feat(article): 新增英伟达GTC 2026深度解读文章
- 删除小龙虾OpenClaw本地部署教程文章 - 新增GTC 2026大会五大机架、太空算力与生态闭环深度分析 - 包含硬件路线图、Dynamo推理系统、量子计算布局等内容 - 涵盖企业AI生态、华尔街反应及行业趋势判断 - 提供完整的参考资料链接列表
This commit is contained in:
parent
142cccd4fa
commit
9d44b89ff7
@ -1,278 +0,0 @@
|
||||
# 小龙虾本地部署保姆级教程：OpenClaw 从安装到上手
|
||||
|
||||
> 发布日期：2026-03-17
|
||||
> 分类：实战教程 / AI工具
|
||||
> 作者：老邓唠AI
|
||||
|
||||
|
||||
|
||||
全网都在"养龙虾"，GitHub 24 万星的 OpenClaw 到底怎么玩？今天手把手带你在自己电脑上部署一只，不花一分钱。
|
||||
|
||||
---
|
||||
|
||||
## 一、小龙虾是什么？
|
||||
|
||||
OpenClaw（江湖人称"小龙虾"），是由 PSPDFKit 创始人 Peter Steinberger 开发的开源 AI Agent 项目。上线 2 天就拿下 10 万+ GitHub Star，截至 2026 年 3 月已经飙到 **24 万+**，刷新了 GitHub 历史增长纪录。
|
||||
|
||||
|
||||
|
||||
它的定位很清晰：**本地优先的多渠道 AI 网关**。
|
||||
|
||||
翻译成人话就是——它不是一个 App，而是一个"AI 中枢"。你把它部署好之后，可以接入微信、飞书、钉钉、Telegram、Slack 等聊天工具，让 AI 以你的身份帮你干活：回消息、写文档、管日程、订机票、甚至监控文件夹自动备份。
|
||||
|
||||
和 ChatGPT 最大的区别：**数据全在你本地，技能随便装，模型随便换。**
|
||||
|
||||
|
||||
|
||||
---
|
||||
|
||||
## 二、为什么选本地部署？
|
||||
|
||||
|
||||
|
||||
OpenClaw 支持两种部署方式：
|
||||
|
||||
| 对比项 | 云端部署（阿里云等） | 本地部署 |
|
||||
|--------|---------------------|---------|
|
||||
| 成本 | 约 2 元/天起 | 免费 |
|
||||
| 稳定性 | 7×24 小时在线 | 取决于你的电脑 |
|
||||
| 数据安全 | 数据在云端 | 数据全在本地 |
|
||||
| 适合人群 | 需要全天候运行 | 个人体验、隐私敏感 |
|
||||
|
||||
**如果你只是想体验一下、跑个人任务，本地部署是最佳选择。零成本，零风险。**
|
||||
|
||||
---
|
||||
|
||||
## 三、硬件要求
|
||||
|
||||
别慌，要求不高：
|
||||
|
||||
- **最低配置**：1 核 CPU + 2GB 内存 + 20GB 硬盘
|
||||
- **推荐配置**：2 核 CPU + 4GB 内存 + 40GB SSD
|
||||
- **必须联网**（需要调用大模型 API）
|
||||
|
||||
Mac、Windows、Linux 都支持。Windows 用户需要先装 WSL（后面会讲）。
|
||||
|
||||
---
|
||||
|
||||
## 四、本地部署：三步搞定
|
||||
|
||||
### 第 1 步：环境准备
|
||||
|
||||
**Mac / Linux 用户**：打开终端，确认 Node.js 版本 ≥ 18：
|
||||
|
||||
```bash
|
||||
node -v
|
||||
```
|
||||
|
||||
没装的话用 Homebrew 或 nvm 装一个：
|
||||
|
||||
```bash
|
||||
# Mac
|
||||
brew install node
|
||||
|
||||
# 或用 nvm（推荐）
|
||||
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.0/install.sh | bash
|
||||
nvm install 20
|
||||
```
|
||||
|
||||
**Windows 用户**：先装 WSL：
|
||||
|
||||
```powershell
|
||||
wsl --install
|
||||
```
|
||||
|
||||
重启后进入 Ubuntu 终端，再装 Node.js（步骤同上）。
|
||||
|
||||
### 第 2 步：安装 OpenClaw
|
||||
|
||||
一条命令：
|
||||
|
||||
```bash
|
||||
npm install -g openclaw@latest
|
||||
```
|
||||
|
||||
验证安装成功：
|
||||
|
||||
```bash
|
||||
openclaw --version
|
||||
```
|
||||
|
||||
### 第 3 步：初始化
|
||||
|
||||
```bash
|
||||
openclaw onboard --install-daemon
|
||||
```
|
||||
|
||||
这条命令会引导你完成初始配置，包括：
|
||||
- 设置语言（选中文）
|
||||
- 配置大模型 API（下一节详细讲）
|
||||
- 选择要接入的聊天渠道
|
||||
|
||||
跑完之后，你的小龙虾就活了。
|
||||
|
||||
---
|
||||
|
||||
## 五、免费接入大模型 API
|
||||
|
||||
小龙虾本身不带大脑，需要外接大模型。好消息是国内很多平台提供**免费额度**。
|
||||
|
||||
### 方案一：阿里云百炼（推荐新手）
|
||||
|
||||
1. 注册阿里云账号，开通[百炼平台](https://bailian.console.aliyun.com/)
|
||||
2. 创建 API Key
|
||||
3. 在 OpenClaw 配置中填入：
|
||||
|
||||
```yaml
|
||||
# ~/.openclaw/config.yaml
|
||||
llm:
|
||||
provider: dashscope
|
||||
api_key: sk-xxxxxxxxxxxxxxxx
|
||||
model: qwen-max
|
||||
```
|
||||
|
||||
百炼新用户有 100 万 tokens 免费额度，够用很久。
|
||||
|
||||
### 方案二：其他国产大模型
|
||||
|
||||
| 平台 | 模型 | 免费额度 |
|
||||
|------|------|---------|
|
||||
| 百炼（阿里） | Qwen-Max | 100 万 tokens |
|
||||
| 火山引擎（字节） | Doubao-pro | 50 万 tokens |
|
||||
| 智谱 AI | GLM-4 | 100 万 tokens |
|
||||
|
||||
在配置文件里切换 provider 和 model 即可，小龙虾支持 OpenAI 兼容格式的所有模型。
|
||||
|
||||
---
|
||||
|
||||
## 六、装上 Skills，小龙虾才算完整
|
||||
|
||||
裸装的小龙虾只会聊天。真正让它变成"打工人"的是 **Skills（技能包）**。
|
||||
|
||||
截至 2026 年 3 月，官方技能市场 ClawHub 已收录 **13,000+ 个社区技能**。
|
||||
|
||||
|
||||
|
||||
### 必装的 9 个核心 Skill
|
||||
|
||||
```bash
|
||||
# 联网搜索
|
||||
openclaw skill install web-search
|
||||
|
||||
# 文件管理
|
||||
openclaw skill install file-manager
|
||||
|
||||
# 日程管理
|
||||
openclaw skill install calendar
|
||||
|
||||
# 邮件处理
|
||||
openclaw skill install email-handler
|
||||
|
||||
# 文档写作
|
||||
openclaw skill install doc-writer
|
||||
|
||||
# 代码助手
|
||||
openclaw skill install code-helper
|
||||
|
||||
# 数据分析
|
||||
openclaw skill install data-analyst
|
||||
|
||||
# 翻译
|
||||
openclaw skill install translator
|
||||
|
||||
# 自动化工作流
|
||||
openclaw skill install workflow-auto
|
||||
```
|
||||
|
||||
装完之后，你可以对小龙虾说：
|
||||
|
||||
- "帮我搜一下今天 AI 圈有什么新闻"
|
||||
- "把桌面上的 PDF 总结成一页摘要"
|
||||
- "每天早上 9 点给我发一份行业简报"
|
||||
|
||||
它就真的会去干。
|
||||
|
||||
---
|
||||
|
||||
## 七、接入微信 / 飞书 / 钉钉
|
||||
|
||||
这是小龙虾最杀手级的能力——**直接在你常用的聊天工具里使用 AI**。
|
||||
|
||||
### 接入飞书（官方插件已上线）
|
||||
|
||||
飞书插件最新版本 2026.3.15，支持：
|
||||
- 读取群聊和文档内容
|
||||
- 写文档、改文档
|
||||
- 发消息、约日程
|
||||
|
||||
安装方式：在飞书开放平台搜索"OpenClaw"，一键启用。
|
||||
|
||||
### 接入微信
|
||||
|
||||
```bash
|
||||
openclaw channel add wechat
|
||||
```
|
||||
|
||||
按照提示扫码登录即可。注意：微信渠道需要保持终端运行。
|
||||
|
||||
### 接入钉钉
|
||||
|
||||
参考阿里云官方文档，创建钉钉机器人后在配置文件中填入 webhook 地址。
|
||||
|
||||
---
|
||||
|
||||
## 八、记忆系统：让小龙虾越用越聪明
|
||||
|
||||
3 月 9 日的大版本更新（v2026.3.8）带来了一个重磅功能：**记忆热插拔**。
|
||||
|
||||
之前小龙虾最大的痛点是"断片"——每次对话都像失忆。现在它用 **Markdown 日志 + SQLite 向量数据库** 实现了本地记忆系统，能记住你之前聊过什么、偏好是什么。
|
||||
|
||||
而且这个记忆是"可插拔"的——你可以导出、导入、甚至在不同设备之间同步。
|
||||
|
||||
---
|
||||
|
||||
## 九、安全提醒
|
||||
|
||||
小龙虾火了之后，安全问题也浮出水面。根据公开数据，2026 年 1-3 月共发现 **82 个漏洞**，其中超危 12 个、高危 21 个。
|
||||
|
||||
几条基本安全建议：
|
||||
|
||||
1. **不要在公网暴露你的 OpenClaw 端口**
|
||||
2. **及时更新到最新版本**（`npm update -g openclaw`）
|
||||
3. **敏感操作开启二次确认**（配置文件中 `confirm_sensitive: true`）
|
||||
4. **定期审查已安装的 Skills**，不要装来路不明的技能包
|
||||
|
||||
---
|
||||
|
||||
## 十、常见问题
|
||||
|
||||
**Q：本地部署需要 GPU 吗？**
|
||||
A：不需要。小龙虾本身只是一个调度框架，计算都在云端大模型上完成。
|
||||
|
||||
**Q：能同时接多个聊天渠道吗？**
|
||||
A：可以。微信、飞书、钉钉、Telegram 同时接入没问题。
|
||||
|
||||
**Q：Token 不够用怎么办？**
|
||||
A：可以同时配置多个模型 API，让小龙虾自动选择最便宜的；也可以设置每日用量上限。
|
||||
|
||||
**Q：和 Coze / 扣子有什么区别？**
|
||||
A：最大区别是 OpenClaw 完全开源、数据本地存储、技能可无限扩展。Coze 是平台型产品，更易上手但自由度低。
|
||||
|
||||
---
|
||||
|
||||
## 总结
|
||||
|
||||
OpenClaw 之所以火爆，不是因为它本身有多强，而是它提供了一个**极其灵活的 AI Agent 框架**：
|
||||
|
||||
- 模型随便换（阿里、字节、OpenAI 都行）
|
||||
- 渠道随便接（微信、飞书、钉钉、Telegram）
|
||||
- 技能随便装（13,000+ 社区技能）
|
||||
- 数据全在本地（隐私可控）
|
||||
|
||||
目前 13 家科技大厂都在围绕它做生态，腾讯版"小龙虾"、字节版 Moltbook 也已上线。这只虾，可能真的会成为 AI 时代的"个人操作系统"。
|
||||
|
||||
**花 10 分钟部署一只，试试看。**
|
||||
|
||||
---
|
||||
|
||||
> 觉得有用？关注「老邓唠AI」，每周带你拆解最新 AI 工具和趋势。
|
||||
413
articles/006-英伟达GTC 2026深度解读（下篇）：五大机架、太空算力与万亿生态闭环.md
Normal file
413
articles/006-英伟达GTC 2026深度解读（下篇）：五大机架、太空算力与万亿生态闭环.md
Normal file
@ -0,0 +1,413 @@
|
||||
# 英伟达GTC 2026深度解读（下篇）：五大机架、太空算力与万亿生态闭环
|
||||
|
||||
> 发布日期：2026-03-24
|
||||
> 分类：深度解读 / 行业趋势
|
||||
> 作者：老邓唠AI
|
||||
|
||||
|
||||
|
||||
## 前情提要
|
||||
|
||||
上一篇，我们拆解了 GTC 2026 的硬件路线图、Groq 收购、软件平台和物理 AI 布局。
|
||||
|
||||
GTC 大会已经落幕一周。演讲视频被翻来覆去看了无数遍，分析师报告堆成了山，华尔街也给出了自己的答案。
|
||||
|
||||
今天这篇下篇，聊的是上篇没来得及展开的几个重磅话题——以及站在一周后的视角，重新审视老黄这盘棋。
|
||||
|
||||
---
|
||||
|
||||
## 一、五大机架：数据中心变成了"乐高积木"
|
||||
|
||||
上篇我们重点聊了 Vera Rubin NVL72 GPU 机架。但其实，黄仁勋在 GTC 上一口气发布了 **五套机架级产品**——这才是完整的拼图。
|
||||
|
||||
|
||||
|
||||
### 1.1 五大机架一览
|
||||
|
||||
| 机架 | 核心定位 | 关键参数 |
|
||||
|------|---------|---------|
|
||||
| **Vera Rubin NVL72** | GPU 训练与推理 | 72 GPU + 36 CPU，3.6 ExaFLOPS，250 kW 液冷 |
|
||||
| **Vera CPU Rack** | 通用 CPU 计算 | 256 颗 Vera CPU，液冷，能效比传统 CPU 提升 2 倍 |
|
||||
| **Groq 3 LPX** | 高并发低延迟推理 | 256 颗 LPU，128 GB 片上 SRAM，150 TB/s 内存带宽 |
|
||||
| **BlueField-4 STX** | AI 存储加速 | token 吞吐量提升 5 倍，能效比 CPU 方案高 4 倍 |
|
||||
| **Spectrum-6 SPX** | AI 工厂网络 | 首个量产共封装光学交换机，光功效提升 5 倍 |
|
||||
|
||||
看到这张表的第一反应是：**这不是发布了五款产品，这是发布了一座 AI 工厂的完整蓝图。**
|
||||
|
||||
GPU 负责重计算，LPU 负责快推理，CPU 负责通用调度，存储和网络各有专用加速——每一层都做到了专用硬件优化。
|
||||
|
||||
### 1.2 为什么说这是"乐高积木"？
|
||||
|
||||
黄仁勋在演讲中反复强调一个词：**"reference architecture"（参考架构）**。
|
||||
|
||||
这五套机架，可以像乐高一样自由组合：
|
||||
|
||||
- 纯训练场景？堆 NVL72。
|
||||
- 高并发推理？NVL72 + LPX 搭配部署。
|
||||
- 需要海量数据吞吐？加 STX 存储机架。
|
||||
- 超大规模集群？Spectrum-6 负责把所有机架连起来。
|
||||
|
||||
更关键的是安装效率——NVL72 的机柜安装时间从 Blackwell 的 **2 小时缩短到 5 分钟**。这意味着什么？
|
||||
|
||||
**数据中心的建设周期，正在从"基建工程"变成"设备上架"。** 像搭乐高一样搭数据中心，这才是英伟达真正想要的未来。
|
||||
|
||||
### 1.3 Spectrum-6：被低估的关键拼图
|
||||
|
||||
五大机架里，最容易被忽视但可能最重要的是 **Spectrum-6 SPX 以太网机架**。
|
||||
|
||||
它是业界首个量产的**共封装光学（CPO）**交换机。简单说，就是把光模块直接集成到芯片封装里，而不是用传统的可插拔光模块。
|
||||
|
||||
好处是什么？**光功效提升 5 倍，网络弹性提升 10 倍。**
|
||||
|
||||
在 AI 集群规模越来越大的今天，网络正在成为性能瓶颈。当你把 576 张 GPU 连在一起（Rubin Ultra NVL576），任何一个网络环节的延迟或故障，都会拖垮整个集群。
|
||||
|
||||
Spectrum-6 解决的就是这个问题。**它不性感，但没有它，那些动辄几万张卡的超大集群根本跑不起来。**
|
||||
|
||||
---
|
||||
|
||||
## 二、Dynamo：推理时代的"操作系统"
|
||||
|
||||
如果说硬件是 AI 工厂的"发动机"，那 **Dynamo** 就是让发动机高效运转的"变速箱"。
|
||||
|
||||
|
||||
|
||||
### 2.1 什么是 Dynamo？
|
||||
|
||||
Dynamo 是英伟达开源的**推理操作系统**（Inference OS），2026 年正式进入 1.0 生产版本。
|
||||
|
||||
它的核心能力是**拆解推理流程**——把一次 AI 推理拆成预填充（prefill）和解码（decode）两个阶段，分配到不同的 GPU 上执行。
|
||||
|
||||
效果有多夸张？黄仁勋在演讲中做了一个实时演示：同样的 Blackwell 硬件，开启 Dynamo 后，token 生成速度从 **700 tokens/s 飙升到近 5000 tokens/s**——提升 **7 倍**。
|
||||
|
||||
### 2.2 为什么 Dynamo 如此重要？
|
||||
|
||||
因为推理和训练是完全不同的计算模式。
|
||||
|
||||
训练是"批量灌数据，跑几天几周"——追求的是吞吐量。
|
||||
推理是"一个请求进来，几毫秒内响应"——追求的是延迟和并发。
|
||||
|
||||
过去几年，整个行业把精力都放在训练优化上。但随着 AI 应用大规模落地，**推理的计算量正在快速超过训练**。
|
||||
|
||||
Dynamo 的意义在于：**它让现有硬件在推理场景下的效率提升了数倍，相当于"免费"多出了好几倍的算力。**
|
||||
|
||||
### 2.3 四大云厂商全部接入
|
||||
|
||||
Dynamo 已经被 **AWS、Microsoft Azure、Google Cloud、Oracle Cloud** 四大云厂商全部采纳。
|
||||
|
||||
这个覆盖率本身就说明了一个事实：在推理基础设施层面，英伟达已经成为事实标准。**你可以选择不同的云，但底层跑的都是 NVIDIA 的软件栈。**
|
||||
|
||||
---
|
||||
|
||||
## 三、太空算力：老黄最疯狂的赌注
|
||||
|
||||
这是本次 GTC 最出人意料的公告，没有之一。
|
||||
|
||||
|
||||
|
||||
### 3.1 Vera Rubin Space-1：轨道上的 AI 数据中心
|
||||
|
||||
黄仁勋发布了 **Vera Rubin Space-1 Module**——一个专门为太空环境设计的 AI 计算模块。
|
||||
|
||||
核心配置：IGX Thor + Jetson Orin，相比 H100 的太空推理能力提升 **25 倍**。
|
||||
|
||||
合作伙伴包括：Aetherflux、Axiom Space、Kepler Communications、Planet Labs、Starcloud。
|
||||
|
||||
### 3.2 为什么要把算力送上太空？
|
||||
|
||||
黄仁勋给出的理由很直接：**地球上的能源和土地正在成为 AI 算力扩张的瓶颈。**
|
||||
|
||||
一个 NVL72 机架消耗 250 kW，一个 Kyber 机架消耗 600 kW。当你要建一座容纳数万个机架的 AI 工厂时，你需要的不是一栋楼——你需要一座发电站。
|
||||
|
||||
太空有几乎无限的太阳能，没有土地成本，天然冷却（太空是真空，散热方式不同但没有环境温度问题）。
|
||||
|
||||
这听起来像科幻？确实。但英伟达已经拉来了五家航天公司做合作伙伴，这不是 PPT，是有真实路线图的。
|
||||
|
||||
### 3.3 怎么看？
|
||||
|
||||
坦率说，太空数据中心在 2030 年之前大概率不会有商业化规模。但老黄在 GTC 上抛出这个概念，传递的信号很明确：
|
||||
|
||||
**NVIDIA 在为 AI 算力的"无限扩张"做准备。** 地球不够用？那就上天。
|
||||
|
||||
这种级别的远见，是让英伟达始终领先一步的根本原因。别人在解决今天的问题时，老黄已经在为十年后的瓶颈设计方案了。
|
||||
|
||||
---
|
||||
|
||||
## 四、量子计算：老黄的"两手准备"
|
||||
|
||||
量子计算在这次 GTC 上的存在感不算高，但信息量不小。
|
||||
|
||||
### 4.1 CUDA-Q：量子计算也要走 NVIDIA 的路
|
||||
|
||||
英伟达发布了 **CUDA-Q** 平台——一个 QPU（量子处理单元）无关的软件框架，让量子计算机和 GPU 可以协同工作。
|
||||
|
||||
同时发布了 **cuEST** 库，用 GPU 加速电子结构计算，这是半导体设计和量子化学的核心计算任务。
|
||||
|
||||
合作伙伴包括 Infleqtion、Pasqal、PsiQuantum 等量子计算公司。
|
||||
|
||||
### 4.2 老黄的逻辑
|
||||
|
||||
黄仁勋对量子计算的态度一直很微妙：**他认为通用量子计算机还要 15-20 年，但混合量子-GPU 计算"现在就有用"。**
|
||||
|
||||
CUDA-Q 的策略很聪明：
|
||||
|
||||
- 如果量子计算最终成功了，NVIDIA 是基础设施提供商
|
||||
- 如果量子计算一直不成熟，GPU 加速的量子模拟本身就有巨大价值
|
||||
|
||||
**两头下注，稳赚不亏。** 这是典型的黄仁勋风格。
|
||||
|
||||
---
|
||||
|
||||
## 五、DLSS 5：当游戏引擎遇上神经渲染
|
||||
|
||||
DLSS 4.5 才发布三个月，DLSS 5 就来了。这次不是小迭代，是范式变革。
|
||||
|
||||
|
||||
|
||||
### 5.1 什么变了？
|
||||
|
||||
DLSS 5 引入了**全神经渲染（Full Neural Rendering）**——用 AI 模型直接生成 3D 场景的光照和材质，而不是用传统的光线追踪算法。
|
||||
|
||||
黄仁勋称之为"自 2018 年实时光线追踪以来，图形技术最重大的突破"。
|
||||
|
||||
### 5.2 游戏社区的反应
|
||||
|
||||
有意思的是，DLSS 5 在游戏社区引发了不小的争议。
|
||||
|
||||
一部分玩家认为这是革命性突破，画质提升肉眼可见。另一部分玩家担忧："如果所有画面都是 AI 生成的，那游戏还是游戏吗？"
|
||||
|
||||
这个争论其实映射了一个更大的哲学问题：**当 AI 生成的内容在质量上超越了人工制作的内容，我们该如何定义"真实"？**
|
||||
|
||||
不管争论如何，DLSS 5 计划在 2026 年秋季推出。对于游戏开发者来说，这意味着用更少的硬件就能跑出更好的画面——这永远是好事。
|
||||
|
||||
---
|
||||
|
||||
## 六、DGX 桌面化：万亿参数模型跑在你桌上
|
||||
|
||||
这是我个人最兴奋的发布之一。
|
||||
|
||||
|
||||
|
||||
### 6.1 DGX Station GB300
|
||||
|
||||
| 参数 | 规格 |
|
||||
|------|------|
|
||||
| 统一内存 | **748 GB** |
|
||||
| AI 算力 | **20 PFLOPS** |
|
||||
| 支持模型规模 | **1 万亿参数** |
|
||||
| 合作厂商 | ASUS、Dell、GIGABYTE、HP、MSI、Supermicro |
|
||||
|
||||
1 万亿参数的模型，跑在一台桌面工作站上。
|
||||
|
||||
两年前，这需要一整个机房。一年前，这需要一个 NVL72 机架。现在，一台桌面机就够了。
|
||||
|
||||
### 6.2 DGX Spark
|
||||
|
||||
更轻量的 **DGX Spark**，128 GB 统一内存，能跑 1200 亿参数以上的模型，支持最多 4 台联机扩展。
|
||||
|
||||
这意味着一个小团队花几万美元，就能搭建一个本地 AI 推理集群——不需要上云，不需要排队，数据完全留在本地。
|
||||
|
||||
### 6.3 这意味着什么？
|
||||
|
||||
**AI 算力的民主化，正在以比预期快得多的速度发生。**
|
||||
|
||||
大公司可以建百万 GPU 的 AI 工厂，小团队也能在办公室里跑万亿参数模型。
|
||||
|
||||
这会催生一波新的创业浪潮——那些因为"算力太贵"而搁置的想法，现在可以在桌面上验证了。
|
||||
|
||||
---
|
||||
|
||||
## 七、企业 AI 全面铺开：17 家巨头入场
|
||||
|
||||
上篇我们聊了 NVIDIA 的六大开放模型，下篇来看谁在用。
|
||||
|
||||
### 7.1 NemoClaw 企业生态
|
||||
|
||||
**17 家大型企业**宣布接入 NVIDIA 的企业 AI Agent 平台：
|
||||
|
||||
- **Adobe**：Firefly 模型 + 代理工作流，跑在 NVIDIA 基础设施上
|
||||
- **Salesforce**：CRM 智能代理
|
||||
- **SAP**：企业资源规划 AI 化
|
||||
- **Microsoft Security**：用 NemoClaw 做安全检测，发现和缓解 AI 攻击的效率提升 **160 倍**
|
||||
- **Roche**：部署了 3500+ 块 Blackwell GPU，用于药物发现
|
||||
- **T-Mobile**：用 RTX PRO 做 5G 网络边缘 AI
|
||||
- **Capital One、Cisco、Accenture**……
|
||||
|
||||
### 7.2 云厂商的"军备竞赛"
|
||||
|
||||
四大云厂商对 Vera Rubin 的争夺，堪称本届 GTC 的暗线：
|
||||
|
||||
- **AWS**：部署超过 **100 万块** NVIDIA GPU（Blackwell + Rubin），同时引入 Groq 3 LPU
|
||||
- **Microsoft Azure**：率先宣布将提供 Vera Rubin NVL72 液冷机架
|
||||
- **Google Cloud**：同样宣布 2026 下半年提供 Vera Rubin NVL72
|
||||
- **Oracle Cloud**：深度集成 NVIDIA AI Enterprise 软件栈，提供 160+ AI 工具
|
||||
|
||||
**每一家都在比谁先上线，谁的规模更大，谁和 NVIDIA 的关系更近。** 这种局面对英伟达来说是最理想的——你们争，我卖铲子。
|
||||
|
||||
---
|
||||
|
||||
## 八、华尔街怎么看？
|
||||
|
||||
这可能是最出乎很多人意料的部分。
|
||||
|
||||
### 8.1 股价：演讲越精彩，跌得越多
|
||||
|
||||
GTC 期间，英伟达股价**不涨反跌**，收盘价低于演讲前。
|
||||
|
||||
这并不罕见——"买预期，卖事实"是华尔街的经典操作。但这次下跌背后，有几个值得关注的担忧：
|
||||
|
||||
1. **AI 资本支出的可持续性**：四大云厂商一年在 AI 基础设施上砸了上千亿美元。这个投入速度能持续吗？
|
||||
2. **万亿订单的含金量**：$1 万亿是"预计"和"累计"，不是已签合同。这个数字有多少水分？
|
||||
3. **估值已经很高**：英伟达的市值已经反映了极度乐观的预期，利好出尽就是利空。
|
||||
|
||||
### 8.2 分析师观点
|
||||
|
||||
尽管股价下跌，主流分析师依然看多：
|
||||
|
||||
- **Wells Fargo**：维持"增持"评级，目标价 $265，认为订单可见性"超出预期"
|
||||
- **Wedbush**：称万亿订单储备"令人震惊"，NVIDIA 处于"AI 需求曲线的顶端"
|
||||
- **Goldman Sachs**：重申看涨
|
||||
|
||||
### 8.3 我的解读
|
||||
|
||||
华尔街的短期反应不重要。重要的是一个基本面判断：
|
||||
|
||||
**AI 基础设施的投入，到底是过度投资，还是远远不够？**
|
||||
|
||||
如果你相信 Agentic AI 会像黄仁勋描述的那样全面渗透企业——每家公司都需要 AI 代理来处理客服、编程、数据分析、安全检测——那当前的算力投入不是太多，而是远远不够。
|
||||
|
||||
如果你认为 AI 的实际落地会比预期慢得多，很多场景只是 demo 好看、产品化困难——那千亿级的资本支出确实有泡沫风险。
|
||||
|
||||
**我倾向前者，但也承认后者的担忧不是没有道理。** 真相大概在中间：AI 的长期价值被低估了，但短期的落地速度被高估了。
|
||||
|
||||
---
|
||||
|
||||
## 九、一周后的复盘：五个被忽视的信号
|
||||
|
||||
GTC 热度退去，重新审视整场大会，有五个信号值得特别关注：
|
||||
|
||||
### 信号一：Rubin CPX 被"砍"了
|
||||
|
||||
原本英伟达自己在研发一款叫 **Rubin CPX** 的推理专用芯片。但 Groq 收购完成后，CPX 项目被搁置，由 Groq 3 LPU 取代。
|
||||
|
||||
这说明什么？**英伟达也会犯错，也会走弯路。** 但老黄的厉害之处在于：他愿意花 200 亿美元买一个更好的方案，而不是硬着头皮做一个"还行"的方案。
|
||||
|
||||
这种"不怕沉没成本"的决策风格，是大公司最稀缺的能力。
|
||||
|
||||
### 信号二：OpenClaw 的拥抱战略
|
||||
|
||||
黄仁勋在演讲中宣称 OpenClaw 是"人类历史上最受欢迎的开源项目"——首周 GitHub Star 数突破 10 万。
|
||||
|
||||
关键不在数字，而在于 **NVIDIA 选择在 OpenClaw 之上构建 NemoClaw，而不是自己重新造一个。**
|
||||
|
||||
这是一个非常重要的战略信号：英伟达正在从"全自研"转向"拥抱社区 + 商业化增值"。这种策略在 Linux/Red Hat 模式上被证明是有效的。
|
||||
|
||||
### 信号三：Uber 合作的规模
|
||||
|
||||
NVIDIA 与 Uber 的自动驾驶合作，计划到 2028 年覆盖**四大洲 28 个城市**，目标约 **10 万辆**自动驾驶车辆。
|
||||
|
||||
这不是实验，这是大规模商业部署。如果这个计划如期推进，将是人类历史上最大规模的自动驾驶商业化落地。
|
||||
|
||||
### 信号四：迪士尼 Olaf 机器人
|
||||
|
||||
|
||||
|
||||
黄仁勋请出了一个 35 英寸、33 磅的 Olaf（《冰雪奇缘》雪人）机器人——它在台上自主行走、互动，由 Newton 物理引擎和深度强化学习驱动。
|
||||
|
||||
看起来是个"秀"，但我认为这是最有说服力的物理 AI 演示。因为它展示的不是一个在实验室里小心翼翼走几步的原型，而是**一个在嘈杂环境中自如运动的完整产品**。
|
||||
|
||||
### 信号五：Newton 物理引擎开源
|
||||
|
||||
NVIDIA 把 **Newton 物理引擎**通过 Linux 基金会开源了，联合开发者包括 **DeepMind** 和 **迪士尼研究院**。
|
||||
|
||||
这个引擎是 GPU 加速的可微分物理引擎——机器人可以在虚拟环境中学习物理规律，然后把经验迁移到真实世界。
|
||||
|
||||
开源意味着：**每一个机器人开发者，无论用不用 NVIDIA 的硬件，都可以用这个引擎。** 但用了这个引擎，你就更可能用 NVIDIA 的 GPU 来加速它。
|
||||
|
||||
**又是一个"免费给你用，但生态锁定"的经典策略。**
|
||||
|
||||
---
|
||||
|
||||
## 十、终章：全栈帝国的轮廓
|
||||
|
||||
写完上下两篇，用一张图来总结英伟达的战略全景：
|
||||
|
||||
```
|
||||
┌─────────────────────────────────────────────┐
|
||||
│ 应用层 │
|
||||
│ 企业代理 · 自动驾驶 · 机器人 · 药物发现 · 气候预测 │
|
||||
├─────────────────────────────────────────────┤
|
||||
│ 模型层 │
|
||||
│ Nemotron · Cosmos · GR00T · Alpamayo · │
|
||||
│ BioNeMo · Earth-2 │
|
||||
├─────────────────────────────────────────────┤
|
||||
│ 平台层 │
|
||||
│ NemoClaw · Dynamo · Omniverse · Isaac Sim │
|
||||
├─────────────────────────────────────────────┤
|
||||
│ 系统软件层 │
|
||||
│ CUDA · cuDNN · TensorRT · NCCL · Triton │
|
||||
├─────────────────────────────────────────────┤
|
||||
│ 硬件层 │
|
||||
│ Rubin GPU · Vera CPU · Groq LPU · │
|
||||
│ BlueField DPU · ConnectX NIC · Spectrum 交换机│
|
||||
├─────────────────────────────────────────────┤
|
||||
│ 基础设施层 │
|
||||
│ NVL72 机架 · LPX 机架 · STX 存储 · SPX 网络 │
|
||||
│ 液冷系统 · 太空计算模块 │
|
||||
└─────────────────────────────────────────────┘
|
||||
```
|
||||
|
||||
**从硅片到太空，从芯片到模型，从框架到应用——六层全覆盖。**
|
||||
|
||||
这不是一家芯片公司。这不是一家软件公司。这不是一家云计算公司。
|
||||
|
||||
**这是一家 AI 基础设施帝国。**
|
||||
|
||||
而且，这个帝国的每一层都在为其他层建造壁垒。你用了 CUDA，就很难离开 GPU。你用了 Dynamo，就会用 NemoClaw。你用了 NemoClaw，就会部署 Nemotron。你部署了 Nemotron，就需要更多的 Rubin GPU。
|
||||
|
||||
**这个飞轮，一旦转起来，几乎无法停下。**
|
||||
|
||||
---
|
||||
|
||||
## 最终判断
|
||||
|
||||
看完 GTC 2026 的全部内容，有一个最终判断想分享：
|
||||
|
||||
**英伟达正在成为 AI 时代的"标准石油"。**
|
||||
|
||||
100 多年前，洛克菲勒的标准石油控制了从开采到炼化到运输到零售的整条产业链。今天的英伟达，正在 AI 领域做同样的事——从芯片制造到系统集成，从开发框架到预训练模型，从数据中心到太空部署。
|
||||
|
||||
区别在于：标准石油最终被反垄断拆分了。**英伟达会不会面临同样的命运？**
|
||||
|
||||
目前看，还不会。因为 AI 行业还在高速扩张期，客户更关心"能不能买到货"而不是"有没有替代品"。但如果有一天市场增速放缓、替代方案成熟，关于英伟达垄断地位的讨论，一定会浮出水面。
|
||||
|
||||
不过那是以后的事了。
|
||||
|
||||
此刻的英伟达，站在了人类科技史上一个罕见的位置：**一家公司，定义了一个时代的基础设施。**
|
||||
|
||||
GTC 2026 告诉我们的不只是几款新芯片、几个新产品。它告诉我们的是：**AI 的基础设施战争，目前只有一个赢家，而这个赢家还在加速。**
|
||||
|
||||
---
|
||||
|
||||
*GTC 2026 上下篇全部完成。如果你觉得有收获，欢迎转发给同样关注 AI 的朋友。*
|
||||
|
||||
*下一期，准备聊点不一样的——我们离个人 AI 助理的"iPhone 时刻"，还有多远？敬请期待。*
|
||||
|
||||
---
|
||||
|
||||
## 参考资料
|
||||
|
||||
- [NVIDIA GTC 2026 Official Live Updates | NVIDIA Blog](https://blogs.nvidia.com/blog/gtc-2026-news/)
|
||||
- [Keynote by NVIDIA CEO Jensen Huang | NVIDIA GTC 2026](https://www.nvidia.com/gtc/keynote/)
|
||||
- [NVIDIA Vera Rubin Platform | NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-vera-rubin-platform)
|
||||
- [NVIDIA Enters Production with Dynamo | NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-enters-production-with-dynamo-the-broadly-adopted-inference-operating-system-for-ai-factories)
|
||||
- [NVIDIA Launches BlueField-4 STX | GlobeNewsWire](https://www.globenewswire.com/news-release/2026/03/16/3256640/0/en/NVIDIA-Launches-BlueField-4-STX-Storage-Architecture-With-Broad-Industry-Adoption.html)
|
||||
- [NVIDIA's $20B Groq Deal Produces Its First Chip | Tom's Hardware](https://www.tomshardware.com/tech-industry/semiconductors/nvidias-20-billion-groq-deal-produces-its-first-chip)
|
||||
- [NVIDIA Space Computing | NVIDIA Newsroom](https://nvidianews.nvidia.com/news/space-computing)
|
||||
- [NVIDIA Announces NemoClaw | NVIDIA Newsroom](https://nvidianews.nvidia.com/news/nvidia-announces-nemoclaw)
|
||||
- [Google Cloud AI Infrastructure at GTC 2026 | Google Cloud Blog](https://cloud.google.com/blog/products/compute/google-cloud-ai-infrastructure-at-nvidia-gtc-2026)
|
||||
- [Why Wall Street Wasn't Won Over | TechCrunch](https://techcrunch.com/2026/03/21/why-wall-street-wasnt-won-over-by-nvidias-big-conference/)
|
||||
- [Everything NVIDIA Announced at GTC 2026 | The Neuron](https://www.theneuron.ai/explainer-articles/everything-nvidia-just-announced-at-gtc-2026-seven-chips-five-racks-one-giant-bet-on-agentic-ai-/)
|
||||
- [GTC 2026 Highlights Recap | Deeper Insights](https://deeperinsights.com/ai-blog/nvidia-gtc-2026-highlights/)
|
||||
- [黄仁勋GTC演讲万字拆解 | 澎湃新闻](https://m.thepaper.cn/newsDetail_forward_30438355)
|
||||
- [黄仁勋不愧为Token之王 | 钛媒体](https://www.tmtpost.com/7916519.html)
|
||||
- [一文读懂英伟达GTC大会 | 36氪](https://eu.36kr.com/zh/p/3529460210031488)
|
||||
Binary file not shown.
|
Before Width: | Height: | Size: 463 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 1.4 MiB |
Binary file not shown.
|
Before Width: | Height: | Size: 486 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 532 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 677 KiB |
Loading…
Reference in New Issue
Block a user