黄仁勋GTC柏林2026演讲：真正值得关注的不是芯片，而是AI Agent的下一步

演讲摘要

在GTC柏林2026英伟达CEO黄仁勋再次描绘了人工智能产业的下一阶段发展方向。

从AI算力基础设施，到能够自主执行任务的AI Agent，再到自动驾驶、机器人与物理AI，演讲涉及的技术领域看似分散，却共同指向一个趋势：人工智能正在从生成信息的工具，逐步演变为能够参与真实业务、执行复杂任务的生产力系统。

黄仁勋所强调的，已经不只是GPU性能的提升，而是围绕AI构建一整套完整的技术体系。对于企业而言，这意味着AI的价值衡量标准正在发生变化。过去，人们关注模型能生成什么；未来，更值得关注的是，AI能否稳定完成任务、融入现有工作流，并持续创造商业价值。从这个角度看，AI产业的竞争，正在从单点技术突破，走向系统能力与产业落地能力的全面竞争。

大咖金句

• “新工业革命发生在新技术出现之时，它影响我们如何建造以及我们能建造什么。”

• “智能体必须思考，而这正是模型的作用所在。”

• “安全不是一种愿景，而是技术和工程的体现。”

• “有人说人工智能时代已经到来，软件行业将走向终结，工具公司也将不复存在。恰恰相反，人工智能时代已经到来。”

• “人工智能的新篇章即将开启，智能体将与您并肩作战。”

关键洞察

为什么AI的竞争，正在从模型转向基础设施？

过去几年，人工智能行业的关注点主要集中在模型能力上：参数规模有多大、推理速度有多快、生成效果有多好。但随着模型能力不断提升，一个更基础的问题开始浮现：当AI被大规模应用于企业和社会生产时，谁来支撑持续增长的智能需求？

黄仁勋对AI基础设施的强调，正是对这一问题的回应。传统数据中心主要负责存储数据和运行计算任务，而面向AI的基础设施，需要支撑模型训练、推理和智能体持续运行等不同类型的工作负载。计算芯片、网络、存储、能源和软件系统，必须协同工作，才能将硬件算力有效转化为实际的AI服务能力。这也解释了为什么AI产业的竞争，越来越不只是单颗芯片的性能竞争，而是整个计算系统的效率竞争。

对于企业而言，模型能力的提升只是第一步。要让AI真正进入业务流程，还需要考虑推理成本、响应速度、系统稳定性、数据安全，以及大规模使用时的综合投入。因此，AI基础设施的真正价值，不只是提供算力，而是决定智能能够以多低的成本、多高的效率被持续生产和使用。当AI从实验性工具走向日常业务系统，算力效率和部署能力将越来越直接地影响企业的商业竞争力。

为什么AI Agent可能成为下一阶段的关键变量？

如果说大模型让AI获得了理解和生成信息的能力，那么AI Agent所代表的变化，是让AI开始具备围绕目标组织任务、调用工具并推进执行的能力。两者的区别在于：传统的AI使用方式，通常由人提出一个问题，再由模型返回答案；而在智能体模式下，用户可以提出一个更完整的目标，由系统将目标拆解为多个步骤，并根据执行结果决定接下来采取什么行动。

例如，面对一项营销任务，传统的AI工具可以协助撰写文案、生成图片或分析数据；而一个设计完善的营销智能体，则可以在授权范围内，进一步串联市场调研、内容策划、素材制作、效果分析等环节。当然，这并不意味着智能体已经能够不受限制地独立完成所有工作。复杂任务仍然面临执行错误、上下文丢失、工具调用失败和结果验证不足等问题。真正可用的系统，需要设置权限边界、质量检查机制和人工审核节点。但发展方向已经十分清晰：AI的应用形态正在从单一工具，向能够连接多个工具和业务环节的工作流演进。这对企业的意义尤其重要。

当模型逐渐成为可以广泛调用的基础能力，企业之间的差异将更多体现在如何拆解任务、组织流程、管理数据，以及如何让AI与现有系统有效协同。未来真正有价值的AI Agent，不只是能够回答问题，而是能够在明确的目标和约束下，把一项任务可靠地推进到交付。

为什么AI的商业化，最终要回到真实生产环境？

AI演示往往令人惊艳。几分钟生成一段视频、几秒钟写出一段程序、通过简单指令完成复杂操作，都能直观地展示模型能力。但演示效果好，并不等于能够直接创造稳定的商业价值。真实生产环境具有更多不确定性：企业数据可能不完整，业务规则可能相互冲突，系统之间存在复杂依赖，用户需求也会在执行过程中不断变化。

当AI进入实际业务，单次任务成功并不足以证明它已经成熟。企业更关心的是，它能否在不同条件下持续工作，能否识别异常，能否在错误发生时及时停止，以及能否在可接受的成本内保持交付质量。这意味着，AI的产业落地需要的不只是模型能力，还包括工程化部署、流程管理、权限控制、结果验证和持续运维。

以AI内容生产为例，生成一条视觉效果出色的视频，并不代表完成了一次合格的商业交付。如果角色前后不一致、品牌表达出现偏差、脚本与产品信息不符，或者最终素材无法通过平台审核，那么生成环节的效率再高，也难以转化为实际业务价值。因此，企业不能只看AI能生成什么，还要评估它在完整业务链条中的表现。包括交付周期是否稳定、返工率是否可控、内容是否符合业务规范，以及规模扩大之后能否维持同样的质量。AI从技术演示走向商业生产，关键不在于某一次表现有多惊艳，而在于能否长期、稳定、可控地完成真实任务。这也是为什么工程能力、工作流设计和质量控制，正在成为AI商业化过程中不可忽视的组成部分。

为什么物理AI，正在打开人工智能的新边界？

过去，人们对AI的理解主要集中在数字世界：写文章、生成图片、分析数据、编写代码。但黄仁勋所关注的产业方向，还包括机器人、自动驾驶和工业自动化等领域。这些应用共同指向一个变化：AI不再只需要处理屏幕上的信息，还需要理解现实环境，并在物理世界中采取行动。

与纯数字任务相比，物理AI面临的挑战更加复杂。现实世界具有连续变化的环境、复杂的物体交互和不可忽视的安全要求。系统不仅需要识别环境，还要预测行为后果，并在执行过程中不断调整。因此，物理AI的发展离不开仿真环境、训练数据、计算基础设施、传感器、机器人硬件和控制系统的协同。

例如，在工业制造场景中，AI不仅要识别生产线上的零部件，还需要理解工序要求、判断设备状态，并与实际的控制系统配合。在自动驾驶场景中，感知能力只是基础，系统还必须结合环境理解、路径规划和安全控制，才能完成真实道路中的复杂任务。这意味着，AI的产业空间正在从数字服务进一步扩展到实体经济。

不过，不同领域的技术成熟度和商业化进度并不相同。物理AI的大规模落地，仍然需要解决安全、成本、可靠性和实际部署等问题。当AI开始影响现实世界中的生产、运输和操作流程，它所创造的价值也将不再局限于信息处理，而是进一步进入实体生产力。

所以AI时代，真正的竞争力是什么？黄仁勋这场演讲所揭示的，并不只是人工智能技术的持续升级，而是AI产业价值链正在发生变化。底层基础设施决定智能能否被高效生产，模型与智能体决定智能能够完成什么任务，工程体系决定这些能力能否稳定运行，而真实业务场景则最终决定它们能否创造商业价值。

对于企业来说，未来值得思考的问题，已经不只是“我们要不要使用AI”，而是：如何找到真正适合AI的业务环节？如何将AI融入现有工作流程？如何建立可靠的质量控制机制？又如何将一次成功的尝试，转化为可以持续复制的生产能力？这些问题的答案，将在很大程度上决定企业能否真正享受到AI带来的效率红利。AI的下一阶段，不只是让机器变得更聪明，而是让智能真正进入生产流程，并持续创造价值。

访谈视频：

https://www.youtube.com/watch?v=t2LLh6HUG2Y