領域，沃爾沃汽車將採用英偉達Hyperion計算平台及Alpamayo自動駕駛軟件棧開發自動駕駛汽車；大衆將英偉達產品用於商用車；Bolt Technology則基於英偉達軟件及硬件推進Robotaxi業務，計劃2027年起在馬德里採集真實駕駛數據，並規劃在歐洲部署至少2.5萬輛具備L4自動駕駛能力的車輛。此外，梅賽德斯-奔馳將利用Hyperion平台開發L3和L4級自動駕駛能力。英偉達還推出Halos SAFE安全評估框架，將仿真、軟硬件在環測試、道路測試和車隊監測納入統一評估流程。
醫療與生物醫藥：從放射治療到蛋白質設計
英偉達在醫療健康領域宣佈多項合作。與西門子醫療旗下癌症治療業務合作，探索將智能體AI、患者個體化仿真及實時計算應用於自適應放射治療，相關係統將實時監測患者呼吸與體位變化並動態調整放射劑量。
在生物醫藥方向，英偉達與華盛頓大學醫學院蛋白質設計研究所合作推出開放模型BioNeMo RFD4-Proteina，可根據分子輸入、設計約束和評分目標生成並優化蛋白質設計方案，應用場景涵蓋藥物研發、疾病檢測及工業酶開發。
開放模型與基礎設施：佈局歐洲本土AI生態
面向歐洲企業和研究機構，英偉達宣佈擴充開放模型產品組合，新品涵蓋Nemotron 3.5系列語言與視覺模型、面向結構化商業數據分析的Kumo模型、用於機器人訓練與仿真的Cosmos世界模型、面向自動駕駛邊緣推理的Alpamayo 2 Edge，以及用於量子計算的Ising模型。
黃仁勳將AI經濟比作由能源、算力、AI工廠、模型與應用五層構成的結構，並指出歐洲AI基礎設施建設正在加速。他預測，未來所有電信運營商都將提供AI算力，現有電信基站有望逐步演變爲分佈式AI網絡。在合作伙伴層面，Nscale、Firebird等AI數據中心建設商，以及Mistral、Legora、DeepL等歐洲AI模型與應用公司，均被納入其展示的AI經濟生態圖譜。
以下爲黃仁勳在英偉達2026年柏林GTC主題演講全文：
黃仁勳：
2020年，我們開始與梅賽德斯-奔馳合作開發自動駕駛汽車。回顧英偉達33年的發展歷程，我在德國度過了很多時間。因此，我很高興再次來到這裏，也很高興今年能在這裏舉辦GTC。
過去一年，我們開啓了一段新的旅程：在歐洲建設一個新產業，推動AI經濟起步。
僅在過去一年，我們就在歐洲投資了近100億美元，涵蓋初創企業，以及遍佈歐洲的大大小小的合作項目。
就在過去一週，我從法國、英國來到瑞典，再來到柏林。期間，我們宣佈投資了14家初創企業。迄今爲止，我們在歐洲建立了超過12,000項合作關係，大家都在朝着同一個目標努力。
計算機產業經過數十年的發展，如今，我們正站在一場新工業革命的起點。
這張圖片是計算機生成的，提示詞由我提供。我只是簡單描述了「AI推動新工業革命」，再列出幾家希望突出展示的合作伙伴，它就生成了這幅畫面。
非常有意思的是，在AI的理解中，建設一個新產業，意味着生成Token、生產智能，再把智能融入每一個行業，推動新的工業革命。
當一項新技術改變了我們如何製造產品，以及我們能夠製造什麼產品時，一場新的工業革命就會發生。
我認爲，人工智能將在各個方面影響我們製造的一切，並讓我們能夠創造過去無法創造的新事物。
每個人都會使用它，每家公司都會由它賦能，因爲它是數字智能，是一切的基礎。每個行業都會因此改變，新的行業也會誕生。
就像電力一樣，AI將帶來一場新的工業革命，而我們才剛剛起步。
問題是：什麼是AI？
如果你希望參與創造這個未來，理解AI究竟是什麼，至關重要。
我們很早就意識到，AI實際上是一個製造產業。
它不僅是一項軟件技術。AI當然運行在計算機上，但這種計算機的運行方式已經發生了根本變化。它不再僅僅是供我們使用的工具，而是成爲機器、基礎設施和工廠的一部分，用來生產智能，再將智能融入每一個行業和應用。
一個簡單的理解方式，是把AI看作一塊五層蛋糕：
能源驅動先進計算機；這些計算機構成AI工廠；運行在工廠中的模型生成Token，也就是數字智能；這些智能再融入各種應用。
要參與AI經濟，你不應該只消費AI，也應該生產AI。這些事情，我們都可以在歐洲完成，而且已經開始了。
歐洲正在建設自己的AI經濟，圖中展示的就是這五個層次。我們擁有出色的合作伙伴。觀察這五層結構，你會發現，這確實是一個新產業，因爲每一層都在增長。
我們正在以驚人的速度創造就業和增長機會。歐洲的施耐德電氣、西門子、西門子能源等公司，在全球都有出色表現。
英偉達處於計算層，我們的技術被集成到歐洲各地不斷湧現的AI工廠中。NEBIUS等新興企業發展得非常好；一家名爲Firebird的新公司正在中亞地區建設新的雲平台，非洲也有Cassava這樣的企業。
我預測，未來每一家電信運營商都會向AI轉型。大量通信站點及數據中心構成的分佈式基礎設施，將演變爲分佈式AI網絡。原稿所述規模爲約10萬個站點、約100吉瓦。
AI基礎設施正在建設，其上才是AI模型。
必須認識到，在模型出現之前，基礎設施就必須先存在。就像擁有互聯網之前必須先建立網絡，要享受電力的能力，必須先建設電廠、讓住宅接入電網一樣。
模型層也不只有語言模型，還包括生物、化學、物理、機器人動作和動畫等模型，而且規模各不相同。
不同產業將由不同模態的AI模型驅動。這些模型進一步融入AI原生企業和初創公司，而歐洲有大量這樣的企業。
歐洲的AI經濟已經起步，而且正在加速發展。
談到英偉達在底層的貢獻，多數人首先想到的是GPU，這當然沒錯。
1993年，我們從圖形芯片起步，後來發展出GPU和可編程着色GPU。隨後，我們加入CUDA加速能力，重新定義了計算，並推動了人工智能的發展。
但今天的英偉達，實際上已經是一個覆蓋全棧、端到端的完整AI工廠平台。多年來，我們的技術範圍已經大幅擴展。
我們的技術包括GPU計算，最新一代是Vera Rubin；包括將多顆GPU連接成一顆巨大GPU的NVLink交換機；包括最近推出的Vera和BlueField-4，稍後我還會介紹。
還有我們的以太網解決方案Spectrum-X，它使英偉達成爲如今全球最大的網絡公司。
還有用於文本及Token生成的解碼加速器Groq 3。
此外，還有基於Vera和BlueField-4的存儲加速，以及Vera RTX計算。稍後我會分別介紹。
這些技術共同構成了建設AI工廠所需要的硬件體系，但如果沒有軟件將其激活，一切都無法工作。
首先是運行AI工廠的系統軟件。
這些系統極其龐大。一座1吉瓦的數據中心，也就是一座1吉瓦的AI工廠，成本大約爲500億美元。這包括土地、電力、建築，以及計算、網絡、存儲、供電和冷卻設備。
所有設備連接起來，形成佔地數英畝的AI工廠。僅僅讓它啓動並正常運行，本身就是一項壯舉。
讓這座工廠運轉、投入使用並生產Token，需要海量軟件，這是一項非凡的工程。英偉達提供完整的全棧軟件。
其上是我們稱爲CUDA-X的庫，也就是英偉達的算法體系。
從本質上說，英偉達是一家算法公司，我們設計芯片來加速這些算法。
其中之一是cuDNN。很多研究人員認爲，這個庫推動了現代AI的大爆發。
cuDNN之於AI，就像SQL之於全球數據庫產業。它是面向特定領域的語言和庫。
就像OpenGL和DirectX推動了實時計算機圖形的發展，cuDNN推動了AI計算產業的發展。
除此之外，我們還有350個其他庫。這些庫才是公司的核心資產，覆蓋計算光刻、信號處理、圖像處理、數據處理、粒子、流體、稀疏求解器等廣泛領域。
在座許多人的公司已經接入了這些庫。
我們通過這種方式開拓新市場，將英偉達與各種算法連接起來，讓大家以極高速度完成計算。
最右邊則是模型。
模型是新的軟件，也是新應用的引擎。它們建立在CUDA-X庫之上，並與這些庫協同工作。
英偉達一直在多個領域開發這些模型，它們將開啓新的機會，稍後我會詳細介紹。
回顧AI時代的各代產品，我們從Pascal開始。
基於Pascal的DGX-1，是世界上第一臺AI超級計算機。我在十年前發佈它，並將第一臺交付給OpenAI，開啓了他們的計算發展歷程。
從Pascal到Volta、Ampere，再到很多人第一次聽說英偉達時接觸到的Hopper，然後是當前的Blackwell，以及如今已全面投產的Vera Rubin。
這是六代架構。每一代，我們都在推動技術進步。
過去十年，我們將AI性能提高了100萬倍。
退一步想，如果只依靠摩爾定律，十年會發生什麼？前五年提高10倍，後五年再提高10倍，合計約100倍。
而在同一時期，我們通過所謂的「極致協同設計」，同時在計算機架構和軟件棧各層開展創新，優化算法、創造新算法，並設計相應架構來加速它們，最終將AI性能提高了100萬倍。我們還會繼續這樣做。
這就是今天英偉達所構建的技術體系，也是我們幫助歐洲參與AI生態和AI經濟的基礎。
早期的Pascal、Volta、Ampere和Hopper，主要圍繞GPU展開。我們創造了新的DGX形態。
到了Blackwell，我們向世界推出了首個機架級計算系統。
機架級計算把一整套系統變成一臺巨大的計算機，或者說一顆巨大的GPU。
到了Vera Rubin，我們進一步擴展計算範圍：不再只處理模型或大語言模型，而是處理整個智能體。
稍後我們還會回到這張圖，但請記住：智能體需要思考，而模型承擔的就是這部分工作。
感知、推理、規劃和工具使用，都依賴大語言模型，模型也是爲這些能力而設計的。
但智能體還需要一個運行框架，也就是Harness。你可以把它理解爲數字智能體的外骨骼。
就像人有大腦，也有身體，智能體框架負責協調工作，讓智能體能夠調用記憶，包括活動記憶、工作記憶和長期記憶，並使用工具。
第三部分是處理知識的計算機，專門負責數據處理。
最後，還有一類專門運行CUDA-X庫的計算機，負責執行工具。
這些計算機共同構成完整的智能體系統。
Vera Rubin已經全面投產。我們來看看實物。
這是我們打造的第一款沒有外露連接線纜、採用100%液冷設計的計算機。它可以直接抽出來，非常方便。
這就是一臺Vera Rubin計算機，這個單元有兩顆GPU。
過去，組裝一個Grace Blackwell節點需要兩個小時。你看過實物就會明白，到處都是線纜，它採用約80%的液冷設計。
現在，Vera Rubin實現了100%液冷，組裝時間不到五分鐘。
這是了不起的進步，意味着更短的製造週期、更高的可靠性，以及更好的性能。
這是NVLink交換機托盤。它將72顆GPU連接起來，形成一顆巨大的GPU。
每顆GPU的性能爲20 PFLOPS，再將72顆連接成一個龐大的系統。
這是我們的新款Vera計算機。
[現場出現插話]
沒關係，溫和一點，讓她有機會說話。每個人都有表達的機會。不過今天，先讓我完成演講，我稍後會和你們交流。
這些都是重要的問題，但請讓我先講完主題演講。
這個會場已經坐滿，全球還有100個同步觀看活動，現在有15,000人正在觀看。
最後我準備了一些非常有意思的內容。在娛樂環節到來之前，大家得先忍受一下我的知識講解。
這是全新的Vera計算機。Vera CPU是一顆非常強大的處理器，每個時鐘週期能夠執行八條指令。
它採用了我們所說的全球首創LPDDR內存子系統，兼具高性能、極高帶寬和出色的能源效率。
它的片上互連速度在全球芯片中處於領先水平，因此，數據處理，以及智能體會話的啓動和執行性能，都非常出色。這正是它的設計目標。
這就是Vera計算機。
旁邊這套是Spectrum-X，採用共封裝光學，也就是CPO技術。我給大家看看。
舞臺上有些地方是空的，有些地方可以踩，我不太確定分別在哪裏。如果我突然消失了，大家要知道，那不是特技，是意外。
這裏是激光器。光信號通過光學連接直接進入芯片。
我們與台積電共同開發了一項名爲COUPE的工藝，讓硅光子器件能夠直接連接到芯片上。
否則，這一整塊區域都需要通過印刷電路板傳輸信號，而電路板的傳輸能力遠不如光纖。
現在，我們可以讓極高數據速率、高質量的信號直接到達芯片，減少傳統方案中通過電路板和收發器進行轉換的環節。
這是我們的CPO產品，已經進入全面量產，提供512個端口，每個端口的速率爲200Gbps。
這是全球最先進的以太網交換機，我們對此非常自豪。
這些系統讓我們能夠處理大語言模型的思考過程，運行智能體框架，處理智能體所需的知識數據，並通過加速計算運行各種工具。這些基本上構成了智能體的完整工作負載。
Vera Rubin已經全面投產，性能非常出色。
正如我所說，每一代產品，我們都通過極致協同設計，實現遠超摩爾定律所能帶來的性能進步。
大家知道，摩爾定律在很大程度上已經走到盡頭。因此，我們需要從芯片到系統、從系統軟件到算法，再到整個AI工廠，開展這種協同設計。
Vera Rubin在Blackwell的基礎上又邁出了一大步。
在大語言模型處理方面，Blackwell的性能約爲Hopper的30倍。而僅僅兩年後，Vera Rubin又達到了Blackwell的約30倍。
接下來看看，Vera Rubin如何構成DSX全棧AI工廠。
視頻旁白：
AI正在推動歷史上規模最大的基礎設施建設。
工廠規模龐大，投資金額巨大，我們必須把它建好。但只有優秀的芯片，還不足以構成優秀的AI工廠。
NVIDIA DSX是與全球領先基礎設施企業共同開發的全棧AI工廠參考架構。
計算、網絡、存儲、軟件、供電和冷卻作爲一個整體協同設計，從設計階段到實際運營全面優化。
DSX從數字孿生開始。
在施工之前，先在虛擬環境中驗證性能、功耗、用水量及擴展能力。
PTC將設備設計轉化爲可用於仿真的資產。
達索系統通過基於模型的系統工程，將機架設計與設施設計連接起來。
施耐德電氣模擬配電和液冷系統。
Jacobs將這些內容整合進Omniverse數字孿生。
西門子評估熱、聲學及電網影響。
Procore支持施工階段的規劃。
電力決定AI工廠能夠生產多少智能。
DSX Max LPS是一套端到端控制迴路，能夠根據工作負載需求動態分配電力，在實現相同產出的情況下減少30%的用電量。
DSX也重新設計了冷卻方式。
NVIDIA Vera Rubin系統採用閉式液冷，在適宜氣候條件下，冷卻液溫度可以高達45攝氏度。室外乾式冷卻器將熱量釋放到空氣中，不需要蒸發水。
對於一座2吉瓦的設施，DSX每天可以節省5,400萬升水，相當於18萬戶家庭的日用水量。
然而，建設AI工廠可能需要數月時間。在投運之前，它不會生產任何Token。
今天，我們發佈NVIDIA DSX Pod，將這一全棧平台整合成在工廠內製造的一體化系統。
它以Vera Rubin NVL72爲基礎。
七個液冷計算機架，通過17公里的Spectrum-X線纜連接，構成一個Vera Rubin DSX Pod。
整個Pod在工廠完成集成、佈線和測試，再裝入可運輸的集裝箱交付。
乾式冷卻器取代傳統蒸發冷卻系統，800伏直流電直接連接機架，提高供電效率。
只要現場基礎設施就緒，預計現場部署時間就能從數月縮短至數天。
NVIDIA DSX AI工廠從設計階段就考慮資源效率和責任。現在有了DSX Pod，AI工廠的建設速度將大幅提升：每瓦電力產生更多智能，從交付到生成首個Token所需的時間也更短。
黃仁勳：
大家覺得怎麼樣？
2016年，我們發佈了世界上第一臺AI超級計算機。當時，它是一臺單節點GPU系統。
三年前，我們推出了Grace Blackwell NVLink 72機架級計算機。
這兩次創新，我們不僅重新設計了計算機、軟件和運行方式，也重新設計了供應鏈。
以NVLink 72爲例，過去整個機架需要在現場組裝，現在我們把組裝工作移到了供應鏈內部。
本質上，我們實現了超級計算機的規模化製造。
這正是我們能夠如此快速行動，同時支持全球數百個數據中心建設項目的原因。
如今，全球所有主要計算機制造商都在製造NVLink 72。我們生產計算系統的規模，是過去從未有過、難以想象的。
即便如此，當這些系統運抵現場後，仍然需要數月時間進行組裝。
剛才大家聽到了，僅用於橫向擴展計算的Spectrum-X連接，就需要17公里線纜。
假設我們把這些工作全部放到供應鏈內部完成：組裝系統、啓動運行、驗證完整功能、完成質量認證和老化測試，確保出貨時已經能夠正常工作。
這樣，現場佈線和組裝量就會大幅減少。
但更重要的是，數據中心裏等待安裝調試、無法投入使用的閒置算力，也會顯著減少。
記住，每座1吉瓦數據中心的成本約爲500億美元，預期每年可創造數百億美元收入。
假設這套基礎設施每年能夠創造400億美元收入，僅僅延遲三個月，就意味着100億美元收入推遲實現。這足以讓任何人感到焦慮。
通過將這些工作轉移到供應鏈內部，從計算設備到貨、安裝，到正式生產Token的時間，有望從四五個月縮短至大約一個月。
這將徹底改變全球供應鏈，也會改變人們安裝和建設數據中心的方式。
我們希望，這能提高建設和投運速度，減少閒置算力及閒置資本支出的浪費，讓所有參與者獲得更好的盈利能力。
這就是將NVLink 72進一步集成爲大型機櫃系統的DSX Pod，也是英偉達計算系統發展的下一步。
你製造什麼，以及如何製造，決定了你的獨特之處。
就像歐洲企業，你們掌握的專業能力讓你們與衆不同：你們設計機器、運營工廠、發現藥物，擁有非凡的工藝和專業知識。
英偉達的獨特之處主要有兩點。
第一，我們的架構是一種通用加速計算架構。
我們不只針對一種算法，例如Transformer，而是支持各種可以並行處理的工作負載，包括流體、粒子、量子計算、量子化學、圖像處理、數據處理，以及結構化數據和向量數據處理。
由於我們長期投入，而且架構在過去約25年裏保持一致，我們支持和加速的算法、領域及行業數量持續增長。
龐大的裝機基礎、通用架構、長期投入，以及與各行業的合作，讓英偉達架構幾乎無處不在。
第二，是我們的實現方式。
我們不僅開發架構，還將其構建成完整的全棧AI工廠。
世界上有不少公司希望自行設計芯片，但絕大多數公司只是希望部署AI基礎設施，然後在其上運行自己的業務。
設計芯片、製造超級計算機、編寫全部軟件，對大多數企業來說都不是它們打算承擔的工作。
因此，CUDA與全棧AI工廠的結合，使我們能夠服務過去難以觸及的市場。這也是我們能夠與這裏衆多企業合作的原因。
從雲服務提供商，也就是CSP開始，多數人認爲今天絕大部分AI都集中在那裏。但在演講開頭，我提到的很多公司並不屬於傳統CSP。
CSP仍然是全球計算市場的重要組成部分，但與此同時，世界各地正在湧現AI原生企業。
還有新型AI雲服務商，也就是Neocloud。每個地區都希望參與AI經濟，希望將自身擁有的寶貴資源和能源用於支持本地區企業。
例如法國的Mistral、歐洲的NEBIUS，以及歐洲各地建設新型AI雲的公司。
還有爲全球企業製造計算機的OEM和ODM廠商，以及AI實驗室。
去年，我們大量討論OpenAI；如今，除了OpenAI和Anthropic，還有Meta、Grok、Gemini等參與者，越來越多AI實驗室正在推動前沿技術發展。
但最重要的是，如果AI要真正成功，如果歐洲要從AI中受益並建立完整的AI生態和AI經濟，那麼所有終端行業都必須採用AI，並通過AI取得成功。
無論是開發自動駕駛汽車的汽車行業、使用機器人進行製造的工業企業、通過AI發現新藥的醫療行業，還是金融服務業，每個行業的企業都需要成爲AI公司。
藉助CUDA以及我們的計算機制造方式，我們能夠服務AI的各個細分領域。
一種架構，覆蓋多個市場。
這些基礎設施規模巨大、成本高昂，因此必須儘快發揮最大生產力，而且能夠靈活用於各種工作負載。
從AI旅程最初的數據處理，到訓練、後訓練、推理和智能體處理；從化學、物理到語言；從各個行業到它們使用的各種算法，都應當由同一套基礎設施支持。
因此，英偉達架構具有很強的通用性和可調配性。
持續創新、持續軟件更新，以及龐大裝機基礎所形成的豐富軟件生態，又讓這套架構具有長期使用價值。
通用、耐用、高效，這就是基礎。
有了這些基礎設施，我們能做什麼？
過去一年，AI發生了轉變，開始真正創造生產力。
其中一個重要時刻，是年初我們談到OpenClaw，它將開源智能體的概念帶給了更多人，也推動了如今全球正在發生的變化。
智能體會思考、推理、迭代和使用工具，因此會消耗大量Token。但也正因如此，它們開始真正有用。
更多智能體被開發出來，因爲更有用，所以更多人使用；又因爲思考需要大量Token，Token消耗迅速增長，GPU需求也隨之大幅上升。
這張圖展示的是一個智能體的五個組成部分。
第一是語言模型。模型運行在GPU上，生成供智能體使用的Token。
第二是我所說的「外骨骼」，也就是智能體框架，例如OpenClaw。
框架運行在沙箱內，沙箱將它與系統其他部分隔離。這是一個非常重要的概念。
另外兩個部分是知識和工具。
模型、框架、沙箱、知識和工具，構成了智能體的五個要素。
在討論如何讓智能體變得有用之前，首先必須確保它是安全的。
智能體是自主系統，可以訪問文件、資源、網絡和工具。因此，我們必須賦予它最小必要權限，並持續監控其行爲。
爲此，我們推出了一個新平台：OpenShell。
OpenShell是一個安全運行時，提供剛才提到的能力，並可以配合額外的硬件監控機制。
在詳細解釋之前，我們先看一段視頻。
視頻旁白：
企業正在準備部署數十億個AI智能體。
爲了發揮作用，它們需要推理、規劃、使用工具、訪問數據並相互協作。
但如今，阻止智能體濫用這些能力的方式，往往只是告訴它：
「請不要刪除任何東西。」
「請不要向主分支推送代碼。」
「請不要碰我的SSH密鑰。」這就是「請不要」的安全方式。
但希望不等於安全。安全不是願望，而是技術和工程。
NVIDIA OpenShell和Sentry將這一理念落實到實際系統中。
你爲每個智能體編寫策略，規定它可以接觸什麼。OpenShell在系統調用、文件訪問和網絡連接層面執行這些策略。
形式化驗證會檢查每一次策略變更，確保其不突破你設定的權限上限，使智能體不會獲得超出預期的訪問權限。
這類似於早期互聯網：在瀏覽器嚴格限制網頁能力之前，病毒曾經四處傳播。OpenShell爲智能體建立類似的邊界。
這些限制在智能體之外執行，而不是隻依賴大語言模型內部的護欄，從而將智能體原生安全能力引入基礎設施。
每個智能體都運行在自己的隔離沙箱中，不能直接訪問網絡。
所有出站網絡請求，都必須經過沙箱外的監督組件。監督組件根據策略檢查請求，未獲允許的操作會被拒絕。
密鑰保存在沙箱外，由監督組件管理，只有向獲准訪問的端點發送請求時才會加入。即使智能體遭到入侵，也無法泄露它從未持有的密鑰。
網關充當控制平面，監督組件負責作出決定，沙箱容納智能體，策略證明器則檢查擬議策略是否符合權限上限。
OpenShell將Linux內核隔離與運行時策略執行相結合。
NVIDIA Sentry還可以在主機之外、遠離智能體的位置，增加一層可選保護。
Sentry運行在NVIDIA BlueField-4上，在硬件隔離的信任域中監控智能體活動並執行安全策略。
智能體的推理流量經過Sentry，因此一旦檢測到需要阻止的計劃，系統可以立即更新策略，切斷智能體與模型的連接，在毫秒內完成隔離。
它還保留可驗證、防篡改痕跡的記錄，供運營人員進行檢測、調查和響應。
OpenShell採用Apache 2.0許可證開源，可運行在智能體所在的各種環境中，從邊緣到雲端。只需兩個命令即可開始使用：安裝命令行工具，創建沙箱，然後運行你喜歡的智能體。
智能體能發揮多大作用，取決於你賦予它多少訪問能力。OpenShell和Sentry讓這些訪問能力處於你的控制之下。
這就是我們同時推進AI能力與安全的方式。
黃仁勳：
智能體是自主系統。我們必須創造高度安全的技術，確保能夠安全地開發和部署它們。
OpenShell發佈後，從前沿模型實驗室，到操作系統公司、網絡安全公司和平台公司，許多大型企業都開始採用它。
因爲這項技術到來的時機恰到好處：我們正準備在全球大規模部署智能體。
這不僅關乎服務提供商在部署智能體時使用OpenShell，也關乎世界各地的企業採用OpenShell，讓這些智能體能夠在企業內部自主運行。
不同能力、不同任務、不同使用者，對應不同的權限需求。每次啓動智能體，所需要的權限可能都不一樣。
因此，權限配置、策略執行和監控，都必須動態完成。
我很高興宣佈，Anthropic與英偉達正在合作，將Claude智能體與OpenShell結合。網站上有一篇很好的介紹文章。
你可以使用OpenClaw、Hermes、OpenHands，也可以通過LangChain、Deep Agents構建自己的框架，甚至直接用Python編寫。
這些智能體框架都可以運行在OpenShell提供的安全沙箱中。
接下來談模型。
未來，我們不會只用一個模型處理所有工作，而是會根據任務選擇最合適的模型，無論它是閉源、開放還是定製模型。
有些工作相對通用，通用人工智能就能做得很好。
但另一些工作包含大量專有知識和專業能力，而且你希望持續提升這些能力。
因此，未來每家公司都會同時使用閉源模型，以及自行定製的開放模型。
到今天演講結束時，大家會發現，構建自己的AI並沒有那麼困難。
首先當然是模型。
我們一直致力於推動開放模型的發展，開拓新機會，讓大家能夠構建自己的定製AI。
Nemotron面向語言。
Cosmos是我們的世界基礎模型，我們在這一領域處於前沿。
GR00T面向人形機器人。
Alpamayo面向自主導航。
Ising面向量子—經典混合計算。
Earth-2面向物理AI。
在這些不同領域，我們都提供模型，並持續投入研發。我們已經做了十年，也會長期做下去。
我們不僅開放模型，還提供相關數據，讓你了解模型的數據來源，並提供復現所需的腳本。
因此，你得到的不只是開放權重，而是完整的方法、數據和復現路徑。你能夠知道模型從何而來，並建立對它的信任。
這些模型未必在所有領域都是最前沿的，尤其是在語言模型方面。
但通過定製，以及與生態夥伴合作，你可以將它們提升到自己所需領域的前沿水平，把專有數據轉化爲自主掌握的智能。
例如，AI21幫助Alice將Nemotron定製爲超越相關前沿能力的模型。
Baseten幫助CodeRabbit使用自身數據微調Nemotron，實現前沿水平的能力。
Trajectory與Harvey也通過對Nemotron進行後訓練，構建自己的前沿能力。
Scale與Skydance同樣在做這樣的事情。
例子還有很多。
核心在於，你可以從Nemotron這樣優秀的開放模型出發，用自己的數據針對特定用例進行後訓練，從而獲得高度專業化的智能。
這是一條非常合理的路徑，所需技術今天都已具備。
這裏還有Palantir與坦帕綜合醫院的案例。
我們擁有豐富的合作伙伴生態，能夠幫助大家。這些都是出色的公司，可以爲世界各地的客戶提供服務。
我如果只提一家，就會漏掉其他夥伴；如果全部列出來，又要花很長時間。我非常珍視所有這些合作伙伴。
總結一下：首先，讓智能體框架運行在OpenShell安全沙箱中；其次，選擇Nemotron等大語言模型。
但真正讓普通智能體變成「超級智能體」的，是讓它訪問你公司的知識。
我們將這套能力稱爲智能體知識基礎。
它由一組世界級模型和工具組成，幫助你處理公司的各種數據資產。
數據可能以非結構化形式存在於文檔中，因此需要AI理解PDF和其他非結構化文件；也可能以結構化形式存在於數據庫中。
我們提供必要的庫和工具，幫助你從企業數據中提取含義、形成理解。
Nemotron Parse負責文檔解析，表現位居相關排行榜前列。
Nemotron Embed將查詢與向量數據庫中的知識關聯起來，同樣具有領先表現。
Nemotron Rerank則處理檢索到的多個來源和數據片段，根據與查詢的相關程度重新排序。
Kumo可以利用結構化數據庫預測可能發生的事情。
舉例來說，你收到供應商通知，某些物料將出現短缺或交付延遲。這條信息很可能是一份非結構化文檔。
而公司訂單信息通常保存在SQL等結構化數據庫中。
如果要預測哪些訂單會受影響、哪些會缺貨、延遲多久，可以使用Kumo。
接下來，爲了尋找替代零件，你可以使用向量數據庫檢索，找到相關替代部件的工程文檔。
這些模型、庫和數據處理能力，共同構成知識基礎，讓AI能夠利用你的專有數據和專有知識。
最後是工具，也就是完成專業工作所需要的工具。
英偉達一直在開發CUDA-X。
在AI成爲主要話題之前，我們的大量討論都圍繞着如何加速模擬器、求解器、數據處理引擎，以及各種領域專用庫展開。
這些工具用於各個科學領域的發現，也用於工程、研究、設計、建造和創意藝術。
它們的核心是CUDA-X庫，而CUDA-X庫本質上是算法。大家知道，算法是美的。
我們來看一段展示。
數學很美。
CUDA-X庫是我們公司的核心資產。原因在於，當你構建AI助手時，無論它是實驗室助手、研究助手，還是與你共同設計和創造的夥伴，最終讓它真正有用、能夠完成實際工作的，都是工具。
現在，我們擁有能夠讓智能體理解信息、推理、規劃，並不斷採取行動、使用工具直到完成任務的模型。
但最終，仍然離不開工具。
這些工具，我們已經開發了很多年。
剛才展示的右側那類計算機，可以運行所有這些工具，無論是流體動力學、粒子物理、量子化學、數據處理，還是光線追蹤。
與直接在CPU上運行相比，它可以將處理速度提高10倍、50倍，甚至100倍。
CUDA-X給智能體提供了完成專業工作的能力。看到其他人如何使用這些工具，非常令人興奮。
這就是智能體背後的關鍵。
智能體最終需要使用工具。
軟件編程是最早採用智能體的領域之一，在那裏，編譯器或Python往往就足以完成很多工作。
但未來，隨着智能體承擔越來越多實際任務，我們需要爲它們提供更多工具。
下面是幾個例子。
Lila Sciences正在開發實驗室助手，使用英偉達的BioNeMo模型理解蛋白質和細胞，並在藥物發現中設計蛋白質及化學分子，同時調用CUDA-X工具。
西門子正在構建工廠智能體，使用理解物理世界的Cosmos世界基礎模型，以及CUDA-X工具。
達索系統則在開發虛擬夥伴，使用Nemotron語言模型和CUDA-X工具。
來看看它們如何工作。
視頻旁白：
最聰明的科學家仍然需要實驗室，最優秀的工程師仍然需要模擬器和求解器，AI智能體也是如此。
一個智能體由五個部分組成：
模型負責感知、推理和規劃。
框架負責協調工作。
知識基礎從公司的結構化和非結構化數據中提供上下文。
工具讓智能體能夠模擬、實驗和採取行動。
NVIDIA OpenShell控制智能體可以訪問和執行什麼。
你可以從前沿閉源模型開始，也可以定製開放模型。藉助NVIDIA Agent Toolkit，任何公司都能將自身知識和專業能力轉化爲定製超級智能體。
來看三個例子。
對於Lila Sciences，目標是設計一種針對B細胞淋巴瘤的療法。
基於Nemotron構建的Lila Iris智能體，將這一目標轉化爲實驗計劃。
在計算幹實驗室中，Lila智能體使用NVIDIA BioNeMo Agent Toolkit，調用蛋白質設計和RNA優化模型，運行數百萬次虛擬實驗。
最有前景的候選方案進入Lila的AI科學工廠，由藉助Omniverse和Cosmos開發的自主機器人及儀器進行製備和測試。
結果返回Iris，影響下一輪設計和實驗，形成持續迭代的閉環。
在西門子埃爾朗根電子工廠，目標是讓新產品投入生產。
Process Preparation X智能體使用Cosmos生成虛擬原型和合成數據，在生產開始前訓練並驗證檢測模型。
基於NVIDIA工廠運營藍圖構建的Intelligence Center X智能體，根據訂單、物料供應和產線配置，提出生產計劃建議。
Digital Twin Composer利用Omniverse庫，將物理仿真與實時工廠數據結合，在實際調整生產現場之前驗證這些計劃。
在達索系統平台上，一位工程師需要將大衆Golf的車門設計適配到Tiguan車型。
Aura和Leo使用Nemotron理解和推理工程要求。
智能體框架協調各個專業子智能體，並在規劃、設計和仿真過程中保留上下文。
Aura使用ENOVIA，根據車輛尺寸、重量限制和其他工程要求規劃工作。
Leo設計智能體選擇兼容的Golf車門設計，再使用CATIA修改形狀，使其適配Tiguan。
Leo仿真智能體使用由CUDA-X加速的SIMULIA測試不同方案，發現了振動問題。
結果返回設計智能體進行優化，工程師審核改進後的設計，並選擇最終方案。
不同的目標，不同的專業知識，相同的基礎組成：開放模型、CUDA-X加速工具，以及OpenShell安全運行時，通過NVIDIA Agent Toolkit整合在一起。
黃仁勳：
很棒，對吧？
有人說，AI來了，軟件和工具公司的時代就要結束了。
事實恰恰相反。
AI到來後，使用這些工具的用戶將比以往任何時候都多。
每一家工具公司都將成爲AI公司、智能體公司。它們不僅提供工具，還會提供經過專門優化、非常擅長使用這些工具的智能體。
Cadence、CrowdStrike、達索系統，以及其他許多企業軟件公司，都在構建智能體。我們很高興與它們合作。[原稿名單中另有一家公司名稱不清。]
構建智能體並沒有那麼困難。它有五個組成部分：模型、框架、OpenShell安全運行時，以及最重要的知識和工具。
模型和框架都有開放和閉源版本，而知識與工具屬於你，代表你的專業能力。
這些事情如今都已能夠實現。稍後我還會展示更多，但在此之前，先談談物理AI。
物理AI是AI的下一波浪潮。
它能夠理解物理世界，並對其進行推理。因爲物理世界多樣、複雜，存在極其豐富的長尾情況，AI需要理解這些情況，再使用合適的工具與物理世界互動。
一談物理AI，大家往往想到機器人。
但我最喜歡的應用之一，其實是移動通信基站。
它不是用攝像頭、揚聲器或麥克風，而是通過無線電波感知世界，處理信息並進行推理，再利用波束成形與世界互動。
因此，通信是一種非常適合AI的技術。
AI將徹底改變電信網絡，大幅提高頻譜效率。
就像我們在光線追蹤上所做的一樣：大家看到的圖形採用完整光線追蹤，而在引入AI之後，與過去認爲必要的計算量相比，效率出現了百萬倍量級的變化。
我們將爲電信網絡帶來巨大的頻譜效率提升。
除此之外，還將改變這些通信站點。原稿所述西方地區約有10萬個站點，構成約100吉瓦的分佈式數據中心基礎設施，未來將演變爲分佈式AI基礎設施。
我們很高興與歐洲衆多公司合作。
經過近八年的研發，就在上週，英偉達與諾基亞合作，在T-Mobile網絡上完成了首次商用通話。
現在，CUDA已經能夠執行傳統通信處理。在此基礎上，我們就可以進一步疊加AI能力，推動新的變革。
另一個讓我非常興奮的物理AI應用，是機器人輔助放射治療。
在治療過程中，腫瘤形狀可能變化，人體也會移動。這套自適應放療系統必須感知環境變化，識別腫瘤位置，精確分割目標，並據此準確引導放射治療。
本質上，這是一種機器人化治療。
當然，大家最熟悉、近期最有望實現大規模應用的機器人或物理AI領域，是我們已經投入十多年的自動駕駛。
我們意識到，每一家汽車公司都希望自己的車輛能夠加入出行服務車隊。
今天已有Uber、Bolt、Grab、Lyft等平台。未來，自動駕駛出租車也會接入這些出行服務，而且不會只來自一個品牌。
但開發這樣的系統，尤其是其軟件，成本非常高。
因此，我們決定創建一個標準架構。
這套架構包括14個攝像頭、9套雷達、3個激光雷達，以及一組超聲波傳感器。
這些傳感器形成一個環繞車輛的感知系統，由雙NVIDIA GPU系統提供自動駕駛計算能力。
我們將它發展爲行業標準，如今正在被越來越多車型採用。
自動駕駛軟件公司在其上開發能力，英偉達自己也是其中之一。這些自動駕駛出租車再接入出行服務平台，形成完整生態。
全球每年的出行里程約爲1萬億英里。未來，其中相當一部分里程可能由自動駕駛出租車完成，按每英里1至2美元計算，這是一個巨大機會。
但市場非常分散。
通過建立Hyperion這樣的標準架構，並與整個生態合作，我們就能形成一個巨大的虛擬車隊，讓各方都能接入。
今天，我很高興宣佈，又有四個品牌或車型系列加入：大衆廂式車、捷豹路虎的新車型、沃爾沃車隊，以及梅賽德斯-奔馳下一代車型。
它們將兼容Hyperion，併成爲這一自動駕駛出行網絡的一部分。
歡迎加入Hyperion。
下一個偉大產業，而且很可能規模極其龐大的產業，是人形機器人。
機器人之所以難做，一個重要原因是任務種類非常多。
如果針對每一種任務都開發一種特殊形態，就會把機器人產業分割成許多不同配置，難以形成推動技術進步的規模效應。
手機、個人電腦，以及英偉達NVLink 72之所以進步如此迅速，是因爲標準化配置可以服務大量客戶。
大量需求帶來規模，規模又推動技術迭代，讓產品更快、更好。
因此，我們需要儘可能標準化的機器人形態。
人形機器人未必適合所有任務，但很可能適合很多任務。因此，它可能成爲出貨量最大的機器人形態。
如果我們再爲它開發能夠快速學習的AI，那麼即使中小企業沒有專門的機器人團隊，也不必從頭編程，只需要向機器人演示要完成的工作。
機器人憑藉通用能力和通用智能，就能快速學習和適應。
這很可能成爲下一個重要技術平台。
我們正在與許多公司合作，其中不少來自歐洲。這是歐洲的重要機會。
歐洲在機電一體化、電子和機械系統的精度與工藝方面，擁有深厚積累。這裏有大量製造能力極強的企業。
機器人將成爲下一個大規模產業。許多公司已經參與進來，我們很高興與大家合作。
構建物理AI系統，需要三類計算機。
第一類，就是我們一直在談、大家也很熟悉的計算機，用來訓練AI模型。
第二類，用來讓AI學習技能。
你不能只是把AI編寫出來，就讓它進入物理世界隨意嘗試。學習應該先在數字孿生中進行。
我們創建了Omniverse數字孿生平台。
剛才看到的很多CUDA-X演示，都運行在數字孿生世界中。
Omniverse是一組可以接入各種平台和工具的庫，包括西門子、達索系統、Cadence等公司的平台。它們共同構建數字孿生系統。
第三類，是部署在機器人上的計算機。
對於自動駕駛汽車和自動駕駛出租車，我們將相關平台稱爲Hyperion。
它包括計算機本身、功能安全系統、主動安全系統，以及專爲物理AI安全設計的操作系統。
我們也需要爲機器人提供同樣完整的平台。
這樣，當大家開始研究或開發機器人時，就不必從零拼裝所有軟件、計算系統、傳感器和機械部件。僅僅完成這些準備工作，就可能耗費幾年時間。
因此，我們決定打造一款參考機器人。
這就是英偉達與Agile Robots合作的Agile One。
這款參考機器人預計將在明年第一季度提供，出廠時已經完成組裝，內置計算機，集成軟件，開箱即可具備相當不錯的能力。
它將成爲一個很好的起點，推動機器人開發加速。
現在，讓我們回到演講開始的地方。
英偉達誕生於個人電腦革命之中。
1993年，我們成立時，PC革命正準備進入新的階段；Windows 95隨後讓它進一步加速。
此後，我們發明了GPU，推動可編程着色和實時光線追蹤發展，將CUDA加入計算模型，並幫助點燃現代AI革命。
四年前，我們開始思考：面對新的時代，能否重新定義個人電腦？
它不再只是你的工具，而是你的個人智能體、個人助手。你與它的互動，更像與一位幫助你工作的夥伴交流。
因此，這台計算機需要具備今天介紹的五個部分。
它需要模型，模型可以在本地運行，也可以在雲端運行。
它需要智能體框架。
它需要OpenShell安全運行時。
它還需要訪問個人電腦中的知識和工具。
好消息是，英偉達已經加速這些工具很多年。
只要我們創造一臺同時支持OpenGL、DirectX和CUDA加速的計算機，英偉達過去開發的一切就都能夠在其上運行。
這就是成果。
經過四年與微軟的合作，我們打造了RTX Spark，這是一條全新的計算機產品線。
數千個工程人年的投入，凝結在其中。我們祕密研發了四年，創造了一顆名爲N1X的芯片，最近與整個PC產業共同發佈。
我們打造了臺式機、筆記本電腦和工作站。
這台設備提供1 PFLOPS算力。
作個對比：2016年，我向當時還很小的OpenAI交付了一臺擁有1 PFLOPS算力和128GB內存的計算機。
現在，這台小設備同樣提供1 PFLOPS算力和128GB內存。
區別在於，我可以這樣把它拿在手裏，而當年的DGX-1需要兩個人才能抬上樓。
這就是全新的RTX Spark PC。
如果你想要一臺運行CATIA、達索系統其他軟件，以及Autodesk、Adobe、Cadence和Synopsys工具的配套工作站，也可以選擇運行Windows的DGX Station。
它提供20 PFLOPS算力和754GB內存。
此外，還有桌面版本。
相關產品正在推出，運行Windows的DGX Station預計將在今年年底上市。
現在，我已經講了智能體的五個組成部分。接下來的問題是，怎麼構建智能體？
如何讓它運行在這些計算機上，或者運行在雲端、企業本地環境中？
答案其實很簡單。
構建智能體的方法，就是請一個智能體替你構建。
接下來，這段提示詞將驅動一個應用。
大家將看到一個機器人應用演示。觀看時請記住，這台個人電腦上運行着一個智能體，而整套演示涉及三類計算機：
第一類用於訓練。
第二類運行數字孿生。
第三類將AI部署到機器人本身。
這裏有兩個核心概念：一是如何構建和運行智能體，以及能用它做什麼；二是由三類計算機構成的物理AI計算模式。
我們來看演示。
視頻旁白：
這是Hugging Face的機器人Micro Duck。
讓我們使用NVIDIA RTX Spark，教它觀察世界和行走。
我使用Hermes作爲智能體框架，以Nemotron和OpenAI的GPT-6 Astra作爲模型，並使用CUDA-X加速工具：FreeCAD、Blender、Isaac Sim、Newton物理引擎和Isaac Lab。
除非需要將大型工作負載擴展到雲端，否則所有任務都在RTX Spark上運行。
首先，我描述訓練場地，以及Micro Duck需要學會什麼。
RTX Spark上的Hermes和Nemotron規劃場地，列出所需的全部物體。
隨後，Astra使用FreeCAD建立三維物體模型，用Blender賦予材質，再通過Omniverse仿真就緒庫添加物理屬性。
Astra在Isaac Sim中佈置場景，爲Micro Duck配置關節、執行器和連接結構，再利用Newton物理引擎模擬它的運動。
接下來開始訓練。
雲端的Isaac Lab讓數千個Micro Duck同時訓練。
每一次跌倒都是一次學習機會，推動控制策略不斷改進。
Omniverse庫模擬Micro Duck的攝像頭，教它「看見」環境。
當感知與物理能力結合後，Micro Duck能夠避開障礙、穿過狹窄空間，並適應周圍環境。
我將訓練策略下載到RTX Spark，使用Nemotron和Isaac Sim，通過多智能體編排對Micro Duck進行評估。
最後，將通過驗證的策略部署到真實機器人上，它就可以開始行動了。
NVIDIA RTX Spark，讓你直接在筆記本電腦上構建和運行AI智能體及其加速工具。
黃仁勳：
你們好！過來，給大家看看你們會走路。
你們還有攝像頭。小心，別絆倒。
能坐下嗎？現在站起來。休息一下，再站起來。
你們知道自己是在這裏被創造出來的嗎？
你們誕生於RTX Spark，在雲端的大量英偉達超級計算機上接受訓練，並在RTX Spark上的Omniverse數字孿生中學習技能。
是不是很神奇？
你們真可愛。你們的「父母」叫Pollen，對吧？Pollen Robotics。
聽說大家太喜歡你們了，已經賣光了。
所有觀看這段視頻的朋友——可能會有兩千萬人——都可以去Pollen的網站看看，下一筆訂單。
這家初創公司大概只有十個人，訂單可能一下子就把他們淹沒了。
每個人都應該有一隻，你們太可愛了。
有一臺RTX Spark，我們就能繼續教你們新技能。
能翻個跟頭嗎？
太棒了！
那麼，今天我們談了什麼？
我們談到了歐洲建設自己的AI經濟，而這一切從基礎設施開始。
我們發佈了新的DSX Pod系統，讓建設AI工廠更加容易。
而這些AI工廠，不再只是運行模型。
[轉向機器人。]
集中注意力，過來，坐下。
這些工廠運行的是完整的智能體。
智能體包含五個部分：
大語言模型負責感知、推理、規劃和行動。
智能體框架相當於它的外骨骼，負責協調運行。
框架運行在OpenShell安全運行時中。
再賦予它訪問知識和工具的能力。
這些智能體運行在我們的計算機上，而我們還在向下一代擴展，也就是物理AI。這就是你們這些小機器人的用武之地。
每個人都能構建智能體，歐洲每家公司都會成爲AI公司，這一點毫無疑問。
歐洲將擁有蓬勃發展的AI經濟。
33年來，這是一段不可思議的旅程。我們製作了一段很酷的視頻，你們要一起看嗎？
過來一點，我們讓開舞臺。全速前進！
視頻主持人：
這樣的演示之後，我們還能拿什麼接着上場？
有一件事，能讓現場更沸騰。
是什麼？
你絕對想不到，GTC要變成歐洲歌唱大賽了！
黃仁勳：
感謝大家，感謝所有贊助商，也感謝33年來與我們一路合作的夥伴。
還有Micro Duck，我的新朋友們。
讓我們一起建設歐洲的AI經濟，讓AI真正投入工作。
祝大家度過一場精彩的GTC！