撰文：Techub News 整理
导语
北京时间 2026 年 3 月，NVIDIA 年度技术盛会 GTC 在圣何塞 SAP 中心拉开帷幕。在创始人兼 CEO Jensen Huang（黄仁勋）的主题演讲之前，一场长达三小时的「开场秀」汇集了数十位全球顶尖的开发者、企业家、科学家和投资者。本次预热讨论由 Conviction 创始合伙人 Sarah Guo 和 Atreides Management 创始合伙人 Gavin Baker 主持，并穿插了现场记者 Tiffany Janzen 对多位嘉宾的采访。对话聚焦于加速计算如何从训练走向推理，并深入物理世界，成为重塑各行各业的基础设施。本文整理了这场高密度思想碰撞的核心观点，为读者呈现 AI 革命前沿的全景图。
摘要
- 加速计算已超越 AI，成为从图形渲染、数据处理到科学模拟的通用计算范式，其市场正首次扩展到设计与工程领域。
- 企业 AI 应用的核心挑战正从「算力约束」转向「能力约束」与「数据价值解锁」，可靠、可解释的推理结果成为关键。
- 推理工作负载的「解构」（如分离预填充和解码）将极大提升现有 GPU 的利用率和残值，延长基础设施生命周期，降低创新门槛。
- 物理 AI（机器人、自动驾驶）是下一个爆发点，其发展路径将从结构化的企业场景逐步走向非结构化的消费场景，安全与仿真验证至关重要。
- 专业化、多智能体协作的 AI 模式（如医疗领域的数字孪生专家）将成为复杂领域的主流，推动知识工作范式变革。
加速计算：从专用引擎到通用基础设施
摩根士丹利董事总经理 Mark Edelstone 作为当年 NVIDIA 上市的分析师，回顾了公司的崛起之路。他指出，NVIDIA 早期就确立了构建「平台」的愿景，即结合架构、算法和软件兼容性，并通过「三支团队应对两个产品周期」的研发节奏，在激烈的图形芯片竞争中建立了持续领先的能力。这种平台思维后来顺利过渡到加速计算领域。
IBM 软件高级副总裁 Desh Nirmal 从数据演进的视角解读了 AI 平台化。他认为，数据正从过去的「终点」（存储在数据库中等待查询），演变为今天的「工具」（通过多种接口访问），并即将成为明天的「代码」或「技能」。未来，企业将能通过自然语言指令，动态生成处理特定数据任务的程序，从而实现前所未有的灵活性和规模。企业 90% 的数据是非结构化的，如何将其与交易数据关联并提取价值，是生成式 AI 落地的核心。
Palantir 美国政府业务总裁兼 CTO Akash “Aki” Jain 分享了该公司从数据治理走向 AI 应用的经验。Palantir 的起点是帮助人类团队像软件工程团队一样协同处理数据。随着计算机视觉等 AI 技术因 NVIDIA GPU 和 CUDA 而变得实用，Palantir 开始将这些能力用于关键任务，例如利用视频、音频等非结构化数据保障军事人员安全。如今，随着生成式 AI 的成熟，焦点转向如何安全、受控地将「AI 队友」接入人类工作流，实现规模化的成果加速。Aki 提出了一个有趣的观点：组织的规模限制因素正从「神经元」（人力）转向「电子」（算力）。
Cadence 总裁兼 CEO Anirudh Devgan 则从芯片设计这一基石领域阐述了 AI 的影响。他将其比喻为一个三层蛋糕：顶层是智能体 AI，中间是物理、化学等「地面实况」真理，底层是计算与数据。成功的应用需要垂直切下整个蛋糕。在芯片设计领域，智能体 AI 已能自动生成寄存器传输语言代码和测试平台，而底层强大的算力（如 GPU）使得仿真速度和规模达到过去难以想象的水平。尽管设计工具效率已提升百倍，但芯片复杂性的指数级增长要求工具性能必须再提升十倍，AI 正是实现这一目标的关键。
AI 基础设施：构建全球智能的「五层蛋糕」
戴尔科技创始人、董事长兼 CEO Michael Dell 指出，计算将无处不在，从边缘设备到超大规模数据中心。戴尔推出的 AI 工厂和数据平台，核心在于解决数据编排问题，以极快的速度向 GPU 输送数据。他特别强调，随着多智能体系统和复杂查询的出现，KV 缓存等分层内存系统变得至关重要，内存和存储数据的增长速度甚至可能超过算力本身。解锁企业内从未被使用的「冷数据」，是当前数千家客户正在探索的方向。
云算力提供商 CoreWeave 联合创始人、董事长兼 CEO Michael Intrator 对推理工作负载的「解构」感到兴奋。他认为，将推理分解为不同阶段（如预填充和解码），使得像 CoreWeave 这样的公司能够针对每个环节进行深度优化。这种专业化在以往的计算浪潮中并不经济，但现在由于规模巨大而变得可行。更重要的是，解构允许将部分工作负载路由到旧一代 GPU 上执行，从而从现有基础设施中榨取更多价值，延长资产使用寿命，这将对融资和信贷模式产生积极影响。
Fireworks AI 联合创始人兼 CEO Lynn 将 2026 年视为「效率之年」和「AI 创新爆发之年」。她指出，当前拥有产品市场匹配度并不等于拥有可持续的业务，许多公司可能因推理成本过高而「扩张至破产」。Fireworks 通过「三维优化」方法，帮助客户利用其私有数据提升模型智能、速度和成本效益，目标是将总拥有成本降低 5 到 10 倍。她展望的未来是训练与推理的融合，模型在服务过程中持续学习，实现更极致的效率。
卡特彼勒 CEO Joe Creed 代表了 AI 基础设施金字塔的底层——能源与物理建设。他坦言，正在见证职业生涯中最大规模的基础设施建设浪潮。Jensen Huang（黄仁勋）提出的「五层蛋糕」（芯片、系统、软件、AI 工厂、物理世界）中，前三层（能源、芯片、基础设施）正是卡特彼勒所赋能的领域。AI 的爆发将消耗远超预期的电力，而卡特彼勒正在全球范围内提升发电和工程机械的产能，以支撑这场智能革命。
物理 AI 与智能体：当智能融入现实世界
Open Evidence 联合创始人兼 CEO Daniel Nadler 从医疗领域阐述了专业化智能体的必要性。人体本身是高度分化的，医学知识也早已高度专业化。因此，未来的医疗 AI 不会是单一的通用智能，而是由众多数字孪生专家（如心脏病学、神经学专家）组成的协作网络。医生可以动态调用这些「数字专家」来辅助诊断。他指出，生物医学知识的爆炸式增长（每 5 年翻一番）已远超人类医生的学习能力，AI 数字孪生将成为医生应对知识海洋的必备工具。他透露，Open Evidence 这家不足百人的公司，今年将间接支持美国 3 亿人次的患者诊疗，展现了 AI 时代「小团队、大影响」的新范式。
西门子研发副总裁 Danping 分享了 AI 在工业物理世界的应用。通过智能体 AI 和模型上下文协议，可以将行业专家的领域知识嵌入工作流，赋能非技术背景的员工。西门子与 NVIDIA 的合作涵盖仿真、供应链、制造和电子设计自动化四大领域。例如，利用 GPU 加速物理仿真，用 AI 构建高精度流程模型，甚至用生成式 AI 控制工作流，让软件具备「思考并行动」的能力。数字孪生工具允许全球团队在虚拟环境中进行照片级真实的协作设计与决策。
Waabi 创始人兼 CEO Raquel Urtasun 从自动驾驶的历程为物理 AI 提供了经验教训。她指出，早期自动驾驶采用「机器人专家」方法，试图手工编码一切，这无法实现规模化。Waabi 秉持「AI 优先」、「仿真优先」的理念，通过构建世界模型和混合现实测试，能够在虚拟环境中穷尽测试 corner case，这是确保安全关键系统安全的唯一途径。她认为，这种基于仿真、可进行端到端验证与推理的新方法，将被其他物理 AI 领域广泛采纳。
机器人公司创始人 Deepak 探讨了通用机器人的落地路径。他认为，机器人将遵循从企业到消费场景的渐进式发展。首先在结构化、付费意愿强、容错度较高的企业环境（如工厂）大规模部署；然后利用积累的数据，逐步拓展至医院、杂货店等半结构化场景；最后才进入家庭等完全非结构化环境。这个过程依赖于「数据飞轮」——用前一阶段的数据驱动下一阶段通用能力的提升。他预告将有重要企业合作公告，实现机器人在企业场景的「一次性大规模部署」。
自动驾驶公司 Wayve 联合创始人兼 CEO Alex Kendall 展示了「端到端 AI」驱动自动驾驶的进展。Wayve 通过构建世界模型，实现了在超过 500 个城市进行「零样本」驾驶测试（即在从未采集过训练数据的城市驾驶），证明了其系统具备真正的泛化能力。他强调，未来的每辆车都将是自动驾驶的，而汽车产业将是 embodied AI（具身智能）首个大规模展示的舞台。Wayve 已与 Uber、Stellantis 等合作，计划在全球超 10 个城市推出机器人出租车试运营。
