黄仁勋:AI不是软件,是制造业智能体五要素,企业能自建的只有两样

一、柏林那句反常识：AI是制造业，不是软件

黄仁勋把AI比作一个"五层蛋糕"：最底层是能源，往上是计算机和基础设施，再往上是模型，然后是AI原生应用，最顶层是嵌入到各行各业的数字智能。

他的逻辑很直白：能源给AI工厂里的计算机供电，计算机跑模型产出Token，Token再长进每一个应用里。所以"想参与AI经济，别只当消费者，要当生产者"。

这句话背后是他对摩尔定律的判断——他认为摩尔定律基本走到尽头了，所以只能靠"极致协同设计"，从芯片到系统、从系统软件到算法，整体一起改。他给了一个对比：过去十年，AI算力提升了约100万倍，同期摩尔定律大约只有100倍，差出来的部分，靠的就是这种全栈协同。

这里我想多说一句。过去企业买GPU，比的是单卡性能；现在黄仁勋卖的是整座AI工厂的交付效率——把芯片、机架、网络、液冷、供电和部署标准打包成一套系统。

这对企业的含义其实很明确：算力本身正在从"稀缺资源"变成"可交付的产能"。真正的瓶颈，正在从"买不到卡"转向"用不起来"。而这个瓶颈，花钱解决不了。

二、智能体五要素：模型是买来的，只有两样是你的

演讲中间最长的一段，讲的是智能体。他说得很干脆：单靠模型不够，模型只是大脑；真正能干活的是智能体。而一个智能体，必须由五样东西组成。

他还顺手把这五样东西和硬件对上了：模型在Vera Rubin NVL72上跑，外骨骼在Vera MGX节点上跑，知识由Vera CMX存储节点提供，工具交给专跑CUDA-X库的Vera RTX计算节点。

关于模型，他这次很坦白：英伟达的开放模型，尤其是语言模型，不一定处在最前沿。但权重、训练数据和复现脚本整套都开放了，企业拿自己的数据做后训练，就能把它练到适合自己业务的水平。他管这个叫"主权智能"。

我的判断是：五要素里，模型可以买，沙箱可以开源，外骨骼也有现成的。真正拉开企业之间差距的，是后两样——知识和工具。

知识和工具是什么？说白了，就是你公司几十年攒下来的流程、口径、规则、案例，以及你手上那些真正在跑业务的专业软件。这些别人抄不走，也买不到。这一点，跟我之前梳理企业知识库时的结论是一致的：知识层怎么组织，决定了智能体的上限在哪。

演讲里还有一个细节挺有意思。他举起一台轻薄笔记本——RTX Spark，1 PFLOPS算力、128GB统一内存，10月16日已经开售。他说，2016年他亲手送到OpenAI的那台DGX-1，指标也是1 PFLOPS和128GB，只不过当年要两个人抬上楼。

他的结论是：未来的工作场景，是你把任务交给它，它去调用软件帮你把活干完。你不再是"使用"软件，你是在"雇佣"电脑。这句话对做企业信息化的人来说，值得琢磨——我们过去二十年做的事情，很大一部分是"帮人操作软件"；接下来要做的，可能是"帮软件被智能体调用"。

三、安全不是愿望，是工程：OpenShell和Sentry

这一段我认为是全场最值得企业记住的。他的原话大意是：希望不等于安全，安全不是一种愿景，它是技术和工程。

英伟达现场放的那段宣传片先自嘲了一把：眼下能拦住智能体乱来的唯一办法，是礼貌地求它"请别删东西"。这话听着好笑，但很多企业部署Agent的现状确实就是这样——靠提示词里的几句叮嘱。

他给的做法是把规矩写在智能体之外。发布的OpenShell参考架构，思路是给每个智能体配门禁、隔离室和急停按钮：

他打了个比方我印象很深：就像早期互联网病毒无处不在，直到浏览器对网页能做什么做了严格限制，局面才稳住。OpenShell对智能体做的是同一件事——执法发生在智能体之外，而不只是在模型内部。

这一点，和我一直强调的"Agent安全边界不应该画在提示词里，而应该画在系统外面"完全对上了。最小权限、策略外置、硬件级急停、全量留痕——这四条，是任何一家要认真用Agent的企业，都绕不过去的基础设施。国内已经有厂商在往这个方向做，英伟达这次等于是把参考架构开源摆到了台面上。

四、知识才是分水岭：Agent Knowledge Foundation

回到五要素里最关键的"知识"。黄仁勋说了一句我认为是全场最实在的话：让智能体变成超级智能体的，是让它接触到公司的知识。

为了把这件事做通，英伟达在GTC柏林同期扩展开源Agent Toolkit，新增了一块叫Agent Knowledge Foundation的知识底座。拆开看，它主要给了三样东西：

• Auto-Ontology（自动本体）
  ：把企业原始数据翻译成"客户、产品、订单"这类业务概念，并映射它们之间的关系——这一步，本质上是给数据补上业务语义
• Nemotron Retriever
  ：负责文档解析、嵌入和重排，把查询和内部知识关联起来，再按相关度排序汇总
• Kumo系列模型
  ：Kumo Tabular、Kumo Relational、Kumo Time Series、Kumo Forecast，直接在结构化业务数据上做预测

它的卖点总结起来就一句话：数据不用搬家、不重建工作流、不改现有的治理控制。对企业来说，"数据不出域"这四个字的分量，做过合规的人都懂。

落地侧的反馈也摆出来了。据官方披露：SAP微调后的重排模型跑得快了近3倍；ServiceNow把重排延迟降低了约25%；亚马逊OpenSearch服务在搜索步骤更少的情况下提升了相关性，且几乎没有增加延迟。（以上均为厂商披露口径，以原始报告为准。）

黄仁勋在现场举了一个很"业务"的例子，我觉得特别值得抄：供应商发来一封缺货或延迟通知（非结构化文档）→ 公司的订单存在SQL数据库里（结构化数据）→ 用预测模型算出哪些订单会缺货 → 再用向量检索找到替代部件的工程文档。

你看这条链路，走通的不是模型，而是"知识 + 工具"的组合。这也正是我一直说的：企业AI的难点从来不在模型层，而在知识层——文档、数据库、业务语义、口径规则，能不能被智能体稳定地读到、读懂、用对。

但反过来讲，工具越强，越照出数据治理的短板。如果你的主数据本身是一团乱麻、同一个客户在五个系统里有五个名字，再好的本体和检索也救不回来。这是我看了这么多厂商方案之后最深的体会：智能体时代，数据治理不是IT的选修课，是必修课。

五、给企业的三步动作：先盘家底，再放自治

这场演讲信息量很大，但对绝大多数企业来说，能立刻用上的其实就三件事。

说到底，这一轮AI竞赛，企业真正要比的不是"我用了哪个模型"，而是"我把多少自有知识和流程，变成了智能体可用的资产"。

黄仁勋说"每一家公司最终都会成为AI公司"。这句话对欧洲公司说，也是对国内企业说的。但顺序别搞反了：不是先买AI，再想怎么用；而是先把自己搞清楚，再让AI来接手。

写在最后

柏林这场演讲，最值钱的其实不是Vera Rubin，也不是台上那几只不太听话的机器鸭，而是那句"安全不是愿望，是工程"。

它把AI落地从"信仰问题"拉回到了"工程问题"。这对做企业信息化的人来说，反而是个好消息——信仰没法排期，工程可以。

工程问题意味着可以拆解、可以分工、可以验收、可以复盘。这意味着接下来企业之间拉开的差距，不是谁更早相信AI，而是谁更早把AI当成一件需要严谨交付的事来干。

AI不是软件，是制造业。这句话，企业不妨当成一句提醒来听：既然是制造业，那就得按制造业的规矩来——标准化、可追溯、控成本、讲交付。