夜雨聆风
NVIDIA 中国官方播客：施澄秋 × 张慧娟 深度解读 GTC 台北 2026 重点发布 —— 从 Vera Rubin 到 RTX Spark，从 Nemo Cloud 到 Cosmos 3
AI 只有走出实验室，走进生活，这个才叫真正的变革。
上集：云端基础设施全栈更新
佳琪
哈喽各位听众大家好，我是本期节目的主持人佳琪。
我们把视线拉回到 GTC 台北大会——我们的创始人兼 CEO 黄仁勋在主题演讲中提到，实用的 AI 已经到来，特别是 AI 智能体已经从云端走向了更容易感知的个人设备，包括最终落地到真实物理世界，这是一个完整的技术路线图。
今天来到播客间的两位好朋友，一位是 NVIDIA 中国区高级技术市场经理施澄秋，另外一位是懂芯 ChipWise 创始人、资深产业观察者张慧娟老师。先请两位跟听众打个招呼，分享一下在 GTC 台北大会上看到的最有意思或印象最深刻的部分。施澄秋先来吧。
施澄秋
好的，谢谢佳琪，各位听众朋友大家好，我是 施澄秋，很高兴又在这里跟大家见面。
前不久刚刚结束的这届 GTC 台北，我自己有一个非常强的感受——如果说三月份 GTC 圣荷西那一场把 AI 工厂这件事情跟大家聊透了的话，那么台北这一场其实相当于是一个续集，讲了这些工厂所生产出来的智能体，或者说这些开发出来的人工智能，是怎么样走到每一个开发者、每一个创作者、每一个用户身边去的。
我印象特别深刻的是，Jensen 提到代理式 AI 改变了 CPU 的角色。过去几十年里面，这些 CPU 都是为我们实实在在的人类来进行打造——比如说我们的 Windows 系统、手机 Android 系统、或者 iOS 系统等等。
但是我们现在宣布的这个新的 Vera 架构的 CPU，它其实是专门为了 AI 智能体而打造的。
以前的 CPU，我们人去操作，它来解释我们的许多操作步骤来调度整个电脑或者你的手机去执行人类的指令。而现在因为智能体 AI 的蓬勃兴起，CPU 变成了一个指挥，系统里面的 GPU 就用来做算法加速，是整个交响乐团。
我们把整个 Vera CPU 定位成一个专为 AI 智能体而打造的 CPU，这是因为 NVIDIA 看到了在这个人工智能时代千行百业的客户更在意这套系统能不能直接撑住一个帮你干活的 Agent。Vera CPU 的设计起点，就是冲着 Agent 这个新的工作负载而去的。
张慧娟
各位听众大家好，我是慧娟，很荣幸又来作客了。刚才施澄秋老师讲到的 Vera CPU 确实是非常大的创新。不过除此之外，这次端侧给了我很大的惊喜——这次的 RTX Spark，我认为可以说它是一款颠覆性的产品，因为它会真正去推动 AI PC 应用快速地去增长。
谈一点我个人的感受，过去两年我一直觉得 AI PC 这个市场从需求角度来看相对来说有一点疲软，因为其实没有太大的杀手级应用。在本地去跑一些轻量的 AI 助理、聊天机器人这些功能，对于用户来说还不够刚需，可能就是图个新鲜，很快就在角落里吃灰了。
现在情况不一样了。Jensen 在他的 keynote 里讲到——两年前我们还在这里和大家讨论 AI 是如何从生成式去演变，下一波的 AI 浪潮就是智能体 AI。今天我们可以说智能体 AI 已经到来，实用 AI 已经到来。
那么智能体 AI 的来临从 PC 角度来看，就意味着它的用户变了，不只是人类，还有 7×24 小时工作的 AI 智能体，也就是相当于一支 AI 团队驻扎进了 PC 里头。
这个需求云端满足不了的——因为它的延迟、隐私还有成本这些都不允许。而最新的 RTX Spark 的超强性能，让本地去跑 Agent 不再是将就了，而是会比云端更快、更私密、更有性价比。我非常期待今年下半年开始能看到一些很不一样的东西。
佳琪
刚才慧娟老师也提到我们在云端和终端的最新发布。其实大家能看到 NVIDIA 正在打造一个覆盖云端和终端的全栈计算基础设施。首先我们还是先从云端来切入，一起聊一下为什么实用的 AI 时刻已经到来。施澄秋先说说你的看法。
施澄秋
我觉得用一个非常直观的方式来跟大家讲——之前大家用 AI 更多是一个聊天机器人，或者一个个人的智能型顾问。无论是国内国外的各种 AI 应用，更多是你问一句他答一句，你写个 prompt 他回一段文字、一张图、一段代码等等。这种 AI 非常有价值——你不懂的东西他告诉你，你不会的东西他教你。
但是他始终停留在输出这一步，你拿到输出还得自己去用。
可是到了代理式 AI 这一代，事情就变了。AI 不仅仅是生成一段内容，关键在于它能自己干活，它有自驱力。一个 Agent 接到任务之后，你给它下了一个指示，它能够去拆解步骤、调用工具、跑代码，它能自己去抓这个结果，根据结果再决定下一步要做什么，最后把这个活干完了之后交付给你来审核。
在这个过程里面，每一步它都在消耗你的 Token，每一个 Token 被消耗的背后其实对应着一段真实的工作——可能是识别你给他的任务，可能是去截图看当前任务执行的结果，可能是跑了一段代码，可能是审查了一段合同，或者是更新了一条记录等等。
这就是解释了为什么 Jensen 说代理式 AI 是下一个 AI 时代的新机遇。Token 也变成了一种有商业价值的、实实在在产出的通用商品，可以说是 AI 时代的新石油。客户买的不是我有多少算力，他们关心的是这套基础设施每天能够带来有多少商业价值的 Token。
AI 直接创造收入之后，AI 工厂的需求就真正起来了。
佳琪
慧娟老师可以从您这边来分享一下？刚才施澄秋提到这个智能体和 Token，对于企业的一些决策者来说，应该是在 IT 基础设施领域新的投入。您怎么看这个变化对于他们来说意味着什么？
张慧娟
我试着从企业的角度来分享一下我的一些观察。我觉得最根本的是，未来 IT 基础设施的角色是被重新定义了——以前是企业的成本中心，未来可能是生产力的核心。因为 Jensen 现在也一直在强调算力即营收，AI 工厂的每一份算力投入都能对应到可量化的产出。
我们来看一下对于企业过去的 IT 支出——服务器、存储、网络——这些对于企业来说只是维持运营的必要成本。预算紧张了这部分能砍就砍、能省就省。因为算力本身以前是不直接产生收入的，IT 部门的 KPI 很多时候是降本增效，越省越好——就是那句名言，你买的越多省的越多才行。
但是到了实用 AI 的时代，算力就变成了直接去创造营收的生产力。企业采购的不只是服务器，根本上更是在打造智能体的生产线，提升的是 Token 的产能。这样就会倒逼企业的 IT 技术逻辑发生根本性的扭转——算力从成本的投入变成了资产项目。我觉得这是这波浪潮最底层的经济驱动力。
佳琪
是的。刚才有提到现在人和 Agent 共同成为了算力的消费者，我们作为基础设施的提供者必然要为企业客户准备一套应运而生的系统。所以我们这次 GTC 上发布的 Vera Rubin 是非常核心的。施澄秋能不能帮我们解释一下这套系统具体是怎么搭建起来的？
施澄秋
Vera Rubin 大家听名字可能觉得是一个系统或者一张卡或者一个架构，其实它是两个部分组成的——是一个完整的 Agent 处理系统。
Vera Rubin 是由 Vera 架构的 CPU 加上 Rubin 架构的 GPU，两者用 NVLink Chip-to-Chip 高速互联系统紧密耦合在一起，再加上配套的网络、存储、软件栈，一整套系统构成 Vera Rubin。
最值得展开聊的就是 Vera CPU。这是一次前所未有的、业界首次由 NVIDIA 专门为 AI Agent 设计的 CPU 架构。在 GTC 台北现场有很多朋友问我一个问题——为什么你们说 NVIDIA 这个 Vera CPU 是专门为 AI Agent 设计的？跟以前的 CPU 有什么不同？
为什么过去的 CPU 今天跑 AI Agent 跑不灵，或者说跑得效率不佳呢？
其实这个道理很简单。大家可以把 AI 工厂想象成一座巨型的厨房——GPU 就是一个一个的主灶台，负责炒菜。模型的训练和推理其实相当于炒这个主菜。那 CPU 以前扮演的是什么角色？它是一个总体调度，进行指令的分派、任务的派发——比如说让前端去洗菜、摘菜、切菜，把锅碗瓢盆都刷干净，把这些调料都准备好。
在过去的这么多年里面这个分工是 OK 的，因为过去的电脑任务相对比较简单，甚至很多是单线程的任务。
但是到了人工智能，尤其到了代理式 AI 这一代，整个工作负载变了。因为一个 Agent 干活不是回答一个问题就结束了，它要跑一个完整的工作流——调用一些工具，跑一段 Python 沙箱，写一段代码，再执行这段代码，再去分析这个执行的结果，再去决定下一步要怎么做。
这一连串动作里面，有一些是 CPU 在干，有一些是 GPU 在干。GPU 有几千个核心，CPU 核心相对较小。所以如果 CPU 的速度跟不上，那个主灶台炒菜的人就在那等着——等着你给他分配活，等着你给他把原材料递回来。
所以 Vera CPU 真正是面向 Agent 这种反复调用工具、反复跑沙箱、反复推理的工作流负载，把 CPU 这一层做到了相对有针对性的设计。Vera CPU 在代理式 AI 里面是至关重要的。
张慧娟
这个比喻特别形象。我记得在我们最近一次财报电话会上，我们的 CEO Jensen 也特别提到 Vera CPU 会成为下一个增长的机会——这个可能和大家过去认为 NVIDIA 主要是提供 GPU 会有一些不一样的视角。
佳琪
刚才我们聊到 Vera CPU，施澄秋再帮忙介绍一下 CPU 是如何跟 GPU 包括网络来交互的？
施澄秋
我挑两个最核心的点来给大家介绍。大家都知道 CPU 里面有不同的核心，CPU 核心比 GPU 核心少得多——GPU 里面动辄上千甚至数千个核心。但 CPU 传统意义上在过去几十年里面，无论是台式机 CPU、笔记本 CPU、手机 CPU、还是服务器端的 CPU，核心数量相对都比较小。
可是我们的 Vera 里面有 88 个 Olympus 核心，这 88 个核心是专门为 Agent 工作流做的 CPU 核。所以核心多就不太容易变成 AI 系统里面的瓶颈——它核心多，可以同时分配任务、同时调度指令、同时做各式各样的事情。
与此同时，以前 CPU 和 GPU 之间要么通过 PCIe 总线连接，要么节点之间通过网络的方——比如 IBA 或者以太网互联——这些互联的带宽是存在瓶颈的。而今天 Vera Rubin 这个系统使用 NVLink 技术，用 chip-to-chip 也就是 C2C 高速互联，带宽非常宽。
CPU 和 GPU 之间能够直接进行数据的调度和存储，CPU 不再成为 GPU 的瓶颈。
合起来理解就是——Vera 的 88 个核心为了应对 Agent 大量并发的小任务，互联为了让 CPU 和 GPU 之间的数据搬运不存在瓶颈，好马配好鞍。这就是 Vera CPU 两个非常重要的点。
张慧娟
NVLink 其实是特别重要有创新意义的一个发明，它把 CPU 和 GPU 连接在了一起。熟悉 NVIDIA 的朋友应该知道，其实这不是第一次发布 GPU 加 CPU 的组合，之前也有一个解决方案叫 Grace Blackwell，同样也是 GPU 加 CPU。
那 Grace Blackwell 和 Vera Rubin 有什么定位上的差异呢？
施澄秋
定位上差异非常明显。因为 AI 一代一代迭代，上一代 Grace Blackwell 的架构更像是用来训练大模型的引擎，而 Vera Rubin 更像是用来执行批量性生产自主智能体的产线。Grace Blackwell 这一代训练了非常非常多的服务于 AI 的场景，把模型练大练强。
到了 Vera Rubin，工作重心从训练挪到了批量生产 Agent 这样一个角色——就是把训练好的大模型变成一个能实实在在帮你干活的、跟你现有系统其他组件自主协同的智能体，而不是一个能跟你聊天对话的聊天机器人。
张慧娟
我觉得 Vera Rubin 的意义不在于一般的系统性的规模扩大，可以说是把系统级方案推到了前所未有的高度，而且重新定义了 AI 算力的生产目标，也确立了这么一套开放的系统标准。
首先，Vera Rubin 的目标是给大规模的代理式 AI 工作负载提供基础设施，从过去侧重训练，现在更像是批量去生产 AI 智能体，这是算力定位上根本的转变。
其次我注意到 Vera Rubin 采用了开源的 MGX 机架级参考设计，OEM 可以基于这套标准去生产各自的系统，这种模块化标准件的打法可以让方案快速大规模商用。
从产业链层面来看——从 GPU、CPU，再到网络、液冷、PCB、先进封装、HBM、光模块——整条产业链都会被带到新一轮的扩张和升级周期。这不是一两家供应商的机会，而是全链条的产业升级，这个意义非常大。
对于开发者来说，Vera Rubin 带来的直接红利——首先推理成本大幅下降，再加上开源的 Nemo Cloud 这样的平台可以帮助降低开发门槛，AI 应用创业者的入场成本在降低，开源社区的协同创新效率也会大幅提升。
佳琪
两位老师都有提到 Vera Rubin 像是一个硬件厂房，为企业客户提供系统级的基础设施方案。那企业想要真正把 Agent 用起来，还是需要一套软件方案。这次 GTC 台北在软件层有什么重要的发布？请施澄秋帮我们梳理一下。
施澄秋
我还是喜欢用生活化的比喻来解释——Vera Rubin 是硬件的 AI 厂房，Agent Toolkit 所谓工具包是流水线的机器人，而 Nemo Cloud 是流水线上的质检员和调度员。
NVIDIA Agent Toolkit 是一套给企业开发者使用的构建 AI 智能体的工具集。它把所有 Agent 开发中重复琐碎的环节——比如模型路由、技能调用、状态管理、可观测性等等——都封装成开箱即用的组件。
开发者不需要自己去拼凑零散的工具，下自然语言的提示，代理式 AI 就会利用工具组帮用户把整个环境搭起来。
于是大家都担心——我自然语言下了，它帮我跑了，它怎么实现的？跑出来这个结果看起来是我要的结果，但是在这个实现过程中有没有安全隐患？这些步骤是不是可调度的？每一步都符合我企业规范吗？企业讲究的是技能执行、状态管理、可观测性。AI Agent 在企业环境里跑起来必须要是可追踪、可审计的。
所以 Nemo Cloud 是 Toolkit 里面的核心框架，它负责 Agent 的编排层。假设一个企业里面有几十上百个 Agent 同时运行，你就需要一个指挥台来管理——以前是人来管理，今天由 Nemo Cloud 来管理。
让 AI 管理 AI，让 Agent 管理 Agent，让 Agent 调度 Agent。这个非常关键，它把 Agent 从原型阶段的推理变成了可治理的生产部署。
Nemo Cloud 还可以管理整个模型的路由——因为企业使用 Agent 要消耗 Token，Token 是有成本的。简单任务从小模型走可以节约成本，降低 Token 消耗；复杂关键任务——要确保品质的——一定要走最大最顶级的模型来确保质量。
所以对于企业而言，Nemo Cloud 解决的是把过去企业落地 AI 时最担心的数据安全、可控、可用门槛这几道关卡都把握到极致——可控省心，大大降低企业的使用门槛。
张慧娟
刚才听施澄秋老师介绍，我脑海里有关于 AI 工厂的一个很未来的画面——硬件厂房加上流水线机器人以及安全员是怎么来交互的，这个画面还是特别让人期待的。
刚才我们聊了很多在云端提供 Agent 功能的方案，但其实 NVIDIA 现在不仅是提供云端，在终端、在 PC 端也有更多的关于 Agent 的解决方案。那我们本期节目在云端这里先告一段落，下一期精彩继续。
下集：终端与物理 AI
编者注：下集接续上集，聚焦端侧落地——RTX Spark 个人 AI 电脑、DGX Station、Cosmos 3 物理世界模型、人形机器人参考平台。
佳琪
本期节目精彩继续。上期节目我们盘点了 GTC 台北大会 NVIDIA 如何从硬件到软件打造云端的全栈。那本期我们将聚焦到终端，来拆解从数字世界走向物理世界的完整路径和背后的技术。
这次 GTC 台北上特别受大家瞩目的新发布就是我们的 RTX Spark。其实 RTX Spark 应该说是让个人真实可感的 AI Agent 功能。所以请施澄秋老师先帮我们介绍一下这次 RTX Spark 产品的亮点，以及 NVIDIA 为什么要做这款产品。
施澄秋
RTX Spark 是 Jensen 发布的一个新的重头产品。Jensen 说我们重新定义了 PC——按 NVIDIA 自己的定义来讲，这个叫做全新的个人 AI 电脑，重塑了整个个人 AI 智能体时代的 Windows PC，让 PC 从一个单纯的工具一举跃升为并肩协作的智能伙伴。
RTX Spark 最值得分享的，就是它拥有一个 Petaflops 的 AI 性能，最高可以达到 128GB 统一内存，可以在本地运行 1200 亿参数、上下文长度高达 100 万 Token 的大语言模型。这意味着过去要在数据中心才能跑的模型，现在一台 AI PC 就能直接跑。
Agent 在本地干活不需要经历从端侧到云端的来回延迟，不用消耗云端的 Token，所有东西都放在本地，完完全全自主可控。
我强调一点——NVIDIA 的 RTX Spark 不再是堆参数，我们现在关注的是如何优化用户的 Agent 工作流体验。用户 PC 上的 Agent 跟云端的 Agent 需求不一样——安全、私密、全部自主可控。
这次 NVIDIA 跟微软合作，一起为本地智能体打造了一个强大的 Windows on ARM 平台。
微软加入了全新的安全单元，RTX Spark 运行 NVIDIA 的开源软件，让用户能定义智能体可以执行哪些操作、不可以执行哪些操作，根据用户的隐私策略把一部分请求发给本地模型处理，安全可以接受的情况下才向云端模型发送请求。
所以 RTX Spark 是一个混合型的 AI 智能体——能在本地跑的有安全隐私顾虑的放本地跑，脱敏后的数据交给云端更强大的算力来跑。以前云端 GPU 解决不了的，今天在 PC 上的 Agent 能够普及的关键，就在于算力能满足需求，同时安全性能够让大家感到安心。
张慧娟
确实就像佳琪讲到的这个开创性。RTX Spark 一发布以后，我身边的业界朋友关注度非常高。大家都在讨论这是 NVIDIA 首次以主处理器的身份进入 Windows PC 市场，我认为这对于 PC 本身、对于产业生态都会带来一定影响。
首先从 PC 芯片生态角度来看，生态一定会变得更加多元化。NVIDIA、微软还有 ARM 形成了新的产业协作组合——ARM 这些年一直希望打造 Windows on ARM 生态，NVIDIA 把数据中心验证过的统一内存架构和 CUDA 生态一下带到了 PC 平台。
今年秋天就会推出量产的机型，开发者消费者很快就能有新的选择了。
其次对于 PC 产品的改变——多年的交互方式可能会面临重构。未来的电脑不是像现在这样去点图标启动一个个应用，而是直接告诉 AI 我们想做什么，发出指令就可以了。PC 的产业价值在 AI 时代被重新塑造——过去 PC 是工具，够用就行了；
但很快它就会是 AI 工作流的本地载体，这种算力需求有可能也会改变消费者的换机逻辑，PC 市场增长的天花板可能会被重新定义。
佳琪
谢谢慧娟老师对 RTX Spark 的解读。在 GTC 台北之前发布的财报有一个非常重要的变化——对外披露的营收板块做了一个调整，把游戏、PC、汽车、机器人这些业务全部整合为了一个边缘计算板块。慧娟老师怎么看待这个变化？
张慧娟
我觉得当把这些全部整合为一个边缘计算板块的时候，它传达出来的动向是大于数字本身的。过去几年 NVIDIA 数据中心的收入一直受到业界高度关注，但另一方面边缘业务的潜力可能被市场忽略了。
今天我们谈了很多在边缘在端侧的 AI 智能体落地趋势，像物理 AI、像代理式 AI——下一个主战场可能恰恰就在这样庞大的多样化的边缘市场。
从技术落地角度看，推理在大规模地往边缘迁移。不论是机器人的现场决策、L4 自动驾驶的实时处理、还是 PC 本地运行智能体——这些都是真实发生的场景，市场潜力非常可观。
佳琪
这次 GTC 台北还有另外的发布——DGX Station for Windows。Searching 帮我们解读一下这意味着什么？
施澄秋
RTX Spark 基于的是 Grace Blackwell 架构的芯片，我们的整个 AI 架构其实是一体化的——CUDA 架构无论是大 GPU 还是小 GPU，数据中心级别还是边缘运算，都是统一的。
借由小的 RTX Spark 这个个人型桌面超级计算机，也有针对大型 AI 研发机构的 DGX Station——一个顶级的超级 AI 计算机。过去在数据中心才能跑的算力规模，今天我们放到了企业的开发者、研究人员、工程师、设计师、数据科学家的办公桌旁。
许多做模型研发的小团队、初创公司——早上写代码、中午跑实验、下午看结果——但今天云端的算力非常紧张，中小型研发团队要去云端排队做实验要等很久，工作节奏就被打散了。
DGX Station for Windows 要解决的就是这个痛点，让这些用户的工作流不受云端排队的影响，让前沿模型的研发和评估可以在工作人员的桌边连续地发生。
张慧娟
从过去大家想象中 AI 工厂是一个非常大规模的团队，到现在非常多小而美的团队依然在做模型研发工作——DGX Station for Windows 恰恰适应了这种组织架构的调整。
佳琪
从云端到终端，还有一个绕不过去的话题——物理 AI。因为终端不只是 PC 屏幕，它会延伸到机器人、汽车，包括工厂和产线上。这次 GTC 台北大会也有关于机器人和世界模型的发布。施澄秋再帮我们介绍一下物理 AI 方面的发布。
施澄秋
物理 AI 对应的是虚拟 AI、数字 AI。今天无论是聊天机器人还是 Agent，其实都是虚拟存在的，存在于数字世界，我们看不见摸不着。但物理 AI 是我们看得见摸得着的——比如具身智能、车、无人机，这些都是物理意义上存在的 AI。
这次 GTC 台北发布的是第三代 Cosmos 3 和全新的 Isaac GR00T。这些是基于物理 AI 的开放世界基础模型，基于突破性的混合 Transformer 架构所构建的，能把视觉推理、物理世界的生成、动作的预测全部都集成到一个统一的系统架构中间去。
Cosmos 3 是全球首款完全开放的全模态模型，能够以领先的物理精度原生理解并且生成文本、图像、视频、环境音、动作等等。
前面几种文、图、视、音大家都比较熟悉，最最关键的是动作——这个动作意味着机器人的关节怎么动、汽车的方向盘打多少度、刹车油门什么时候给足——Cosmos 3 都能在模型里面实时生成出来。这个能力能把物理 AI 的训练和评估周期从数月缩短至数天。
这些技术同样适用于人形机器人。现在有一句话特别值得分享——人形机器人能够把物理 AI 带到全球最大的各个产业中去，开启一个价值数万亿美元的经济机遇。
这次 NVIDIA 正式推出的是 Isaac GR00T 人形机器人参考平台——你可以想象成 NVIDIA 对于人形机器人所有设想集于一体的公版机器人架构。
它基于 NVIDIA Jetson Thor 和 Isaac GR00T 开放平台，把过去研究人员做人形机器人研发时碎片化的开发流程——数据采集、仿真模拟、模型训练、评估、部署——统一在一个高度集成的参考设计架构里面。
具体到硬件，包括跟国内宇树合作的 H2 Plus 人形机器人和用于灵巧操作的 Shadow Wave 触觉五指灵巧手——也就是传统意义上机器人的身体。最终由 NVIDIA Jetson Thor 驱动本体计算，加上 Isaac GR00T 软件和工作流——也就是机器人的大脑——整合在一起。
张慧娟
这几年在物理 AI 我们看到非常密集的发布。刚才施澄秋介绍的这种机器人参考设计架构对于产业非常有意义。机器人和自动驾驶都是 AI 与物理世界交互的典型场景，现在大家攻坚的重点可以说是实现闭环落地的最后一公里。
这两个领域的共同点是对真实场景的数据有巨大的需求，但挑战也很大——真实场景的数据太贵太少，不可能真的让机器人去工厂里摔跤学走路，也不能真的让自动驾驶在真实道路上通过极端情况迭代算法。
NVIDIA 这几年不断迭代的 Cosmos 和自动驾驶领域的 Apple Mile，本质上都是让它先在虚拟环境里练熟了，再部署到物理世界。这是非常关键的一步。
另一个约束是延迟——自动驾驶和机器人对响应时间的要求是毫秒级的，云端再强也比不了本地实时响应。所以物理 AI 的推理必须在本地完成。Isaac GR00T 和 Apple Mile 2 都提供了从训练到边缘部署的完整链路，这是产业规模化非常需要的开箱即用的模式。
最关键的也是我很乐见的一点——现在已经看到了一些量产的明确时间线了，产业链、软件栈、硬件平台、商业伙伴等等都已经就位了。所以在某种程度上，我觉得也是有一定未来已来的趋势了。
佳琪
最后请两位用一两句话分享一下接下来最期待落地的一个 AI 应用场景。
张慧娟
一开始我们就谈到了实用 AI。我很期待实用 AI 在更多场景的发生——特别就是像 AI Agent 走进我们普通人的生活本身。这次 GTC 台北一个非常明确的信号就是——NVIDIA 把从云端到终端的整条链路都铺好了。
那么接下来一两年，我非常期待能够看到真正能帮我们普通人干活的 AI Agent 出现在我们的 PC 上、手机上、甚至是家里的机器人上。
我还想补充一点——这一波的 AI 浪潮和之前最大的不同，就是它不再只是属于工程师和极客，会是我们普通人都用得到的生活工具。AI 只有走出实验室，走进生活，这个才叫真正的变革。
施澄秋
非常赞同。AI 要走进我们的真实生活——在过去智能家居非常普及，但我们今天还是使用人本身来控制和调度智能家居的逻辑。但如果透过 AI 的智能体，我希望今后能够根据我们的习惯来实时调度，甚至能够提前预测来调度我们的智能家居——以后可能不仅有自驾车，还有家居服务型的机器人，会让我们的生活品质更好。
NVIDIA 也是希望和我们所有的 AI 生态合作伙伴一起，为普通的消费者打造越来越多真实体感的实用 AI 的场景。
