直擊GTC 2026 ：黃仁勛的“AI工廠”，離不開中國“車間” | 智車星球

物理AI的“ChatGPT時刻”已至，中國企業(yè)深度參與全產(chǎn)業(yè)鏈布局。

作者|王蕊

編輯|西子

2026 年春天，英偉達GTC大會完成一次根本性敘事轉(zhuǎn)向——從「數(shù)字世界」全面跨向「物理世界」。

站在臺上的黃仁勛不再只談更強算力、更大模型，他把英偉達重新定義為一家“AI基礎(chǔ)設(shè)施與AI工廠公司”，重心從“模型能力”轉(zhuǎn)向“AI 如何真正進入現(xiàn)實世界”。

本屆大會釋放了3個最強信號：

1. “物理AI”的ChatGPT時刻已至，自動駕駛是規(guī)模化起點，通用具身智能是長期終點。

2. 數(shù)據(jù)中心變身“Token 工廠”，核心指標從TFLOPS轉(zhuǎn)向“每瓦特生成的Token數(shù)”。

3. 中國力量從“參會者”變?yōu)椤吧疃裙步ㄕ摺保采w了從硬件、軟件到應用場景的全產(chǎn)業(yè)鏈。

在這一變化之下，黃仁勛進一步勾勒出“AI五層蛋糕”的全棧架構(gòu)：加速計算 → 芯片與基礎(chǔ)設(shè)施 → 開放模型 → 智能體 AI → 物理 AI，并表示AI必須學會理解重力、摩擦與材料特性，才能真正融入并改造現(xiàn)實世界。

對應這一框架，英偉達的發(fā)布也不再是單一芯片，而是一整套AI基礎(chǔ)設(shè)施：新一代數(shù)據(jù)中心平臺與加速計算架構(gòu)，面向推理優(yōu)化的軟件體系（如 TensorRT），以及圍繞自動駕駛與機器人的開發(fā)與仿真平臺（DRIVE、Isaac、Omniverse），打通訓練 — 推理、云端 — 端側(cè)完整閉環(huán)。

這一切的底層邏輯，是黃仁勛提出的“Token工廠”經(jīng)濟學。

他認為，未來的數(shù)據(jù)中心將不再是存儲中心，而是生產(chǎn)智能Token的工廠，企業(yè)的核心競爭力將取決于“每瓦特生成的Token數(shù)”。

基于此，他將2025至2027年AI基礎(chǔ)設(shè)施的潛在市場規(guī)模預測，從5000億美元大幅上調(diào)至1萬億美元。未來的AI服務也將像電力一樣分層，從免費到超級服務，價格覆蓋每百萬Token幾美元到上百美元的廣闊區(qū)間。

而在本屆大會上，尤為引人注目的是，中國力量在此次生態(tài)革命中扮演了前所未有的深度共建者角色。這不再僅是幾家明星企業(yè)的亮相，而是一次從硬件、軟件到應用場景的全產(chǎn)業(yè)鏈集體登場。

聯(lián)想集團與英偉達聯(lián)合發(fā)布新一代混合AI解決方案；

智元機器人作為Project GR00T N系列全球首批生態(tài)伙伴，展示其精密操作能力；

在核心供應鏈上，速騰聚創(chuàng)的數(shù)字化激光雷達、禾賽科技的車規(guī)級感知方案，以及領(lǐng)益智造（立敏達）的液冷核心部件，開始進入自動駕駛與算力基礎(chǔ)設(shè)施體系。

在應用側(cè)，比亞迪、吉利、小馬智行、文遠知行等集體入駐Robotaxi Ready平臺；

而在具身智能方向，宇樹科技、銀河通用機器人等公司，則圍繞仿真與模型探索工業(yè)化路徑。

這些路徑看起來各不相同，但指向的是同一個問題：AI的終極價值，取決于能否安全、高效、低成本地融入并改造物理世界。這場“肉身”革命的實現(xiàn)，需要全球芯片、算法、硬件、系統(tǒng)、終端的空前協(xié)同。

然而，從宏偉的生態(tài)藍圖到可靠的商業(yè)產(chǎn)品，中間還存在著真實的鴻溝：數(shù)據(jù)從哪里來？系統(tǒng)如何在復雜環(huán)境中持續(xù)運轉(zhuǎn)？以及成本如何被壓縮到可以規(guī)模化部署的區(qū)間？

也正是在這些約束之下，不同公司的技術(shù)路徑開始分化。有人在解決數(shù)據(jù)問題，有人在重構(gòu)系統(tǒng)架構(gòu)，也有人在試圖把成本降到可接受范圍。

以下，是部分一線公司在GTC 2026現(xiàn)場及相關(guān)活動中的觀點和判斷。

AI的本質(zhì)是生產(chǎn)“智能 Token”

英偉達創(chuàng)始人 黃仁勛

1. “英偉達不再只是一家GPU公司。我們已經(jīng)成為一家‘AI基礎(chǔ)設(shè)施與AI工廠公司’。”

2. “數(shù)據(jù)中心正在從‘計算中心’轉(zhuǎn)變?yōu)椤甌oken工廠’。我們的核心指標不再是單純的算力，而是‘每瓦特生成的Token數(shù)’（tokens/watt）。”

3. “我們正在構(gòu)建的是AI的‘五層蛋糕’：加速計算、AI基礎(chǔ)設(shè)施、開放模型、智能體AI，以及最頂層的物理AI。”

4. “物理AI的‘ChatGPT時刻’已經(jīng)到來。AI必須學會理解物理世界——重力、摩擦、材料特性。”

5. “我們將2025年至2027年AI基礎(chǔ)設(shè)施的潛在市場規(guī)模預測，從5000億美元上調(diào)至1萬億美元。”

6. “AI服務將像電力一樣分層。未來會有免費、中級、高級和超級服務，價格從每百萬Token幾美元到上百美元不等。”

月之暗面（Kimi）創(chuàng)始人 楊植麟

1. “長文本（Long Context）不是一個噱頭，它是物理 AI 的數(shù)字底座。如果你要讓一個機器人去管理一座工廠，它需要處理的不是幾千個 Token，而是長達數(shù)周、包含數(shù)百萬個動作序列和環(huán)境反饋的‘超長上下文’。沒有極長文本的處理能力，具身智能就永遠無法完成長程任務。”

2. “未來的 AI 不再是一個全能的巨獸，而是一個個智能體集群（Agent Swarms）。大模型作為‘指揮官’，負責拆解目標，并動態(tài)調(diào)用成百上千個專業(yè)的子代理。這種多智能體協(xié)作產(chǎn)生的涌現(xiàn)效應，將遠超單一模型的能力極限。”

具身智能，死磕“物理常識”

宇樹科技創(chuàng)始人、CEO兼CTO 王興興

1. “具身智能真正的 ChatGPT 時刻，我個人的判斷是 ‘80/80 準則’：即當機器人能在 80% 的陌生場景中，僅通過簡單的語音或文字指令，就能順利完成大約 80% 的任務時，這個行業(yè)就徹底爆發(fā)了。”

2. “很多人覺得運動不重要，但我始終認為運動能力是干活的先決條件。到 2026 年中，人形機器人的奔跑速度將超越人類極限，快過博爾特。這不是為了秀肌肉，而是硬件驅(qū)動電機和控制算法閉環(huán)成熟的信號。”

3. “未來生產(chǎn)力的飛躍，一定是 ‘機器人生產(chǎn)機器人’。我們已經(jīng)開始在工廠里讓機器人組裝它們自己的關(guān)節(jié)，這種自我復制的閉環(huán)會把成本壓到超乎想象。”

4. “具身智能目前最大的瓶頸并不是模型架構(gòu)，而是缺乏高質(zhì)量的、真實的物理交互數(shù)據(jù)。我們不能像 GPT 訓練文本模型那樣，直接從互聯(lián)網(wǎng)上‘抓取’機器人的動作邏輯。每一比特有效的動作數(shù)據(jù)，現(xiàn)在都需要通過昂貴的遙操作或復雜的仿真合成去獲取。”

5. “Sim-to-Real 的鴻溝依然是一塊極其難啃的硬骨頭。在虛擬環(huán)境里表現(xiàn)完美的算法，到了現(xiàn)實世界中，可能僅僅因為地面摩擦力的 1% 波動，或者光影的一個細微閃爍，就導致整個動作序列的徹底崩潰。這種‘物理精度’的丟失，是量產(chǎn)落地的最大障礙。”

6. "機器人、AI、具身智能，都不是一兩家公司，甚至也不是一個國家就能獨自完成的事。無論最后是誰率先做成，對整個行業(yè)都是好事。"

至簡動力CEO 賈鵬

1. "當前具身智能行業(yè)面臨一個現(xiàn)實鴻溝：具身智能通用能力的不足與用戶高要求之間存在巨大差距。真實世界的復雜程度遠遠超出想象，目前模型泛化能力較差，在大多數(shù)場景均難以落地，尤其在靈巧操作任務上幾乎無泛化能力可言。"

2. "在工廠等應用場景中，只有達到100%的成功率才能形成真正的生產(chǎn)力，產(chǎn)生用戶價值。通用能力的不足與用戶的高要求之間存在著巨大鴻溝，這也是具身智能發(fā)展至今仍未大規(guī)模落地的真正原因。"

銀河通用機器人創(chuàng)始人兼CTO 王鶴

1. "我們不追求機器人會做100件事，而是讓它把10件事做到工業(yè)級標準。"

2. "仿真是我們的核心能力。我們與Isaac Sim的合作展示了一條掌握復雜機器人技能（如全身控制與靈巧操作）的確定性路徑。"

思摩爾國際創(chuàng)始人、董事長兼CEO 陳志平

1. "過去，操作復雜的工業(yè)設(shè)備需要經(jīng)驗豐富的專家，就像專業(yè)攝影師才能拍出好照片。今天，AI正在為工業(yè)帶來一場‘智能手機革命’，讓毫無專業(yè)技能的普通人，也能輕松駕馭強大的生產(chǎn)力工具。我們的核心理念，就是‘讓工業(yè)設(shè)備，更智能、更簡單’。"

2. "未來的工業(yè)形態(tài)將是‘軟件定義制造’的時代，AI基礎(chǔ)設(shè)施服務商與工業(yè)裝備廠商將深度協(xié)同、生態(tài)共生。這一格局將催生出工業(yè)界的‘龍蝦+Manus’標桿體系：以通用大模型作為認知大腦，通過一個標準化、智能化的中間層，去統(tǒng)一連接、調(diào)度和操控物理世界里海量的工業(yè)設(shè)備，最終打通數(shù)字世界與物理世界的隔閡。"

理想汽車基座模型負責人 詹錕

1. "當我們把視覺、語言和行動統(tǒng)一到一個模型中時，它已不再只是自動駕駛模型，而是在逐漸演化為面向物理世界的通用智能體。基于同一套VLA模型，不僅可以控制車輛，也能夠擴展到機器人。因此，自動駕駛只是物理AI的起點，未來這類基礎(chǔ)模型將驅(qū)動新的具身智能范式。"

吉利汽車集團CTO 李傳海

1. "汽車行業(yè)正處在從‘功能疊加’邁向‘體驗融合’的關(guān)鍵節(jié)點，而核心抓手就是‘AI車’。AI不再是某個功能的‘錦上添花’，而是貫穿研發(fā)到制造、從云端到車端的‘血液’。"

2. "未來的AI Agent不應僅是響應指令的秘書，而應成為能基于實時場景、歷史習慣進行主動服務的伙伴。例如，Eva能夠?qū)W習用戶習慣，在檢測到駕駛員長途駕駛后出現(xiàn)疲憊跡象時，主動建議切換至更保守的輔助駕駛模式，并調(diào)節(jié)車內(nèi)環(huán)境。這標志著車載智能從‘功能模塊’時代，正式邁入‘整車智能中樞’時代。"

元戎啟行CTO 曹通易

1. “數(shù)據(jù)閉環(huán)的挑戰(zhàn)在于‘長尾數(shù)據(jù)的清洗效率’。我們現(xiàn)在的系統(tǒng)能從每天 PB 級的數(shù)據(jù)中自動識別并提取最具訓練價值的 0.01% 極端場景。”

2. “未來的競爭是算力效率的博弈。如果你需要堆三塊芯片才能跑贏別人的單塊芯片，那么你的商業(yè)化成本結(jié)構(gòu)就已經(jīng)輸了。”

3. "2025年，我國搭載城市NOA功能的乘用車累計銷量超300萬輛，滲透率超15%。城區(qū)NOA功能進一步普及的同時，這一技術(shù)從‘可用’向‘好用’‘敢用’跨越的挑戰(zhàn)也正浮出水面。"

英偉達全球副總裁 吳新宙

1. “邁向 L4 之路，技術(shù)已經(jīng)不再是唯一的變量。我們現(xiàn)在的重點是如何打造一個‘可規(guī)模化、高安全冗余’的自動駕駛工廠。當模型具備了泛化能力，量產(chǎn)的成本曲線將迎來劇烈的向下拐點。”

卓馭科技AI CTO 陳曉智

1. “我們正在跨越從‘感知世界’到**‘理解世界邏輯’的鴻溝。多模態(tài)端到端世界模型的核心價值在于，它賦予了汽車一種‘物理直覺’**，讓智駕系統(tǒng)能像人類駕駛員一樣，在未見過的復雜場景中進行邏輯推理。”

2. “智駕的下一場革命是‘語義級避障’。系統(tǒng)不僅要知道那是一個物體，還要知道‘那是一個飛走的塑料袋’和‘那是一個橫穿的行人’在物理反饋上的本質(zhì)區(qū)別。”

火山引擎智能座艙負責人 陳婧文

1. “大模型進入座艙不是為了增加幾個語音指令，而是要實現(xiàn)‘從被動響應到主動理解’的跨越。真正的智能不是你喊它，而是它通過座艙傳感器感知到你的疲勞或焦慮，并在你開口前給出反饋。”

2. “未來的核心架構(gòu)一定是‘云端聯(lián)動本地’（Cloud-to-Edge）。云端負責極其復雜的意圖拆解和知識檢索，而本地 NPU 負責對隱私敏感、高實時性的交互指令。‘全本地化推理’是保護車主隱私的最后一道防線。”

阿里巴巴智能座艙負責人 胡曉露

1. “我們認為，下一代座艙交互引擎必須是‘原生全模態(tài)（Native Omni）’。這意味著 AI 不再是把語音轉(zhuǎn)成文字再理解，而是直接處理原始的音頻流、視覺流。‘零延遲的感官對齊’是消除人機溝通‘電子味’的關(guān)鍵。”

2. “智駕大模型和座艙大模型不應該有兩個‘大腦’。Qwen3-Omni 嘗試做的是語義空間的大一統(tǒng)——當車看到障礙物時，它對物理世界的理解應該能直接同步給座艙助理，實現(xiàn)真正的‘所見即所言’。”

中科創(chuàng)達AI CTO 段崇智

1. “目前的端到端模型依然面臨‘理解力’瓶頸。我們提出的‘多模態(tài)端到端世界模型’，本質(zhì)上是給 AI 裝上一個物理常識庫。它讓系統(tǒng)具備了‘想象未來’的能力，而不僅僅是根據(jù)歷史數(shù)據(jù)做概率預測。”

2. “‘感知與規(guī)控的強耦合’是不可逆的趨勢。 只有當感知模型本身就帶有‘世界常識’，規(guī)控才能做出超越規(guī)則的預判決策。”

黑芝麻智能CTO 顧強

1. “端到端架構(gòu)的演進正在倒逼芯片設(shè)計發(fā)生質(zhì)變。傳統(tǒng)的加速邏輯已經(jīng)不夠用了，我們需要的是針對‘大模型推理延遲’進行深度優(yōu)化的新一代總線架構(gòu)。”

2. “智能融合的下半場是‘跨域的高效流動’。如何讓智駕數(shù)據(jù)和座艙數(shù)據(jù)在同一個芯片平臺上低損耗地共享內(nèi)存？這不僅是軟件問題，更是底層半導體結(jié)構(gòu)的‘效率博弈’。”

最真誠的智能汽車報道