文章核心观点 - 英伟达在柏林GTC演讲中提出AI的下一阶段是从生成智能走向使用智能，将AI定义为新型制造业，通过AI工厂、智能体、物理AI三条主线构建从算力生产到物理执行的全栈基础设施 [3][19] - 竞争边界从单一GPU性能扩展至部署速度、资源利用率、单位产出成本、安全机制与规模化复制能力等系统性变量 [4][10] - 行业下一阶段的考验在于AI能否稳定地做、低成本地做并在规模化应用中持续产生回报，真正的验证场景在工厂、企业和现实世界 [19][20] AI工厂：智能生产的基础设施 - 黄仁勋将AI定义为一种新型制造业，生成式AI每次输出以Token衡量，背后伴随电力消耗、芯片运算、数据传输和散热需求，生产智能需要完整工业体系支撑 [5] - AI工厂与传统工厂的共同点在于都需投入基础设施、组织生产流程、管理能源与产能并提升效率，区别在于核心产出是可被调用和使用的数字智能 [6] - 黄仁勋将AI工厂归纳为五层架构，从能源和计算基础设施延伸至模型和应用，GPU是核心部件但无法涵盖整个系统，电力供应、散热、数据传输、软件调度和模型运行效率每一环都影响最终产出 [7] - 英伟达发布DSX POD模块化AI工厂单元，以模块化容器为载体在工厂内完成计算系统、网络、布线、供电和液冷等环节的集成与测试，部署周期有望从约6个月缩短至最快14天，相关产品计划于2027年初开始交付 [8] - DSX POD将复杂工程前置到工厂，以标准化集成系统减少现场不确定性，把AI基础设施的交付效率摆上台面 [9] - 基础设施建成不等于创造价值，只有模型开始运行、客户开始使用、Token持续产生，资本才能进入实际生产环节，竞争正从芯片性能延伸至部署速度、资源利用率和单位产出成本 [10] - 能源和散热成为越来越现实的约束，英伟达通过DSX在供配电、液冷和数字孪生仿真等方面布局，希望在建设前验证数据中心的性能、功耗和制冷方案，把分散在芯片、机架、数据中心和运营环节的优化整合进统一参考架构 [10] - 黄仁勋强调欧洲应主动建设自己的AI经济，过去一年英伟达已在欧洲初创企业中投入近100亿美元，建立超过12000家合作伙伴关系，覆盖施耐德、西门子等工业企业和Mistral AI等模型公司 [11] 智能体：从对话走向执行 - 智能体要回答的是智能如何开始工作，AI使用方式正从单轮交互走向连续执行，需要拆解目标、制定计划、调用工具、获取知识并根据反馈调整行动 [12] - 黄仁勋将完整智能体拆分为五个部分：模型、运行框架、安全沙箱、知识以及工具，模型负责推理，框架协调任务，知识提供业务上下文，工具帮助执行操作，安全沙箱限制访问和影响范围 [12] - 智能体价值取决于能否接入真实业务，企业需要把结构化数据、非结构化文档、专业软件和业务规则连接起来，单有通用大模型远远不够 [13] - 英伟达强调CUDA-X工具库的原因在于其长期积累了大量行业算法与工程能力，当智能体承担复杂任务时这些工具依然有价值甚至获得更多调用机会 [13] - 黄仁勋提出每一家工具公司都可能转型为AI公司和智能体公司，工程软件、网络安全、医疗服务企业都可把专业知识封装进智能体 [14] - 开源模型与闭源模型可同时进入同一套系统，企业根据任务选择合适模型，再利用专有数据和行业工具构建自己的智能体 [14] - 智能体权限越多风险越大，英伟达推出OpenShell安全运行环境并与BlueField-4数据处理器上的Sentry安全框架结合，建立权限控制、隔离和运行监控机制，企业可规定智能体访问哪些文件、连接哪些网络地址、调用哪些工具并拦截不符合策略的操作 [14] - 安全控制从模型行为承诺推进到系统工程层面，面对能自主规划和持续执行任务的系统，仅要求模型遵守规则并不可靠，还需外部机制限制权限并保留可检查的运行记录 [15] - 智能体正从演示走向部署，模型回答得好只证明具备一定能力，在真实业务中持续完成任务才是更重要的考验 [15] 物理AI：从样机走向规模化 - 物理AI需要感知现实环境、理解物体和空间关系并在真实世界中采取行动，机器人、自动驾驶汽车、智能工厂和医疗设备都可能成为应用载体 [16] - 物理世界复杂性远高于数字环境，机器人需处理传感器噪声、物体差异、动作误差和环境变化并满足实时性与安全性要求，仅靠语言模型训练远远不够 [16] - 黄仁勋给出三类计算机协同工作的方案：第一类训练模型，第二类借助Omniverse等数字孪生和仿真工具训练测试技能，第三类部署在机器人或自动驾驶汽车上负责实际运行，构成从训练、模拟到执行的技术链 [16] - 演讲最后展示的小鸭机器人通过RTX Spark进行本地开发，结合云端训练和数字孪生仿真，最终在现实环境中完成动作，但现场几只小鸭未完全按指令行动，说明模型能力只是起点，可靠执行仍有大量工程问题需要解决 [2][16] - 英伟达介绍Hyperion平台，希望通过标准化计算架构和传感器配置连接不同汽车制造商与网约车平台，还展示与Agile Robots合作开发的参考机器人以降低机器人研发起步门槛 [17] - 机器人行业要形成规模效应需摆脱每个项目从零开始搭建的研发模式，标准化参考架构可让更多企业共享底层能力，把研发资源集中到具体任务和应用场景 [17][18] - 欧洲在机械、电子和精密制造方面具备优势，汽车、工业设备和医疗领域拥有大量真实需求与工程知识，若与AI模型、仿真平台和机器人系统结合，物理AI有机会从实验室进入产业流程 [18] - 标准化平台只能降低开发门槛，无法自动解决规模化落地的所有问题，机器人能否在长尾环境中稳定工作、虚拟训练技能能否迁移到现实、设备维护部署和改造成本能否被客户接受都需长期验证 [18] - 物理AI的竞争不仅涉及模型和算力，也涉及硬件可靠性、数据积累、系统集成以及真实场景中的持续反馈 [18] 行业竞争格局与产业链整合 - 英伟达的全栈化路线试图把更多环节纳入自身技术生态，从芯片到机架、从软件库到智能体再到机器人参考架构，扩大平台覆盖范围 [19] - 整场演讲描绘的产业链为：AI工厂生产智能，模型与智能体把智能转化为任务能力，专业工具和企业知识提供执行条件，安全运行环境划定边界，数字孪生与机器人将能力带入物理世界 [19] - 产业需要回答的实际问题是这些系统究竟能创造多少可持续的生产力，是否足以支撑持续增长的基础设施投入 [19]