英伟达GTC柏林2026：黄仁勋主题演讲

黄仁勋在GTC Berlin 2026上给出的核心判断是：欧洲不该只做AI的消费者，而应成为AI的生产者，而英伟达要卖的正是一整套让欧洲“自己造AI”的工业底座——从Vera Rubin算力平台、DSX POD模块化AI工厂，到OpenShell智能体安全运行时、Nemotron系列开放模型，再到把企业私有数据接进智能体的Agent Knowledge Foundation。

这场主题演讲的时间点值得注意：2026年10月，英伟达刚结束横跨巴黎、伦敦、斯德哥尔摩、都柏林的一周欧洲路演，承诺向欧洲技术生态投入近100亿美元，合作方超过12000家。黄仁勋开场抛出的名单——欧莱雅、Revolut、Spotify、默克、沃达丰、Zara、保时捷、雀巢、汇丰——全部是欧洲公司，全部在与英伟达做AI。这不是随口列举，而是在向欧洲监管者和企业客户传递一个信号：英伟达在欧洲不是外来供应商，而是已经嵌入本地产业肌理的基础设施伙伴。

“五层蛋糕”是整场演讲的叙事骨架

黄仁勋把AI拆成五层：能源、先进计算机（即AI工厂）、模型生成的token与数字智能、运行其上的模型、以及集成进一切应用的智能。他强调“早在AI模型出现之前，基础设施就必须存在”，并用互联网先要有网络、电力先要有电网作类比。这个框架的真正用意是重新定义英伟达的销售对象——不是卖GPU，而是卖“AI工厂”这一整层。> “要成为AI经济的一部分，你不能只消费AI，你要生产AI。”这句话是对欧洲政策制定者说的，也是对欧洲大企业CIO说的：买API调用是消费，建自己的算力与模型能力才是生产。

DSX POD把AI工厂从工程项目变成可交付产品

黄仁勋宣布Vera Rubin已进入全面量产，并称其把英伟达的计算平台从“跑模型和LLM”扩展到“处理整个AI智能体”。更关键的产品是NVIDIA DSX POD：一套完整Vera Rubin AI工厂的参考设计，由合作伙伴在模块化集装箱内建造、集成并验证后再交付。现场给出的数字是——站点公用设施就绪后，现场部署时间从六个月压缩到14天。

这个数字的分量在于它改变的是数据中心的建设经济学。传统数据中心是长周期、重现场施工的工程项目，DSX POD把它变成工厂预制、现场吊装的产品。黄仁勋自己定性为“世界供应链的完全转型”。配套的DSX AI Factory Platform宣称可将冷却用水减少最多100%、以最多低30%的功耗产出同等AI输出——在欧洲电价高企、水资源监管严格的背景下，这两个指标直接对准了本地客户的痛点。

智能体的五要素拆解，把“安全”从合规话题变成工程话题

黄仁勋给智能体的定义包含五个部分：模型、负责编排工作与记忆的harness、隔离harness的sandbox、知识、工具。这个拆法的意义在于，它把“智能体”从一个模糊的产品概念变成了可分层设计、可逐层加固的系统工程对象。他随即给出判断：“最重要的是确保智能体是安全的。”理由是自主智能体能访问文件、资源、网络和工具，所以权限必须最小化并持续监控。

英伟达的答案是NVIDIA OpenShell Reference Architecture for Safe AI Agents，建立在OpenShell之上——一个开源、策略可控的运行时，具备内核级沙箱能力，位于智能体与其可影响的系统之间。黄仁勋特别指出“每次启动智能体时，权限都是不同的”，这意味着静态的权限配置和一次性审计失效，权限、策略执行与监控必须动态适配。> 这句话对做企业级智能体平台的团队是个明确提醒：把智能体当成长时运行的微服务来治理，而不是当成一次性的聊天会话。

开放模型是“主权智能”的原料，不是英伟达的慈善

黄仁勋列出英伟达的前沿开放模型矩阵：语言用Nemotron、世界基础模型用Cosmos、人形机器人用GR00T、自动驾驶用Alpamayo、量子-经典混合计算用Ising、物理AI用Earth-2。他的表述相当直接：“我们就是前沿。”并强调英伟达不仅给模型，还给数据和可复现的脚本，企业可以用自己的数据做post-train，把专有数据转化为他所说的“主权智能”。

这套打法的商业逻辑很清晰：开放模型降低了企业起步门槛，但后训练、推理、工具调用全都要跑在英伟达的加速计算栈上。模型越开放、越多人基于它做定制，CUDA生态的锁定就越深。黄仁勋甚至把路径说得毫不含糊——从Nemotron这样的开放模型起步，用自己的数据后训练，“当然能实现超级智能”，“所有技术今天都已存在”。

Agent Knowledge Foundation补上了智能体落地最缺的那块拼图

黄仁勋的判断是：“最终让这些智能体变成超级智能体的，是你让它们接入了公司的知识。”新发布的NVIDIA Agent Knowledge Foundation是一组模型与库的集合，用于把智能体连接到企业数据——无论是文档里的非结构化信息，还是数据库里的结构化数据。具体包括Nemotron体系中用于文档解析、查询嵌入、相关性重排的工具，以及新的NVIDIA Kumo模型，专门从结构化数据做预测。

这一层之所以关键，是因为过去两年企业智能体项目最常见的失败点不在推理能力，而在“找不到、读不懂、用不对”内部数据。把解析、嵌入、重排、结构化预测打包成可调用的知识层，等于把RAG从每个团队各自搭的脚手架，变成平台级组件。

CUDA-X是智能体的“工具箱”，1100万开发者是护城河

黄仁勋把CUDA-X描述为横跨科学、工程、研究与创意工作的加速库集合，并给出规模数字：英伟达加速计算平台上有超过1100万开发者。他的定位很精准——“CUDA-X工具是给智能体提供行业工具的东西”。智能体要真正干活，需要调用仿真器、求解器、数据处理引擎，而这些正是CUDA-X覆盖的领域。这也解释了为什么英伟达谈智能体时总把“工具”单列为一个要素：工具的质量决定智能体能做多深的工作，而高质量工具几乎都在CUDA生态里。

三个行业案例指向同一件事：智能体在改工作流，不是改界面

现场播放的视频给出三个落地样本。Lila Sciences用智能体设计潜在的B细胞淋巴瘤疗法，以虚拟实验指导自动化实验室的工作。西门子埃尔朗根工厂用智能体做新产品量产准备，先在数字孪生里测试计划，再落到车间。达索系统的工程智能体则直接改车辆设计，用仿真定位问题并迭代方案。黄仁勋在视频后强调“这些知识和工具都属于你，那是你的专业能力”。

三个案例的共同点是智能体嵌入了原本由专家主导的决策链条中段——实验设计、量产验证、设计迭代——而不是停留在客服、摘要这类外围任务。这也解释了英伟达为何要把沙箱、权限、知识层、工具库一次性配齐：越往核心工作流走，安全与知识接入的短板越致命。

电信网络被重新定义为分布式AI基础设施

黄仁勋给出的一组数字值得单独拎出来：10万个站点、约100吉瓦的分布式数据中心潜力。他宣布英伟达与诺基亚合作，在T-Mobile网络上打通了第一个商用电话，并称这项工作做了将近八年。“现在CUDA能打电话了”这句话是个技术里程碑的通俗表达——CUDA跑进了电信基站的实时信号处理路径。对电信运营商而言，这意味着存量站址资产可能从成本中心变成算力节点；对英伟达而言，这是把加速计算推进到一个此前由专用芯片主导的庞大市场。

整场演讲串起来看，英伟达在柏林卖的不是某一款芯片，而是一套“AI生产能力的交钥匙方案”：DSX POD解决算力设施的建设速度与能耗，Vera Rubin解决智能体时代的计算形态，OpenShell解决自主智能体的安全治理，开放模型加后训练解决主权智能的合法性叙事，Agent Knowledge Foundation解决企业数据接入，CUDA-X解决工具深度，电信合作则打开分布式算力的新址。对欧洲而言，这套方案的政治吸引力在于“生产AI”的姿态；对从业者而言，真正的信号是竞争重心正在从模型能力转向AI工厂的交付速度、智能体的运行时治理、以及私有知识与工具的接入质量——这三件事，恰好都是工程问题，而不是参数问题。