摘要：随后，他用 5 大“支柱”把这座 AI 工厂，从抽象理念，变成了可以部署、可以布线、可以交付的系统工程：
2025 年 5 月 19 日·台北南港展览馆 1 号馆
灯光拉满，英伟达 CEO 黄仁勋走上 COMPUTEX 主舞台。
近120 分钟演讲里，他没有念财报，也不再只谈芯片性能，而是反复抛出同一句核心逻辑：
AI 工厂，正在从云端走向每一寸物理空间。
随后，他用 5 大“支柱”把这座 AI 工厂，从抽象理念，变成了可以部署、可以布线、可以交付的系统工程：
口袋超算（Blackwell BXG）：单手即可握持的 Blackwell BXG 模块，把万亿级算力塞进无人机、机器人、手持设备；NVLink Fusion：新一代高速互联，8 GPU + 1 Memory 封装为“超级芯片”，构建芯—存协同架构，组成桌面级 AI 超算；Groot × Cosmos：从提示词到动作执行的闭环流水线，训练 AI 像人一样行动；Grace Blackwell：支持推理时间扩展的思考型 AI 系统，超越国家级超算；IQ：企业内部的数据血管系统，让 AI 能读懂非结构化语义并自动行动。为什么这 5 根支柱值得你关注？
不是发布会 PPT，而是真正要开始量产的工业级系统，每一项都附带了落地时间表和性能数据；不是功能堆叠，而是产业范式的切换：算力、模型、机械首次实现“一体封装”；不是高门槛工程，而是开放式平台：每家公司都可以在这套工厂架构上自主开发；不是科幻未来，而是手可触及的现实：从口袋设备到数字孪生城市，AI 已经从“云端演示”走入“物理接管”。接下来，本文将用“三段式”把这场发布会拆成一张可执行路线图：
支柱 → 技术栈： 逐一定位这 5 项发布在系统中的核心位置；
技术 → 产业链： 它们将如何改写算力布局、制造模式和价值分配；
产业 → 行动框： 面向创业者、B端负责人、制造企业，分别应如何抢位下一轮红利。
读完后，你将拿到一份从技术规格到商业落点都能即刻落地的「AI 工厂作业手册」。
黄仁勋站在台上讲了两个小时，语速极快、几乎没有寒暄。他开场不到十分钟，就把整场发布会的主线抛了出来：
我们正在建设 AI 工厂，而不再是传统意义上的数据中心。
他说，这些所谓的数据中心，不是堆叠服务器、提供存储的旧设施，而是被重新定义为生产智能的工厂——它们输入能源，输出“极具价值的结果”。
他用了一个概念来描述这些“结果”：
“公司将开始讨论上个月生产了多少 token，每小时产出多少 token，就像你衡量一个传统工厂一样。”
换句话说，在 NVIDIA 的定义中，AI 工厂不是抽象的形容词，而是一种可以精确度量、精细管理的智能产线。你可以像衡量产线的螺丝、零件、芯片一样，衡量 AI 工厂的产出——token。
数据中心的角色彻底改变了
黄仁勋回顾了 NVIDIA 过去三十年的转型，从一颗 GPU 芯片，到一整套 AI 工程系统，再到构建全球基础设施。他总结道：
我们把整个数据中心变成一个计算单元。
数据中心不再只是 PC 的集合，不再只是服务器的集合。整个数据中心运行一个任务。
这种新的系统架构，有两个核心特征：
统一调度： 每个服务器不再跑各自的程序，而是协作完成一个大型 AI 推理任务；结构融合： 网络、计算、存储、水冷、芯片设计被纳入一个“主板级”的统一设计框架。他强调，这种结构不是为了传统软件服务，而是为“新型智能产线”服务。
AI 工厂的设计目标：不只是能跑，而是能“量产智能”
黄仁勋不是第一次提到“AI 工厂”，但这是他第一次在一场完整演讲中，把构建逻辑拆到系统级别：
我们是一家 AI 基础设施公司，必须让世界知道我们五年要建什么，才能让所有人现在就开始建 AI 工厂。
这是整场演讲中最具“工程图纸”性质的一句话。
他不是在讲产品线，而是在讲“产业模板”： 从服务器形态、芯片节点、电力规划，到软件栈、开发工具、数据平台，每一层都为 AI 工厂服务。
这也是 NVIDIA 选择在 Computex 而非硅谷发布这一切的原因——因为这是一场面向制造者、集成商、供应链伙伴的“产能共识大会”。
到这里：
黄仁勋没有说“AI 工厂将成为主流”，而是说：
AI 工厂，正在全球各地陆续上线。
它不是隐喻，而是定义；它不是一个产业趋势，而是 NVIDIA 正在系统实施的“可部署模板”。接下来的四节，我们将拆解这套系统的五个支柱： 从口袋里的超算，到机器人梦境工厂；从全球 GPU 的液冷神经网络，到企业自建语义数据仓库。
这是一场从芯片到系统，从实验室到工业线的全链条重构。
“这台机器的性能，和我们2016年发布的 DGX1 一样。”
黄仁勋边说边从讲台上拿起了一台体积不大的桌面设备，“但你现在可以把它放在厨房台面，甚至塞进背包。”
这不是一句玩笑。
在台北 COMPUTEX 上，他发布了全新的 DGX Spark ——一款专为 AI 原生开发者设计的“口袋级超算”，首次将 Blackwell BXG 模块压缩进便携级设备形态。
它拥有 1 petaflops 的 AI 性能和 128GB 内存，
和 2016 年我发布的那台 DGX1 性能相当。
但现在，它只需要一根电源线，随时待命。
这段话之所以重要，不是因为“体积更小、性能更强”的老调重弹，而是因为它在现场明确宣告了一个趋势：AI 工厂第一次具备了“个人开发者可部署”形态。
✅ AI 原生时代，开发者将拥有自己的“工厂节点”
过去几年，训练大型模型、部署推理能力，几乎都要依赖云端或集群。黄仁勋说：
“如果你是学生、研究者、AI 初创团队，过去你必须反复连接云服务器——配置资源、付费、排队、清理、重试。”
而 Spark 的出现，改变了整个使用逻辑。它不是“开发机”，而是一块可部署的工厂节点——
不需要云，不需要机房，不需要虚拟化；模型可在本地运行，任务可持续执行，token 可实时生成；一人即可拥有一套“始终开着的 AI 工厂单元”。“你现在不需要每次写代码都连接服务器，”他说，“你有一台随时待命的 AI 超算，就在你桌边。”
✅ 从 300 磅到 3 公斤：AI 工厂开始下沉
他特别回顾了 2016 年 DGX1 的发布：
“那是我们第一台 AI 超算系统，300 磅，只能部署在专业机房。”
9 年后，这台系统已浓缩成开发板大小、可在家中运行的便携设备。没有风扇轰鸣，不依赖数据中心，不需要多团队维护。
这不仅仅是硬件技术的进步，更是一个系统形态的迁移信号：
AI 工厂的部署权，第一次从中心大厂，下沉到桌面开发者。
DGX Spark 不是面向消费市场的 GPU 升级，而是 对“AI 工厂形态”的一次根本性再定义。
当边缘设备具备完整训练能力，当本地计算可以生成 token，当个人机器也能运行 LLM 并响应任务时：
“工厂”的最小单元，就从集群下沉到了个人机台。
台下有人在拍手，也有人没反应过来。
“它有 70 磅重。别担心，不是我太强壮，而是它真的很重。”
这根“脊柱”，连接着一整个 AI 系统中 72 张 GPU，让它们互联互通，协同工作，像一个超级大脑一样运行推理任务。
黄仁勋说得很直接：
“过去的数据中心是一堆 GPU，各自运转；
现在，NVLink Fusion 让它们变成一台计算机，一个统一的 GPU。”
但很多人不知道——NVFusion 不只是你看到的那根 70 磅重的金属脊柱（NVLink Spine）。
从结构角度看，它的真正突破是：它将 8 张 GPU + 1 块共享内存（Memory） 组合成一个逻辑模块，类比来看，就像是一颗“巨型芯片”；
然后再通过 NVLink Spine、交换芯片与高速电缆网络，将这些“超级芯片”连接成一整套 AI 工厂的计算主干。它不是加法，而是结构变革——把分散组件组织成一个“整体思考系统”。
换句话说：“不是单卡加速，而是协同思考；不是更多硬件，而是硬件变组织。”
✅ GPU 之间的联动一直是限制 AI 系统效率的瓶颈
传统 GPU 靠 PCIe 或普通网络连接，延迟高、吞吐小，数据来回传输像过高速公路要等红绿灯。
而 NVLink Fusion 是 NVIDIA 新发明的“芯片级网络骨架”：我们每秒能在这套系统内传输 130TB 数据，带宽比全世界互联网流量还大。
这不是夸张。黄仁勋在现场展示的数据是：
全球互联网高峰带宽 ≈ 900 Tbps（约合每秒 112.5 TB）；NVLink 单系统带宽 = 130 TB/s。换句话说，一台 NVLink 连接的系统，其内部数据传输量已经超过整个互联网。
这不是算力增长，这是压缩工业体积。
黄仁勋说：一整个 Sierra 超算的数据中心，今天只需要一个机架。性能甚至更强。
你没听错：一个机架，超过一整台国家级超级计算机。
这也是黄仁勋反复强调的观点：我们现在不是在建服务器，而是在建 AI 工厂。
✅ NVLink 的另一个突破是液冷分布式设计。
过去，GPU 是插在主板上的卡，现在，GPU 分布在整个机架内，通过液冷保持温度稳定。这种分布方式，不再把机架当“托管架”，而是当作一块巨型主板。
他表示：整个机架就是一台主板，每个 GPU 都是它的一个处理器，我们通过这条 spine，把它们全部连接成一个超级芯片。
在演讲的中段，他突然抛出一句技术高度极高却极具可视感的话：
九个 NVLink 交换机，5000 条电缆，两英里长。
所有这些都构成了一个 GPU 的全连接系统。
它能让每一个芯片与所有其他芯片实时通信。”
有些读者可能不知道“全连接”的意思。你可以想象一下：72 张 GPU，就像 72 个专家在不同房间里工作，NVLink spine 就是让他们随时开会、同步大脑、共享记忆的神经系统。
没有它，这些芯片各自为政，跑得再快也只是“孤岛计算”； 有了它，它们才真正组成了一个“超级智能有机体”。
最后，他讲了一句“工业语言”：我们不是在建数据中心，我们在建工厂。NVLink Fusion 是这座 AI 工厂的神经中枢。
它不是一条连接线，而是一种架构方式——让成千上万张 GPU，不再是零件拼图，而是一台‘统一思考、整体调度’的超级智能体。
不管你是一家云服务公司，还是一个国家级 AI 项目，只要想大规模部署高效推理系统，就必须重新思考你系统内部的连接方式。
这，就是 NVLink Fusion：把分布的算力，汇聚成一个可以协同思考、统一响应的 AI 工厂中枢。
在台北的舞台上，黄仁勋播放了一段视频。画面里，一只虚拟的机械臂缓缓伸向一只瓶子，然后准确抓起、转动、放下。
这不是动画，也不是预设程序。他特意强调：
你看到的不是渲染，也不是剧本，
是模拟，是 AI 在虚拟世界中，自学的动作。”
他随后介绍了这项技术背后的系统：“Groot Dreams”——一套由 NVIDIA 自研的机器人训练框架，结合了 Cosmos 模型、物理引擎 Newton、和 Isaac 平台。
用他的原话讲：
“为了教机器人拿起一个瓶子，我们先让 AI 做梦。”
✅ 机器人要先“做梦”，再动手
传统训练一个机器人，靠人类反复操作、采集数据，再写程序调整路径，周期长、成本高、效果差。
但在 NVIDIA 构建的新体系里，训练过程完全换了方式：
先让 AI 观察一次人类操作（通过远程示范）；再用 Cosmos 模型，在梦中生成一万个相似但不完全相同的场景；然后在这些“梦境”里自学怎么做，每一步都基于物理规律、三维环境和目标指令。黄仁勋说：
这是一种从‘真实’扩展到‘虚拟’，再回到‘现实’的闭环。 机器人不再靠硬编码学会动作，而是靠 AI 学 AI。
✅ Groot 是什么？不仅是机器人硬件，更是“物理智能框架”
你看到的那个模拟，是 Groot 系统的一部分，但 Groot 本身不是一台机器人，而是一个系统平台。它包括：
Jetson Thor 芯片：作为机器人的“大脑”；Isaac 操作系统：用于控制机器人感知、推理、动作的核心软件；预训练模型：AI 早已掌握了通用物理动作，再根据任务快速适配；Dreams 数据生成系统：生成大规模训练数据，用以微调行为策略。简单来说：Groot 不是卖给你的一个“机器人”，而是提供一个“让机器人学会像人一样工作”的训练体系。
黄仁勋总结：要训练机器人，不是写程序，而是生成梦境。你给一次示范，AI 会做 10,000 次梦，然后掌握这个技能。
✅ 为什么这一系统重要？
因为真正阻碍机器人落地的，不是硬件、也不是算法，而是训练数据的不可扩展性。
黄仁勋点出一个关键痛点：
“示范是有效的，但你只有 24 小时，不能操作 10 万次。
所以我们用 AI 来放大人类示范的规模。”
Groot Dreams，就是把一个人操作一次的价值，放大成一万个梦境的生成器。
而梦里的学习结果，最终可以部署在现实机器上。
他在现场展示了一段机器人在沙地上跑、在障碍物间穿行的镜头，随后说：
这不是动画，是在模拟环境中，机器人真实运行出来的动作。 它理解摩擦、惯性、重力、碰撞和路径。
✅ 机器人不只是看起来像人，更关键的是“像人那样思考”
这背后的能力叫“物体永久性”，也是儿童两三岁才掌握的基础常识。
黄仁勋说：我们正在训练 AI 理解因果、推断阻挡、构建动作链， 这不再是感知，也不只是生成，而是真正意义上的‘推理’。
他预测，这种物理 AI 将是机器人普及的前提。
不是所有的机器人都需要像人类一样“思考”，但所有能适应环境、自主行动的机器，都必须具备基本的物理理解力。
这一节没有总结，因为黄仁勋根本没让你缓一口气。紧接着，他就进入了下一个重点：
当 AI 能理解、计划、行动，工业系统的定义也要被改写。
在讲完机器人训练系统之后，黄仁勋话锋一转，把整个注意力重新拉回到了“计算”这个起点上。
为了支撑智能体的推理，我们需要一台能思考的计算机。
这台计算机的名字，叫 Grace Blackwell。它不是一块芯片，而是一整套系统架构。
他说得直接：
“过去的 AI 是一次性响应，现在的 AI 需要反复思考，需要推理时间扩展（Reasoning Time Extension）。 要让 AI 真正‘思考’，就需要更多 token、更快生成、更大内存、更强互联。”
于是，NVIDIA 设计了 Grace Blackwell 系列，并在现场宣布——最新版本 GB300 正式投产。
✅ GB300：用一块计算节点，替代一台超级计算机
黄仁勋在台上举了个对比：2018 年 Sierra 超算用了 18,000 块 GPU，才跑出 40 petaflops。今天，一块 GB300 节点就能做到。
换句话说——六年间，AI 工厂单节点性能提升了 4,000 倍。
他不是在比芯片速度，而是在讲“系统极限”——为了跑 AI 推理，不能只是算得快，而是要能长期高效地生成 token 并保持记忆。
他们在芯片上堆叠了 128GB HBM，内存带宽提升 1.5 倍，网络能力提升 2 倍，整体推理性能提升 1.5 倍以上。
GB300 系统完全液冷，整个机架功耗达到 120 千瓦，但物理占地不变。黄仁勋称之为：
极限摩尔定律的实现。
他强调，这种硬件结构不是为了“跑模型”，而是为了支持整个 AI 工厂的长期智能生产。
✅ IQ：让企业数据“自己说话”的语义血管
拥有强计算力之后，另一个问题浮现：AI 到底从哪儿学？怎么理解数据？
黄仁勋现场公布了另一个新系统：NVIDIA IQ（Intelligent Query），一个为 AI 优化的非结构化语义数据平台。
他说：
“传统数据库是给人查结构化数据的，
AI 要的是语义，要的是含义，要的是嵌入。”
传统 IT 系统中，数据储存在数据库、文档、网页、日志中——它们没有语义结构，AI 不知道怎么理解。
于是 NVIDIA 推出 IQ 模型栈，让 AI 能在企业内部做“语义搜索”：
你可以像查 Google 一样问它；它会在文档、PPT、CRM、客服系统里自动查找答案；用的不是关键词匹配，而是上下文理解。不是用 SQL，他们改用 NeMo Retriever。它能在数秒内搜索百万级非结构化数据，提炼结果。
黄仁勋现场展示了一家叫 VAST 的企业使用 IQ 的案例：
“他们花 3 天时间，搭建了一个销售智能体。
输入一个目标，它能自动调用 CRM、市场数据、历史合约，
自动生成销售大纲和行动建议。”
他说，这只是开始。未来每家公司都会有多个专属 AI 代理，每个代理都需要能“理解”公司自己的数据，而不是从互联网上学。
✅Grace Blackwell 是大脑，IQ 是血管
Grace Blackwell 决定你能不能高效“想”；IQ 决定你是否真正“懂”。
黄仁勋说得很清楚：
我们不是在重做企业 IT，而是在补一层——智能代理的运行层。
它需要新的计算、新的存储、新的数据组织方式。
他没有反复强调芯片有多强，而是强调：“智能体能不能上线，关键在于你有没有给它血和脑。”
整整两个小时，黄仁勋没有讲一个“应用场景”。
没有讲 AI 怎么提高效率、提升转化率、自动润色、生成广告……这些他通通没有提。
他讲的，是工厂、计算节点、脊柱交换机、token 产能，是一套你很难在任何 SaaS 产品或 App 页面上直接感受到的系统底座。
他说：
“我们不是在建设数据中心，而是在建设 AI 工厂。
像上一个世纪建电厂一样， 每家公司、每个国家、每个行业，都将建自己的 AI 工厂。”
这场演讲里，他一共发布了五大系统级产品线，但你会发现—— 它们不是分别服务“某个模型”，也不是为了取代某类工具。
我们回看这五根“支柱”：
这些不是“产品”，是系统。不是“功能”，是基础设施。
你不是在用 AI 写代码、画图、提效，而是站在一套全新工业系统的布线前线。
过去，企业比的是谁做出最好用的应用。未来，决定胜负的，是谁有能力主导一座 AI 工厂的构建与调度。
黄仁勋的回答很清楚：
未来最值钱的，不是单个 AI 应用，而是能够构建和连接 AI 工厂的核心技术基础设施。
他说：“英伟达是一家基础设施公司。”
这句话，不只是他的定位，也是一个新的身份提醒。
它意味着，AI 的竞争将从模型、插件、应用平台，上移到基础设施层； 也意味着，只有那些能真正理解“token 是怎么被生产出来”的人，才配谈“AI 会改变世界”。
而这场竞争，并不会停留在数据中心内部。黄仁勋最后提到：
我们正与全球最大制造企业合作，
把工厂、机器人、城市、产业链，
都以数字孪生方式接入 AI 系统。
这些工厂，本身就会成为 AI 工厂。
他并未展开更多，因为这将是下一场 AI 竞争的开端。
但这句话已经给出了预告：
AI 工厂，不止诞生智能，也将在未来，接管整个物理世界的生产系统。
你看到的不是一个发布会，而是一份产业蓝图的交付现场。 未来的任务不是“用好 AI”，而是如何成为这套基础设施的建设者。
这一次，赢家不会是用得快的那一波人，而是——先动手布线的那一群人。
不只是开发者，也包括制造商、系统集成商、云服务商、供应链上的每一位“新工厂建设者”。
来源：趣闻捕手
