黄仁勋携Rubin架构亮相CES，英伟达铁了心要做“AI卖铲人”

北京时间1月6日凌晨，英伟达CEO黄仁勋CES 2026的开幕演讲中，系统阐述了他对人工智能产业演进的最新判断，并正式发布了全新一代Vera Rubin计算架构。这一架构涵盖CPU、GPU、互连、网络、存储与系统级设计，被英伟达定义为面向“下一阶段AI前沿”的基础设施平台。

在这场演讲中，黄仁勋并未将重点放在某一具体应用或模型能力上，而是反复强调一个核心命题：人工智能正在引发一次覆盖整个计算产业的结构性重置，而英伟达的角色，是为这场重置提供底层工具与系统能力。

AI走向“平台化”，英伟达要做底层“卖铲人”

黄仁勋对AI市场的判断，延续了他一贯的“平台论”视角。他表示，计算产业每隔10到15年就会发生一次底层重置：从大型机到PC，从互联网到云计算，再到移动计算。每一次重置，应用形态都会随之改变，产业价值链也会重新分配。

但AI的特殊之处在于，它并不是单一平台的替代，而是两次平台迁移同时发生。

第一层迁移，是应用本身的重构。应用不再是被“编写”的，而是被“训练”的；不再是预设流程，而是在运行时根据上下文实时生成每一个token、每一个像素。AI不再是应用，而是应用赖以生存的底座。

第二层迁移，是整个计算栈都在被重写。软件如何开发、如何运行、运行在什么硬件之上，CPU不再是中心，GPU成为默认；推理不再是一次性输出，而是一个持续“思考”的过程。

在这种背景下，黄仁勋反复强调一个数字：全球传统计算体系规模约为10万亿美元，而这部分基础设施，正在被系统性地“现代化”为AI计算。AI投资的资金，并非凭空出现，而是来自企业研发预算、风险投资和整个工业体系的迁移。

英伟达在这个市场中的定位，并非某一家AI应用公司的竞争者，而是为所有人提供新平台的基础设施公司。在这场淘金热中，它选择继续扮演“卖铲人”。

物理AI正迎来“ChatGPT时刻”

如果说生成式AI解决的是语言与内容问题，那么黄仁勋在CES 2026上反复提到的“Physical AI（物理AI）”，则标志着英伟达试图将智能推入现实世界。

他将AI能力的演进分为几个阶段：预训练、强化学习、测试时推理，再到具备规划与执行能力的代理系统（Agentic Systems）。当AI开始“思考”，并且可以调用工具、分解任务时，问题的边界已经不再局限于数字空间。

真正的挑战在于，物理世界的数据是有限的、昂贵的，且不可穷举。这也是英伟达长期投入仿真与合成数据的原因。

在演讲中，黄仁勋重点介绍了NVIDIA Cosmos“世界基础模型”，用于理解物理规律、生成物理一致的场景数据，并在闭环中训练AI行动能力。这不是一个简单的视频生成模型，而是一个理解物理、重力、摩擦力和惯性的世界模型。它不仅能生成视频，还能模拟物理反馈，解决AI在现实世界中因缺乏“常识”而产生的幻觉。这套体系并不只是服务于研究，而是直接指向自动驾驶与机器人。

在应用层面，他发布了全球首个具备推理能力的自动驾驶AI——Alpamayo与传统的规则驱动或简单的端到端模型不同，Alpamayo在驾驶过程中会实时“思考”并口述其决策逻辑。黄仁勋宣布，搭载该系统的梅赛德斯-奔驰CLA将于2026年第一季度正式上路。

这种从“数字大脑”向“物理实体”的跨越，不仅体现在自动驾驶上，还延伸到了名为“格鲁”（音译）的人形机器人系统。黄仁勋透露，NVIDIA正在通过合成数据生成来解决物理世界数据匮乏的难题。通过Cosmos模型，NVIDIA可以将计算转化为数据，训练机器人应对各种长尾场景。

这种“三台计算机”架构——一台用于训练，一台用于仿真模拟（Omniverse），一台用于边缘推理——构成了NVIDIA在工业与机器人领域的坚实护城河。

Rubin架构：卖铲人的“新铲子”

如果说前半场是战略判断，那么Rubin架构的发布，才是这场演讲真正的技术核心。

这一架构的设计起点非常现实：摩尔定律放缓，而模型规模以每年10倍的速度增长，推理阶段的token生成量以每年5倍的速度增加，单纯依靠晶体管数量已经无法支撑性能需求。

因此，英伟达选择在这一代“推倒重来”。

黄仁勋表示，Vera Rubin并不是一颗芯片，而是一个由6颗芯片组成、通过极端协同设计形成的系统级架构。它被定位为专为智能体AI（Agentic AI）和物理AI（Physical AI）设计的算力底座。

Vera Rubin系统由定制的Vera CPU与Rubin GPU组成，两者从设计之初就被定义为双向一致、低延迟的数据共享结构。Vera CPU拥有88个物理核心，通过空间多线程（Spatial Multi-Threading）技术实现176线程满速运行，强调在功耗受限环境下的性能密度。同时为了解决大规模集群的通信瓶颈，Rubin平台搭载了NVLink 6，提供了高达3.6T/s的双向带宽。

Rubin GPU在浮点性能上超过Blackwell，而晶体管数量仅为后者的1.6倍。这背后依赖的是全新的张量核心与Transformer Engine设计，而非单纯堆叠规模。

在系统层面，Rubin真正的突破来自“阵列化”。

一个Vera Rubin计算托盘中集成2颗Vera CPU、4颗Rubin GPU，配合BlueField-4 DPU与ConnectX-9网络。通过第六代NVLink交换系统，18个计算节点可以被连接为一个整体，最多实现72颗Rubin GPU协同运行，像一颗“巨型GPU”一样工作。

在完整的MVL72机架中，英伟达集成了6类全新芯片、18个计算托盘、9个NVLink交换托盘，总计约220万亿晶体管，整机重量接近两吨。

在数据中心层面，Rubin引入了多个关键改动。其一是上下行带宽，每颗GPU可获得1.6TB/s的Scale-out带宽；其二是上下文内存体系，通过BlueField-4将KV Cache与上下文管理放入机架内部，为每颗GPU额外提供最高16TB的可扩展内存空间。

网络部分，Spectrum-X以太网交换机首次引入Silicon Photonics技术，提供512个200Gb端口，能够将成千上万机架连接为“AI工厂”。

在能效层面，该阵列在单机架内的计算密度提升了约3倍。在处理类似Cosmos这种涉及物理规律模拟的复杂模型时，六卡阵列能够实现跨芯片的内存池共享，极大地减少了模型切分带来的性能损耗。黄仁勋特别提到，这套阵列采用了全集成的液冷方案，能在消耗更低能耗的同时Rubin的功耗约为上一代Grace Blackwell的两倍，这一设计有望为全球数据中心节省约6%的能耗。

同时，Rubin在系统级实现了全链路加密，覆盖PCIe、NVLink及GPU互联，并正式支持加密计算，为模型托管与跨组织部署提供安全基础。

这个六卡阵列也是英伟达向业界发出的一个信号：未来的算力单元不再是以“块”计算，而是以“阵列”和“机架”为最小单位。通过这种设计，英伟达进一步锁定了数据中心和主权AI实验室的采购偏好——你买的不只是一张显卡，而是一套不可分割的、高度协同的算力体（英伟达也能因此创造更多收入）。