Jensen Huang membawa "monster" seberat 2500 kilogram, NVIDIA Vera Rubin mengubah total industri AI

上一次NVIDIA在CES上没带消费级显卡，已经是5年前的事了。但这次不同——Jensen Huang穿着标志性的鳄鱼皮夹克走上舞台，却带来了重量级的东西：一台重达2.5吨的服务器机柜，以及可能会重构整个AI产业的Vera Rubin计算平台。

这个用天文学家Vera Rubin命名的系统（她发现了暗物质），解决的是AI时代最紧迫的问题——10万亿美元的计算资源正在面临彻底现代化的需求。

从一台机器看懂NVIDIA如何玩"芯片整合"

当传统的摩尔定律逐渐失效，NVIDIA选择了极端整合的路线。这一次，他们打破了每代产品最多改进1-2颗芯片的传统——Vera Rubin同时重设计了6颗芯片，全部进入大规模量产阶段。

这6颗芯片分别是：

• Vera CPU：88个Olympus核心，176线程并行，单芯片2270亿晶体管
• Rubin GPU：推理性能达50 PFLOPS（是前代Blackwell的5倍），3360亿晶体管
• ConnectX-9网卡：800Gbps以太网，支持可编程RDMA加速
• BlueField-4 DPU：专为下一代AI存储平台设计，1260亿晶体管
• NVLink-6交换芯片：连接18个计算节点，72颗Rubin GPU协同工作
• Spectrum-6光学以太网交换芯片：512个200Gbps通道，3520亿晶体管

单看参数可能很枯燥，但关键数字是这样的——训练一个100万亿参数的模型，只需要Blackwell系统数量的1/4。生成一个token的成本下降到十分之一。

计算密度提升的背后：工程学革命

原来搭建一个超算节点需要43条线缆，组装要2小时，还容易出错。Vera Rubin的节点没有任何电气连接线，只需6条液冷水管——安装时间缩短到5分钟。

机柜背部有近3.2公里的铜缆，5000条线构成NVLink骨干网，提供400Gbps带宽。Jensen Huang开玩笑说：“得是个身体好的CEO才能搬动这东西。”

更关键的是内存升级——NVL72系统拥有54TB LPDDR5X内存（是前代的3倍）和20.7TB HBM，HBM4带宽达1.6 PB/s。尽管性能提升了3.5-5倍，但晶体管数仅增加了1.7倍，这反映了半导体工艺的进步。

破解"长尾问题"：从能力到应用

AI训练中一直有个瓶颈——上下文记忆不足。大模型工作时会生成"KV Cache"（键值缓存），它是AI的"工作记忆"。随着对话拉长、模型变大，HBM容量常常不够用。

Vera Rubin的解决方案是在机柜内部署BlueField-4处理器来管理KV缓存。每个节点配4个BlueField-4，每个能提供150TB上下文存储——分配给GPU后，每颗GPU额外获得16TB内存（GPU自身约1TB），传输速度保持在200Gbps，不会出现性能瓶颈。

为了让分散在数十个机柜、数千颗GPU上的这些"笔记"像一块统一内存一样运作，网络必须足够大、足够快、足够稳定。这就是Spectrum-X的用处——全球首个"为生成式AI设计的以太网平台"，集成TSMC的硅光子技术，512条×200Gbps通道。

Jensen Huang算过一笔账：1GW数据中心成本500亿美元，Spectrum-X能带来25%的吞吐量提升，相当于节省50亿美元。“你可以说这套网络系统基本是免费的。”

"开源震撼"与产业转向

回到演讲开场，Jensen Huang扔出一个数字——过去十年投入的10万亿美元计算资源正在全面升级。但这不仅仅是硬件更新，更是编程范式的转变。

去年DeepSeek V1的开源突破让所有人都吓了一跳。作为首个开源推理系统，它引发了整个行业的开发浪潮。中国的Kimi K2和DeepSeek V3.2分别是当下开源排名第1和第2的模型。

Jensen Huang坦言，尽管开源模型可能比业界领先水平滞后6个月，但每半年就有新模型涌现。这种迭代速度让初创、巨头、研究机构都不想落伍——NVIDIA也不例外。所以这次他们不只是"卖铲子"，还投资了价值数十亿美元的DGX Cloud超算，开发La Proteina（蛋白质合成）和OpenFold 3等模型。

Nemotron开源模型家族涵盖语音、多模态、RAG、安全等方向，在多项排名中表现不俗，越来越多企业在部署它们。

物理AI的三层计算机

如果大语言模型解决了"数字世界"的问题，下一个野心是征服"物理世界"。要让AI理解物理规律、在现实中生存，需要极其稀有的数据。

Jensen Huang概括了物理AI需要的"三台计算机"：

1. 训练计算机——装载训练卡的高性能系统（如GB300架构）
2. 推理计算机——嵌入机器人和汽车的"小脑"，负责实时决策执行
3. 仿真计算机——包括Omniverse和Cosmos，让AI在虚拟环境学习和反馈

Cosmos系统能为AI生成海量物理世界的训练环境。基于这套架构，Jensen Huang正式发布了全球首个端到端自动驾驶模型Alpamayo。

与传统系统不同，Alpamayo是真正的端到端训练。它的突破在于解决了自动驾驶的"长尾问题"——面对路上陌生复杂的情况时，Alpamayo不是生硬执行代码，而是像人类一样推理。"它会告诉你接下来做什么，以及为什么这样做。"演示中，这辆车的驾驶风格自然流畅，能把复杂路况分解为基本规则。

已有实现——Mercedes CLA搭载Alpamayo技术将在今年第一季度在美国首发，随后进入欧洲和亚洲市场。这款车被NCAP评为全球最安全汽车，得益于NVIDIA独特的"双安全栈"设计——当端到端AI不确定时，系统自动切换到传统更稳妥的模式。

机器人军团与工厂即机器人

NVIDIA的机器人战略同样宏大。所有机器人都将配备Jetson迷你计算机，在Omniverse的Isaac模拟器中训练。这些技术被整合进Synopsys、Cadence、Siemens等工业生态中。

舞台上出现了Boston Dynamics和Agility的人形机器人、四足机器人，以及迪士尼的机器人。Jensen Huang打趣说：“这些可爱的家伙会被设计、制造，甚至在计算机里测试验证完毕，在接触真实重力之前就已经’活’过一次了。”

NVIDIA的终极想象是从基础芯片设计到系统架构再到工厂模拟，全部用物理AI加速——这包括对新地区、新应用场景的产业布局，比如在亚洲建立的物理测试图谱（mapa fizyczna azji），用来验证自动驾驶和机器人在不同地理条件下的表现。

"战争时期卖武器"的逻辑

如果不是Jensen Huang的话，你可能以为这是某个AI模型公司的发布会。当AI泡沫话题升温、摩尔定律放缓之际，Jensen Huang似乎想重燃我们对AI的信心——通过展示它真正能做什么。

从超强芯片平台Vera Rubin，到应用和软件的重点强调，再到物理AI、自动驾驶、机器人等具体落地案例——过去他们为虚拟世界造芯片，现在亲自参与演示，聚焦物理AI，在真实物理世界展开激烈竞争。

毕竟，只有"战争时期"，武器才能继续畅销。

彩蛋：由于CES时间限制，Jensen Huang没讲完所有幻灯片。未展示的部分被制成了一部幽默短片。