(配图：Photo by BoliviaInteligente on Unsplash)
前言：2025 年 3 月 18 日，在美国加州圣何塞举行的 GTC 2025 大会上，NVIDIA CEO 黄仁勋发表了长达两小时的主题演讲，详细介绍了 NVIDIA 的未来路线图。 这场被誉为“AI 超级碗”的盛会，吸引了全球开发者、创新者和行业领导者的广泛关注。 黄仁勋在演讲中宣布了多项重大创新，包括新一代 AI 芯片 Blackwell Ultra 的发布、面向机器人的 GR00T N1 AI 模型的推出，以及与通用汽车在自动驾驶领域的合作。 他还强调，未来 AI 计算需求将呈指数级增长，预计到 2028 年，数据中心资本支出将超过 1 万亿美元。 这次演讲不仅展示了 NVIDIA 在 AI 硬件、软件、机器人和自动驾驶等领域的最新进展，也为行业未来的发展指明了方向。
如果你对 AI 或投资有一点点兴趣，你应该读一下这篇文章。
NVIDIA 的 CEO 黄仁勋昨天在 GTC 大会上做了一场两小时的主题演讲，介绍了 NVIDIA 的未来路线图。这场大会被称为“AI 界的伍德斯托克”。短短两小时，涵盖了三年份的信息，不过大多数人听不懂他用了哪些术语和行业黑话。
那么，真正重要的核心信息是什么？哪些内容会决定这个行业未来的发展？
如果 NVIDIA 打个喷嚏，AI 产业就会感冒。这里是你需要了解的 AI 硬件、软件、机器人和投资的未来。
重大决定已经做出
这次的发布会内容可以分成四个主要的营收板块：
- AI 数据中心硬件业务
- HPC（高性能计算）数据中心业务
- 消费级硬件业务
- 其他收入来源，主要是机器人和自动驾驶
我们从最后一个开始说起。
机器人和自动驾驶
NVIDIA 早就开始高调宣传 AI 机器人，或者说他们叫的“物理 AI”。他们的布局可以分成三部分：
- 他们想要训练控制机器人的 AI 模型
- 他们想要打造机器人训练的虚拟环境
- 他们想要提供训练数据
换句话说，他们要插手 AI 机器人市场的所有环节。
针对第一点，他们发布了 Gr00t N1，一个机器人基础模型。它采用双模型架构，作为机器人运行的大脑。
这个架构和 FigureAI 最近提出的思路类似（我之前在 Medium 上写过相关内容）。本质上，它是一个视觉-语言-动作 AI 模型，能够接收一系列图像帧和机器人状态（机器人在环境中的位置），然后决定下一步动作。
(配图：Source: NVIDIA)
此外，他们计划用 Omniverse 和 Isaac Gym 来提供训练环境。正如我之前解释的，机器人不在现实世界中训练，原因有两个：
- 成本太高
- 训练速度不能加快（你不能让多个机器人同时在物理世界训练）
所以，我们用模拟环境来尽可能接近现实世界，在虚拟环境里训练 AI 模型，然后再一次性部署到真实机器人身上（完全不需要物理训练）。
第三个亮点是他们提出了一个非常有趣的想法：用 AI 生成新的合成数据（由其他 AI 生成的数据）来训练机器人。通过 Cosmos 世界模型，这个 AI 可以生成机器人没有经历过的替代场景（也是在模拟环境里），让机器人接触更多的情况，学到更多东西。
值得注意的是，Cosmos 世界模型和这种用合成数据继续训练 AI 的方法，也是自动驾驶技术训练的关键。因此，NVIDIA 也借此宣布了与通用汽车的合作，接手 GM 刚刚放弃的 Cruise 机器人出租车业务，为他们的自动驾驶车队提供技术支持。
核心结论 #1： 机器人市场可能会是 AI 最大的市场，NVIDIA 正在巩固自己的领先地位（先是在模拟环境，现在是 AI 模型和合成数据）。
但目前，这个业务板块的收入基本为零，所以对投资者来说，它仍然是一个高风险/高回报的赌注。
NVIDIA 笔记本和工作站
虽然 NVIDIA 现在大力押注分布式计算（后面会详细说），但他们也在积极进军消费级硬件市场。
他们发布了两款新设备：
- NVIDIA DGX 工作站，一台台式计算机，拥有惊人的 789GB 内存（其中 288GB 是 HBM 内存，市场上最快的带宽），FP4 计算性能达到 20 Petaflops（每秒 2 万万亿次计算），内存带宽 8TB/s。
- NVIDIA DGX Spark，一个可以连接到笔记本的便携计算设备，计算性能达到 1000 TOPS，拥有 128GB 统一内存，但带宽只有 276GB/s。
简单来说，这些都是为 AI 任务设计的个人电脑，算是 NVIDIA 对苹果上周发布的 Mac Studio M4 Max 和 M3 Ultra 电脑的回应。
它们有什么共同点？
计算能力强、内存大、内存传输速度快，这些特性对 AI 任务来说很重要（说实话，除了 AI 任务之外，普通用户用不上）。
核心结论 #2： NVIDIA 又开辟了一个新收入板块。随着小型基础模型的进步，越来越多 AI 从业者会选择本地运行开源模型，这个市场可能会有很大增长空间。
不过目前来看，除了苹果，可能也就 NVIDIA 能在这个市场里分一杯羹了（至于市场有多大，还是个未知数，因为这些设备太贵了）。
HPC 数据中心业务
这里就开始有点让人失望了。NVIDIA 毫不犹豫地把 HPC（高性能计算）市场拱手让给 AMD。接下来的 GPU 产品会减少 FP64 ALU 单元的比例，而是更多地转向低精度计算。
简单来说，HPC 和 AI 计算的核心区别是 精度：
• AI 计算更倾向于 低精度（每个参数占用的内存更少）
• HPC 计算（比如复杂的物理模拟）需要 高精度，比如 FP64（每个参数占 8 字节内存）
但问题是，芯片的面积有限，NVIDIA 选择把 FP64 计算单元减少，把更多面积留给 AI 计算（FP16/FP8/INT4）。
这一策略实际上是在告诉 AMD：“HPC 市场归你了，我们去赚 AI 的钱。”
AMD 现在需要做出选择：是继续在 AI 领域跟 NVIDIA 硬碰硬，还是专注于 HPC 领域，放弃 AI 市场的竞争力？
核心结论 #3： NVIDIA 相当于和 HPC 说了声“我们不合适”，然后头也不回地奔向 AI，因为 AI 现在是最热门的领域。
AI 数据中心业务
这里才是最关键的部分，NVIDIA 的策略透露出了两点信息：
- 摩尔定律不再适用了
- 我们正在进入一个“推理为主”的世界
科技正逼近自然极限
虽然听起来有点夸张，但 NVIDIA 确实正撞上“自然的墙”。
就像前面说的，我们正在逼近 功率密度的极限，也就是说，每单位面积的计算能力已经接近极限。
由于芯片制造工艺的限制，NVIDIA 现在只能通过 芯粒（chiplet） 架构来提升算力，把多个计算单元封装在一起。
然而，Blackwell GPU 已经把 两个最大尺寸的芯片封装到一起 了，也就是说，NVIDIA 已经几乎摸到这个架构的天花板。
这时候，NVIDIA 其实只有两个方向可以提升计算能力： - 缩小晶体管尺寸 —— 计算是靠逻辑电路和晶体管完成的，晶体管越小，计算单元就能塞进越多。
- 增加芯片封装数量 —— 虽然单个芯片的大小受限，但理论上可以一直往一起拼芯片（但这也是工程界最难的挑战之一）。
理解了这一点，我们再来看 NVIDIA 的 AI 计算路线图。
当计算不再是主角
NVIDIA 现在全力押注推理计算。
简单来说，NVIDIA 认为 AI 计算的主要负载将是推理（运行 AI 模型），而不是训练。
他们的最新 GPU 产品就反映了这一趋势。
首先，他们发布了 Blackwell Ultra NVL72 服务器机架，特点包括：
• 1.1 Exaflops 的 FP4（半字节精度）推理算力（1 Exaflop = 每秒 1 百万万亿次计算）
• 专门针对 AI 注意力机制优化的计算单元（AI 模型的核心）
• 20TB 的 HBM 内存 + 40TB 的高速存储，比上一代 Blackwell 增加 1.5 倍
• 14.4TB/s 的内存带宽
为什么说这次发布的产品专注于推理计算？主要有两个原因：
- 它们的算力比当前 Blackwell 提高了 50%，但完全放弃了 FP64 计算单元，意味着 HPC 彻底被放弃，全面转向 AI 计算（低精度计算）。
- 他们把单个 GPU 的 HBM 内存从 192GB 提高到 288GB，主要是为了适配更大的模型，并且支持更大的 KV Cache（缓存 AI 推理过程中的关键数据，减少重复计算）。
但如果我们再往未来看，这个趋势就更明显了。
他们还公布了下一代 AI 计算平台：Vera Rubin（以发现暗物质的天文学家命名）。
相比 Blackwell Ultra，Vera Rubin：
• 计算能力提高 3.3 倍，其中一部分是因为晶体管从 4nm 缩小到 3nm，提升了功率密度。
• 每块 GPU 仍然使用相同的 HBM 堆叠，但升级到了 HBM4，内存带宽提升 2 倍。
不过，最令人震惊的还是下一款产品： 一台服务器机架塞进了 576 块 GPU，计算能力是 Blackwell Ultra 的 14 倍（而 Blackwell Ultra 现在都还没开始量产）。
在这个版本中，NVIDIA 把单个 GPU 的封装数量从 2 个提升到了 4 个，总共 1TB 的内存，比当前 Blackwell 增加 6 倍。
注意这个模式了吗？
核心结论 #4：
NVIDIA 不仅在增加计算能力（通过增加 GPU 数量、缩小晶体管尺寸来提升功率密度），更重要的提升在于内存，因为推理计算的最大瓶颈是内存带宽。
这一点说明 NVIDIA 认为AI 推理将成为计算负载的核心。
但为什么内存对推理计算这么重要？
简单来说，推理计算比训练计算的算术强度（arithmetic intensity）更低。
（算术强度 = 计算过程中用于真正计算的能量 vs. 用于数据传输的能量）
换句话说，如果你的算术强度低，那 GPU 会花更多的能量在数据搬运上，而不是计算上。
因此，NVIDIA 正在努力提升内存性能，从两个方向：
- 增加内存容量（能支持更大的 AI 模型和更大的缓存，从而提升处理能力）
- 提升内存传输速度（减少数据传输时间，让 GPU 的计算单元尽可能少“闲着”）
NVIDIA 的战略透露了什么？
综合来看，NVIDIA 其实已经告诉了我们他们的核心判断，而这些决定了 AI 产业未来的走向。
主要有五个关键点：
- NVIDIA 认为 AI 模型会继续变大
但这一点我持保留意见。虽然确实有越来越多的大模型，但它们主要是用来训练更小的模型，而不是直接部署。NVIDIA 能否让更大的模型成本降低到可以广泛应用，还是个未知数。 - 功率密度的极限已近，突破越来越难
他们已经快碰到物理极限，所以只能依靠更小的晶体管和更复杂的封装技术。 - 他们全力押注“推理 AI”
下一代 AI 模型主要依赖更强的推理能力，也就是“想得更久、算得更多”来提升智能。如果推理 AI 失败，那 NVIDIA 的路线图就会彻底崩塌。（不过我个人认为推理 AI 不会失败。） - 他们相信注意力机制仍然是 AI 的核心
NVIDIA 在计算单元中加入了专门优化注意力机制的 ALU（受到 Etched.AI 等创业公司的影响）。这一点说明，他们认为 AI 未来不会有太大的算法革新，而是会基于当前的 Transformer 框架继续演进。 - AMD 该怎么应对？
AMD 现在有两条路：
o 继续在 HPC 市场深耕，放弃 AI 计算的部分市场（因为 NVIDIA 基本独占 AI 硬件市场）。
o 跟 NVIDIA 正面刚，全面优化 AI 计算性能。
但 AMD 在 AI 计算的硬件网络层面不如 NVIDIA，所以他们可能会选择 继续稳住 HPC，同时针对小规模 AI 推理市场做优化（我个人也认为小规模推理会非常普遍）。
总结
从 NVIDIA 这次的发布会可以看出，他们的战略核心是：
• AI 计算会以推理为主
• 硬件发展会越来越依赖内存，而不是纯粹的计算能力
• 算力增长的瓶颈在于芯片封装和功率密度
• NVIDIA 认为 AI 的核心算法已经基本定型，不会再有大变化
我个人比较认可 NVIDIA 的判断。
但你怎么看？
