Nvidia GTC前夜：Jensen Huang还要给AI算力讲一个什么新故事？
Nvidia GTC Berlin将于10月20日至22日举行，Jensen Huang的主题演讲则定于10月21日柏林时间上午11点。此前GTC一般以GPU、算力集群和大模型训练为绝对主角，本届大会的议程有所不同，开始向Agentic AI、AI Factory、Physical AI、机器人和自动驾驶延伸。
Nvidia官方公布的会议内容覆盖CUDA、加速计算、Agentic AI、机器人、开放模型和Physical AI等完整技术栈，甚至把“AI Factories”“Physical AI & Industrial AI”单独列为核心议题。
该调整其实已经给出了一个相当清晰的信号：Nvidia正在重新定义AI基础设施的价值。GPU训练需求、推理需求等定价方式已经是过去式；2026年，Nvidia开始把算力进一步连接到Agent、企业软件、机器人和自动驾驶。
AI算力的需求边界正在从“训练一个模型”扩展到“让模型持续工作”，而后者意味着更长的推理链、更高的Token消耗，以及更复杂的软硬件协同。
Nvidia最新一季财报已经提供了足够强的基本面支撑。数据显示，公司截至2026年7月26日的第二财季收入达到962.21亿美元，同比增长106%；公司对第三财季收入指引为1080亿美元上下浮动2%，且指引没有假设来自中国的数据中心计算收入。
对于资本市场而言，硬件性能只是起点，决定Nvidia长期增长空间的，是AI算力最终能够承载多少真实工作量，以及Nvidia能够从中占据多少价值量。近日即将举行的GTC Berlin真正值得研究的地方，是Nvidia能否把已经非常庞大的GPU生意继续向AI基础设施、推理和Physical AI延伸。
Nvidia现在最强的基本面仍然来自数据中心。最新季度数据中心收入达到890亿美元，占公司总收入绝大部分，同比增长117%，Blackwell Ultra仍然是主要驱动力。
公司披露，Vera Rubin已经进入全面生产阶段，CoreWeave、Google Cloud、Microsoft Azure、Oracle Cloud Infrastructure和Nebius等合作伙伴已经开始部署相关系统。可见Rubin已经进入商业化兑现阶段。
更重要的是，Nvidia正在改变客户评价AI基础设施的指标。训练阶段看GPU数量，推理阶段则越来越关注单位功耗能够产生多少Token，以及单位Token需要付出多少成本。
9月发布的MLPerf Inference v6.1结果显示，Vera Rubin NVL72在Qwen3-VL相关测试中的吞吐最高达到GB300 NVL72的3.7倍，在DeepSeek-R1测试中最高达到2.5倍。
因为Agent需要连续完成推理、工具调用、任务拆解和结果整合，计算需求远高于一次普通问答，会进一步放大这种变化。
Nvidia援引SemiAnalysis AgentX测试称，Vera Rubin NVL72在相关Agent工作负载下的单位功耗吞吐最高达到GB300 NVL72的30倍，并将Token成本降低最高45倍。
这就是Nvidia新的增长叙事：GPU销量增长仍然重要，但AI基础设施的商业价值开始从“卖多少颗GPU”向“每一度电产生多少有效计算”迁移。对于Nvidia而言，这种变化非常有利，因为Nvidia卖的已经不是单颗GPU。
Rubin从Vera CPU、Rubin GPU、NVLink、ConnectX、BlueField到Spectrum交换机形成完整平台，公司把计算、网络、存储和软件绑定在同一套架构里。足以说明Nvidia有机会继续扩大单个AI Factory的价值量。
AI Factory正在成为Nvidia的新基础设施生意，Agent让算力需求变得更深
Nvidia在2026年的一个明显变化，是开始频繁使用“AI Factory”来定义数据中心。
“AI Factory”背后对应的是一套完整的产业结构：电力进入基础设施，GPU和网络完成计算，模型产生Token，Token最终变成企业生产力、软件服务或者机器人动作。
Nvidia今年已经推动Vera Rubin向全球AI Factory部署，官方披露的供应链覆盖30个国家、350多个工厂，并有300多家全球合作伙伴参与相关生态。
GTC Berlin的议程进一步强化了这个方向。大会设置了“AI Factories: Productive Infrastructure, Jobs and Economic Growth”主题，同时安排Agentic AI生产部署、企业Agent安全以及欧洲AI基础设施等内容。
传统聊天模型完成一次回答后，计算任务基本结束；Agent的出现改变了推理的需求曲线。因其需要持续调用模型、搜索数据库、调用工具、运行代码，再返回下一步结果，推理过程本身成为持续运行的计算任务。
Nvidia援引OpenRouter数据称，Agentic AI工作负载消耗的Token数量可以达到简单聊天请求的15倍。
针对算力需求可能发生的变化，Nvidia已经提前布局。Vera不仅包含GPU，也推出了面向Agent的Vera CPU；公司披露Vera CPU的目标之一就是承载Agentic AI、强化学习和数据处理等工作负载，Anthropic、OpenAI、SpaceXAI以及ByteDance、CoreWeave、Oracle Cloud Infrastructure等公司均计划采用Vera。
Nvidia新的布局之后，对其基本面的观察也应该随之改变。未来除了关注数据中心收入增速，还需要关注推理效率、Token成本、AI Factory利用率，以及软件和网络产品在整机系统中的价值量。如果以上指标能持续改善，Nvidia的增长周期就不完全依赖下一代GPU价格和出货量。
Nvidia把Physical AI放到GTC Berlin的重要位置，并不难理解。
早在2026年3月的GTC大会上，Nvidia已经推出Cosmos 3、Isaac GR00T N1.7和Alpamayo 1.5等面向Physical AI的模型，同时发布Physical AI Data Factory Blueprint，用于世界模型、人形机器人技能和自动驾驶等场景。
到了柏林，Physical AI已经从一个技术方向变成完整议程。Nvidia安排了机器人、工业AI和自动驾驶相关内容，并邀请Agile Robots、Siemens Healthineers、Mercedes-Benz以及Humanoid等欧洲产业参与者。
这背后的产业逻辑非常直接：AI从数字世界进入现实世界之后，计算量会继续向数据采集、仿真、训练、推理和边缘计算扩散。
机器人尤其如此，因为一台机器人需要理解环境、识别物体、规划动作，并在真实世界不断修正行为。
目前Nvidia已经把Omniverse、Isaac、Cosmos、Jetson等产品连接起来，让机器人能够在数字孪生环境中训练和验证，再把模型部署到真实设备。ABB Robotics、FANUC、KUKA和Yaskawa等机器人企业已经使用Nvidia Omniverse和Isaac相关技术进行机器人应用及生产线验证。
自动驾驶同样属于这一逻辑。Nvidia今年已经把Alpamayo纳入Physical AI布局，并持续推进面向自动驾驶的模型、仿真和计算平台。
但这里也存在Nvidia未来几年的一大基本面考验：Physical AI目前仍处于从技术验证向规模化商业部署过渡的阶段，机器人数量、自动驾驶渗透率、企业AI投入回报率都决定着这部分业务何时能够形成足够大的收入贡献。
接下来真正决定公司成长空间的，是Agent是否能够把推理需求推向更高频率，以及Physical AI能否把计算从数据中心继续延伸到工厂、汽车和机器人。
因此，接下来的GTC真正值得观察的或许是Nvidia能否进一步公布客户、部署规模、商业订单以及平台采用情况。
如果Rubin持续兑现性能和Token成本优势，AI Factory继续扩张，Agent进入企业生产环境，Physical AI开始形成真实部署，Nvidia的增长来源就会从GPU周期进一步扩展到计算基础设施周期。
对Nvidia而言，下一阶段真正重要的是证明AI能够持续创造足够多的新算力需求！