英伟达推出Vera Rubin芯片与OpenClaw策略重塑智能体产业链

硅谷坐标 x CASPA副会长Jimmy Cheng：GTC回顾-AI时代英伟达的护城河 — Silicon Valley Vector 硅谷坐标

Silicon Valley Vector 硅谷坐标

智能体时代的到来将推理市场推向以SRAM为中心的芯片架构变革，迫使四大科技巨头砸下6500亿美元资本开支通过自研定制芯片来摆脱对英伟达的依赖。

AI-assisted summary of 硅谷坐标 x CASPA副会长Jimmy Cheng：GTC回顾-AI时代英伟达的护城河 — original source. Check the original for full context.

Source published:

Detailed notes

## Background 该视频由 YouTube 频道《硅谷坐标 Silicon Valley Vector》于 2026 年 3 月 25 日发布，内容为节目主持人曹卿云对华美半导体协会副会长、新思科技（Synopsys）战略部负责人程暨杨（Jimmy Cheng）的专访。视频聚焦于 2026 年 GTC 大会的重点回顾，深入拆解了智能体（Agent）时代下英伟达的战略格局与系统级护城河。

## TL;DR 本期访谈全面剖析了黄仁勋在 GTC 大会上宣告以 OpenClaw 引领 Agent 新纪元后，英伟达从芯片商向“五层全栈”系统解决方案商的彻底转型。面对推理市场的全面爆发与 SRAM-Centric 架构的崛起，全球科技巨头正砸下 6500 亿美元的年资本开支推进芯片自研与 UA-Link 开放标准的建立。同时，新思科技等 EDA 巨头凭借“硅验证”筑起坚固护城河，AI 辅助设计虽迎来爆发，但硬件工程师因行业“零容忍”的特性依然不可替代，而行业未来的终极挑战则直指具身智能中跨越“仿真与现实（Sim-to-Real）”的巨大鸿沟。

## Atmosphere & style 这场对谈散发着硅谷科技最前沿的硬核专业感与敏锐的投资洞察力，整体基调理性、深刻且充满对未来的前瞻性激荡。主持人提问直击行业痛点，嘉宾的拆解则如手术刀般精准，将复杂的芯片架构、产业链利润博弈以及企业巨额开支的数字，转化为逻辑严密的行业图景。在探讨程序员就业寒冬与硬件工程师“免死金牌”的对比时，流露出一种脚踏实地的行业温情；而在展望物理 AI 及未来费曼芯片的宏大叙事时，又带给听众一种正站在时代浪尖、见证科技巨头诸神之战的澎湃与紧迫感。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=yOO4iWMscQM&t=0s) 本届GTC大会上，黄仁勋宣布OpenClaw已成为最受欢迎的开源项目，成长速度超越Linux，英伟达顺势推出NemoCloud以满足企业级安全与隐私需求。 - [00:00](https://www.youtube.com/watch?v=yOO4iWMscQM&t=0s) 推理成为大会高频词，英伟达推出针对推理设计的Vera Rubin架构及LPU协同作业方案，并提出以“Tokenomics”（每瓦特Token产出）为核心的全新AI工厂指标。 - [00:00](https://www.youtube.com/watch?v=yOO4iWMscQM&t=0s) 英伟达通过打通硬件、CUDA生态、Mellanox网络通信、自研大模型及应用层的“五层全栈能力”，将其定位从芯片供应商彻底拔高为系统解决方案供应商，构筑了坚不可摧的系统级护城河。 - [07:28](https://www.youtube.com/watch?v=yOO4iWMscQM&t=448s) 随着英伟达凭借全套系统和DGX Blueprint主导半导体产业链，传统IT巨头的网络设备市场遭蚕食，各大OEM厂商失去主板设计主动权，整条产业链的绝大部分超额利润被英伟达独吞。 - [07:28](https://www.youtube.com/watch?v=yOO4iWMscQM&t=448s) 英伟达大力推行开源模型和自研Nemotron的深层考量在于：催生模型军备竞赛以缩短硬件换代周期、将生成式AI平民化以拉动硬件销售、扶持国际开源对抗中国开源生态，以及增强CUDA开发者飞轮。 - [12:03](https://www.youtube.com/watch?v=yOO4iWMscQM&t=723s) 模型开源加速了芯片定制化，智能体时代的到来宣告推理时代全面爆发，并将底层芯片设计推向以SRAM-Centric（以SRAM为中心）的架构，主打低延迟响应。 - [12:03](https://www.youtube.com/watch?v=yOO4iWMscQM&t=723s) 由于硬件物理极限限制，单芯片模式已走到尽头，未来通过3D IC技术将大量SRAM直接层叠、折叠在GPU或主芯片之上已成为不可逆转的技术趋势，初创公司如Cerebras以及英伟达LPU都在走此路线。 - [16:10](https://www.youtube.com/watch?v=yOO4iWMscQM&t=970s) 谷歌TPU在Gemini 3.0的训练与推理中表现惊艳且完全脱离英伟达GPU，向全行业证明英伟达并非不可战胜，同时亚马逊、Meta等也在全速推进自研芯片。 - [16:10](https://www.youtube.com/watch?v=yOO4iWMscQM&t=970s) 2026年北美四家科技巨头（亚马逊、谷歌、Meta、微软）的年资本开支（CapEx）总和高达6500亿美元，其中至少50%用于芯片，为降低单片成本及实现软硬件协同设计，大厂自研芯片势在必行。 - [19:50](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1190s) 新思科技（Synopsys）等巨头的护城河在于商业IP的“Silicon Proven（硅验证）”及高昂的流片沉没成本，非AI短时间内能抹平；Synopsys还推出了融合英伟达算力的L4级别AI智能体工程师工具。 - [19:50](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1190s) 硬件/芯片设计是一个对Bug“零容忍”的行业，必须有“人类在环”把关，加之芯片迭代周期大幅缩短导致工作量翻倍，因此硬件工程师短期内绝不会面临类似程序员的失业危机。 - [24:09](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1449s) AI在芯片设计中虽能提升PPA并大量取代繁琐验证，但业内对“全黑箱自主操作”保持高度审慎，验证过程每一步的确定性证据都不可或缺。 - [24:09](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1449s) 当前半导体行业最亟待解决的瓶颈是Physical AI中的“Sim-to-Real Gap”（仿真与现实的巨大差距），英伟达规划在2028年推出专为机器人量身定制的Feynman芯片（台积电1.6nm工艺）。 - [24:09](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1449s) 跨越Sim-to-Real的挑战主要集中在实时物理引擎的模拟偏差、实时传感器处理的确定性（低延迟）以及实时的数字孪生瞬间模拟能力，这需要底层芯片、软件与机械结构的深度联合创新。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=yOO4iWMscQM&t=0s) GTC大幕拉开：OpenClaw 引领 Agent 新纪元与英伟达的系统级转型

本届 GTC 大会上，黄仁勋激情宣告 OpenClaw 已成为人类历史上最受欢迎的开源项目，其成长速度甚至超越了过去 30 年的 Linux。在具身智能与智能体（Agentic AI）时代，OpenClaw 正扮演着核心角色。面对企业级客户对安全和隐私的刚性需求，英伟达顺势推出了 NemoCloud，将企业级安全与隐私标准直接标定在 OpenClaw 之中。黄仁勋做出大胆预测：正如过去每位 CEO 都必须具备 Linux 策略一样，未来每一位 CEO 也都将拥有自己的 OpenClaw 策略。

与此同时，推理（Inference）成为了整场大会的绝对高频词，黄仁勋在演讲中提及不下 36 次。为此，英伟达推出了专门针对推理设计的新产品 Vera Rubin 架构，并展示了 LPU（语言处理单元）如何与 Vera Rubin 协同作业。更为颠覆的是，大会提出了一个关于 AI 工厂（AI Factory）的全新指标——“Tokenomics”（Token经济学），即在数据中心特定功率下，每瓦特能产出多少 Token。以此为核心，英伟达将自身定位从单纯的“显卡/芯片供应商”彻底拔高为“系统解决方案供应商”。

黄仁勋调侃道：“以前买我们显卡的人都是父母（买给孩子打游戏），现在买显卡的则是开发者（Developer）和研究员（Researcher）。”英伟达的系统化布局是一步步踩实出来的： - 1999 年：开发 GeForce 奠定硬件基础； - 2016 年：推出 CUDA 架构，建立庞大的软件生态（目前已有 700 万开发者体系）； - 2020 年：收购 Mellanox，打通高速网络通信； - 2024 年：自研大模型 Nemotron。

这种涵盖能源管理（散热、液冷、供电）、基础设施（InfiniBand 编织网络）、底层芯片（GPU、CPU、LPU）、模型层（Nemotron、Anthropic、ChatGPT）以及应用层（Omniverse）的“五层全栈能力”，构筑了其坚不可摧的“系统级护城河”。现在的竞争对手如果单想凭一款“性能快 10 倍的芯片”去挑战英伟达已绝无可能，因为你不仅要在性能上胜出，还必须在总拥有成本（TCO）上更低，并完美兼容英伟达深厚的软件生态。

---

[07:28](https://www.youtube.com/watch?v=yOO4iWMscQM&t=448s) 产业链利润的重新分配与英伟达推广开源模型的深层考量

随着英伟达从芯片公司晋升为坐拥全套系统的霸主，整个半导体产业链的议价权与利润分配正发生剧烈位移。目前英伟达旗下拥有多达 7 款芯片，甚至连原本属于思科（Cisco）、惠普（HP）或戴尔（Dell）等传统 IT 巨头的网络设备市场，也被英伟达的 NVSwitch 等产品蚕食。更关键的是，英伟达推出了 DGX Blueprint（蓝图标准），各大 OEM 厂商失去了原本自主设计主板的主动权，被迫成为必须严格遵循英伟达蓝图的“打工人”。虽然作为英伟达的供应商利润颇丰，但同时也面临着英伟达未来引入“双源采购（Double Sourcing）”来分摊供应链风险的隐忧。可以说，整条产业链绝大部分的超额利润都被英伟达一家独吞。

让人意外的是，英伟达不仅做闭源生态，还在大力推行开源模型。黄仁勋亲自下场主持圆桌论坛，聚合主流开源力量，并推出了自研的 Nemotron 开源模型。这一反常举动背后有着深刻的战略考量： - **催生模型军备竞赛**：英伟达的核心利益在于模型厂商的不停迭代。开源模型的强大能给 OpenAI、Anthropic 等头部闭源大厂带来巨大的竞争压力，逼迫它们加快 frontier model（前沿模型）的研发步调，从而缩短硬件更新换代的周期。 - **将生成式 AI 平民化以拉动硬件销售**：当 Salesforce 或 ServiceNow 等 B 端巨头选择使用免费的开源模型时，他们省下的 Token 费用将转化为真金白银去购买英伟达的服务器和芯片。 - **地缘政治制衡**：目前最优秀的开源模型梯队中，不乏像 DeepSeek、Kimi（暗物智能等）这些来自中国的顶尖玩家。由于出口限制，这些中国模型极有可能在非英伟达的硬件上跑起来。英伟达需要扶持强有力的国际开源模型去对抗中国开源生态。 - **增强 CUDA 开发者飞轮**：通过开源模型进一步将数以百万计的开发者牢牢绑定在自己的软硬件生态内。

---

[12:03](https://www.youtube.com/watch?v=yOO4iWMscQM&t=723s) 推理市场的全面爆发与 SRAM-Centric 芯片架构的崛起

针对“开源模型是否会加速芯片定制化”这一行业疑问，答案是肯定的。模型开源意味着权重（Weights）完全公开，各大企业更容易针对特定权重定制加速器。在巨大的资本开支（CapEx）压力下，为了摆脱对英伟达的过度依赖，各大科技巨头势必会走上自研定制芯片（Custom Chip）的道路。加之推理市场（Inference）的大爆发，市场规模足够大，自然会吸引无数初创公司涌入这条定制化赛道。

智能体（Agent）时代的到来，正式宣告了推理时代的开启，并彻底颠覆了底层的芯片设计哲学，将其推向 **SRAM-Centric（以 SRAM 为中心）** 的架构。与当前被炒得供不应求、主打大容量但速度相对慢的 HBM（高带宽内存）不同，SRAM 的特点是“容量小、速度极快”。推理阶段不需要像训练那样搬运海量吞吐的数据，而是需要极高、极即时的延迟响应（Latency）。

这一趋势直接引爆了新型微架构的发展： - **初创巨头 Cerebras**：近期拿下了 OpenAI 高达 100 亿美元的超级大单。其芯片体积硕大如 iPad，上面密密麻麻集成了海量的 SRAM。 - **LPU（语言处理单元）的逆袭**：英伟达此前斥资 200 亿美元收购了 Groq 团队并迅速进行系统整合。在 LPU 的芯片设计中，每个芯片都挂载了 500MB 的 SRAM。在英伟达售卖的包含 192 个 LPU 的超级系统（LPX）中，整体 SRAM 的容量达到了极其恐怖的规模。

在硬件物理极限面前，单芯片（Single-Chip）模式已经走到尽头。从 Hopper 时代走向 Blackwell，芯片体积已经大到必须分裂成两块芯片再进行互联。因此，未来通过 3D IC（三维集成电路）技术将大量的 SRAM 直接层叠、折叠在 GPU 或主芯片之上，已成为不可逆转的技术趋势。

---

[16:10](https://www.youtube.com/watch?v=yOO4iWMscQM&t=970s) 未来推理芯片的诸神之战与科技巨头的 6500 亿巨额开支

展望未来的推理芯片格局，谷歌（Google）的 TPU 绝对是一个无法忽视的头号玩家。TPU 是一款针对 TensorFlow 框架量身定制的芯片，其在 Gemini 3.0 的惊艳表现中彻底证明了自己——Gemini 3.0 所有的训练和推理全部跑在谷歌自研的 TPU 上，完全没有使用英伟达的 GPU。这一强烈的信号向全行业证明：英伟达并非不可战胜。

除了谷歌，其他北美大厂也都在全速推进自研芯片： - **亚马逊（AWS）**：自研的推理芯片 Inferentia 在实际落地中表现颇佳。 - **Meta**：正在全力研发其 MTIA 芯片，虽然目前尚处早期，但迭代速度极快。

现在华尔街分析师在科技大厂的财报电话会议上，关心的首要问题不再是营收或 EPS，而是 **CapEx（资本开支）**。从 2026 年的数据来看： - 亚马逊（Amazon）：2000 亿美元 - 谷歌（Google）：1850 亿美元 - Meta：1350 亿美元 - 微软（Microsoft）：1000 亿美元

这四家巨头的年资本开支总和高达 6500 亿美元，甚至超过了许多发达国家的 GDP。而这笔巨资中至少有 50% 砸在了芯片上。面对如此恐怖的资金黑洞，大厂为了降低长期的单片成本，除了自研芯片别无选择。更重要的是，自研芯片可以实现“硬件与软件模型的高效协同设计（Hardware-Software Co-Design）”，达到极致的算力利用率。

未来将是一个由英伟达、谷歌以及各大厂自研芯片交织的“多元化环境”。正如业界近期为了对抗英伟达封闭的 NV-Link 协议，联合推出了开放格式的 **UA-Link** 标准一样，未来的数据中心和生态必将走向开放与多元并存的格局。

---

[19:50](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1190s) AI 时代新思科技（Synopsys）的坚固护城河与硬件工程师的“免死金牌”

针对“AI 是否会让芯片 IP 的设计门槛大幅降低，从而削弱巨头优势”的质疑，新思科技（Synopsys）作为全球第一大 EDA 公司、第一大物理仿真公司及第二大 IP 公司，给出了有力的回应。一个商业 IP 真正的核心价值，不在于其 RTL 代码写得有多漂亮，而在于 **Silicon Proven（硅验证）**。一个顶级的 IP 往往在实际流片（Tape-out）中成功验证过 300 到 500 次，这种高昂的时间与沉没成本绝非 AI 依靠图纸或代码在短时间内能抹平的。

在 Synopsys Converge 大会上，公司宣布推出了 **L4 级别的 AI 智能体工程师（L4 Agentic Engineer）工具**。该工具融合了英伟达的 AI GPU 算力，用 AI 辅助设计 AI 芯片。黄仁勋在大会上对此兴奋不已，直言未来世界将会涌现爆发式增长的 Agent 工程师，他们都将成为该工具的拥趸。

至于硬件工程师是否会像软件工程师那样面临严重的失业危机（当前遭遇了 1986 年 PC 普及以来最惨淡的程序员就业市场），行业普遍持乐观态度。软件写出 Bug，第二天推一个补丁（Patch）到云端即可解决；而硬件/芯片设计是一个 **“零容忍（Zero Tolerance）”** 的行业。芯片一旦流片出现 Bug，千万美元的投资直接打水漂，这就决定了它必须有“人类在环（Human Over the Loop）”的严格把关。此外，半导体行业正处于严重的人才荒中，随着英伟达将芯片迭代周期从 Hopper 到 Blackwell 的两年，压缩到 Blackwell 到 Rubin 的一年，硬件工程师的工作量和紧迫度直接翻倍。因此，短期内硬件工程师绝不会面临程序员那样的替代危机，AI 替代的只是重复性的手工劳作，反而会将人类解放到更有价值的创新岗位上。

---

[24:09](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1449s) AI 芯片设计的边界与具身智能（Physical AI）的最后一公里

在谈到 AI 设计芯片的终极形态时，业内专家对“全黑箱自主操作（Full Autonomous）”保持高度审慎。在过去的七八十年里，AI 在软件和 EDA 后端中其实早就扮演了重要角色，在架构设计、验证、综合以及后端 Sign-off 等各个环节，AI 的介入成功让芯片的 PPA（功耗、性能、面积）提升了 10% 到 15%。虽然目前的 L4 级 Agent 工具正在大量取代传统的人工验证和繁琐 Menu，但芯片设计绝不能容忍黑箱操作，验证过程每一步的确定性证据都不可或缺。

最后，本次 GTC 暴露出整个半导体行业目前最被忽视、也最亟待解决的瓶颈，即 **Physical AI（物理 AI/具身智能）中的 “Sim-to-Real Gap”（仿真与现实的巨大差距）**。英伟达规划在 2028 年推出的 Feynman（费曼）芯片，正是基于台积电 1.6nm 工艺、专门为 Physical AI（机器人）量身定制的。一个完整的机器人系统包含芯片、大模型、传感器（Sensor）以及执行器（Actuator）。

目前，跨越 Sim-to-Real 的挑战主要集中在以下三个方面： - **实时物理引擎（Real-time Physics Engine）**：如果机器人在仿真中能用特定的力道和角度抓起杯子，但在现实中因为对重力（Gravity）等细微物理法则的模拟偏差而失败，这就是Gap。这需要芯片具备强大的即时物理运算能力。 - **实时传感器处理的确定性（Deterministic）**：摄像头、激光雷达（LiDAR）等传感器回传的数据需要以极低的延迟进行实时处理。运算必须具备强确定性，说 3 秒完成就必须 3 秒完成，晚一秒钟杯子可能就摔碎了。 - **实时的数字孪生（Real-time Digital Twin）**：在物体跌落或动作发生前，系统必须在虚拟世界中瞬间完成 100 次乃至上万次全方位的模拟。

要 Close（合拢）这一技术差距，单靠软件无能为力，必须依赖底层芯片硬件与软件、机械结构的深度联合创新。未来已近在咫信，跨越现实的最后一公里，正是下一代芯片巨头们的兵家必争之地。

## Notable quotes > [00:00](https://www.youtube.com/watch?v=yOO4iWMscQM&t=0s) 正如过去每位 CEO 都必须具备 Linux 策略一样，未来每一位 CEO 也都将拥有自己的 OpenClaw 策略。 — 黄仁勋

> [00:00](https://www.youtube.com/watch?v=yOO4iWMscQM&t=0s) 以前买我们显卡的人都是父母（买给孩子打游戏），现在买显卡的则是开发者（Developer）和研究员（Researcher）。 — 黄仁勋

> [00:00](https://www.youtube.com/watch?v=yOO4iWMscQM&t=0s) 现在的竞争对手如果单想凭一款“性能快 10 倍的芯片”去挑战英伟达已绝无可能，因为你不仅要在性能上胜出，还必须在总拥有成本（TCO）上更低，并完美兼容英伟达深厚的软件生态。

> [07:28](https://www.youtube.com/watch?v=yOO4iWMscQM&t=448s) 各大 OEM 厂商失去了原本自主设计主板的主动权，被迫成为必须严格遵循英伟达蓝图的“打工人”。

> [07:28](https://www.youtube.com/watch?v=yOO4iWMscQM&t=448s) 当 Salesforce 或 ServiceNow 等 B 端巨头选择使用免费的开源模型时，他们省下的 Token 费用将转化为真金白银去购买英伟达的服务器和芯片。

> [12:03](https://www.youtube.com/watch?v=yOO4iWMscQM&t=723s) 智能体（Agent）时代的到来，正式宣告了推理时代的开启，并彻底颠覆了底层的芯片设计哲学，将其推向 SRAM-Centric（以 SRAM 为中心）的架构。

> [16:10](https://www.youtube.com/watch?v=yOO4iWMscQM&t=970s) 这一强烈的信号向全行业证明：英伟达并非不可战胜。

> [16:10](https://www.youtube.com/watch?v=yOO4iWMscQM&t=970s) 这四家巨头的年资本开支总和高达 6500 亿美元，甚至超过了许多发达国家的 GDP。而这笔巨资中至少有 50% 砸在了芯片上。

> [19:50](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1190s) 一个商业 IP 真正的核心价值，不在于其 RTL 代码写得有多漂亮，而在于 Silicon Proven（硅验证）。

> [19:50](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1190s) 软件写出 Bug，第二天推一个补丁（Patch）到云端即可解决；而硬件/芯片设计是一个“零容忍（Zero Tolerance）”的行业。

> [19:50](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1190s) 短期内硬件工程师绝不会面临程序员那样的替代危机，AI 替代的只是重复性的手工劳作，反而会将人类解放到更有价值的创新岗位上。

> [24:09](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1449s) 芯片设计绝不能容忍黑箱操作，验证过程每一步的确定性证据都不可或缺。

> [24:09](https://www.youtube.com/watch?v=yOO4iWMscQM&t=1449s) 要 Close（合拢）这一技术差距，单靠软件无能为力，必须依赖底层芯片硬件与软件、机械结构的深度联合创新。

## Mentioned 黄仁勋, 曹卿云, 程暨杨, Jimmy Cheng, 华美半导体协会, CASPA, Synopsys, 新思科技, OpenClaw, Linux, NemoCloud, Vera Rubin, LPU, GeForce, CUDA, Mellanox, Nemotron, Anthropic, ChatGPT, Omniverse, Blackwell, Hopper, Cisco, HP, Dell, NVSwitch, DGX Blueprint, OpenAI, Salesforce, ServiceNow, DeepSeek, Kimi, SRAM, HBM, Cerebras, Groq, LPX, 3D IC, Google, TPU, TensorFlow, Gemini 3.0, Amazon, Inferentia, Meta, MTIA, Microsoft, UA-Link, Feynman, 台积电, Physical AI

[Source](https://www.youtube.com/watch?v=yOO4iWMscQM)

中文简报

英伟达推Vera Rubin与OpenClaw重塑智能体产业链 智能体时代的到来将推理市场推向以SRAM为中心的芯片架构变革，迫使四大科技巨头砸下6500亿美元资本开支通过自研定制芯片来摆脱对英伟达的依赖。 本期访谈全面剖析了黄仁勋在GTC大会上宣告以OpenClaw引领Agent新纪元后，英伟达从芯片商向“五层全栈”系统解决方案商的彻底转型。面对推理市场的全面爆发与SRAM-Centric架构的崛起，全球科技巨头正砸下6500亿美元年资本开支推进芯片自研与UA-Link开放标准的建立。同时，新思科技等EDA巨头凭借“硅验证”筑起坚固护城河，AI辅助设计虽迎来爆发，但硬件工程师因行业“零容忍”特性依然不可替代，而行业未来的终极挑战则直指具身智能中跨越“仿真与现实（Sim-to-Real）”的巨大鸿沟。 本届GTC大会上，黄仁勋宣布OpenClaw成长速度超越Linux，英伟达顺势推出NemoCloud并发布专为推理设计的Vera Rubin架构与LPU协同方案，提出以“Tokenomics”（每瓦特Token产出）为核心的新指标。 (0:00) 英伟达凭借涵盖硬件、CUDA、高速网络、自研模型及应用层的“五层全栈能力”构筑系统级护城河，主导产业链并吞下大部分超额利润；其力推开源模型旨在加剧模型军备竞赛以缩短硬件换代周期并强化开发者绑定。 (7:28) 智能体时代引爆推理需求，底层芯片转向强调极低延迟的以SRAM为中心（SRAM-Centric）架构，突破单芯片物理极限的3D IC技术成为必然趋势，Cerebras及英伟达LPU均在此路线上发力。 (12:03) 谷歌TPU在Gemini 3.0全流程中的惊艳表现证明英伟达并非不可战胜；面对北美四大科技巨头年达6500亿美元的CapEx压力，各大厂加速自研芯片并联合推出开放的UA-Link标准，未来推理市场将走向多元化。 (16:10) 新思科技推出L4级AI智能体工具，但芯片流片对Bug零容忍的特性决定硬件工程师仍需在环把关；此外，英伟达针对具身智能规划2028年推出Feynman芯片，重点攻坚“Sim-to-Real”的实时物理仿真与处理瓶颈。 (19:50)

Reading summary

英伟达在 GTC 大会上展现了从单一芯片供应商向“系统解决方案供应商”的彻底转型，依托五层全栈生态和开源策略重塑产业链利润；与此同时，推理时代的爆发与科技巨头自研芯片的浪潮，正驱动底层硬件架构向 SRAM 与具身智能方向快速演进。 五层全栈能力构筑系统级护城河与产业链重构 (0:00) 英伟达正摆脱单纯的芯片厂商标签，构建起涵盖能源管理（散热、液冷、供电）、基础设施（InfiniBand 网络）、底层芯片（GPU、CPU、LPU）、模型层（自研 Nemotron 等）以及应用层（Omniverse）的五层全栈能力。黄仁勋在会上将数据中心指标锚定为“每瓦特产出多少 Token”的 Tokenomics。凭借 700 万 CUDA 开发者生态与软硬件深度整合，英伟达使得竞争对手难以仅凭单点芯片性能实现替代，对手还需在总拥有成本（TCO）与软件兼容性上展开竞争。 这种系统主导权深刻改变了半导体产业链的利润分配。英伟达通过推出 DGX Blueprint 等标准，使传统 OEM 厂商失去了自主设计主板的主导权，逐渐沦为执行蓝图的组装角色，网络设备巨头的固有市场也遭到 NVSwitch 等产品蚕食。尽管供应商获利可观，但也面临英伟达未来引入双源采购以分散风险的潜在挑战，整条链条的大部分超额利润正高度向英伟达集中。 大力推行开源模型的深层商业与地缘考量 (7:28) 除维护闭源壁垒外，英伟达反常地大力扶持开源生态，不仅推出自研开源模型 Nemotron，还积极拉拢开源力量。这一策略旨在通过增强开源模型实力，向 OpenAI、Anthropic 等闭源头部施压，迫使其加快前沿模型研发节奏，从而缩短底层硬件更新周期。同时，当企业使用免费开源模型节省 Token 成本后，往往会将预算转化为购买英伟达算力硬件的资本开支。 地缘政治与生态绑定也是关键动因。面对 DeepSeek、Kimi 等中国顶尖开源玩家在受出口管制限制下可能转向非英伟达硬件的现状，英伟达试图通过扶持国际开源力量形成对抗。此外，开源模型能够进一步强化 CUDA 开发者的飞轮效应，将庞大的开发者群体持续锁定在英伟达软硬件生态内。 推理市场爆发催生 SRAM 架构与巨头自研竞赛 (12:03) 随着智能体时代推动推理需求全面爆发，底层芯片设计哲学正从依赖大容量但速度较慢的 HBM，转向追求极低延迟响应的“以 SRAM 为中心”（SRAM-Centric）架构。由于推理不需要海量吞吐数据搬运，初创公司与大厂纷纷调整路径：Cerebras 拿下了 OpenAI 100 亿美元大单，其晶圆级芯片集成了海量 SRAM；英伟达此前斥资 200 亿美元收购 Groq 团队，其整合后的 LPU 单片挂载 500MB SRAM，并在 192 颗 LPU 构成的 LPX 系统中形成超大规模 SRAM 池。在单芯片逼近物理极限的背景下，通过 3D IC 技术将 SRAM 层叠在主芯片上已成为技术趋势。 面对高昂的资本开支压力，科技大厂加速推进自研定制芯片。2026 年亚马逊（2000 亿美元）、谷歌（1850 亿美元）、Meta（1350 亿美元）与微软（1000 亿美元）四家巨头的资本开支总和预计高达 6500 亿美元，其中至少半数投向芯片。谷歌的 Gemini 3.0 已完全脱离英伟达 GPU、全量在自研 TPU 上完成训练与推理；亚马逊的 Inferentia 与 Meta 的 MTIA 亦在快速迭代。业界还联手推出开放的 UA-Link 标准以抗衡封闭的 NV-Link，未来算力格局将朝软硬件协同设计的多元化生态演进。 物理验证护城河与具身智能的现实差距 (19:50) 尽管新思科技（Synopsys）等 EDA 巨头推出了融合 GPU 算力的 L4 级 AI 智能体工具以提升芯片 PPA，但 AI 并未削弱其商业 IP 护城河。商业 IP 的核心价值建立在经历过 300 到 500 次流片验证的“硅验证”（Silicon Proven）积累之上。由于芯片流片失败代价极高，硬件工程具备“零容忍”特征，必须保持“人类在环”把关，加之芯片架构迭代周期压缩至一年引发的人才荒，硬件工程师短期内不会面临程序员式的替代危机。 行业下一阶段的严峻瓶颈在于具身智能（Physical AI）中的“仿真与现实差距”（Sim-to-Real Gap）。英伟达为此规划了将于 2028 年基于台积电 1.6nm 工艺推出的 Feynman 芯片。跨越这一差距要求芯片在极低延迟下具备强确定性的传感器数据处理能力、实时物理引擎运算能力，以及动作发生前瞬间完成上万次模拟的实时数字孪生能力，必须依靠底层硬件、软件与机械结构的联合突破。 英伟达凭借软硬件全栈集成在当下牢固把控着 AI 产业价值，但推理时代的架构转变、北美巨头 6500 亿美元开支压力下的去垄断自研浪潮，以及具身智能对实时物理计算提出的严苛硬件要求，正使未来的算力竞争逐步走向开放协议与异构定制并存的新阶段。

Source quotes

[0:00] 黄仁勋: 正如过去每位 CEO 都必须具备 Linux 策略一样，未来每一位 CEO 也都将拥有自己的 OpenClaw 策略。 [0:00] 黄仁勋: 以前买我们显卡的人都是父母（买给孩子打游戏），现在买显卡的则是开发者（Developer）和研究员（Researcher）。 [0:00] 现在的竞争对手如果单想凭一款“性能快 10 倍的芯片”去挑战英伟达已绝无可能，因为你不仅要在性能上胜出，还必须在总拥有成本（TCO）上更低，并完美兼容英伟达深厚的软件生态。 [7:28] 各大 OEM 厂商失去了原本自主设计主板的主动权，被迫成为必须严格遵循英伟达蓝图的“打工人”。 [7:28] 当 Salesforce 或 ServiceNow 等 B 端巨头选择使用免费的开源模型时，他们省下的 Token 费用将转化为真金白银去购买英伟达的服务器和芯片。 [12:03] 智能体（Agent）时代的到来，正式宣告了推理时代的开启，并彻底颠覆了底层的芯片设计哲学，将其推向 SRAM-Centric（以 SRAM 为中心）的架构。 [16:10] 这一强烈的信号向全行业证明：英伟达并非不可战胜。 [16:10] 这四家巨头的年资本开支总和高达 6500 亿美元，甚至超过了许多发达国家的 GDP。而这笔巨资中至少有 50% 砸在了芯片上。 [19:50] 一个商业 IP 真正的核心价值，不在于其 RTL 代码写得有多漂亮，而在于 Silicon Proven（硅验证）。 [19:50] 软件写出 Bug，第二天推一个补丁（Patch）到云端即可解决；而硬件/芯片设计是一个“零容忍（Zero Tolerance）”的行业。 [19:50] 短期内硬件工程师绝不会面临程序员那样的替代危机，AI 替代的只是重复性的手工劳作，反而会将人类解放到更有价值的创新岗位上。 [24:09] 芯片设计绝不能容忍黑箱操作，验证过程每一步的确定性证据都不可或缺。 [24:09] 要 Close（合拢）这一技术差距，单靠软件无能为力，必须依赖底层芯片硬件与软件、机械结构的深度联合创新。

Original transcript

[0:00] Welcome to GTC! OpenClaw is the number one, it's the most popular open source project in the history of humanity. It exceeded what Linux did in 30 years. This is your AI factory. This is your revenues. There's no question about that going forward. And so this is the throughput. This is the intelligence. Better per watt for a given power of data center, the more throughput, the more tokens you could produce. On this side is cost. Notice NVIDIA is the highest performance in the world. Nobody would be surprised by that. You can use a smartphone with 10倍 of the speed. Today you want to compete with NVIDIA. It's not a smartphone with 10倍 of the speed. You have to be more than TCO, and you have to be more than the software. So this system-wise has a huge effect. Can the machine mode be more than the way to the machine The machine mode is more than the way to the machine mode The influence is from the Kwan drive the market demand influence market但 market 越大player 也多了那更多的小的 startup 这些会 jump 进来来开发自己的 custom chip 的路线请不吝点赞 订阅 转发 打赏支持明镜与点点栏目王仁勋这次说OpenCloud是由起来最伟大的软件之一它的发展的成长率已经超过了Linux和Guberty Source System of Agenic AI就是它的security它的安全和隐私针对这个方面黄仁勋也宣布了NemoCloudNemoCloud就是把Enterprise Security安全和隐私来标定在OpenCloud里面然后这样适合于企业来用他认为以后的每个CEO都会有一个OpenCloud的策略就像以前每个CEO都会有一个Linux的策略一样所以OpenCloud在整个Agenic AI是非常核心的一个地位第二点就是InferenceInference他提了不下36次他与此也推出他的新的产品Vera Rubin这是针对Inference来设计的同时LPU从QRUG3的也可以和Vair Rubin一起合作运用最后一点我想说的就是Tokenomics这是一个新的Term叫做Token Economic of Agenic AI Factory Factory per watts所以这是一个升华今年可以说是OpenCloud开启了一个新的时代我们也看到了OpenCloud对于整个软件硬件甚至对于整个社会都产生了深远的影响那我们今天也想重点谈一谈就是OpenCloud的Agent时代对于半导体行业特别是英伟达的一个影响黄仁勋在他的主旨演讲里面提到了英伟达已经不再是一个卖芯片的公司而是一个AI工厂这样的一个概念他把自己从一个AI芯片的供应商的一个角色提升到了一个系统解决方案的供应商你觉得这样的一个转变对他的护城河来说是加强了还是减弱了这是很好的一个问题AI Factory那它是个产生token的一个data center那它有几个层面呢那第一层是Energy第二层Infrastructure第三层是CHIP第四层是Model第五层是Application那每一层都会有它相对的东西Application上是有Omniverse那Model层那这次它发布Nemotron然后以及包括像其他的大Model从Andropic和ChatGPT [5:00] 这些都是Model层面的还有就是InfrastructureInfinity Bitband都是InfrastructureChip当然GPU CPU LPU这是非常重要LPU特别是被Inference设计的Energy包括Power Delivery以及Heat Exchange怎么样处理的Heat管理等等所以你觉得在GPU和CUDA的生态基础上这些所有的不同的这些layers包括这个比如说存储的新架构还有供电还有这个高速网络通信还有夜冷是不是这些新的架构都其实是增强了它的互乘核增强它的竞争力你说对了是它对这方面增强了非常大的竞争力那我们看到两个趋势第一个趋势就是芯片公司开始做系统那还有个趋势就是系统公司做芯片最好的example就是苹果和特斯拉早期的苹果手机芯片不是自己研发的而是三星研发的到了第几代以后才是苹果逐渐把自己研发的芯片放在iPhone里面同样特斯拉也是特斯拉开始自动驾驶芯片是Mobilei做的第二代是NVIDIA做的,第三代才到NVIDIA所以这是一个从系统公司做芯片的一个趋势,NVIDIA恰恰走的是另外一条方向,那就是从芯片公司走到系统化杰森黄也开了一个玩笑,他说以前买我们显卡的人都是父母,现在买显卡的是developer和research了当年1999年开发的GeForce它的第一批显卡然后2016年出的是Kuda然后之后2020年收购Mainalox它自研的Omniverse2024年出的是大模型Nemotron这些都是一步步走向系统化的步骤它这个系统已经很完善所以它的护城盒很坚固很加实所以一般人竞争对手如果想和NVIDIA竞争现在南上加南为什么以前也许你出一个芯片10倍的速度就够了今天你要和NVIDIA竞争不是一个芯片10倍的速度就够了你必须要比它的TCO还低你必须和它的软件兼容所以这个系统化造成了非常大的一个护城河的作用在这种新的系统架构下整个半导体产业的它的利润会怎么样重新分配溢价全会往哪边走现在NVN英伟达不光是一个芯片公司它也是个系统公司它拥有全套的系统英伟达现在有7个芯片很多芯片已经开始做不同的事像NVSwitch相当于Networker这个以前的供应商是像Cisco, HP,或者DAO英伟达也推出了DGX的一个Blueprint所有的像这种OEM厂商来说都必须要follow它的Blueprint了以前这些OEM还可以画一些主板但现在这个权力已经不在了必须要follow英伟达DGX这种方案来做事没有主动权它的supplier也是处在一个很被动的局面作为supply利润很高但是也存在NVIDIA做double sourcing的以后的risk所以其实在整个产业链来英伟达赚到了绝大部分的利润我们知道黄元勋这一次在助治演讲也讲到了现在的整个开源模型已经成为了第二大梯队仅次于OpenAI的第二大生态的玩家他自己亲自去主持了一个panel把主流的一些开源模型在一起然后做了一个研讨会那他自己也下场自己做了一个Nemotron的开源的模型而且也在上面做了这个open cloud他自己不光是要做一个软硬件公司也在做一个整个系统化的一个公司然后同时他还在大力的推广开源模型你觉得这背后的考量是什么那有几个原因第一他想把增加competitive pressure在cloud或在anthropic在open AI上面因为对他英伟达最有益的是model公司不停的研发新的model每一个model的出现带动了hardware的更新所以对他来说他最不想看到的事情就是model公司不出新的model或者换慢脚步虽然在frontier model大家都是努力的往前进但是他想把这个cycle冰得更短更快这是他的一个原因还有一个原因就是想把这个Genetic AI 平民化那 Open Source 大家都知道免费如果像 Salesforce 或 ServiceNow 这种公司如果用 Open Model那他唯一需要买的是 NVIDIA 的 Server而不是 Token所以对他来说是可以出现 [10:00] 进更多的 hardware 的销售第三个还有一个地缘政治的原因现在最理性的 Open Model包括 DeepSeek 还有 Coin这些 model 是在中国研发这些 model 很可能是用非 NVIDIA 的 hardware 的因为 NVIDIA 不能买到中国所以它必须有一个强有力的 Open Model来对抗中国的 Open Model所以他就自己研发了一个模特还有一个当然大家都知道的就是NVIDIA的策略Kuda已经有700万的开发者他想通过Open Source模特更加增强他的developer的Flywheel把他自己的竞争力更加加强所以这几点是为什么NVIDIA要开发Open Source模特开源模型的不断进步会使芯片走向更加的通用化还是更加的定制化这是很好的问题我觉得开源模型会触动定制化的芯片的发展那为什么这么说呢那如果把模型开源化以后那技术门槛来做相应的 hardware 更容易了因为模型是开源的那些 weight 都能看见针对这些 weight可以相对针对做不同的 accelerator所以这种是各大公司想做的事情第二个如果一旦开源化了像 Surface NowSalesforce 用的会很多Token 是免费但是他们还买了大量的芯片或大量的 server 从 NVIDIA最后很多公司也会被capx的逼迫下自己研发芯片所以自己研发芯片也会走custom chip这条路线第三看原话当然 drive the market因为 demand变大了Inference是黄文鑫所说的这是一个非常大的marketmarket越大player也多了更多的小的startup这些会降进来来开发自己的custom chip的路线刚刚也讲到今年是agents的元年你觉得这会对底层的芯片架构设计有一些提出什么样的新的要求Agent是推理的时代的开始推理的时代其实是 drive一个SRAN-centric的一个design的philosophySRAN-centric以前可能没怎么听过SRAN大家听过HBMHBM最近很火因为很多公司生产HBM的都供不应求但SRAN是恰恰我们所需要的一种memorySRAN特别快但是它的throughput比较少那就是量不大但是很快因influence不需要处理很多大量的data但是要处理非常快的data所以为什么这个是Drive SRAN-centric computing所以我们为什么看到很多新兴的公司像Cerber最近OpenAI给他10 billion dollar的一个单它的chip非常大它像一个iPad那么大一样上面很多都是SRAM还有包括LPU这次挂个每个chip上500MB的SRAM像一个LPX是整个系统NVIDIA在卖的是192个LPU192乘以500兆那是很大的SRAM的这么多的SRAM可以提高Inference速度还有一个底层的那就是我们逐渐走向了等于说3D IC的路线你可以看到从Hopper那个时代我们看到那个芯片还是单芯片从Blackwell已经太大了所以就分成两个芯片所以以后把SRAM累积在GPU上也是一个趋势我们也看到过去的三年全球的VC投出了数百家的芯片的初创公司都想在推理市场上能够和英伟达去抗衡那我们也看到去年2025年12月英伟达200亿美金收购了Grock这家公司而今年3月份我们就已经看到Grock已经被英伟达去整合在了自己的系统中发布了LPU的芯片你能跟我们讲讲LPU它是怎么样工作的然后它在英伟达来生态里有一个什么样的作用大家知道GPU强于Super但弱于LatencyLPU恰恰相反如果对于TrainingGPU已经非常足够了对Inference来说LPU Latency很快的我可以用一个比较生动的例子来比较LPU和GPULPU好像一个Taxi出租很快,但载的人很少GPU就像一个大巴上面要坐100人但是开得很慢但一次可以载的很多人所以这就是相对的比较这两个LPU和GPU的地位不是说一个可以取代另外一个他们都有需要只是场景需要用的不一样今年以来,Inference Chipper [15:00] 共投资了30亿美金去年整一年投资是60亿美金也就是说三个月整个投资的量已经达到了去年一半的水平那就是生长率100%所以说VC是很看好Inference市场比如说在未来的Fayman的整个新的架构下你觉得SRAM会再起到更重要的作用吗Flyman是一个2028年NVIDIA出的一款GPU这是一个TSMC 1.6nm的Processor这个Processor是针对Physical AI物理AI来设定的那就是所谓的机器人在这种产景来说什么样最重要呢Real-Time Influence即时的Inference所以这个要求非常高那SRAN的价值又体现出来了所以SRAN会更多的被取用而且很有可能,因为S1要很多,普通的芯片已经不能满足必须要用3D折叠的方式放在其他芯片上了这也是一个趋势如果让你预测一下未来的推理芯片的市场格局我们有英伟达我们有谷歌的TPU然后我们有一些大厂他们做的自研芯片然后还有Cerebra这样的初创公司你觉得这个未来的格局会是怎么样呢首先我讲一下谷歌的TPU这款芯片是整个Camp里面比较成功的一个芯片那为什么这么说呢这是一款TPU是针对Cancer Flow来逢生定造的一款芯片这次Gemini 3.0初奉体现了它的价值那Gemini 3.0所有的推理和training都是用它自己的芯片完全没有GPU这是一个很强的一个信号对所有的正在研发自己芯片的玩家那就是说英伟达的芯片也可以被战胜谷歌已经证明了这一点所有的其他的player像AWSAWS也自己在研发自己的芯片那它有自己的Inference和Trending的芯片Inference的芯片做得还不错叫Inferential那AWS也是一个大的PlayerMeta也在自己做自己的芯片它的芯片叫MTIA这个也是在研发但是还在早期之中所以各大大厂都在加速自己研发自己芯片的脚步而不是停滞不前大家如果follow所有大厂的这些Earning Release的话都会知道现在分析家第一件事走进Earning的问题不是你营收涨了多少EPS是多少而是问你的CapEx这是一个非常重要的问题那Amazon AWSAmazon的CabEx 200个Billion2026谷歌185Meta 135Microsoft 100这些加起来有650个Billion的CabEx一年至少50%是花在芯片上650%是什么概念高于一个发展国家的GDP所以在这种环境下大厂没有办法必须要降低cost只有研发自己的芯片是一条路可以走一开始可能付出的R&D的cost会高但一旦量产以后每个芯片的per CPU的per GPU还是比买NVIDIA GPU低很多第二个Hardware和Software Co-Design这些大厂不光要自己有多芯片他们也自己有model有自己的Software stack用model和chip一起design可以达到最高的效率所以大厂会继续的往这方面投入现在推理市场的芯片里我们看到英伟达跟谷歌可以说是齐头并进的未来你是怎么看他们核心竞争力的比较我个人觉得这个问题其实决定于你相信未来是个单一化的环境英伟达一家独大还是个多元化的环境其实我更加倾向于多元化的因为model也是多元化生产公司芯片也是多元化不光是有英伟达也有NVIDIA甚至META都会有自己的芯片自己的model以后包括Data Center也可能会是个多元化的趋势最近有一种新的知识叫UA-LinkUV-Link 针对 NV-Link 来研制的是一个 open 的一个 formatNV-Link 是一个 close format以后的趋势很可能是个多元化的一个系统那谷歌和英伟达都会有自己的 role接下来想问问 Synopsys如何看待 AI 的时代Synopsys 的护城河是变强了还是变弱了因为我们听到一个声音是说 [20:00] AI工具制作的成本下降了门槛下降了以前只能有大的厂才能做出来的一些复杂的IP以后一些小厂也可以做出来了还有另一个声音说的是随着agents的用量暴增未来这些agents都需要license所以这是有利于Synopsis的您的观点呢那首先我来简单介绍一下我们公司Synopsis是全世界第12大的软件公司也是第一大的EDA公司第二大的IP公司以及第一大的物理仿真的公司我们IP排名第二仅次于二Asian对所有的生产力友好的促进的地步所有研发芯片的公司都会benefit不是只是IP的IP这个business还是很特别的其实一个好的IP很多人有错觉只要有一个RTL code就行了但IP其实真正的价值不在于RTL code work而是在于silicon proven就是规验证这个IP有被用过多少次成功的流骗了多少次很多IP是被流骗了300次500次这个不是AI一天两天可以把它门槛降低的所以真正的核心价值在IP是Silicon proven而不是几行的ITL code这次Synopsys Converge我们宣布了一个叫做L4 Aging Engineer这个工具仅次L5L5是最高级Full AutonomousL4是比它稍微低了一层这个是什么概念呢这个是我们用AI来设计AI用我们的AI agent融合NVIDIA的AI GPU来帮助各行各业的所有公司设计AI芯片我引用一下黄荣兴在我们Converge大会里说他非常excited因为以后未来世界会有很多很多的Agent 工程师每一个工程师都会用我们的工具我们的工具会爆发性的成长所以你觉得Synopsys的护城河是变强了对现在的程序员都面临被AI替代的危机你觉得未来芯片设计师也会有这样的考虑吗Fortune的一个文章说最近是40年以来程序员就业市场最差的40年前1986年PC还没有普及Internet还没有出现程序员面临的问题是不是Hardware Engineer也会出现其实程序员和Hardware Engineer本质上有很大的区别程序员写个程序如果有bug第二天写个patch到cloud里面deploy但是Hardware Engineer是叫Zero Tolerance的行业也就是说如果我们芯片有一个bug那这个芯片就不work研发一个芯片是很贵的一件事情千万美金所以Zero Tolerance造成Human Oversing Loop人的经验是不可替代第二点是我们这行现在还处在人才荒的一个地步其实很多job还没办法找到合适的人那第二个现在schedule也是push的越来越紧你也知道 Hopper的Blackwell两年Blackwell的Rubin一年加速了这意思是说同样的人要做双倍的活说人才荒也是为什么短期之内Hardware Engineer不会像Software Engineer will not be like software engineer facing this problem. But in a long time, AI will not be able to replace repetitive jobs or manual jobs. It will be. But I believe in hardware engineers these jobs will be moved to other more valuable jobs. Because there are two main reasons. Zero tolerance and we have a problem with human beings. Do you think there are some kind of different kinds of different types of AI? Do you think there are some good good performance in the future? But actually, humans are not understand. Yes, I think AI and human-like AI are a simple example. Today, if you say I want to build a 2mm of a 2mm, this is my request. If you have a PLL, I can't do this. I can't be able to know this. I will not be able to see this one. At least in the short period, I won't see. Why? First of all, let's look at AI in the software industry. In the past, it was 70, 80 years ago. AI was in the software industry. The software industry has a lot of steps. There is architecture design, design design, and the previous design. [25:00] verification and synthesis再加后端sign off每个步骤其实AI已经play a role体现在PPA变好了Power performance area这就是我们一个衡量的标准PPA变好了有可能10%或15%这已经达到了现在我们正在第二个阶段就是Agentic的阶段我们推出的L4Aging Engineer那会把很多Menu的利本取代了那以后可能会达到Full Autonomous但是要达到黑箱操作我觉得这个难度非常的高所以黑箱对有些行业可以但对芯片设计是绝对不可以因为为什么验证或者EDA的证据是非常重要的这次参加完GTC你觉得现在整个半导体行业里哪一个环节是最被忽视的我觉得有一个行业就是Physical AI的SIM2REAL GAP仿真到现实的距离Feyman这个chip2008年是针对Physical AI来研发的它其实就是一个robot那robot这个system是什么它有chip有modelsensor还有actuator传感器和执行器那为什么SIM2REAL GAP是个大问题那我举个例子如果你 simulate 说用这么大的力度用这个角度去拿起杯子结果机器人用这个角度用这么大的力度还拿不起来那就是有一个gap那几个challenge在这方面第一个就是real time的physics engine如果一个球掉下来我能知道它几分钟掉下来这个engine就必须了解gravity重力第二个real-time的sensor processing这也是非常重要sensor像camera LIDAR要做real-time processing这个latency很重要还要deterministic确定性说三秒完成就是三秒为什么如果你晚一秒也许这杯子已经掉地上了三秒钟完成这个运算是很重要的第二个是real-time的digital twin数字暖身如果一个杯子要掉下来之前你做100次模拟各种方方面面都模拟过了这个很重要这个方面也没有办法及时的完成很多挑战是需要以后我们硬件和硬件和硬件联合一起我们就可以看到一个很好的未来我是一个science fiction的fan未来已经离我们很近了那我们再努力把SIM2View Gap Close就更加能达到未来非常感谢今天你的时间感谢跟大家的分享谢谢