NVIDIA 的年度技術大會 GTC 再次帶來了 AI 和計算領域的突破，CEO 黃仁勳以一場毫無提詞器、即興的演講，帶領大家探索最新的技術進展。這場演講不僅展示了 AI 在圖形處理、機器學習、數據中心等領域的驚人發展，也點出未來科技的發展方向。
文章下半部有影片以及逐字稿重點，有時間的話也可以看完。
從過去到現在：AI 是怎麼變厲害的
黃仁勳一開場就感嘆過去一年 AI 發展的速度，同時感謝參與 GTC 的各行各業夥伴。他回顧說，NVIDIA 25 年前從 GeForce 起步，當時只是圖形處理的工具，如今卻成了 AI 革命的起點。他提到，AI 已經從簡單的工具變成重新定義計算模式的力量。這讓人忍不住想，當年玩遊戲的顯示卡，怎麼就成了今天改變世界的大功臣？
GeForce 5090：畫面變漂亮的秘密
接著，他展示最新的 GeForce 5090，這是 Blackwell 架構的 GPU。比起上一代 4090，它體積小了 30%，散熱效率高了 30%，性能更是強到無法比較。黃仁勳說，這東西能即時渲染光線追蹤畫面，每個像素背後都有 AI 幫忙預測細節，讓遊戲或動畫看起來超流暢。這不只是硬體升級，而是 AI 讓我們眼前的畫面變得更真實。想想看，未來玩遊戲或看電影，可能都離不開這種 AI 魔法。
生成式 AI：電腦開始會自己創造東西
主動型 AI：像朋友一樣幫你想辦法
再往前走，黃仁勳介紹了「主動型 AI」（Agentic AI）。這種 AI 不只回答問題，還能自己思考、計畫、行動。比如，它可以上網查資料、看影片，然後整理出最佳答案。他舉例，早期 ChatGPT 常答錯，因為它一次吐結果；現在的 AI 會一步步推理，甚至回頭檢查自己。這需要比去年預估高 100 倍的運算能力。這讓人感覺，AI 不再是個被動助手，而是像個會動腦的幫手，說不定哪天能幫我們解決生活大小事。
Blackwell 的威力：一台超級工廠誕生
為了應付 AI 的需求，黃仁勳接著展示 Blackwell。這不只是 GPU，而是個塞滿 60 萬個零件、像工廠一樣的超級電腦，每秒能跑 100 萬兆次運算（exaflops）。它專為「推理」設計，也就是讓 AI 生成答案的過程。他拿婚禮座位表比喻：舊 AI 隨手排可能錯亂，新 AI 花 8000 多個步驟給完美方案。比起上一代 Hopper，最新的 Blackwell 快 40 倍，黃仁勳還預測未來數據中心規模會達 1 兆美元。
機器人來了： Isaac GR00T N1 人形機器人
演講後半段，黃仁勳談到他們推出 Isaac GR00T N1，一個開源的通用機器人模型，能學拿東西、走路，還能合作。
他還提到 Newton 物理引擎，跟 DeepMind 和 Disney 合作，讓機器人在虛擬世界練功，比現實快幾百倍。黃仁勳說，到這十年末，全球可能缺 5000 萬工人，機器人或許得拿年薪 5 萬美元來幫忙。這聽起來像科幻，但想想自動駕駛和工廠自動化，未來可能真不遠。
個人超級電腦：桌上也能跑 AI
另一個亮點是 DGX 個人 AI 超級電腦，用 Blackwell 技術驅動。DGX Station 和 DGX Spark（之前叫 Project DIGITS）讓開發者或學生在家用桌上型電腦就能弄 AI 模型。華碩、戴爾、惠普、聯想等廠商都在開發。
GPU 串聯成 AI 工廠：用光子連繫未來
黃仁勳也提到用矽光子技術做的 Spectrum-X 和 Quantum-X 網路交換器，能連幾百萬個 GPU，打造超大 AI 工廠。這技術跟台積電、鴻海等合作開發，能省電、跑更快。
跟車商、電訊商合作
黃仁勳還宣布跟通用汽車（GM）合作，用 AI 升級汽車、工廠和機器人。這消息讓競爭對手 Mobileye 股價一度跌超 6%。看來 AI 不只進家門，還要開上路。
此外，輝達也跟 T-Mobile、思科等公司合作，開發 AI 原生 6G 網路，接替現在的 5G。這會用 NVIDIA AI Aerial 平台打造。未來的手機通訊可能更快、更聰明。
GTC 大會重點總結
黃仁勳的演講從回顧 GeForce 開始，接著展示 Blackwell 的威力，最後展望機器人時代，層層推進，展現 AI 的驚人速度。NVIDIA 不只推硬體，還在打造 AI 生態系，從遊戲畫面到生活助手，無處不在。他們甚至用 Dynamo 系統提升效率，用光子技術省電，顯現對未來的野心。
完整 GTC 大會逐字稿重點翻譯
以下為 GTC 大會逐字稿翻譯：
GTC 開場與感謝
歡迎來到 GTC！這真是個精彩的一年。我們在 NVIDIA 想透過人工智慧的魔法，帶大家參觀我們的總部，這就是我們工作的地方。過去一年有好多令人驚嘆的事情要分享。我得說，首先要感謝所有贊助商和參與會議的人士，醫療、交通、零售，還有電腦產業，幾乎每個領域的代表都在這裡。看到大家真的很棒，感謝你們的支持。
GTC 是從 GeForce 開始的，今天我帶來了 GeForce 5090，這是 Blackwell 世代的產品。25 年過去了，GeForce 還是熱賣全球。跟 4090 比起來，5090 體積縮減了 30%，散熱效率提升了 30%，性能更是沒得比。這全都要謝謝人工智慧。當初 GeForce 把 CUDA 帶給世界，CUDA 啟動了 AI，現在 AI 反過來革新電腦圖形。你們看到的實時圖形是 100% 路徑追蹤，每個像素我們用數學渲染出來，AI 再推斷出另外 15 個像素，還得保證精準，從畫面到畫面保持時間穩定，真是不可思議。
AI 發展歷程與生成式 AI
說到人工智慧，這十年進展真的很快。一開始是感知 AI，像電腦視覺、語音辨識這樣的技術，後來進入了生成式 AI 階段。過去五年我們專注在這上面，教 AI 把一種形式轉換成另一種，比如文字生成圖像、圖像轉成文字、文字變成影片，甚至從胺基酸序列生成蛋白質，從化學屬性生成分子結構，各式各樣的應用。生成式 AI 改變了運算模式，以前是檢索模型，我們得預先製作內容，存好多版本，根據需求提取出來；現在呢，AI 能理解上下文，知道我們想要什麼，明白請求的含義，直接生成答案，必要時再去檢索資訊增強理解，從資料檢索變成了答案生成，徹底改變了運算的每一層。
接下來，過去這兩三年，AI 有了重大突破，我們叫它「主動 AI」（Agentic AI）。這種 AI 有自主性，能感知環境、理解上下文，還能推理、規劃行動，甚至使用工具。比如說，它可以上網瀏覽網站，讀文字、看影片，從中學習，然後用這些知識回應問題。主動 AI 的核心就是推理能力。好吧，下一波浪潮已經來了，就是物理 AI，這已經啟動了機器人技術的發展。物理 AI 能理解物理世界，像摩擦、慣性、因果關係，還有物體恆存性——比如某個東西沒消失，只是暫時看不到。這會開啟機器人的新時代，每個階段都給我們帶來新市場機會，也吸引更多合作夥伴加入 GTC。
GTC 的規模與挑戰
現在 GTC 人滿為患，參與者多到我們可能得擴建聖荷西來裝下所有人。去年我們首次恢復現場活動，感覺像搖滾演唱會，有人說那是「AI 的伍德斯托克」，今年則被稱為「AI 的超級盃」。這裡每個人都能贏，每年人數都在增加，因為 AI 可以為更多產業解決更有趣的問題。今年我們要聚焦主動 AI 和物理 AI。每波 AI 浪潮背後有三大問題：首先是資料問題，AI 得從數位經驗裡學知識；然後是訓練問題，怎麼在沒有人參與的情況下讓 AI 以超人類速度學習；還有規模問題，怎麼投入更多資源讓 AI 更聰明。
對吧，去年大多數人都低估了運算需求。隨著主動 AI 和推理的發展，所需運算量輕鬆增長了 100 倍。推理這件事，要求 AI 一步步分解問題，可能試著用不同方法，檢查一致性，或者把答案代回去驗證，而不是一次就給出結果。兩年前 ChatGPT 剛出來時，好多複雜或簡單的問題它都答不好，因為它靠預訓練資料一次輸出。現在呢，透過「思考鏈」（chain of thought）、最佳選擇、一致性檢查這些技術，AI 可以逐步推理。每一步生成更多 token，從單個詞到完整的推理步驟，生成量增加了 100 倍。如果模型生成 10 倍 token，為了保持反應速度，就得有 10 倍運算速度，總需求就變成 100 倍，這對推理運算的要求高得不得了。
訓練挑戰與強化學習突破
那怎麼教 AI 推理呢？訓練得解決資料來源和無人參與的限制。這幾年的突破在於強化學習跟可驗證結果。我們拿人類已經解決的問題，像二次方程、畢氏定理、數學規則、幾何、邏輯、科學，甚至數獨，生成幾百個主題、幾百萬個範例，讓 AI 試著解決好幾百次，每次生成幾萬個 token，加起來就是數兆 token。合成資料生成加上強化學習，不用人參與也能產生大量資料，這對運算的挑戰可不小。產業的反應很明顯，比如四大雲端服務商（Amazon、Azure、GCP、OCI）的 Hopper 出貨量，從高峰年到 Blackwell 首年，顯示 AI 需求正在轉折。
AI 變得更聰明、更實用，大家用得更多，資料中心資本支出預計到 2030 年會大幅成長，我估計會達到一兆美元。這背後有兩大動力：一是從通用運算轉向加速運算的平台轉移已經過了臨界點，全球資料中心建置進入了拐點；二是未來軟體得靠資本投資，電腦從檢索檔案變成了生成 token。我把這些基礎設施叫做「AI 工廠」，它們的唯一任務就是生成 token，然後轉化成音樂、文字、影片、研究、化學物質什麼的。資料中心不只是數量增加，建造方式也在改變，所有的運算都會加速。
CUDA X 函式庫與加速運算
GTC 的核心其實是 CUDA X 函式庫，涵蓋好多領域的加速框架。比如說，CuPy Numeric 是 NumPy 的加速版，去年下載量有 4 億次；CuLitho 加速光刻運算，跟 TSMC、三星、ASML、Synopsys、Mentor 合作，我預計五年內所有光罩處理都會用 NVIDIA CUDA；Aerial 把 GPU 變成 5G 電台，還加入 AI RAN，提升下一代無線網路；CuOpt 用來最佳化多變數問題，像航班座位、庫存管理、工人與工廠的安排，NVIDIA 自己也用它管供應鏈；Parabricks 加速基因定序和分析；MONAI 是醫學影像的領先函式庫；Earth 2 用來預測高解析度天氣；CuQuantum 和 CuQ 推進量子運算。今天我們還宣布了 CUDSS，一個稀疏求解器，對電路設計很重要。NVIDIA 終於把自己的設計工具也轉向加速運算。還有 CUDF，加速結構化資料處理，支援 Spark 和 Pandas；Warp 是個物理模擬函式庫。我們還要將 cuOpt 開源，並跟 Gurobi、IBM C-Plex、FICO 合作，加速最佳化運算。
AI 從雲端走向各領域
AI 一開始是在雲端發展的，因為那裡有基礎設施和研究條件，但它不會只待在雲端，肯定會走到各處。雲端服務商喜歡我們的領先技術和完整堆疊，從晶片到程式模型再到軟體，還有 CUDA 開發者生態也很受重視。現在 AI 開始擴展到企業、製造、機器人還有邊緣運算。我們跟 Cisco、T-Mobile、Cerberus ODC 合作，打造電信網路的完整堆疊，把 AI 帶到邊緣。每年的電信投資有 1000 億美元，未來肯定會全面加速，還會融入 AI，提升訊號適應性和流量管理。
自駕車技術與安全
AI 在自駕車領域早就有了應用。AlexNet 啟發我們全力投入，十年來幾乎每家自駕車公司都用我們的技術，比如 Tesla 用在資料中心，Waymo 和 Wave 用在資料中心跟車內。我們提供訓練、模擬還有車內運算的電腦跟軟體堆疊。今天我們宣布跟 GM 合作，打造未來的自駕車隊，涵蓋製造、企業應用還有車內 AI。還有件事我特別驕傲，我們在汽車安全（HALOs）投入很大，700 萬行代碼都經過第三方評估，提交了超過一千項專利，確保多樣性、透明性和可解釋性。影片裡展示了 Omniverse 跟 Cosmos 怎麼加速自駕 AI：模型蒸餾把知識從慢速教師傳給快速學生，閉環訓練生成 3D 場景，合成資料打造數位孿生，提升自駕車的適應性。
Blackwell 架構與性能
Blackwell 已經全面投產，這是電腦架構的一次大轉變。三年前我們展示了 Grace Hopper（Ranger 系統），當時 NVLink 32 太大，現在我們把 NVLink 開關解構，放到機殼中央。這是全球最高性能的開關，每顆 GPU 都能同時全頻寬通訊。從空冷變成液冷，每台電腦 6 萬個零件增加到每機架 60 萬個零件，120 千瓦全液冷，單機架達到 1 exaflop。這台超級電腦重 3000 磅，有 5000 條線纜，大約 2 英里長，記憶體頻寬有 570 TB/s，每秒運算達到百萬兆次，這是極致擴展的成果。
這一切都是為了應對推理的極端運算問題。推理就像工廠生成 token，直接影響服務品質、收入跟利潤。我們有個圖表，X 軸是每秒 token 數，也就是用戶體驗，Y 軸是工廠總吞吐量，目標是右上角最大化面積。傳統 LLM 用 500 個 token 快速回答但會錯，推理模型用 8600 個 token 才能答對，需要更複雜的模型跟更多運算。為此我們開發了 NVIDIA Dynamo，這是 AI 工廠的作業系統，處理張量並行、管道並行、專家並行這些複雜任務，支援像 R1 這樣有 6800 億參數的模型。它是開源的，跟 Perplexity 這些合作夥伴一起打造。
性能比較與數位孿生
模擬顯示，Blackwell NVLink 72 搭配 Dynamo 比 Hopper 快 40 倍。拿 100 兆瓦工廠來說，Hopper 要 45,000 顆晶片才能產出 3 億 token/s，Blackwell 只要 8600 顆晶片就能產出更多，效率很驚人。我們還展示了 AI 工廠的數位孿生，用 Omniverse Blueprint 設計 1 吉瓦工廠，整合 DGX SuperPods，還有 Vertiv 跟 Schneider Electric 的冷卻系統，加上 NVIDIA AIR 的網路拓撲，實現即時模擬跟協作，減少錯誤，加速建置。
我們的路線圖是這樣的：Blackwell Ultra 在下半年推出，提升 1.5 倍性能、記憶體還有網路頻寬；明年下半年有 Vera Rubin NVLink 144，包括全新 CPU（Grace 的兩倍性能）、GPU、CX9 NIC、NVLink 6 跟 HBM4；到 2027 年下半年是 Rubin Ultra NVLink 576，達到 15 exaflops，頻寬 4600 TB/s，每機架 60 萬千瓦，250 萬個零件。從 Hopper 到 Rubin，擴展性能增加了 900 倍，功耗效率也大幅提升。
矽光子與網路擴展
為了支援數百萬 GPU，我們推出了 1.6 Tb/s 的矽光子系統，用微環諧振調製器，跟 TSMC 合作開發，省掉傳統 30 瓦的收發器——每顆 GPU 要用 6 個收發器就是 180 瓦，直接用光纖連接到開關，能節省幾十兆瓦電力。這技術下半年會用在 InfiniBand，明年下半年推到 Spectrum X，支援 512 端口交換器，實現多百萬 GPU 的擴展。
企業運算與儲存革新
企業運算這邊，我們推出了 DGX Station，有 20 petaflops 性能，72 個 CPU 核心，HBM 記憶體，還有些 PCIe 插槽，適合資料科學家跟研究者，由 HP、Dell、Lenovo、Asus 這些 OEM 製造。網路用 Spectrum X，儲存從檢索轉成語義系統，跟 DDN、Dell、HP Enterprise、Hitachi、IBM、NetApp、Nutanix、Pure Storage、Vast、Weka 合作，打造 GPU 加速儲存。我們還開源了 NIMS 模型，讓企業可以在任何地方執行 AI，像是跟 Accenture、Amdocs、AT&T、BlackRock、Cadence、Capital One、Deloitte、ENY、NASDAQ、SAP、ServiceNow 這些公司整合。
機器人與物理 AI
機器人時代來了，物理 AI 會給各產業帶來有生命的機器人。我們打造了三台電腦，支援模擬跟訓練，Omniverse 跟 Cosmos 生成合成資料，Isaac Lab 用模仿跟強化學習訓練策略。Mega Blueprint 可以測試多機器人協作，比如 Foxconn 在虛擬 Blackwell 工廠測試異構機器人。我們推出了 GROOT N1，一個通用人形機器人基礎模型，有快慢思考系統，能感知、推理，執行多步驟任務，這是完全開源的。
Newton 物理引擎
還有，我們跟 DeepMind、Disney Research 合作開發了 Newton 物理引擎，專為機器人設計，支援觸覺回饋、精細動作還有超即時模擬，整合 Mujoko 框架，加速機器人訓練。
好吧，最後感謝大家來參加 GTC。Blackwell 已經量產，需求很強，因為推理跟主動 AI 把運算需求推高了；NVLink 72 搭配 Dynamo 比 Hopper 快 40 倍；我們給雲端、企業還有機器人定了三年的路線圖。感謝所有合作夥伴，祝大家 GTC 愉快！
