阿勒泰地区网站建设_网站建设公司_悬停效果_seo优化

【摘要】

本次CES 2026主题演讲，除了发布新的Rubin，提出物理AI全栈方案之外，还有3个关键信息：

1. Nvidia现在除了芯片之外，还做全栈的AI系统，且开源，以方便其他人在这个基础上进一步开发自己的AI系统
2. MultiModel多模型协作
3. Bluefield在AI存储KV context保存方向上的创新，避免了context的来回搬移

除了特别说明之外，所有图片来源都是nvidia公众号的keynote视频

下图1总结了当前的AI现状：

图1 AI当前现状

一、AI带来的平台迁移

每隔10-15年，计算工业领域会有一次reset，新的平台迁移platform shift会发生。

比如mainframe to PC, PC to Internet, Internet to Cloud, Cloud to Mobile, 每次应用都会更换其目标平台，所以称为platform shift。

这次会有2个变化同时发生：

1. 现在平台向AI迁移，AI是应用，应用也将会基于AI来开发
2. 软件运行和开发的方式将会改变，从软件编程进化为训练软件，软件不再基于CPU来运行，而是基于GPU来运行；以前的软件是提前编译好，运行时接受输入然后产生输出，而以后将会变化为软件理解上下文（context），然后每次都是重新生成一个新软件。

【思考】

软件基于GPU来运行只是一个概述，其实从系统角度来讲，CPU肯定是不可缺少的，GPU需要CPU来进行系统的启动引导，网络数据交互，还有各种虚拟化技术比如容器也是构建在CPU上的，一个虚拟化容器中可能包含N个CPU和M个GPU。所以每次发布新产品，其实都是CPU和GPU配对来发布的，二者之间关系紧密。

软件的产生应该也是指APP层面的软件，像Linux内核还有Kubernates容器调度之类的软件，应该会越来越稳定，一方面不需要AI来实时创建，另一方面AI要构建这样积累深厚的代码应该也很难做到吧。

二、AI代理

AI相关的几个关键时刻：

1. 2015年，BERT大语言模型出现；
2. 2017年，Transformer论文出现；
3. 2022年，ChatGPT时刻，提醒世界AI来临；
4. 2023年，ChatGPT O1出现，是第一个reasoning的模型，也提出了test time scaling，除了预训练之外，还可以通过增强学习reinforce来学习技能，从另一个角度来讲就是实时进行思考，thinking in real time。这些过程需要更多的计算资源也就是GPU。
5. 2024年，代理系统Agentic system开始出现，在2025年得到普及。代理系统可以进行reasoning、查找信息、做研究、使用工具、计划未来、模拟输出，突然之间，Agent就可以解决很多的问题。Nvidia的一些编程问题都在使用cursor。

【补充信息】以前知道的是AI训练training，AI推理inference。最近总是听到reasoning，专门去查了区别如下：

图2 AI Reasoning与AI Inference的区别（图片来源：千问）

AI Inference 是模型部署阶段的“执行动作”，追求效率；AI Reasoning 是智能系统中的“思考过程”，追求逻辑与正确性。

【思考】

以前提到AI Inference的时候，都会有结果的概率问题，比如现在用的很多的人脸识别，也会有出错的时候，偶尔需要进行二次识别才能通过。但是现在有了AI Reasoning，可以通过多个方式减少Inference的出错，但是仍然不能保证100%正确。对于自动驾驶、机器人等领域，应该还是需要在AI的基础上，有一层额外的规则防护机制。

三、开源模型

DeepSeek开创了reasoning模型的open先河，越来越多的新开源模型，刷新了一个又一个新的高度，越来越多的下载量，可以看到大家的参与度越来越高。所以nvidia也在开源模型上投入巨大。

Nvidia做DGX Cloud不是为了进入云计算领域，只是用来开发nvidia自己的开源模型。下图看到2025年的模型数量，nvidia排在第一位，覆盖的各行各业的领域，比如第一个Clare是生物医学领域的，研究蛋白质方面的。

Nvidia不仅开源模型，也开源用于训练模型的数据。目标是让更多的人可以更容易进行AI相关的开发，促进AI的进步。

在第五部分的物理AI中可以看到具体在自动驾驶和机器人方面的开源模型。

图3 nvidia在开源模型上的贡献

四、多模型协作

AI领域一个新的进步是Perplexity公司的MultiModel。

Perplexity AI 公司的 “多模型协作” 是其核心技术架构和产品差异化的核心，它代表着当前大模型应用的一个先进范式：不依赖单一模型，而是通过智能“调度”和“协作”，为不同问题选择最佳工具。

Perplexity 的协作并非简单并列几个模型，而是一个精心设计的、分层决策的系统。

第一层：查询理解与路由（调度层）

第二层：专家模型池（执行层）

第三层：工作流引擎（协作层）

这样确保每个问题都能被当时可用的最佳模型处理，理论上能始终提供最高质量的答案。

NVIDIA Blueprint 解决方案是“AI基础设施的标准化配方”——为构建企业级AI算力中心，提供从硬件选型、网络布线到软件部署的全栈、已验证的详细设计图，确保建成的系统高性能、可扩展且稳定可靠。

演讲中举例采用nvidia的Blueprint解决方案，基于MultiModel的理念，为客户端到端构建，客户可以同时使用预训练的AI模型和自己定制化的AI模型，来生成最终解决方案。

图4 多模型协作的应用举例

下图是使用nvidia AI解决方案的一些公司举例。

图5 nvidia AI解决方案的合作方举例

五、物理AI

AI去理解物理世界的规则是比较大的一个挑战。

所以nvidia构造了一个全栈的物理AI平台，包含3类芯片和对应的模型及软件。如下图所示：

1. AI训练芯片GB300，世界的理解与预测模型COSMOS
2. AI推理芯片THOR，机器人模型GROOT，自动驾驶Alpamayo
3. AI模拟芯片simulator RTX PRO，数字孪生系统OMINVERSE

【说明】其实数字孪生系统OMINVERSE，nvidia已经做了好几年了，建立物理世界与模拟世界的关系，可以在模拟世界进行各种模拟实验和优化调整，减少真实物理世界的失败。只是这次纳入了物理AI这个新的概念。

图6 nvidia的物理AI全栈方案

世界模型COSMOS可以合成很多的数据用于自动驾驶的训练。

图7 COSMOS的数据合成

自动驾驶Alpamayo是第一个能够thinking，reasoning的自动驾驶AI模型。

训练的数据有的是人类驾驶数据，有的是COSMOS模拟生成的数据。

Nvidia做自动驾驶已经有8年，主要原因是希望能够建立端到端的AI栈，一方面可以支持nvidia的客户比如奔驰来生产自动驾驶汽车，另一方面在这个过程中，nvidia可以更好的理解如何定义自动驾驶的芯片。

图8 nvidia发布的自动驾驶新模型Alpamayo

在这里以自动驾驶为例，又重新提出了AI的5层蛋糕：

1. 基础电力和物理层，比如在自动驾驶里面，这一层是汽车；
2. 芯片，比如GPU、CPU、网络芯片等；
3. 基础架构infrastructure，比如在自动驾驶和物理AI中，是Omniverse和COSMOS；
4. 模型model，在这个例子中，是Alpamoyo，这个现在已经开源；
5. 应用层，在这个例子中，是与nvidia合作5年的奔驰；

另一个软件栈是AV栈，entire AV stack的设计目标是完全可追溯fully traceable，大约开发了6年。

这2个软件栈互相镜像，用AV栈来检验Alpamoyo是否够安全。

所有软件都是开源的。

在物理AI领域，nvidia的Omniverse有很多的合作伙伴。

还有一个物理AI的应用领域是机器人，相关的软件栈是Isaac。

同样在机器人领域，nvidia也打算端到端的完成各个方面的工作来制造机器人。

图中视频中真实的小机器人很可爱，可以通过跳跃来感受重力。

图9 nvidia在物理AI领域的合作伙伴

六、新一代架构Rubin

下图展示了AI发展导致的对计算资源的急剧skyrocket需求，所以这次nvidia打破了以往一个新的generation只更新1-2个芯片的规则，一口气更新了6个芯片。

之所以要同时更新，主要是芯片之间需要进行联合设计co-design，才能更好地达到最佳性能。

图10 AI的急剧增长需求

具体的6个芯片如下：

1. CPU芯片Vera
2. GPU芯片Rubin
3. RDMA芯片Spectrum CX9，支持RDMA网络通信，适合东西向通信，也就是一个大集群中系统之间的通信；
4. 智能网络芯片BlueField 4，应该主要是TCPIP的网络通信，适合南北向通信，也就是一个大集群或者数据中心，对外部的网络通信，或者是数据中心的各个虚拟化系统之间的通信；此外，该芯片还支持KV context Memory的存储
5. NVLINK 6交换机
6. 以太网交换机

【说明】与网络相关的有2个芯片：Spectrum CX9和BlueField 4，二者定位是不同的。

Spectrum CX9是从Mellanox收购得来，代表了顶尖的RDMA和IB通信，RDMA的通信效率要比TCPIP高很多，但是由于RDMA与TCPIP软件调用接口不同，对于软件开发来讲需要基于RDMA重新开发，这是nvidia NCCL软件做的工作，通过调用RDMA，东西向的网络通信效率得到很大的提升。由于RDMA通信需要NCCL支持，所以并不适用于以前的网络对接，所以基于RDMA的Spectrum CX9只用于AI集群中的内部通信，也就是东西向通信。

如果需要与传统网络进行交互，那么仍旧需要传统的TCPIP，这时就需要用到BlueField 4这款网络芯片。传统网络一般用于AI集群对外交互，或者AI节点虚拟化后的管理等。

具体的每个芯片参数可以看下面的图片信息

后面图片较多，就不编号了

RDMA芯片Spectrum CX9，支持RDMA网络通信，适合东西向通信，也就是一个大集群中系统之间的通信；

智能网络芯片BlueField 4，应该主要是TCPIP的网络通信，适合南北向通信，也就是一个大集群或者数据中心，对外部的网络通信，或者是数据中心的各个虚拟化系统之间的通信；此外，该芯片还支持KV context Memory的存储；

除了芯片更新之外，这次在硬件工程领域也有了很大的进步，做到了100%的液冷，不再需要电缆、风扇。

下图可以看的很清晰，右边的是前一代的设备，上面连线很复杂，左边的是这一代的新设备，干干净净。

这是总的nvidia Vera Rubin 集群机柜的样子：

七、AI时代的新存储

AI的context成为新的瓶颈，之前总是要通过网络进行交互，现在nvidia的新方案可以通过Bluefield芯片以KV（key value）方式存储起来，提升效率。

AI场景下不再用SQL，而是KV存储，key-value存储

八、其他

能耗降低：液冷对水温要求不高，抹平能耗的峰值，不再需要额外备用25%的能耗

安全保证：数据有加密

九、总结

一句话总结，新架构的6个新芯片，带来了新的性能和成本的优化：

1. 同样的时间训练，需要原来1/4的GPU；
2. 同样的交互数，可以生成原来10倍的token；
3. 同样的时延下，token的成本是原来的1/10。

总得来讲，是很强，但是这些数据也只是某种情况下的数据，不同场景的性能升高和成本优化的结果要分别来计算。