黃仁勳 GTC 柏林演講重點一次看！Vera Rubin 晶片量產、AI 工廠加速部署，輝達下一步瞄準機器人

AI 正慢慢從螢幕裡走向真實世界

輝達執行長黃仁勳在柏林 GTC 大會上，就以「AI 正在開啟新一輪工業革命」為主軸，分享輝達接下來的發展方向，除了宣布新一代 Vera Rubin 平台全面量產，也推出能在出貨前就完成整合與測試的模組化 AI 工廠，並進一步布局 AI 代理、自駕車與人形機器人，這次演講傳達的重點，其實不只是推出了哪些新晶片，而是輝達希望從過去提供 GPU，進一步成為涵蓋晶片、網路、軟體、能源管理與資料中心建置的完整 AI 平台供應商，究竟這些布局會帶來哪些改變，一起來看看

（圖片來源：NVIDIA YouTube）

黃仁勳眼中的 AI 工業革命，企業不只要用 AI 還要能生產 AI

黃仁勳在演講中把 AI 比喻成電力，認為就像電力曾經改變工廠的運作方式，AI 也將逐步進入製造、醫療、金融與汽車等產業，成為推動新一輪產業轉型的基礎，他也提出 AI 產業的「五層蛋糕」概念，從最底層的能源開始，往上依序是運算、AI 基礎設施、模型與應用，這些環節彼此相連，才能讓 AI 真正運作起來，簡單來說，AI 不只是我們平常打開的聊天機器人或生成圖片工具，背後還需要大量電力、運算設備、資料中心與模型，才能持續產生 AI 回應和執行任務所需的 token，也就是模型處理文字或其他內容時使用的基本單位，因此，黃仁勳認為企業未來不能只把 AI 當成外部工具，也應該思考如何將自己的產業知識、資料與技術整合進 AI 系統，建立符合自身需求的應用，他也特別提到歐洲的產業優勢，認為汽車、製造、醫療等領域本來就累積了大量專業經驗，如果能進一步導入 AI，就有機會把既有的技術能力轉化為新的競爭力

（圖片來源：NVIDIA YouTube）

Vera Rubin 全面量產，輝達開始為 AI 代理打造整套運算系統

這次 GTC 的一大重點，就是輝達宣布新一代 Vera Rubin 平台已全面量產，與過去主要著重在單顆晶片效能的思維不同，輝達強調的是晶片、系統、軟體與演算法之間的協同設計，讓整套設備一起提升效率，黃仁勳表示，Vera Rubin 採用全液冷與無纜線設計，運算節點的組裝時間也從上一代 Grace Blackwell 系統約兩小時，縮短至不到五分鐘，除了有助於提高生產效率，也能減少組裝過程的複雜度

在運算架構方面，NVLink 可以將 72 顆 GPU 連接成大型運算系統，讓多顆 GPU 更有效率地協同工作，另外，輝達也展示採用共同封裝光學技術的 Spectrum-X 交換器，將光學元件更直接地整合到晶片周邊，降低高速資料傳輸的限制，這些技術看起來離一般人的日常生活有點遠，但背後其實有一個重要變化，就是 AI 的工作方式正在改變

過去大家使用 AI，可能主要是輸入問題、等待模型生成答案，但現在 AI 代理開始能夠規劃步驟、呼叫工具、處理資料，甚至把一件工作從頭執行到尾，這代表系統不只要負責模型推論，還需要支援代理的執行流程、知識處理與工具運算，Vera Rubin 的設計方向，就是要讓這些不同工作能在同一套運算平台上獲得支援，隨著 AI 代理需要處理的任務愈來愈複雜，背後的運算需求也可能持續增加

（圖片來源：NVIDIA YouTube）

AI 工廠不只要有晶片，模組化設計也要讓部署更快

如果說 Vera Rubin 是 AI 運算的核心，那麼 AI 工廠就是讓這些運算能力真正投入工作的整體環境，黃仁勳指出，一座 1 GW 規模的 AI 工廠，建置成本可能高達 500 億美元，而且花錢的地方不只有 GPU，還包括網路、儲存設備、供電、冷卻與整體設施設計，任何一個環節沒有準備好，都可能影響整座工廠的運作

為了讓 AI 工廠更有效率地建置，輝達推出 DSX Pod 參考設計，將運算設備、網路、布線、管線與測試流程提前安排在工廠內完成，通過整合與驗證後，再以模組化設備運送到現場，這種方式有點像把原本需要到建築現場才逐步組裝的設備，改成先在工廠裡完成大部分準備工作，等到現場的電力與其他公用設施就緒，就能更快開始部署

依照輝達公布的說法，在現場條件準備妥當的情況下，DSX Pod 有機會將部署時間從原本數月縮短到數天至數週，讓 AI 工廠更早開始提供服務，也減少昂貴設備到貨後卻無法投入運作的時間，除了建置速度，能源與用水效率也是這次演講的重點，輝達透過 DSX 架構模擬工廠的電力、散熱與用水情況，並介紹 DSX Max-Q 等電力管理技術，主張在相同產出條件下能進一步降低耗電量

冷卻方面，Vera Rubin 的液冷系統可使用最高攝氏 45 度的冷卻液，搭配適合的環境與乾式冷卻設備，減少對蒸發用水的需求，輝達並估計，在 2 GW 規模下，每天可節省約 5,400 萬公升用水，不過，這些節能與節水數據仍是輝達依照特定設計與規模提出的估算，實際成效還是會受到氣候、設施條件與運作方式影響，對 AI 產業來說，這些改變的重要性在於，未來競爭不只看誰擁有更強的晶片，也要看誰能更快把運算設備建置完成，並以合理的成本穩定運作

（圖片來源：NVIDIA YouTube）

AI 代理愈來愈能做事，安全機制也不能只靠提醒

當 AI 從回答問題進一步變成能操作工具、讀取資料和執行任務的代理，新的問題也跟著出現，如果 AI 不小心刪除重要檔案、存取不該碰的資料，甚至連接到不安全的網路，該怎麼辦？黃仁勳認為，不能只靠文字指令提醒 AI 不要做某些事，而是必須從系統架構上限制它能執行的操作，因此，輝達推出 OpenShell，讓企業可以透過政策限制 AI 代理的系統呼叫、檔案存取與網路連線，代理則會在獨立的安全沙箱中運作，敏感金鑰也能保留在沙箱之外，降低代理直接接觸重要資訊的風險

另一項安全機制 Sentry 則運行在 BlueField-4 上，透過與代理隔離的硬體環境監控活動，依照輝達的介紹，如果發現代理準備執行非預期操作，就能在毫秒內切斷模型連線並進行隔離，這些設計反映出 AI 代理要進入企業工作流程，不能只看它做事有多快，也必須確認它能接觸哪些資料、可以使用哪些工具，以及出現異常時能不能及時阻止，對一般使用者來說，這些安全機制可能不會直接出現在日常操作畫面中，但當 AI 開始幫忙整理檔案、處理公司資料，甚至執行跨平台任務時，權限控管與安全隔離就會變得愈來愈重要

（圖片來源：NVIDIA YouTube）

AI 不會讓所有軟體失去價值，企業知識與專業工具仍然重要

隨著 AI 代理愈來愈成熟，也有人擔心，未來只要告訴 AI 想完成什麼，軟體就會被取代，使用者不再需要打開各種專業工具，不過，黃仁勳對這件事抱持不同看法，他認為企業未來仍會依照不同任務，選擇閉源模型或客製化的開放模型，而真正讓 AI 代理具備專業能力的關鍵，還包括企業累積的知識、資料與工具

例如在科學研究領域，Lila Sciences 利用輝達的 BioNeMo 與 CUDA-X 工具協助設計蛋白質及化合物，再將虛擬實驗的結果交由實體實驗室驗證，讓 AI 能參與研究流程，而不只是產生一段文字，在工業設計方面，西門子利用 AI 代理規劃生產，再透過數位孿生模擬和檢驗；達梭系統則讓代理協助設計車門、進行模擬與修正，最後仍由工程師審查方案

從這些案例可以看出，AI 代理未必會直接取代專業軟體，反而可能成為操作工具的新方式，讓使用者用更自然的指令完成原本需要多個步驟的工作，當然，AI 能否真的提升效率，還是得看實際任務的複雜度、結果是否可靠，以及企業能不能妥善管理資料與權限，但至少從輝達目前的布局來看，未來的方向並不是只有更大的模型，而是讓模型與既有工具更緊密地合作

（圖片來源：NVIDIA YouTube）

從自駕車到人形機器人，AI 開始走進真實世界

除了資料中心與企業軟體，黃仁勳也把實體 AI 視為下一波發展方向，也就是讓 AI 不只理解文字和影像，還能理解物理世界，並透過車輛、機器人或其他設備採取行動，在自駕車方面，輝達透過 Hyperion 參考架構，整合攝影機、雷達、光達與車載運算系統，讓汽車品牌和自駕軟體業者能以共同架構進行開發，黃仁勳也提到福斯商旅、捷豹路虎、Volvo 與賓士等品牌將加入相關布局

電信領域也是實體 AI 的一環，輝達與諾基亞合作，希望將 AI 運算能力導入電信網路，提升頻譜使用效率，並讓部分電信設施逐步成為分散式 AI 基礎設施，在人形機器人方面，黃仁勳認為，如果能建立較標準化的硬體架構，並讓機器人透過示範學習工作流程，就有機會降低企業導入機器人的門檻，不一定每家公司都得自行建立完整的機器人研發團隊

輝達也與思靈機器人合作推出 Agile One 參考機器人，預計依照演講公布的時程於 2027 年第一季推出，並預先整合電腦與軟體，協助開發者縮短從硬體到應用的整合時間，不過，從自駕車到人形機器人，真正進入日常生活仍涉及安全、成本、可靠性與實際環境適應能力，這些技術能否大規模普及，還需要觀察後續產品進度與實際應用成果

（圖片來源：NVIDIA YouTube）

個人電腦也要變成 AI 助手，從回答問題走向執行任務

這次演講的另一個方向，是 AI 代理不只會存在於大型資料中心，未來也可能逐步走進個人電腦，成為能協助使用者完成工作的助手，黃仁勳介紹輝達與微軟合作的 RTX Spark 系列，採用 N1X 晶片，涵蓋桌上型電腦、筆電與工作站等形式，並提供最高 1 PFLOPS 的運算能力與 128 GB 記憶體，另外，搭載 Windows 的 DGX Station 則提供 20 PFLOPS 算力與 754 GB 記憶體，預計於演講所指的年底上市

這些規格主要是面向 AI 開發與運算需求較高的使用情境，並不是代表一般文書電腦也一定需要這麼強的硬體，而是顯示輝達希望讓更多 AI 工作能在本地端執行，減少對雲端運算的依賴，或讓開發者更方便測試與部署自己的 AI 系統

演講最後，輝達也展示如何利用 RTX Spark 建立機器人訓練場景，先在雲端進行平行訓練，再把驗證後的策略部署到實體機器人，串起個人電腦、雲端運算與真實世界的設備，換句話說，輝達想像中的個人電腦，未來不只是用來開啟程式、編輯文件或瀏覽網頁，也可能成為能理解需求、安排工作流程，再搭配不同工具完成任務的 AI 助手

（圖片來源：NVIDIA YouTube）

小結

從 Vera Rubin 全面量產、DSX Pod 模組化 AI 工廠，到 OpenShell 安全機制、自駕車與人形機器人，這次 GTC 柏林演講呈現出輝達想建立的完整 AI 生態系，當 AI 從回答問題走向執行任務，產業需要的就不只是更強大的 GPU，還包括資料中心、網路、能源管理、安全機制，以及能讓 AI 使用專業工具的軟體架構，這也是輝達持續往整套平台發展的原因，對企業來說，AI 能不能帶來實際價值，最後仍要回到成本、效率、安全與應用需求，而不是單看晶片規格有多漂亮，至於自駕車和人形機器人，也還有不少技術與落地問題需要解決，不過可以確定的是，AI 產業的競爭已經逐漸從模型本身，延伸到誰能把運算、軟體和實際工作流程整合得更好，接下來值得觀察的，也不只是輝達推出了什麼新產品，而是這些技術究竟能多快走出資料中心，真正進入我們的工作與生活

🌟電獺少女也有 TikTok 了！各類 App 使用密技、即時科技大事、第一手產品把玩心得全都在電獺少女 TikTok 就差你沒關注啦！