夜雨聆风用过 OpenClaw 的人，基本上都踩过同一个坑：慢，答得不准，偶尔还会卡死在那儿不动。第一反应肯定是——这模型是不是太烂了？但我看完今年的英伟达GTC 大会，发现老黄有不同的解读。
过去两年，大家都在堆参数、卷训练、比谁的模型更大更猛，跑分儿更高。逻辑很简单——模型强了，一切都会好。但这次 GTC 传出来一个挺关键的信号：重心从训练转到推理了。训练是一次性的，推理是每天都在发生的。你每次问 AI 一个问题，背后都是一次推理调用。老黄说到 2027 年推理算力可能到 1 万亿美元。这个数字准不准先不管，方向基本定了：接下来烧钱最凶的，是在推理算力上。
话又说回来OpenClaw 为什么这么"笨"？
它可能不是不会想，是很多时候根本拿不到该拿的数据。一个智能体干活其实就三步：听懂你说什么，去翻数据，给你一个答案。现在问题很多时候卡在第二步。你的数据长什么样？一堆 Word 文档、散落的图片视频、各种系统里的记录，加上邮件聊天记录。这些对模型来说，处理起来都很费劲。
数据读取的主流流程是这样的：数据先过 CPU，搬到内存，再交给 GPU，最后才到模型。每一步都有消耗，搬来搬去还容易丢信息。所以你就会看到AI 回答东一块西一块，前后接不上，再不然就开始自己编。
英伟达CUVS 和 CUDF
问题定位清楚了，就能发现这次 GTC 真正有意思的发布功能功能，是让 GPU 能直接读硬盘数据的 CUVS （Vector Search），和 CUDF（Data Fabric）。以前是先把数据搬过来再处理，现在是可以给 GPU直接用。读数据的速度上来了，体验自然跟着变。以前翻箱倒柜找资料，现在东西就搁在手边。模型不一定更聪明，但它终于能实时的看到完整的信息。
有了数据的加持，智能体能力边界也会跟着变。他接下来更可能是帮你查数据、调系统、把一件事从头到尾做完。这才算真正的智能体，不是一个贵一点的搜索框。
由此，我们可以看到 AI行业的变化：从拼训练变成拼推理。OpenClaw 这类智能体开始铺开。AI系统的基础架构从堆算力，过渡到拼网络，现在终于把注意力放到了数据存储上。
过去两年，AI在拼谁更聪明。接下来两三年，AI 的竞争，可能是谁能把数据和推理这条链条打通。