黄仁勋：推理拐点已至，2027年AI芯片将带来万亿美元收入

当地时间3月17日，NVIDIA GTC 2026在美国圣何塞开幕，黄仁勋用一场信息密度极高的主题演讲，试图回答一个核心问题：当AI从“能生成内容”走向“能完成任务”，计算体系究竟要发生怎样的变化。他给出的答案是，AI产业正在进入一个以算力为核心资源、以系统工程为主导逻辑的新阶段，从芯片到数据中心、从软件框架到能源供给，整个技术底座都需要被重新组织。

在他看来，生成式AI只是序章，更大的变革正在展开：一方面，具备自主规划与执行能力的“代理式AI”正在加速落地，开始承担越来越复杂的工作流程；另一方面，能够感知、理解并作用于现实世界的“物理AI”正在打开机器人与智能制造的新空间。这意味着，AI不再局限于屏幕中的问答与创作，而是逐步进入真实经济体系之中。围绕这一趋势，英伟达正推动软硬一体的全栈布局，试图把自己从一家芯片公司，转变为支撑AI时代运转的关键基础设施提供者。

以下为黄仁勋接近2个半小时演讲的文字稿整理，小标题为译者所加，仅供读者参考。

黄仁勋：

·“结构化数据”与“生成式人工智能”融合，将是构建“可信AI”的基础

欢迎来到GTC。我想先提醒大家一句——这是一场技术大会。今天一大早就有这么多人排队入场，现在现场也座无虚席，很高兴见到大家。

在GTC，我们要聊的是技术。我们会谈平台。英伟达有三个平台，很多人以为我们主要讲其中一个——跟CUDA-X数据科学库相关的。但其实，我们的系统本身就是一个平台。现在，我们又有了一个全新的平台——“AI工厂（AI Factories）”。今天，这些我们都会讲到。而最重要的则是生态系统（ecosystem）。

在正式开始之前，我想先感谢刚才预热环节的几位嘉宾。他们做得非常出色。Conviction风投的Sarah Guo，红杉资本的林君叡（Alfred Lin），他也是英伟达最早的风险投资人之一；加文·贝克（Gavin Baker）——我们最早的重要机构投资者之一。这三位对技术的理解都非常深入，对整个技术生态的把握也非常广阔。当然，还有我亲自邀请来到现场的各位嘉宾。先从团队开始，我要感谢你们所有人。我也想感谢在场的所有公司。大家都知道，英伟达是一家平台型公司。我们有技术、有平台，还有非常丰富的生态体系。

今天来到这里的，可以说涵盖了整个产业的核心力量——代表了这个价值100万亿美元行业中几乎100%的关键参与者。本次大会有450家公司赞助，设有1000场技术会议，2000位演讲嘉宾。在此深表感谢。

这场大会将覆盖人工智能的“五层结构”——从土地、电力与机房等基础设施，到芯片、平台、模型，当然还有最重要的、真正推动整个产业起飞的各类应用。一切其实都始于这里。今年是CUDA诞生20周年。我们已经做CUDA整整20年了。这20年来，我们一直专注于这一架构——一个具有革命性的发明：SIMT（单指令多线程）。它的意义在于，你用类似标量（scalar）的方式写代码，就可以自然地扩展成多线程程序，其编程难度远低于此前的SIMD架构。

最近，我们还引入了“tiles”（分块）等新机制，帮助开发者更好地编程张量核心（Tensor Core），以及那些如今在人工智能中至关重要的运算结构。围绕CUDA，我们构建了数以千计的工具、编译器、框架和开源库。现在开源社区中已经有几十万个公开项目。可以说，CUDA已经深度集成到每一个技术生态系统之中。

黄仁勋展示的英伟达整体战略，装机基础——开发者——突破——生态系统的循环 视频截图

这张图，基本上概括了英伟达的整体战略——从一开始到现在，我一直在反复讲述这一逻辑。而在这一体系中，最难建立、也是最关键的一环，是最底层的“装机基础”（installed base）。我们用了整整20年的时间，在全球范围内部署了数以亿计的GPU和计算系统，使CUDA得以运行其上。如今，我们已经进入所有主流云平台、覆盖几乎所有计算机厂商，并服务于各行各业。

正是这一庞大的装机基础，驱动着整个体系的“飞轮效应”不断加速。装机基础吸引开发者，开发者推动新算法的产生，并不断带来技术突破——以深度学习为代表，这样的突破层出不穷。这些突破进一步催生全新的市场，吸引更多企业参与，形成更广泛的产业生态，从而反过来扩大装机基础。

这一飞轮已经进入加速阶段。英伟达软件库的下载量正以极高速度增长，规模空前，且仍在持续扩大。正是这一机制，使得这一计算平台能够持续承载大量应用与创新。

与此同时，这一生态也带来了一个关键结果——基础设施的使用寿命显著延长。原因在于，CUDA平台所支持的应用范围极其广泛。我们覆盖人工智能生命周期的每一个阶段，同时支持各类数据处理平台，并加速多种基于科学原理的计算方法。

正因如此，一旦部署英伟达GPU，其可持续利用价值就会非常高。这也是为什么，例如六年前推出的Ampere架构，在今天的云计算市场中，其价格反而呈现上升趋势。这一现象的根本原因在于装机基础的规模、飞轮的加速以及开发者生态的广度。当这些因素叠加，并伴随着软件的持续迭代优化，计算成本便会不断下降。

加速计算的价值不仅体现在初始性能提升，更体现在其“随时间递减的成本结构”。在系统部署之初，应用即可获得显著加速；而在整个生命周期内，随着软件持续优化，计算成本还会进一步下降。我们之所以能够持续投入并支持全球范围内的GPU，是因为这些系统在架构上保持兼容。每一次优化，都可以被大规模复用，直接惠及数以百万计的用户。

正是这种机制，使得英伟达的计算架构在不断扩大应用边界的同时，实现性能提升与成本下降的同步推进，并最终形成对新需求和新增长的持续激励。CUDA无疑处于这一体系的核心，但英伟达的技术旅程，其实早在25年前就已经开启。

这一切，要从GeForce说起。我知道你们当中有多少人和GeForce一起长大。可以说，这是英伟达历史上最成功的一次“市场教育”。我们从很早开始，就在培养未来的用户——在他们尚未具备付费能力之前。最初，是他们的父母为GeForce买单；而随着时间推移，这些用户逐渐成长为开发者、工程师，最终成为真正的客户与生态建设者。

某种意义上，这是GeForce所奠定的基础——也是整个体系得以建立的起点。

25年前，我们由此出发；20年前，CUDA诞生。再往前追溯，最关键的一步，是可编程着色器（programmable shader）的发明。这是一项在当时并不显而易见的创新——它首次让图形加速器具备可编程能力，诞生了世界上第一个可编程加速器：像素着色器（Pixel Shader）。

这一突破，引导我们不断深入探索计算与图形的边界。五年之后，我们推出CUDA。这是公司历史上投入最为巨大的项目之一——在当时，这一投入甚至超出了公司的承受能力，占据了绝大部分利润。但我们依然坚持推进。依托GeForce的普及能力，我们将CUDA带入每一台计算机。之所以做出这一选择，是因为我们对其潜力有着极为坚定的判断。

尽管早期困难重重，但我们持续投入、持续迭代，经历了13代架构、跨越20年时间。直到今天，CUDA已经成为无处不在的基础平台。在这一过程中，像素着色器推动了GeForce的崛起；而GeForce则将CUDA带向了全球。同时，也正是在这一平台上，研究者开始意识到GPU在深度学习中的潜力。以Alex Krizhevsky、Ilya Sutskever、Geoffrey Hinton以及Andrew Ng为代表的一批科学家，发现GPU能够极大加速神经网络训练——这直接引发了人工智能领域的“爆发式增长”。

大约在十年前，英伟达进一步做出关键判断：将人工智能与计算机图形深度融合。为此，我们引入了两项重要技术方向——一是硬件级光线追踪（ray tracing），这是一个技术难度极高的系统性工程；二是一个在当时颇具前瞻性的判断：人工智能将彻底改变计算机图形的生成方式。

如果说GeForce曾将人工智能带入主流计算平台，那么今天，人工智能正在反过来重塑整个图形学体系。基于这一判断，我们正在迈向下一代图形技术。这项技术，我们称之为“神经渲染扩散”（neural rendering diffusion），本质上是将传统3D图形与生成式人工智能进行深度融合。这一代技术的代表，即DLSS 5。其核心思想在于将两种截然不同的计算范式加以统一：一方面，是具备严格结构与可控性的3D图形系统，它提供虚拟世界的“真实结构数据”；另一方面，是基于概率模型的生成式人工智能，它能够生成高度逼真的内容。

前者强调确定性与可控性，后者强调表达能力与真实感。通过将“结构化数据的精确控制”与“生成式模型的表达能力”相结合，我们实现了一种新的内容生产方式——既可控，又高度真实。最终呈现的结果，是计算机生成内容在视觉表现与控制能力上的同步跃迁。

“结构化数据”与“生成式人工智能”的融合，将在一个又一个行业中不断重演。可以说，结构化数据是构建“可信AI”的基础。