一文看懂英伟达GTC 柏林：AI是制造业、物理AI3张牌

今年的GTC 柏林 10 月 21 日，黄仁勋依旧穿着皮衣上台，讲了一个半小时。

这是英伟达第一次把 GTC 开到柏林。场内坐满，全球还有 100 个观看点，1.5 万人同时在线。

网上的信息，大多是一串产品名。Vera Rubin、DSX Pod、OpenShell、RTX Spark、Hyperion、Halos SAFE、Agile ONE SN，名字一个比一个长，很难串起来。

我把主题演讲从头看到尾。又把开场直播里奔驰 CEO 康林松那段对话、英伟达发布的最新信息，逐条对了一遍。

看完最大的感受是：这场的主角是 AI 工厂和智能体，车和机器人在台上只占了 7 分钟左右。

不过，这 7 分钟，恰好是英伟达整套思路落到物理世界的地方。

本文通过以下这三个问题分享：英伟达对于AI又有什么新观点，发布了什么新东西，对自动驾驶和机器人意味着什么。

一站式给汽车和机器人科技行业看懂

94 分钟演讲，自动驾驶约 2.7 分钟，人形机器人约 4.7 分钟
Hyperion 新接入 4 个欧洲品牌：大众商用车、捷豹路虎、沃尔沃、奔驰下一代
车端模型 Alpamayo 2 Edge：20 亿参数，每秒决策 10 次
Bolt 计划投放至少 2.5 万辆 L4 能力车，2027 年才在马德里开始采数据
参考人形机 Agile ONE SN：71 个自由度，2027 年初交付

01新观点：AI 是一门制造业五层蛋糕、智能体五件套、三台计算机

黄仁勋开场先算了一笔欧洲旧账。

英伟达在欧洲做了 33 年。

第一颗芯片 NV1 在法国生产、马耳他封装。2005 年进了奥迪的车，2020 年开始和奔驰做自动驾驶。

过去一年，英伟达在欧洲投了将近 100 亿美元，合作伙伴超过 1.2 万家。

铺垫完，他抛出了全场第一个观点：AI 是一门制造业，不只是软件。

01第一张图：五层蛋糕

最底下是能源，往上是计算机，再往上是 AI 工厂。

工厂产出 token，token 喂给模型，模型最后长进每一个应用里。

他的意思很直白：想参与 AI 经济，别只当消费者，要当生产者。

这一层一层都要花钱。他给了个数：一座 1 吉瓦的 AI 工厂，大约 500 亿美元。如果每年能产出 400 亿美元收入，晚开三个月，就少收约 100 亿美元。

这个账，后面会直接变成一个新产品。

02第二张图：智能体的五件套

演讲中间最长的一段，讲的是智能体。他把一个智能体拆成五样东西。

1.模型：负责感知、推理、规划，闭源和开源都会用

2.Harness：他叫它智能体的「外骨骼」，管记忆、调度和调用工具

3.沙箱：把 Harness 关在里面，权限给到最小，随时监控

4.知识：企业自己的文档和数据库

5.工具：英伟达几十年攒下的 CUDA-X 加速库

他特别强调，后两样是企业自己的。模型谁都能买到，知识和工具才是你的手艺。

03第三张图：物理 AI 要三台计算机

讲到车和机器人之前，他先摆出了第三个框架。

第一台计算机训练模型。

第二台做仿真，让 AI 先在数字孪生里练，不能直接放到真实世界里乱试。

第三台装在车上、机器人身上。

这第三台，在车上就叫 Hyperion。它包括计算机本身、功能安全系统、主动安全系统，还有一套为物理 AI 安全设计的操作系统。

把三张图叠在一起看，思路是同一个：英伟达想把每一层都做成可以直接拿走的标准件。

机柜是标准件，智能体的运行环境是标准件，车上的传感器和电脑也是标准件。

车和机器人，是这套「标准件」思路在物理世界的延伸。

02新产品：一张清单看完AI 工厂、智能体、物理 AI，三层各有新货

我按台上的顺序数了一下，这场大大小小发布了十几样东西。

先看时间分配。94 分钟里，AI 工厂硬件讲了约 28 分钟，智能体讲了约 25 分钟。

自动驾驶约 2.7 分钟，人形机器人约 4.7 分钟。

01AI 工厂这一层

Vera Rubin 宣布全面量产。按他的说法，Blackwell 处理大模型比 Hopper 快约 30 倍，Vera Rubin 两年后又比 Blackwell 快约 30 倍。

他在台上抽出一块计算托盘：没有线缆，100% 液冷。上一代装一个节点要两小时，现在不到五分钟。

重头戏是 DSX Pod。

7 个液冷机柜、17 公里网线，全部在工厂里装好、测好，装进集装箱运到现场。

前面那笔「晚开三个月少收 100 亿美元」的账，就是为它铺垫的。新闻稿说，水电到位后，现场部署可以从 6 个月缩到 14 天。

还有一台 Spectrum-X 光电共封装交换机，512 个端口，每口 200Gb/s，已经量产。

02智能体这一层

OpenShell 是一个开源的安全运行环境。它把每个智能体关进独立沙箱，能碰哪些文件、连哪些网址，都按策略在系统调用这一级卡住。

台上的宣传片说得很俏皮：现在拦住智能体乱来的唯一办法，是礼貌地求它「请别删东西」。

Sentry 是加在外面的第二道锁，跑在 BlueField-4 上，发现越界能在毫秒级切断它和模型的连接。

另外是一套「智能体知识底座」，包括文档解析、向量检索、结果重排，加上做结构化预测的 Kumo。

最后是 RTX Spark，和微软合作了 4 年。

一台能拿在手里的电脑，1 PFLOPS 算力、128GB 内存。

黄仁勋说，2016 年他把同样算力和内存的 DGX-1 送给 OpenAI，那台要两个人才抬得上楼。

03物理 AI 这一层

新东西	是什么	关键数字
Hyperion 新伙伴	车上的标准传感器和电脑	大众商用车、捷豹路虎、沃尔沃、奔驰下一代
Halos SAFE	自动驾驶安全评估框架	仿真到车队监测四个环节
Alpamayo 2 Edge	车端推理模型	20 亿参数，每秒 10 次
Agentic Factory	AI 智能体串起数据和训练	2027 年初开放
Agile ONE SN	参考人形机器人	71 个自由度，2027 年初
Isaac Lab 3.0	机器人学习框架	正式版，开源

回头看这一章，前面两层是英伟达的基本盘，第三层是它押的下一波。

后面三章，我只讲第三层。

03自动驾驶：把无人车做成标准件Hyperion 的逻辑，和一笔万亿英里的账

讲车那 3 分钟，黄仁勋开头就是一个判断：

Every single car company will want to make their cars part of the ride-hailing fleet.
每一家车企，都会想让自己的车加入网约车车队。

—— 黄仁勋，GTC 柏林主题演讲

今天的网约车平台，有 Uber、Bolt、Grab、Lyft。将来接进这些平台的无人出租车，不会只来自一个品牌。

问题在于，无人车最贵的是软件。每家车企各配一套传感器，软件就得各调一遍。

英伟达的办法，是把传感器和电脑统一成一套标准架构，叫 Hyperion。

一辆 Hyperion 车上，有 14 个摄像头、9 个毫米波雷达、12 个超声波，外加两颗 DRIVE Thor 芯片。

激光雷达这项要说明一下。台上说的是 3 颗，官网 Hyperion 10 参数写的是 1 颗，我按官网口径画图。

硬件统一以后，软件写一次，就能装进不同品牌的车。这和安卓手机的逻辑很像。

这次台上官宣的 4 个新品牌，是大众的 ID. Buzz 面包车、捷豹路虎的新车、沃尔沃和奔驰下一代车型。

捷豹路虎出现在 Halos SAFE 的生态名单里，没有单独的 Hyperion 车型项目。另外两家伙伴：

•Einride 用 Hyperion 做下一代自动驾驶卡车

•TIER IV 和慕尼黑工业大学计划用它做德国的无人公交

•Aptiv、法雷奥、舍弗勒在造基于 Hyperion 的计算平台，卖给车企做 L4

01这张 PPT 上，有不少中国名字

这页把伙伴分成三排：出行平台、自动驾驶软件、整车厂。

软件这一排有 Momenta、元戎启行、小马智行、文远知行。整车厂这一排有比亚迪、吉利、极氪，滴滴也排在这一排。

也就是说，英伟达的「标准件」并不只卖给欧洲。中国的车企和智驾公司，本来就在这张网里。

02万亿英里这笔账

生意有多大？黄仁勋用的是乘法：全世界一年约跑 1 万亿英里，将来很多会交给无人出租车，每英里一到两美元。

其实，按美国联邦公路局的数据，光美国一年就开了 3 万多亿英里。

所以里程本身不是变量。真正的变量，是无人车每英里的成本能不能压到一两美元以下。

标准件要解决的，正是这个成本。

一套硬件、多家车企、一个虚拟车队，这是英伟达给 Robotaxi 画的路线。

04进度要分三档看宣布的很多，真正上路的很少

台上的说法很宏大。但把新闻稿和康林松的原话对一遍，进度差别很大。

01第一档：已经上路的，仍是辅助驾驶

最快的是奔驰。康林松在开场直播里说，点到点导航辅助驾驶今年早些时候已在美国上线，圣诞节前在德国开放，之后铺到欧洲。

他自己的用词是 Level 2++。驾驶员仍要全程负责，这不是无人驾驶。

02第二档：有日期的，只是采数据

Bolt 选了英伟达的 Alpamayo 软件，先用在 Lucid 未来基于 Hyperion 的车上。

计划是在欧洲投放至少 2.5 万辆具备 L4 能力的车，德国是优先市场。

但第一步，是 2027 年在马德里开始采集真实路况数据，而且要等监管批准。

03第三档：只有方向

奔驰把和英伟达的合作扩展到 L3、L4，包括一款 Robolimousine。沃尔沃采用 Hyperion、Halos OS 和 Alpamayo，目标是门到门。

这两条都没有给时间。

康林松在直播里还被问到：我们什么时候能拥有自己的自动驾驶汽车？他说「当然，正在发生」，又说大概和家用机器人差不多时间。

「三到五年」这个数，是主持人替他接的话。

注意：2.5 万辆、L3/L4、门到门，都是合作计划，不是投放时间表。引用时注意口径。

标准件不等于上路许可，欧洲的牌照和责任规则才是真正的节奏器。

05安全，要拿证据说话Halos SAFE 和一整套数据工厂

讲车的部分，我觉得最有价值的不是新品牌，是 Halos SAFE。

它的全称是安全评估框架。

做法是把四个环节串起来：仿真、软件和硬件在环测试、实车路测、上路后的车队监测。

每个场景怎么定义、怎么测、过线标准是多少，都要能量化、能追溯。最后形成一条证据链，交给监管和保险公司。

一起做评估流程的有 dSPACE、IVEX 和德国莱茵 TÜV。生态里还有捷豹路虎、奔驰、沃尔沃、51Sim、AVL、Foretellix 和新思科技。

为什么要这么麻烦？康林松在直播里给了答案：全世界每年约 100 万人死于车祸，每一起几乎都是人为失误。

L4 要上路，就得证明自己比人安全。光说「我们测了几亿公里」不够，监管要的是一套能审计的证据。

01配套的数据工厂

同一天发布的，还有一串开发工具，基本覆盖了从数据到上车的全过程。

•Alpamayo 2 Edge：基于 Cosmos 的 20 亿参数推理模型，在 DRIVE Thor 上每秒跑 10 次，负责场景理解和运动规划

•AlpaJudge：按人工标准给驾驶解释打分，筛掉质量差的标注

•Foundation4D：不用激光雷达，只靠多摄像头视频做标注

•Cosmos 3 Nano：同步生成多视角摄像头和激光雷达的合成数据

•Alpamayo Agentic Factory：用 AI 智能体把数据准备、后训练和仿真评估串起来，2027 年初开放

有个案例很具体。保时捷牵头，在大众集团各品牌之间搭了一套数据飞轮，用的是 Voxel51、Cosmos 和 NuRec，跑在微软 Azure 上。

重复的实车测试最多减少 90%，开发周期最多缩短 85%。注意，这是「预计最多」，不是实测结果。

另外，Uber 也在和英伟达一起建 Cosmos 数据工厂，处理自动驾驶数据。

模型强不强是一回事，能不能拿出审计得过的证据，是另一回事。后者决定谁先拿到门票。

06机器人：先造一台参考机想复刻 PC 和手机的标准化飞轮

讲完车，黄仁勋说下一个大产业是人形机器人，而且「很可能非常大」。

他的理由，我觉得是全场逻辑最清楚的一段。

机器人难做，是因为活太杂。

每种活单独设计一种机器人，市场就被切成无数小块，技术飞轮转不起来。

PC、手机、英伟达自己的 NVLink 72 机柜，进步那么快，都是因为配置标准化了，很多客户能用同一款，量起来了，飞轮才转得动。

人形不一定样样最好，但很多活都能干，所以最有可能成为量最大的机器人形态。

如果 AI 学得够快，没有机器人团队的中小企业，也可以「示范给机器人看」，让它自己学会。

他还对台下的欧洲观众说，没有哪个地区像欧洲这样，在机电一体化上下了这么深的功夫。

01Agile ONE SN 长什么样

车上有 Hyperion 这台「第三台计算机」，机器人也需要一台。英伟达不想让每个团队都从零拼软件、电脑、传感器和机械，那要花好几年。

所以它和慕尼黑的 Agile Robots 一起，做了一台参考人形机 Agile ONE SN。

•身高 1.4 米，身体 31 个自由度，每只手臂负载 3 公斤

•双手用 WUJI 五指灵巧手，每只 20 个自由度，带触觉，合计 71 个自由度

•机载 Jetson Thor，FP4 算力 2070 TFLOPS，128GB 内存

•预装 GR00T 模型和整套工作流，从示范采集、仿真、训练到部署

•2027 年初交付，斯坦福和苏黎世联邦理工都有兴趣

Agile 的 CEO 陈兆芃对路透社说，明年计划生产 1000 到 2000 台，卖给大学和企业研究院。

配套的还有 Isaac OS 运行框架、Isaac Lab 3.0 正式版、2000 多个仿真资产，以及一个叫 Human 1M 的人类动作数据集。舍弗勒还把自己的执行器技术，做成了 Newton 物理引擎的基础组件。

02台上的小鸭子

演讲最后的演示很有意思。一个智能体在 RTX Spark 笔记本上，自己规划场地、建 3D 模型、搭仿真场景，把 Hugging Face 的 Microduck 小机器人送到云上训练，再把学会的策略下载回来部署。

四只小鸭子随后上台，坐下、站起、打盹。黄仁勋说做它们的 Pollen Robotics 大概只有 10 个人，已经卖断货了。

这个演示想说明的是：训练机器人的门槛，正在从一个团队降到一台笔记本加一个智能体。

03回本账，听听就好

开场直播里，几位嘉宾算了机器人的经济账。

•Humanoid 的 CEO 说，12 月会在德国舍弗勒开始部署，每天要跑 16 小时；机器人每小时成本不到人工的一半，客户回本不到一年

•康林松举例：一个工人一个班一年按 7.5 万美元算，人形机器人能干三个班，「能干活之后」回本期按周或月算

•奔驰匈牙利新工厂已有人形机器人在做物流试点，他预计 24 个月内会在物流和部分制造环节更大规模部署

这些都是嘉宾的现场估算。「能干活之后」这个前提，恰恰是最难的部分。

参考机降低的是研发门槛，离量产门槛还有一段路。

07对国内同行意味着什么三个判断，供参考

基于这次GTC的内容，我个人判断是：

01车企：差异化往上走

如果传感器和电脑都成了标准件，车企在硬件配置上能拉开的差距会越来越小。

差异化会往两头走。一头是品牌、座舱和运营；另一头是自己的数据和自己的模型。

这和黄仁勋讲智能体时那句话是同一个道理：模型谁都能买，知识和工具才是你自己的。

02智驾公司：从卖算法到卖证据

Halos SAFE 这类框架一旦成为欧洲的通行做法，出海的智驾公司要拿出的，就不只是一段好看的演示视频。

国内这边，GB 44721—2026 管 L3、L4 的安全要求，2027 年 7 月 1 日起实施。证据链这件事，国内国外是同一道题。

03机器人公司：参考机是对手也是土壤

参考机加开源工具链，会让做人形机器人的门槛变低，新玩家会变多。

对已经在做整机的国内公司，这既是竞争，也意味着数据格式、仿真资产和训练流程正在被定成标准。早点接进去，比自己另起炉灶便宜。

谁	这次要看的	我的建议
整车厂	Hyperion 标准件	想清楚自己留哪一层：品牌、运营还是数据
智驾公司	Halos SAFE 证据链	把测试流程做成能审计的证据
零部件商	Aptiv、法雷奥、舍弗勒的做法	做基于标准平台的计算盒子
机器人公司	Agile ONE SN 和 Isaac	兼容主流仿真和数据格式

标准件时代，最值钱的是标准件装不进去的那部分。

08写在最后

这场演讲信息量很大，不过总结起来，可以看到英伟达的完整思路：从 AI 工厂到智能体，再到车和机器人，每一层都在做标准件，每一层都想让别人站在它上面干活。

对汽车行业来说，这意味着硬件越来越像，比拼会转向数据、证据和运营。

以上就是今天的分享。觉得有用的话，帮忙点赞、转发、点个在看，也欢迎在留言区聊聊你的看法。

参考资料以及图片

*未经准许严禁转载和摘录-获取本文参考资料方式：加入我们的知识星球可以下载公众号海量参考资料包含以上参考资料。