2026 CES ，黄仁勋穿着皮夹克又来了。
不同的是，皮夹克换成了更贵的鳄鱼皮，也没有像往届一样发布备受关注的游戏显卡，这是五年来，英伟达首次在CES却没有发布电脑显卡。
取而代之的是物理AI，黄仁勋在90分钟的新年第一讲中，藏不住对AI世界的野望，用他自己的话说，今天这里要“塞进去”的内容大概有15公斤那么多。
从前沿的算力架构、自动驾驶，到庞大的开源模型生态，再到多模态AI应用、物理AI、边缘计算等未来的AI应用，英伟达全都要。
黄仁勋认为：“物理AI的‘ChatGPT时刻’近在咫尺，但挑战很明确。物理世界多样且不可预测。收集真实世界训练数据缓慢又昂贵，而且永远不够。所以答案是合成数据”?。
而在其看来，自动驾驶将会是最早受益的应用之一。
01 奔驰先吃螃蟹
“我们正站在一个关键拐点上——从‘非自动驾驶’向‘自动驾驶’过渡。这个转变，很可能就在未来十年内发生。”黄仁勋相当确信，全球将有非常非常大比例的汽车，会实现自动驾驶或高度自动驾驶。
在90分钟的演讲中，有关自动驾驶的内容占据了很大比重。
因为其开源了英伟达最新的自动驾驶大模型 Alpamayo，不仅对模型进行了开源，还开源了训练这些模型所使用的数据。这也意味着，很多此前不具备VLA模型开发经验的中小团队，也能获得与巨头同等的技术积累，自动驾驶研发门槛一夜就被削去了。
黄仁勋表示，这是全球首个具备思考、推理能力的自动驾驶汽车AI，其中包括全球首个用于自动驾驶的开源推理VLA模型Alpamayo R1，和用于高保真自动驾驶测试的完全开源仿真框架AlpaSim。
用黄仁勋话来说，Alpamayo 是真正意义上的端到端：从摄像头输入，到执行器输出。它使用了大量由人类驾驶员驾驶的真实里程数据，也使用了大量由Cosmos 生成的合成里程数据。除此之外，还有数十万个样本被极其精细地标注，用来教会这辆车如何驾驶。
Alpamayo最大的突破在于它是“推理型”自动驾驶模型，用以解决驾驶存在着极其庞大的“长尾问题”。
传统自动驾驶系统是“感知-规划-控制”的流水线架构，看到红灯就刹车，看到行人就减速，遵循预设规则。而Alpamayo引入了“推理”能力，理解复杂场景中的因果关系，预测其他车辆和行人的意图，甚至能处理需要多步思考的决策。
比如在十字路口，它不只是识别出“前方有车”，而是能推理”那辆车可能要左转，所以我应该等它先过”，这种能力让自动驾驶从“按规则行驶”升级到“像人一样思考”。现场演示中，老黄给出了一段Alpamayo全程零接管点到点的Demo。
这其中得益于Cosmos物理AI世界基础模型，用海量视频、真实驾驶与机器人数据，以及3D模拟做过预训练，它能理解世界是怎么运行的，把语言、图像、3D和动作联系起来。
依据3D场景生成逼真的视频，根据驾驶数据生成符合物理规律的运动，还能从模拟器、多摄像头画面或文字描述生成全景视频，就连罕见场景，也能还原出来。
结果就是，规划精度提升12%、越界率降低35%、近碰率降低25%、推理-行动一致性提升37%、端到端延迟降低到99ms。
之所以能够解决驾驶中的“长尾问题”，黄仁勋用了更通俗易懂的话来表述，核心在于“拆解”。
黄仁勋承认，我们不可能收集到在每一个国家、每一种环境、每一种条件下、对所有人群来说、可能发生的每一个场景的数据。然而非常重要的一点是，如果把这些场景拆解成许多更小的子场景，它们其实对人类来说都是非常常见、非常容易理解的情况。
“这些长尾场景可以被分解为一系列“正常情况”，而车辆已经知道如何应对这些情况，它只需要对当前情境进行推理即可。”
为了解决“没有人能在‘无限长时间的真实驾驶’之前，百分之百确信它绝对安全”的问题，黄仁勋在Alpamayo还是用了一整套完整的自动驾驶栈，用来兜底。
简单来说，两套软件系统彼此镜像、相互对照运行，另外还有一套策略与安全评估器，用来判断当前，这个驾驶场景，是否具备足够高的置信度，能够安全地进行推理和驾驶。如果能，则交由Alpamayo执行。如不能，安全与策略评估器判断需要回退到一个更简单、更安全的护栏系统，那么系统就会切换回传统的自动驾驶软件栈。
黄仁勋表示，搭载英伟达自动驾驶软件的全新奔驰CLA是全球唯一同时运行这两套自动驾驶系统的汽车。
没错，奔驰是第一个吃螃蟹的，新款奔驰CLA会首发搭载英伟达Alpamayo方案，而且在刚刚黄仁勋展示的Demo中，并没有隐藏车辆信息，正是全新奔驰CLA。
其也宣布，将于今年第一季度在美国正式上路，随后在第二季度进入欧洲，他还预计第三和第四季度会进入亚洲。
另外，开源的仿真框架AlpaSim也已在GitHub开放，能够高保真验证自动驾驶系统，为开发者提供安全、可扩展的虚拟测试环境。
“开发者还可以使用Cosmos生成合成数据，并在真实数据和合成数据的结合上训练和测试基于Alpamayo的自动驾驶应用。”英伟达汽车部门副总裁Ali Kani表示。
02 物理AI的ChatGPT时刻快来了
作为开年第一讲，绝不仅仅只涉及自动驾驶，重头戏更在物理AI的计算跃进上，Alpamayo也只是其中一环。
在整个AI体系中，最重要的莫过于，其面向人工智能数据中心的全新计算平台 Vera Rubin，黄仁勋在演讲中花了近 10 分钟来介绍其设计初衷、架构、技术细节等信息。
据黄仁勋介绍，AI 所需的计算量正在飙升，对英伟达 GPU 的需求也急剧增长。这是因为 AI 模型的规模每年都在以10倍的速度增长，而Vera Rubin 超算正是为了应对目前行业面临的根本性挑战而设计。
Vera Rubin架构，通过Vera CPU、Rubin GPU、NVLink 6 switch、ConnectX-9 SuperNIC、BlueField-4数据处理单元（DPU）、Spectrum-6 Ethernet switch这六大芯片的的协同设计，以实现更快的数据共享和更低的延迟，从而优化大规模AI模型的训练和推理。
其中，硬件核心是Rubin GPU和VeraCPU，英伟达Rubin GPU 是Rubin 架构中负责 AI 计算的核心芯片，目标是显著降低推理与训练的单位成本，而Vera CPU是专为数据移动和Agentic处理设计的核心组件。
NVLink-6负责GPU内部协同计算，BlueField-4负责上下文与数据调度，而ConnectX-9则承担系统对外的高速网络连接。它确保Rubin系统能够与其他机架、数据中心和云平台高效通信，是大规模训练和推理任务顺利运行的前提条件。
繁琐的专业话术不再赘述，核心思路就是，不再依靠堆卡，而是把整个数据中心变成一台AI超算，相比参数，结果更重要。
结果就是，相比上一代Blackwell平台，性能提升高达5倍，而功耗仅增加1.6倍。 这使得Vera Rubin架构整体能够在相同时间内训练大型“混合专家”（Mixture of Experts, MOE）AI模型，可将推理阶段的 token 成本最高降低10倍，并将训练混合专家模型（MoE）所需的 GPU 数量减少至原来的1/4。
反过来看，这也意味着Rubin能在相同机架空间内，大幅提升训练吞吐量，并生成远多于以往的token数量，而训练越快，就能越早将下一代前沿技术推向市场。“这关乎着你的定价权”，黄仁勋颇为自豪的表示。
最重要的，这个平台已进入全面生产阶段，预计2026下半年开始出货。
最后还有小彩蛋，黄仁勋现场还透露了，马斯克的Grok 5下一代模型的参数规模将是7万亿，而不是之前盛传的10万亿。
当然，以上这些还远远不是黄仁勋演讲的所有内容，比如机器人的“全家桶”秀，舞台上站满了不同形态、不同用途的机器人，从人形机器人、双足与轮式服务机器人，甚至还有CAT旗下的工程机械车。
还有涵盖多个领域的开源模型全家桶：针对医疗健康与生命科学领域的AI技术工具Clara、面向AI物理模拟Earth-2、专注AI智能体领域的Nemotron专项模型。
英伟达在CES上展示的这些，已经不难看出其野心，正如黄仁勋在结尾时说的那样：今天的英伟达早已不仅是芯片公司，他们所构建的是完整的全栈AI体系——从芯片、系统、基础设施，到模型和应用。
