NVIDIA 的全棧帝國：CES 2026 揭示黃仁勳的終極野心

本文整理自 NVIDIA 於 CES 2026（2026 年 1 月 5 日）發表的完整活動，包含開場 Panel 討論與黃仁勳主題演講。

開場白：這不只是產品發布

3,000 人擠滿拉斯維加斯 Fountain Blue 劇院，另外 3,000 人在場外透過螢幕觀看，全球數百萬人同步收看直播。這是 CES 2026 最受矚目的一場活動，但黃仁勳要展示的，遠不只是幾顆新晶片。

當你看完這整場活動，你會發現一件事：NVIDIA 已經不是一家賣 GPU 的公司了。 它正在系統性地吃下 AI 產業鏈的每一層——從最底層的晶片，到最上層的應用程式，中間經過基礎設施、模型、開發工具，全部都要。

更令人不安的是，它的策略不是封閉壟斷，而是「開放壟斷」。所有模型都開源，所有工具都免費，所有架構都公開——但每一層都跑在 NVIDIA 的硬體上。這是一種比微軟 Windows 更聰明的生態鎖定。

讓我從頭說起。

第一部分：Panel 討論——NVIDIA 生態圈的集體現身

主題演講前，NVIDIA 安排了一場精心策劃的 Panel 討論。表面上是邀請產業專家聊 AI 趨勢，實際上是讓整個 NVIDIA 生態圈集體現身，展示這家公司的觸角已經伸到多遠。

1.1 AI 基礎設施：為什麼這次不是泡沫

Bank of America 半導體分析師 Vivek Arya 開場就點出一個關鍵問題：過去三年，超過 8000 億美元砸進 AI 基礎設施，光是 2026 年預估就有 6000 億美元。每個人都在問：這是泡沫嗎？

Arya 給出三個理由，說明為什麼這次不同：

第一，無縫採用（Seamless Adoption）。ChatGPT 上線那天，全球 50 億手機和電腦用戶立刻可以使用。不像過去的光纖建設，基礎設施蓋好了，終端用戶還沒準備好。這次是基礎設施追著需求跑。

第二，高利用率。還記得「暗光纖」（Dark Fiber）這個詞嗎？當年光纖鋪滿地底，卻沒人在用。但現在，Arya 說：「你聽不到『暗運算』（Dark Compute）這個詞。所有部署的運算基礎設施都被充分利用，連六、七年前的老舊 GPU 都跑滿了。」

第三，資金來源不同。上一波是資金不足的新創在燒錢，這一波是現金流充沛的大公司在投資。他們的資本支出只占營運現金流的三分之二，自由現金流依然為正。

這段話表面上在分析產業，實際上在說：NVIDIA 的需求是真實的，而且會持續。

1.2 Snowflake：資料平台如何成為 NVIDIA 附庸

Snowflake CEO Sridhar Ramaswamy 上台，談的是他們與 NVIDIA 的合作。但聽完之後，你會發現 Snowflake 在 AI 領域的每一步都離不開 NVIDIA：

• Snowflake Intelligence（他們的 AI 產品）跑在 NVIDIA 晶片上
• 過去訓練的大型基礎模型用 NVIDIA 晶片
• 正在開發的嵌入模型與 NVIDIA 深度合作
• 未來 GPU 加速資料運算也要靠 NVIDIA

Ramaswamy 還透露了一個細節：他自己的手機上就跑著一個資料 Agent，隨時可以問「這個客戶的狀況如何？關係是上升還是下降？」這種即時存取企業資料的能力，正是 AI Agent 的殺手級應用。

但更有趣的是他談到的企業採用障礙：

「實務問題永遠存在。資料所有權、資料主權、特定地區的 GPU 微短缺（micro shortages）……我們經常遇到德國客戶沒有足夠的德國境內算力，必須協商能不能把流量送到瑞典。」

這段話揭示了一個現實：NVIDIA GPU 的短缺已經細化到區域層級。不是全球缺貨，是德國缺、瑞典不缺。這種「微短缺」反而強化了 NVIDIA 的議價地位。

1.3 開放模型 vs 封閉模型：開發者心智的爭奪戰

Ramaswamy 對開放模型有一段精闘的分析：

「前沿模型在關鍵應用上——像 Agent 工具呼叫、程式碼 Agent——還是遠遠領先。但當事情成熟、人們想要大規模運行時，開放模型就變得越來越重要。」

「我們都需要記住：開放模型對開發者心智有巨大影響。只有 OpenAI 那幾千名工程師能接觸到最新最強的模型，這是一個很小的環境。但我們反覆看到，開放平台能吸引成千上萬、甚至數百萬開發者投入，這可以形成正向循環。」

「這就是為什麼連 OpenAI 這種封閉公司也會釋出開放模型——因為他們想成為開發者生態圈的一部分。」

這段話解釋了為什麼 NVIDIA 要大力投入開放模型。不是因為善心，是因為開發者在哪裡，生態圈就在哪裡，硬體需求就在哪裡。

1.4 醫療 AI：Abridge 的臨床革命

Abridge 創辦人 Shiv 帶來了醫療 AI 的第一線觀察。他引用了一個驚人的數據：

「幾年前《一般內科醫學期刊》有篇文章指出，醫生需要一天 30 小時才能完成所有工作。」

目前醫生的工作分配是 80% 文書作業、20% 面對面臨床推理。Abridge 的目標是用 AI 翻轉這個比例。

Shiv 強調，醫療 AI 的成功不在技術，在於融入工作流程：

「我們必須把自己塞進工作流程，而不是讓工作流程來配合我們。這不只是勾選隱私和安全的方框，還要考慮延遲、要考慮醫療紀錄的所有產出物。」

他們的做法是蒸餾（distillation）、微調（fine-tuning）、後訓練（post-training）。現在 Abridge 每年將觸及 8000 萬到 1 億條生命，每天從編輯中學習，持續變得更好。

關於信任，Shiv 說得很直接：

「信任是基本門檻。它是透明度、可靠性、可信度的組合。透明度包括可審計性、與醫療系統分享我們的指標。可信度則是發表研究、與研究者合作進行隨機對照試驗來評估實際影響。」

他們的信條是：省時間、讓人更專注彼此、省錢。最終目標是第三階段——救命，幫助臨床醫生做出更好的決策。

1.5 程式碼審查 AI：CodeRabbit 的信任層

CodeRabbit 創辦人 Harjot 代表的是 AI 程式碼領域。他的定位很清楚：

「程式碼生成的量大幅增加，CodeRabbit 用生成式 AI 來審查這些程式碼。我們提供一個關鍵的信任層，介於你的程式碼 Agent 和生產環境之間，讓組織能對進入生產環境的東西設定護欄。」

這家公司已經被數萬個組織、數十萬開發者使用。Harjot 觀察到一個有趣的現象：

「生成式 AI 降低了進入軟體開發的門檻。以前的瓶頸是『我不會 TypeScript、不會 Rust』，現在這個門檻大幅降低了。同時，生成式 AI 並不會讓 10 倍工程師變成 100 倍。它把開源中的優秀範例帶給普通開發者或初學者，讓他們的程式碼『夠好』。」

換句話說：AI 縮小了高手和新手的差距，但沒有把天花板提高。 這解釋了為什麼審查變得更重要——產出更多了，但品質參差不齊。

1.6 Agent 可靠性：Human-in-the-Loop 的必要性

當被問到「Agent 可靠性是否已經解決」時，Shiv 和 Harjot 都給出了務實的答案。

Shiv 區分了兩種情境：

「在醫療領域，有高頻率、低風險的工作流程，Agent 可以在適當的護欄下在背景執行。但也有需要人類參與的任務，特別是涉及化療、重要診斷或治療決策時，必須有人類做最後一哩。」

Harjot 則指出程式碼領域的現狀：

「我們看到強烈產品市場契合的使用案例，都是非常互動式的——人類在迴圈中，持續與 Claude Code 或其他 Agent 對話。挑戰在於，一旦進入背景 Agent 可以長時間運行的模式，可靠性就非常低。」

「你會發現，十個開發者裡，可能只有兩三個真的把 Cursor 或 Claude Code 用得很好，其他人還在摸索正確的提示技巧。」

這是一個重要的現實檢查：Agent 的炒作與實際可靠性之間還有很大落差。

1.7 開源模型的成本考量

關於開源模型是否已經追上閉源模型，Harjot 的觀察是：

「12 個月前，開源模型還很早期。但現在我們看到開源模型開始取代我們部分工作負載，像是摘要和程式碼庫搜尋。這些可以用更小、更划算的開源模型很好地完成。」

「『你只能用最好的程式碼模型，不管多貴多慢』的敘事已經改變了。開源確實在追上。但頂級模型還是頂級模型——像是程式碼審查這種推理密集的使用案例，我們還是會用 Opus 或 GPT-5.2 這類模型的最高設定。」

Shiv 補充了垂直領域的觀點：

「在醫療這種垂直產業的應用層，擁有更多控制權會帶來很大的差異。LLM 對垂直任務來說還沒有商品化——你需要在上面做很多工作才能創造差異化。」

1.8 Mercedes-Benz：Level 3 自駕的真實挑戰

Mercedes-Benz CEO Ola Källenius 帶來了自駕車的第一手經驗。Mercedes 是最早取得美國 Level 3 自駕認證的車廠之一。

Källenius 強調，Level 3 的突破不只是工程問題，更是法律問題：

「Level 3 的重大突破不只是工程任務，也是法律任務——因為電腦真的接管了。這是 Level 2（人類負責）和 Level 3 及以上（電腦負責）的差別。」

他也坦承「長尾問題」的挑戰：

「讓工程團隊做到 99% 的展示相對容易。但其他所有可能發生的事情的長尾，那才是更大的挑戰。這就是為什麼安全是關鍵。你可以快速但馬虎，但那樣你承擔的風險可能超出你的預期。」

Mercedes 的策略是：不急著搶第一，但要確保推出的東西夠穩健。他們剛在舊金山和矽谷測試了與 NVIDIA 合作的 Level 2++ 系統：

「我昨天開了一個多小時，從舊金山穿過相當繁忙的週日交通，上高速公路、下高速公路、回到市區，全程無中斷。感覺就像車子在軌道上行駛。」

這套系統將在今年稍晚於美國上市，使用 NVIDIA 技術。

1.9 Skilled AI：通用機器人大腦

Skilled AI 創辦人兼卡內基美隆大學機器人學教授 Deepak Pathak，帶來了機器人領域最前沿的思考。

他的一句話定義：「任何機器人、任何任務、一個大腦。」

為什麼要追求這種通用性？Pathak 解釋：

「想到語言模型，你會想到大腦。想到機器人，你會想到硬體。但過去 70 年，儘管有那麼多令人印象深刻的機器人展示，每年都感覺機器人要搶走工作、要進入家庭了，卻從未發生。原因是缺少一個通用大腦。」

「硬體有那麼多種——工廠用的、家用的、狗型的、人形的。如果能跨機器人身體通用，就能利用任何來源的資料，創造持續推動進步的資料飛輪。」

關於機器人領域的資料稀缺問題，Pathak 的解法是：

「沒有魔法子彈。不像數位 AI，網路上有資料。機器人沒有。所以我們必須從某處啟動。我們從人類影片啟動——觀看人類做事，可以是第一人稱視角，也可以是 YouTube 或 Flickr 上的第三人稱視角。」

「但光看不夠。如果夠的話，我看了那麼多費德勒的比賽，應該打得跟他一樣好了。你必須練習、嘗試、失敗。但在真實世界失敗幾百萬次是不可能的，這就是模擬的用處。」

「真實人類影片加模擬，這是我們啟動的方式。然後創建基礎層，再針對各種任務微調。比如在 Mercedes 工廠的某個場景，我們可以收集遙控資料來微調。」

他也呼應了語言模型的經驗：先通用，再專精。 在 LLM 出現之前，每個應用都有專門的系統，但都很爛。LLM 的發現是：先做通用模型，再微調。機器人也應該走同樣的路。

1.10 工廠機器人：百年來最大的生產力躍進

Källenius 對工廠機器人的前景非常興奮：

「聽 Deepak 講，我很興奮，因為我知道機器人領域正在發生的事，將會是我們工廠幾十年甚至一百年來最大的生產力躍進。」

「你可以想像，一個製造業工人在做某些任務，旁邊有他的機器人夥伴。這個機器人夥伴是會思考的機器，你可以跟它說話、給它指令，它可以幫你完成任務。」

他們已經在工廠進行試驗，預計三到五年內，走進 Mercedes 工廠會看到完全不同的景象。

同時，透過 NVIDIA Omniverse，他們在虛擬世界建造工廠，在灌注任何混凝土之前，就能在虛擬世界完整生產汽車，用 AI 工具除錯。這讓建造製造設施更快、更便宜。

Pathak 補充了一個重要觀點：

「在工廠裡，如果我要選一個任務垂直深入，有幾百個任務可選。每個任務可能只有三四個人在做，但每個任務都跟其他任務有點不同。這是機器人本質上是通用問題的另一個論點。」

第二部分：黃仁勳主題演講——全棧帝國的藍圖

Panel 討論結束，黃仁勳登場。接下來兩小時，他系統性地展示了 NVIDIA 的全棧布局。

2.1 雙重平台轉移：AI 正在重塑一切

黃仁勳開場就定調：

「每 10 到 15 年，電腦產業就會重置。新的平台轉移發生。從大型主機到 PC、PC 到網路、網路到雲端、雲端到行動裝置。每一次，應用程式都會以新平台為目標。」

「但這一次，有兩個平台轉移同時發生。第一，應用程式現在建構在 AI 之上。人們一開始以為 AI 是應用程式，但其實 AI 是應用程式，而且你還要在 AI 上面建構應用程式。」

「第二，軟體的運行和開發方式徹底改變了。整個電腦產業的軟體堆疊正在被重新發明。你不再『程式設計』軟體，而是『訓練』軟體。不再跑在 CPU 上，而是跑在 GPU 上。」

這意味著過去十年約 10 兆美元的運算投資，現在都要「現代化」到新架構。這解釋了為什麼有數千億美元的創投資金湧入，為什麼各產業的研發預算正在從傳統方法轉向 AI 方法。

2.2 2025 年四大突破

黃仁勳回顧了過去一年的關鍵進展：

Scaling Laws 持續有效：從 2015 年的 BERT、2017 年的 Transformer、2022 年的 ChatGPT，到 2023 年 O1 推理模型引入的「測試時擴展」（test-time scaling），每個階段都需要更多算力。預訓練、後訓練（強化學習）、推理時思考，三個階段的運算需求都在爆炸。

Agentic Systems 興起：具備推理、研究、使用工具、規劃未來、模擬結果能力的 AI Agent。黃仁勳特別點名 Cursor：「徹底改變了我們在 NVIDIA 做軟體開發的方式。」

Physical AI 成為焦點：理解物理世界常識的 AI——物體恆存、因果關係、摩擦力、重力、慣性。這些對幼兒是常識，但對 AI 完全未知。同時還有「AI 物理學」——理解物理定律的 AI。

開放模型達到前沿：DeepSeek R1 的出現激活了整個開放模型運動。雖然仍落後封閉模型約六個月，但每六個月就有新模型出現。下載量爆炸，因為新創、大公司、研究者、學生、每個國家都想參與 AI 革命。

2.3 NVIDIA 的開放模型帝國

這可能是最令人意外的部分。NVIDIA 投入數十億美元建造自己的 DGX 超級電腦，不是為了賣雲端服務，而是為了開發開放模型。

黃仁勳展示了 NVIDIA 在各領域的開放模型：

關鍵是：不只開源模型，還開源訓練資料。 黃仁勳說：「只有這樣，你才能真正信任模型是怎麼來的。」

他們還提供完整的生命週期管理工具（NEMO 系列），從資料處理、生成、訓練、評估、護欄到部署，全部開源。

這些模型不只是開源，還登上各種排行榜榜首——智慧、PDF 解析、語音辨識、語意搜尋。NVIDIA 現在是 AI 模型領域貢獻最多的公司之一。

2.4 Agentic AI 架構：未來應用程式的藍圖

黃仁勳詳細解釋了 AI Agent 的架構革命：

「ChatGPT 剛出來時，人們說它會幻覺。當然會幻覺——它能記住過去的一切，但無法記住未來和現在。所以它需要做研究、查資料。」

「推理的能力——判斷是否需要做研究、是否需要使用工具、如何把問題拆解成步驟——每個步驟都是 AI 知道怎麼做的事，組合起來就能完成從未被訓練過的任務。這是推理的美妙之處。」

他特別提到 Perplexity 的創新：同時使用多個模型。 一個 AI 可以呼叫世界上所有優秀的 AI 來解決問題的不同部分。這讓 AI 天生就是多模態（理解語音、圖像、文字、影片、3D、蛋白質）、多模型（使用最適合任務的模型）、多雲（模型分散在各處）、混合雲（有時在邊緣、有時在企業、有時在醫院）。

現場展示了一個簡單的個人助理 Demo：用 DGX Spark（家用 AI 電腦）搭配 Hugging Face 的 Ricci 機器人，建立一個能管理日曆、電子郵件、待辦事項的助理。幾分鐘內就能組合前沿模型 API、本地開放模型、意圖路由器、機器人控制、語音合成。

黃仁勳說：「這在幾年前是完全不可想像的，現在是完全微不足道的。」

這個架構已經整合到企業 SaaS 平台：

• Palantir：整個 AI 和資料處理平台由 NVIDIA 加速
• ServiceNow：全球領先的客服和員工服務平台
• Snowflake：頂級雲端資料平台
• CodeRabbit：NVIDIA 內部大量使用
• CrowdStrike：用 AI 偵測 AI 威脅
• NetApp：資料平台加上語意 AI 和 Agent 系統

重點是：Agentic 系統將成為這些平台的使用者介面。 不再是 Excel 表格或命令列，而是像跟人對話一樣與平台互動。

2.5 Physical AI：三台電腦的架構

Physical AI 是黃仁勳談了好幾年的主題，NVIDIA 已經投入八年。核心問題是：如何讓 AI 從螢幕走進真實世界？

這需要教 AI 物理世界的常識：物體恆存（看開再看回來，東西還在）、因果關係（推一下會倒）、摩擦力、重力、慣性（重卡車需要更長時間煞車）、滾動的球會繼續滾。這些對小孩是常識，但 AI 必須學習。

更重要的是，AI 必須能模擬其行動的後果。它怎麼知道自己的動作是否正確？必須在環境中模擬物理世界對其行動的反應。

這需要三台電腦：

1. 訓練電腦：訓練 AI 模型
2. 推理電腦：在車輛、機器人、工廠等邊緣設備運行
3. 模擬電腦：這是 NVIDIA 最舒適的領域，模擬是 Physical AI 一切的基礎

三台電腦上運行多個軟體堆疊：

• Omniverse：數位孿生、物理模擬世界
• Cosmos：世界基礎模型（不是語言的基礎模型，是世界的基礎模型），對齊語言
• Groot：人形機器人模型
• Alpamayo：自駕車模型

2.6 Cosmos：把運算變成資料

Physical AI 最大的挑戰是資料。網路上有大量文字，但沒有大量機器人資料。影片很多，但不足以涵蓋所需的多樣性和互動類型。

解法是合成資料生成——用模擬來創造訓練資料。NVIDIA Cosmos 就是這個魔法的核心。

Cosmos 是什麼？

• 預訓練於網路規模的影片、真實駕駛和機器人資料、3D 模擬
• 學習了世界的統一表示，能對齊語言、圖像、3D 和動作
• 執行 Physical AI 技能：生成、推理、軌跡預測

它能做什麼？

• 從單張圖像生成逼真影片
• 從 3D 場景描述生成物理一致的動作
• 從駕駛遙測和感測器日誌生成環視影片
• 從規劃模擬器生成多攝影機環境
• 從場景提示生成邊緣案例
• 運行互動式閉迴圈模擬：當動作發生，世界回應

最關鍵的功能：Cosmos 推理。 它能分析邊緣場景，拆解成熟悉的物理互動，推理接下來可能發生什麼。

黃仁勳說：「Cosmos 把運算變成資料，訓練自駕車處理長尾問題，訓練機器人適應每種場景。」

Cosmos 已經被下載數百萬次，全球都在使用，為 Physical AI 新時代做準備。

2.7 Alpamayo：會思考的自駕車 AI

今日發布的 Alpamayo 是「世界第一個會思考、會推理的自駕車 AI」。

它的特點：

• 端到端訓練：從攝影機輸入直接到方向盤、煞車、油門輸出
• 多重資料來源：人類示範駕駛 + Cosmos 生成的合成資料 + 數十萬個仔細標註的範例
• 會解釋行動：不只執行，還會說明「我要做什麼」和「為什麼」
• 推理能力：在每個場景都會推理即將採取的行動

為什麼推理能力重要？因為自駕的「長尾問題」——不可能收集每個國家、每種情境、每個可能發生的事情。但如果能把未見過的場景分解成一堆熟悉的子場景，AI 就能推理出解決方案。

現場播放了一段 Alpamayo 的駕駛影片：全程一鏡到底、無人手介入，從「導航到目的地」到「你已抵達」，中間穿越各種交通情境，每一步都在畫面上顯示 AI 的推理過程。

2.8 八年的垂直整合

黃仁勳回顧了 NVIDIA 在自駕車領域的八年旅程：

「我們很早就推論，深度學習和 AI 將重新發明整個運算堆疊。如果我們要理解如何導航自己、如何引導產業走向這個新未來，我們必須學會建造整個堆疊。」

AI 是五層蛋糕：

1. 最底層：土地、電力、外殼（在機器人的情況下是車體）
2. 第二層：晶片（GPU、網路晶片、CPU）
3. 第三層：基礎設施（Omniverse、Cosmos）
4. 第四層：模型（Alpamayo）
5. 第五層：應用程式（Mercedes-Benz）

NVIDIA 與 Mercedes-Benz 合作五年，建造了整個堆疊。這是 NVIDIA 第一個完整的垂直整合案例。

時程：

• 2026 Q1：美國上路
• 2026 Q2：歐洲
• 2026 Q3-Q4：亞洲

而且會持續更新，推出 Alpamayo 的新版本。

2.9 雙重冗餘的安全架構

Alpamayo 雖然端到端訓練，技能驚人，但沒人能保證永遠完美安全。所以 NVIDIA 建立了雙重軟體堆疊：

1. Alpamayo 堆疊：端到端訓練，驚人的技能
2. 傳統 AV 堆疊：完全可追溯，花了六七年建造

兩個堆疊互相鏡像。一個策略和安全評估器決定：如果我對這個情境非常有信心，讓 Alpamayo 處理；如果不太確定，切回傳統 AV 堆疊。

黃仁勳說：「我們是世界上唯一一輛同時運行兩個 AV 堆疊的車。所有安全系統都應該有多樣性和冗餘性。」

這套系統剛獲得 NCAP 評為「世界最安全的車」。每一行程式碼、晶片、系統都經過安全認證。

2.10 機器人的時代

自駕車之後，下一個時代是機器人。黃仁勳邀請了一群機器人上台：四足機器人、人形機器人、送餐機器人、手術機器人、工業機器人……

這些機器人都：

• 內建 Jetson 電腦
• 在 Omniverse 的 Isaac Sim 和 Isaac Lab 模擬器中訓練
• 使用同樣的 Physical AI 技術

現場展示了機器人在模擬器中學習的過程——這就是機器人學會成為機器人的方式。

合作夥伴包括：Neurobot、Agibot、LG、Caterpillar（最大的機器人）、Surf Robot（送餐到你家，連接 Uber Eats）、Agility、Boston Dynamics、手術機器人、Franca 的操作機器人、Universal Robotics……

2.11 晶片設計革命：Cadence、Synopsys、Siemens

NVIDIA 的技術現在成熟到可以反過來革命化創造它的產業——晶片設計。

宣布與三大巨頭的整合：

Cadence：

• CUDA-X 整合到所有模擬和求解器
• NVIDIA Physical AI 用於不同的物理工廠和工廠模擬
• AI 物理學整合
• 領先物理設計（佈局佈線）和仿真驗證

Synopsys：

• 領先邏輯設計和 IP
• 同樣整合 NVIDIA 技術
• 未來會有 Agentic 晶片設計師和系統設計師，就像現在有 Agentic 軟體工程師一樣

Siemens（今日宣布）：

• 整合 CUDA-X、Physical AI、Agentic AI、Nemo、Nemotron、Omniverse
• 涵蓋 EDA、CAE、數位孿生工具和平台
• 從設計模擬到生產營運的完整工業生命週期

黃仁勳的願景：機器人會在電腦中被設計、在電腦中被製造、在電腦中被測試，「遠在你需要對抗重力之前」。製造工廠本身也會是巨大的機器人。

2.12 Vera Rubin：下一代 AI 超級電腦

以發現暗物質的天文學家 Vera Rubin 命名，這是 NVIDIA 的下一代 AI 超級電腦。

為什麼需要它？AI 運算需求正在爆炸：

• 模型每年增大 10 倍
• Token 生成量每年增加 5 倍（因為 AI 現在會「思考」）
• 強化學習引入後訓練，運算量再爆炸
• 成本每年下降 10 倍（代表競爭有多激烈，大家都在搶下一個前沿）

問題是：摩爾定律放緩，電晶體數量只增加 1.6 倍。如果不做極致協同設計（extreme co-design），不可能跟上這種速度。

所以 NVIDIA 打破了自己的規則（通常每代只改一兩顆晶片），這次重新設計了全部六顆晶片：

2.13 機架革命

舊的 NGX 機架：43 條線纜、6 條管線、組裝要 2 小時、80% 液冷 新的 Vera Rubin 機架：0 條線纜、2 條管線、組裝只要 5 分鐘、100% 液冷

單一機架規格：

• 144 顆 Rubin GPU（每個 NVLink 72 節點有 72 顆，共 2 個節點）
• 2200 億個電晶體
• 重約 2 噸（因為忘了把水排掉，運來時是 2.5 噸）
• 背面有 2 英里的銅纜（5000 條銅纜），讓 NVLink 脊柱以 400Gbps 連接

2.14 BlueField 4 與 KV Cache 革命

這是一個新類別的儲存系統，解決 AI 領域的重大痛點。

問題是什麼？AI 推理時，每生成一個 Token，GPU 就要讀取整個模型和整個工作記憶體（KV Cache），產生一個 Token，再存回去。隨著對話變長、模型變大、使用者變多，這個 KV Cache 會爆炸性成長。

原本放在 HBM 記憶體裡，不夠了。去年用 Grace CPU 的快速記憶體擴展，還是不夠。傳統解法是用北南網路傳到儲存系統，但大量 AI 同時運行時，網路會成為瓶頸。

解法：BlueField 4 + 機架內 KV Cache 儲存

在機架內放入 KV Cache 儲存節點：

• 每個 BlueField 4 後面有 150TB 記憶體
• 分配給每個 GPU 後，每個 GPU 額外獲得 16TB 上下文記憶體
• 用同樣的東西向流量、同樣的 200Gbps 資料率
• 比原本節點內的 1TB 擴展了 16 倍

這對 AI 實驗室和雲端服務商來說是救命的——KV Cache 流量造成的網路壓力是他們最大的痛點之一。

2.15 效能數據與系統特性

訓練吞吐量（10 兆參數模型，DeepSeek++ 規模，100 兆 Token，1 個月）：

• Blackwell（綠色）：需要較多系統
• Rubin：吞吐量高得多，只需四分之一的系統數量

工廠吞吐量（每瓦效能，直接關係到資料中心營收）：

• Blackwell 比 Hopper 高 10 倍
• Rubin 再高 10 倍

Token 成本：

• Rubin 約是 Blackwell 的十分之一

其他系統特性：

宣布：Vera Rubin 已進入量產。

第三部分：觀點評論——開放壟斷的終極形態

看完這整場活動，讓我分享幾個觀察。

3.1 「開放」是最聰明的壟斷策略

NVIDIA 把所有模型開源、所有工具免費、所有架構公開。這看起來很慷慨，但仔細想想：

• 開源模型吸引開發者 → 開發者在 NVIDIA 硬體上開發 → 生態鎖定
• 免費工具降低門檻 → 更多人進入 AI 領域 → 更多 GPU 需求
• 公開架構讓合作夥伴能整合 → 整合越深，切換成本越高

這跟微軟當年的策略異曲同工：Windows 本身不是利潤中心，但它鎖定了整個 PC 生態圈。NVIDIA 的 CUDA 也是同樣邏輯，現在更進一步——連模型、工具、架構都開放，但硬體依賴越來越深。

3.2 垂直整合的深度前所未見

NVIDIA 現在的觸角：

• 晶片層：GPU、CPU、NIC、DPU、Switch，全部自己設計
• 系統層：整機、機架、冷卻、電源，全部自己規格
• 基礎設施層：Omniverse（模擬）、Cosmos（世界模型）、NEMO（工具鏈）
• 模型層：語言、視覺、物理、生物、機器人、自駕，全領域
• 應用層：與 Palantir、ServiceNow、Snowflake 等深度整合

這不是賣 GPU 的公司，這是要吃下整個 AI 產業鏈的公司。

3.3 競爭者的困境

AMD 在同一個 CES 發布了 MI-455X 和 Helios 機架。但問題是：

• NVIDIA 有 CUDA 生態鎖定（十幾年的開發者累積）
• NVIDIA 有完整的軟體堆疊（從訓練到推理到模擬）
• NVIDIA 有開放模型吸引開發者
• NVIDIA 有垂直整合的系統優勢

AMD 賣的是「晶片」，NVIDIA 賣的是「平台」。這是完全不同層次的競爭。

Intel、Google TPU、Amazon Trainium 面臨同樣的困境。硬體規格可以追上，但生態圈很難複製。

3.4 Physical AI 是下一個戰場

這場演講最重要的訊息可能是：NVIDIA 已經在 Physical AI 領域建立了完整的護城河。

Cosmos 是世界模型，Omniverse 是模擬平台，Alpamayo 和 Groot 是應用模型。訓練、推理、模擬三台電腦的架構已經定義好了。

當機器人、自駕車、工業自動化開始大規模部署，這套架構很可能成為事實標準。就像 CUDA 在 AI 訓練領域的地位一樣。

3.5 台灣的角色

值得注意的是，NVIDIA 的硬體製造高度依賴台灣：

• 晶片：台積電製造
• 系統：鴻海、廣達、緯創等組裝
• 供應鏈：數千家台灣零組件廠商

這既是機會也是風險。機會是台灣廠商深度參與 AI 革命；風險是過度依賴單一客戶（NVIDIA 佔台積電先進製程產能的很大比例）。

完整發布清單

結語：帝國的輪廓

黃仁勳用一句話結束演講：

「我們的工作是創造整個堆疊，讓你們能為世界創造令人難以置信的應用。」

這句話聽起來謙虛，但背後的意涵是：NVIDIA 要成為 AI 時代的基礎設施供應商，就像電力公司、自來水公司一樣不可或缺。

不同的是，電力公司只賣電，NVIDIA 不只賣算力，還定義了你怎麼用這些算力。從晶片到系統到模型到工具到架構，全部由 NVIDIA 定義，全部開放給你用——只要你跑在 NVIDIA 硬體上。

這是一種新型態的壟斷：開放的壟斷、生態的壟斷、標準的壟斷。

CES 2026 的這一天，我們見證的不只是產品發布，而是一個帝國的輪廓逐漸清晰。