英伟达GTC 2025的野心版图：Scaling Law争议下的万亿美元赌注

黄仁勋用一场脱稿演讲掀开AI变革的新篇章，直言道：

「几乎全世界都误解了Scaling Law」

当所有人都在质疑AI增长天花板时，英伟达却在继续铺设通往万亿美元市场的高速公路。

3月19日，万众期待的AI界春晚，英伟达GTC 2025大会在加州圣何塞隆重举行。

身着标志性黑色皮衣的英伟达CEO黄仁勋带来了一场长达2小时的精彩演讲，不用提词器，全程脱稿。

他从GeForce游戏显卡的25周年聊起，经过AI芯片革命，最终展望机器人时代，为我们勾勒出英伟达眼中AI的宏伟未来。

黄仁勋的开场与回顾

黄仁勋首先回顾了GeForce系列显卡的历史，尤其是RTX 5090，它比前一代产品体积小了30%，但性能却显著提升。

他强调了CUDA对于AI发展的重要性，并指出正是通过CUDA，AI才得以迅速发展并反过来提升了游戏体验。

‍AI正处于关键拐点

Scaling Law争议下，算力需求再加速。

黄仁勋开场便将今年1月在CES上使用过的两张PPT重新展示给观众。

第一张展示了AI发展的四个阶段：

感知AI(Perception AI)

生成式AI(Generative AI)

代理AI(Agentic AI)

物理AI(Physical AI)

目前我们正处于从生成式AI向具有更强自主性的代理AI过渡的关键阶段。

第二张PPT则呈现了Scaling Law的三个阶段：

预训练扩展(Pre-training Scaling)、

后训练扩展(Post-training Scaling)

测试时间扩展/长思考(Test-time Scaling/Long Thing)。

这里粒子熔炉先为大家解释一下什么是：Scaling Law。‍

Scaling Law，也就是缩放定律，是一个听起来有点高大上，但其实很好理解的概念。

scaling law最早由OpenAI在2020年的一篇论文中提出，主要讲述了大模型的性能主要与计算量、模型大小和数据量三者的大小关系。

有业内专业人士将其比作AI领域的「摩尔定律」。

简单来说，就是模型更大、数据更多、计算资源用的更多时，模型的就越聪明。

但这种提升并不是简单的线性关系，而是有一定的数学规律可循。

这个定律在AI领域特别重要，因为可以帮助科学家们提前预测模型的表现。

比如，通过在小模型上做实验，找到这个缩放规律，就能大致推测出如果把模型规模扩大，它的性能会变得多好。

不过目前一些专家认为，Scaling Law已经进入边际效应递减阶段，随着模型规模的扩大，性能提升的速度正在放缓。Scaling Law可能已经逐渐不起作用了。

对于业界普遍认为的Scaling Law放缓问题，黄仁勋提出了截然不同的观点。

他甚至直言「几乎全世界都误解了」这个问题，强调由于新兴的扩展方法和技术，AI的进步速度实际上比以往任何时候都快。

黄仁勋强调了推理阶段的Scaling Law才刚开始，认为AI回答问题前思考得越多，推理效果就越好，而这是一个极其消耗算力的过程。

他现场以婚宴座位安排为例说明，推理模型DeepSeek R1要完成这项任务消耗的算力是传统大模型的150倍，token消耗量也高达传统模型的20倍。

黄仁勋预测：「最近两年只是AI浪潮的开始，随着AI大模型和推理计算需求激增，数据中心的资本开支会爆发式增长，到2028年整个市场规模将突破1万亿美元。」

据黄仁勋透露，四大云服务提供商对GPU的需求正在激增，美国主要云服务商今年已经订购了大约360万颗Blackwell芯片。

Blackwell全家桶

跨越数据中心到个人电脑的全面布局

本次大会的焦点无疑是新一代AI芯片的发布。

英伟达正式推出了Blackwell Ultra(GB300)芯片，这是去年发布的Blackwell架构的升级版。

单颗GB300配备了288GB的HBM3e内存(相比GB200的192GB提升了50%)，提供15PF的稠密FP4算力。

与此同时，英伟达并没有直接对比GB300与GB200的性能，而是选择将其与2022年发布的H100做对比，展示出GB300具备1.5倍的FP4推理能力。

值得注意的是，GB300能够大幅加快AI推理速度。

根据官方数据，NVL72 集群能够运行 DeepSeek-R1 671B 模型时，只需 10 秒即可给出答案，而 H100 则需要 1.5 分钟。

Nvidia 表示，这是因为它每秒可以处理 1,000 个 token，是 Nvidia 2022 年芯片的十倍。

在此基础上，英伟达打造了面向不同应用场景的完整产品线：

1.数据中心级别：Blackwell Ultra NVL72平台集成72颗GB300，将于2025年下半年推出，算力达到原本GB200 NVL72的1.5倍。

可以为为大规模AI训练和推理提供强大支持。

2.工作站级别：DGX Station搭载单颗GB300超级芯片，拥有784GB统一内存，AI算力高达20000 TFLOPS。

黄仁勋将其描述为「AI时代的计算机」，让AI开发人员、研究人员和数据科学家能够在桌面上对大型模型进行原型设计、微调和推理。

3.个人电脑级别：此前在CES上展示的Project DIGITS迷你主机正式命名为DGX Spark，售价3000美元，提供1000 TFLOPS的AI算力。

黄仁勋将其称为「完美的圣诞礼物」，为AI开发人员、研究人员、数据科学家和学生提供桌面端的轻量型的计算平台。

‍4.专业显卡：发布RTX PRO系列Blackwell专业卡，旗舰RTX PRO 6000系列配备24,064个CUDA核心、752个Tensor核心、188个RT核心。

这些专业显卡将由华硕、戴尔、惠普等厂商以及Boxx、Lambda和Supermicro一起销售。

接下来，黄仁勋说出了那句经典台词：

 「买得越多，省得越多。它甚至比那更好。现在，买得越多，赚得越多。」

Rubin架构揭示英伟达的野心版图

除了当前的Blackwell系列，黄仁勋还公布了英伟达未来几年的AI芯片发展路线图。

继Hopper、Blackwell之后，英伟达延续了英伟达以杰出科学家命名芯片架构的传统。

为了纪念「证实暗物质存在」的女性科学先驱薇拉・鲁宾(Vera Rubin，1928-2016)，将下一代架构将命名为Rubin。

从2004年至今，英伟达已经发布了十三代芯片架构：

包括Currie(居里)、Tesla(特斯拉)、Fermi(费米)、Kepler(开普勒)、Maxwell(麦克斯韦)、Pascal(帕斯卡)、Volta(伏特)、Turing(图灵)、Ampere(安培)、Ada Lovelace(阿达·洛芙莱斯)、Hopper(霍珀)、Blackwell(布莱克威尔)，以及今天宣布的Rubin(鲁宾)，每年发布一代。

Vera Rubin架构是一个全新设计，

黄仁勋表示：「基本上，除了机架外，所有东西都是全新的。」

Rubin的FP4算力达到50千万亿次，高于Blackwell的20千万亿次浮点运算。

从性能提升的角度看，如果说Blackwell是Hopper的68倍，那么Rubin的性能将达到Hopper的900倍，这一飞跃式的提升展示了英伟达在AI硬件领域的雄心。

黄仁勋还宣布了将于 2027 年下半年推出的 Rubin Ultra。

Rubin Ultra 将采用 NVL576 机架配置，并配备带有四个标线大小芯片的独立 GPU，也就是将四个芯片组合成一个芯片，使 Rubin 的速度翻倍，并将其称为四个 GPU。

而在Rubin之后，英伟达已经规划了下一代架构，该架构以美国理论物理学家理查德·费曼 (Richard Feynman)命名，黄仁勋在主题演讲中没有透露 Feynman 架构的细节。

突破性创新：硅光技术为超大规模AI集群铺平道路

为解决大规模AI集群的互联挑战，英伟达推出了革命性的NVIDIA Photonics硅光子技术，这是本次大会最受关注的重点之一。

这项技术通过共封装光学(CPO)取代传统的可插拔光学收发器，使光纤直接连接到交换机，可显著降低数据中心功耗。

基于这一技术，英伟达发布了Spectrum-X和Quantum-X两款硅光子网络交换机。

黄仁勋称其为「世界上最先进的网络解决方案」。 

Quantum 3450-LD机箱内有四个 Quantum-X CPO 插槽，以无阻塞方式完全连接，以 800 Gb/秒的速度提供 144 个端口，这些端口的总有效带宽为 115 Tb/秒。

这些产品将帮助构建能够连接数百万GPU的超大规模AI数据中心。

英伟达的硅光交换机与传统方案相比，集成了创新的光学技术。

与传统方法相比，英伟达光子交换机集成了光学创新技术，激光器数量减少了4倍，从而实现了3.5倍的功率效率、63倍的信号完整性、10倍的大规模网络弹性和1.3倍的部署速度。

值得一提的是，在大会上还发生了一件有趣的事情：

老黄在拿线的时候，线还缠在一起了，然后现场解了半天：

软件革新：Dynamo让AI工厂运转更高效

硬件的飞跃需要软件的支持，在软件层面，英伟达发布了被称为「AI工厂操作系统」的Dynamo。

黄仁勋强调：

随着我们扩展AI，推理将成为未来十年最重要的工作负载之一。

Dynamo是一个开源的分布式推理服务库，旨在解决用户对token需求与生产能力之间的矛盾。

领先的Agentic AI平台用户包括埃森哲、Amdocs、Atlassian、Box、Cadence、CrowdStrike、德勤、IQVIA、微软、SAP和ServiceNow。

他们都正在与NVIDIA合作开发其新的推理模型和软件，这表明英伟达在软件生态系统构建方面的努力正获得行业认可。

机器人时代：AI的下一个万亿美元市场

大会的最后部分，黄仁勋将目光投向了更远的未来：机器人技术。

他将机器人描述为下一个价值10万亿美元的产业，并表示到本世纪末，全球将至少缺少5000万名工人，机器人技术将成为解决这一问题的关键。

英伟达与迪士尼和谷歌Deepmind合作开发了物理引擎Newton，这是一个开源的物理引擎，专为机器人模拟设计。

黄仁勋还宣布发布全新Cosmos世界基础模型，为物理AI开发引入开放且完全可定制的推理模型，并赋予开发人员对世界生成前所未有的控制权。

他表示：「使用Omniverse来调节Cosmos，并使用Cosmos来生成无限数量的环境，使我们能够创建有根有据、由我们控制，但同时又系统地无限的数据。」

随后，英伟达正式发布了Isaac GR00T N1，这是世界上第一个开放、完全可定制的通用人形推理和技能基础模型。

黄仁勋表示：

「通用机器人时代已经到来。借助英伟达Isaac GR00T N1和新的数据生成和机器人学习框架，世界各地的机器人开发人员将开辟人工智能时代的下一个前沿。」

为了生动展示机器人技术的进展，一个名叫「蓝色」的微型机器人从地板上的舱口钻出来，向黄仁勋发出嘟嘟声。

这个小家伙去年GTC就曾到访黄仁勋演讲现场，今年再次成功吸引了全场目光，观众纷纷拿出手机拍摄这一有趣的互动。

市场争议：华尔街为何不买账？

尽管技术亮点频出，发布会后英伟达股价下跌3%。

粒子熔炉看到分析师认为，核心问题可能在于「缺乏新故事」：

DeepSeek等高性价比模型冲击下，客户对算力成本更敏感，而Blackwell Ultra仍需验证市场接受度；

机器人、量子计算等布局虽具潜力，但商业化周期长，难解短期增长焦虑；

黄仁勋强调「推理算力需求将暴增100倍」，但市场对AI应用落地速度持观望态度。

结语

从Blackwell到Rubin再到Feynman，英伟达的技术路线图已经延伸到2028年之后。

然而，华尔街的冷淡反应似乎在问：

这场押注未来的豪赌能否经受住短期增长压力的考验？

在AI应用落地与算力需求之间，英伟达能否继续保持其印钞机地位？

让我们拭目以待。