辉达(NVDA-US)执行长黄仁勋在GTC柏林大会发表演讲，勾勒AI产业从大型语言模型走向自主代理 (AI Agent)、AI工厂与实体机器人的发展蓝图。他指出，过去十年AI效能提升约100万倍，远超同期摩尔定律带来的约100倍成长，关键在于硬体、软体、演算法与系统架构的整合式设计。从可在桌面运行个人AI代理的运算设备，到可将资料中心部署时间缩短至14天的整合式AI工厂，以及人形机器人参考平台，辉达正试图将AI从数位工具推进为能执行任务、理解企业知识并与实体世界互动的完整运算系统。

黄仁勋在演讲中以一台轻薄的RTX Spark运算设备作为开场，指出这类设备具备最高128GB统一记忆体，并以此对比2016年辉达将DGX-1送往OpenAI旧金山办公室的情景。当年DGX-1同样具备128GB记忆体，却是一台需要两人搬运的大型设备；如今相近容量的运算设备已能由一人单手举起。黄仁勋借此说明，过去十年间AI效能提升约100万倍，而摩尔定律同期带来的提升约为100倍，两者之间的差距来自整个运算系统的协同最佳化，而不只是单一晶片的进步。

辉达将这种方法称为「极致协同设计」，涵盖晶片、系统架构、软体、演算法及资料中心等不同层级。随着AI模型逐渐具备推理、规划及使用工具的能力，产业对运算资源的需求也从单纯训练大型模型，扩展至长时间运行AI代理、存取企业资料、呼叫软体工具，以及在模拟环境中训练机器人。

黄仁勋认为，传统个人电脑主要依照使用者输入的指令执行工作，未来的电脑则有机会成为使用者的个人AI代理与工作助手。使用者不必亲自操作每一套软体，而是将任务交给AI代理，由代理自行规划步骤、选择工具并完成工作。辉达因此将RTX Spark定位为可在桌面端运行个人AI代理的运算平台。

依照演讲中的产品规格，RTX Spark的FP4 AI运算效能最高可达每秒1 Petaflops，统一记忆体容量最高128GB，并整合Blackwell RTX GPU与Grace CPU。黄仁勋在演讲中将相关超级晶片称为N1X。这类设备希望将高效能AI运算能力带到个人工作环境，让使用者可以在本地端执行模型，也能视需求将较大型的工作负载交由云端处理。演讲内容指出，相关设备已于10月16日开始销售。

辉达表示，打造这类个人AI运算设备涉及大量软体与硬体整合，公司与微软 (Microsoft) (MSFT-US) 已秘密合作四年，累计投入数千个工程师年。RTX Spark支援OpenGL、DirectX及CUDA等技术，目标是让既有软体与开发工具能在新一代AI运算环境中持续运作。桌上型电脑、笔记型电脑与工作站等PC产业产品，也正朝整合AI运算能力的方向发展。

不过，AI代理并非只要具备一个大型模型就能独立工作。黄仁勋将完整AI代理系统归纳为五大要素，包括模型、Harness、沙箱、知识与工具。模型负责感知、推理、规划及工具使用；Harness负责编排任务、调度活跃记忆、工作记忆与长期记忆；沙箱用来隔离代理执行环境；知识让代理理解企业资料与私人文件；工具则让代理能使用人类既有的软体系统。

这套架构也意味着AI代理的运算需求不再只集中于模型本身。代理进行更复杂的推理、反复修正计划及呼叫工具时，会消耗更多token，进而增加GPU运算需求。辉达提出以Vera Rubin平台支援不同工作层级的设计：Vera Rubin NVL72负责模型运算，Vera MGX运算节点执行Harness，Vera CMX储存节点提供知识资料，Vera RTX运算节点则负责执行CUDA-X函式库等工具工作。辉达希望借此将模型、记忆、企业资料与工具整合为完整的AI代理基础设施。

Vera Rubin的硬体设计也着重于简化组装与提高部署效率。黄仁勋在台上展示一个运算托盘，表示其设计不需要传统缆线，并采用全液冷架构。依照演讲说法，上一代Grace Blackwell系统组装一台约需两小时，Vera Rubin系统则可将组装时间缩短至不到五分钟。这项改变除了减少安装与维护复杂度，也有助于大型AI资料中心更快完成部署。

AI代理能够自行操作文件、连接网路及呼叫工具，但自主性提高也带来安全风险。黄仁勋指出，若仅依赖提示词要求AI代理不要执行危险操作，并不足以构成可靠的安全防护。辉达因此推出OpenShell参考架构，将权限规则放在AI代理本身之外，并让每个代理在独立沙箱中运行。

透过这套架构，管理者可限制代理能读写哪些档案、连接哪些网路，以及执行哪些系统呼叫。敏感密钥也不直接交由代理掌握，而是由外部政策与系统控制存取权限。辉达并提出由BlueField-4资料处理器支援的Sentry机制，在主机系统之外监控代理行为，一旦发现越权操作，就能在毫秒级时间内隔离相关工作负载。

辉达认为，安全机制将是AI代理能否进入企业核心工作流程的关键。当代理开始处理商业文件、存取内部资料库、操作业务软体，甚至代表使用者执行交易时，企业必须能够明确界定其权限、追踪行为并在必要时中止操作。OpenShell试图将这些管理机制纳入AI代理的基础架构，而不是只依赖模型本身遵守指令。

在更大规模的部署层面，黄仁勋将AI资料中心称为「AI工厂」，并以制造业作为比喻。他指出，传统工厂将原料转化为产品，AI工厂则将电力、运算资源与资料转化为智慧。企业若想成为AI经济的一部分，不应只消费AI服务，也必须具备生产AI服务与智慧成果的能力。

依照演讲中的估算，一座1吉瓦规模的AI工厂，若将土地、电力、厂房、运算设备、网路、储存与散热等成本纳入，整体投资约需500亿美元。若工厂一年可创造400亿美元收入，延后投产三个月就可能错失约100亿美元收入。这项估算凸显大型AI基础设施的建置速度，可能直接影响企业能否及时取得运算产能并将其转化为商业收入。

为缩短AI工厂的建置时间，辉达推出NVIDIA DSX POD。每个POD由七个液冷运算机架组成，机架之间透过总长约17公里的Spectrum-X网路线连接。整套设备会先在工厂内完成整合、布线与测试，再装入可运输的货柜，运往资料中心。当现场的水电设施准备完成后，设备即可进行部署，并透过干冷器散热及800V直流电系统供电。

辉达表示，传统大型AI系统从运送、组装到测试，部署时间可能长达约六个月；DSX POD则将整合、启动、验证及老化测试等流程提前移至工厂完成，使现场部署时间最短可缩至14天。这项设计延续了辉达将整机架系统移入工厂组装的方向，并进一步将原本需要在资料中心进行的多项工程流程纳入标准化供应链。

能源与用水效率也是AI工厂设计的重要部分。辉达指出，在产出相同token数量的条件下，DSX MaxLPS最多可降低30%的用电量。透过闭环液冷与干冷器设计，系统也能减少散热过程中的水分蒸发。依照演讲中的估算，若以2吉瓦规模计算，每天可节省约5,400万公升用水，相当于约18万户家庭一天的用水量。对于需要大量电力与散热资源的AI资料中心而言，如何提高能源效率、降低用水需求，将直接影响建置成本与营运可持续性。

除了企业AI工厂与个人AI代理，黄仁勋也将物理AI与机器人列为下一阶段的重要发展方向。演讲中的示范主角是MicroDuck机器人，该机器人由Hugging Face与Pollen Robotics相关团队参与开发。示范展示开发者如何利用AI代理建立模拟环境、训练机器人行走，再将训练结果部署到真实机器上。

整个流程从RTX Spark开始。开发者先以文字描述训练场景与机器人需要学习的技能，再由Hermes与Nemotron模型协助规划场景及列出所需物件。接着，系统透过OpenAI相关工具流程呼叫Astra，使用FreeCAD建立3D物件、利用Blender加入材质，再透过Omniverse SimReady函式库补上物理属性，最后在Isaac Sim中建立模拟环境。

接下来，AI代理为MicroDuck配置关节、执行器与连杆，并透过Newton物理引擎模拟机器人的运动。训练阶段则转移到云端，在Isaac Lab中让数千个虚拟MicroDuck并行训练。虚拟机器人可反复尝试、跌倒并调整动作策略，直到学会指定技能。训练完成后，策略会下载回RTX Spark，经过评估再部署至实体机器人。演讲中，四只实体MicroDuck登台展示行走、坐下、站立与翻身等动作。

这项示范呈现出辉达所主张的物理AI工作流程：一套系统负责开发及训练AI模型，另一套系统在Omniverse等数位孪生环境中让AI学习技能，最后再将成果部署至机器人本体。透过模拟环境反复测试，开发者可减少直接在真实世界进行试错的成本与风险，也有机会缩短机器人从设计到实际应用的时间。

在人形机器人方面，辉达与Agile Robots共同推出Agile ONE SN参考人形机器人平台，目标是降低开发者打造机器人时必须自行整合软体、运算系统、感测器与机械结构的门槛。依照演讲公布的规格，Agile ONE SN身高1.4公尺、体重40公斤，具备31个自由度，预先配置Isaac GR00T，并由Jetson Thor平台驱动，预计2027年初上市。

黄仁勋认为，人形机器人有机会成为下一个大型产业，但若每一种任务都需要重新设计一套机器人系统，市场将难以形成规模经济。手机、个人电脑及大型NVLink系统的发展，都显示标准化平台有助于扩大出货量，再透过规模带动技术进步。人形机器人未必适用所有工作场景，但由于外型与人类生活及工作环境相容，有机会涵盖工厂、仓库乃至家庭中的多种任务。

Agile ONE SN结合辉达开放的资料集、Isaac模拟平台与GR00T模型，试图成为机器人开发者可直接使用的参考平台。辉达希望透过标准化硬体及软体工具，让开发者将更多时间投入任务设计与AI训练，而不是从零开始整合整套机器人系统。

在模型策略上，辉达也持续扩大开放模型布局，涵盖不同产业与应用领域。语言模型系列为Nemotron，世界基础模型系列为Cosmos，人形机器人模型为GR00T，自动驾驶模型为Alpamayo，量子运算模型为Ising，气候与物理模拟则包括Earth-2。

黄仁勋指出，这些开放模型不一定在所有任务中都位居最前沿，但辉达希望透过开放模型权重、训练资料与复现脚本，让企业可以使用自有资料进行后训练与调整，使模型更符合特定业务需求。企业可依照自身的知识、流程与保密要求，建立更贴近内部工作方式的AI系统。

为进一步让AI代理理解企业资料，辉达推出Agent Knowledge Foundation，协助代理处理各类企业知识来源，包括格式不一的文件与结构化资料库。相关工具可透过Nemotron进行资料解析、嵌入与重排序，新的Kumo模型则可直接从资料中进行预测。辉达认为，企业AI代理的价值不只取决于模型能力，也取决于它能否在权限允许的范围内，取得并正确运用企业内部知识。

黄仁勋在演讲尾声表示，欧洲企业也将逐步成为AI企业。这项主张反映辉达希望扩大AI基础设施与软体平台的应用范围，让AI不再只是少数科技公司的产品，而是进一步进入制造、物流、企业服务、机器人与其他产业。

整场演讲涵盖个人AI运算设备、AI代理安全、整合式AI工厂、开放模型、企业知识管理与物理AI等多个领域，显示辉达正将竞争重心从单一GPU延伸至整套AI运算系统。随着AI代理需要更多推理与工具操作、AI工厂需要更高密度的运算与电力供应，机器人也开始透过模拟训练连结数位模型与实体世界，硬体、软体、资料中心与开发工具之间的整合能力，将成为AI产业下一阶段的重要竞争关键。