2026年1月6日至9日，备受瞩目的国际消费电子展在拉斯维加斯如期举行。英伟达创始人黄仁勋在北京时间1月6日凌晨五点发表了开幕主题演讲，全面阐述了NVIDIA的技术方案如何持续推动着汽车、游戏、内容创作、生成式AI、物理AI与机器人等前沿领域的创新浪潮。Creative Strategists分析师评论道，黄仁勋在CES 2026的演讲生动展现了英伟达如何从一家纯粹的GPU供应商转型为“综合性的AI系统架构师”，其解决方案已全面覆盖计算、网络、存储架构、软件编排等全栈生态。即便面对行业巨头纷纷投入定制芯片的趋势，英伟达凭借其高度集成的平台优势，构建了愈发难以被替代的技术壁垒。
在本届CES展会上，黄仁勋详细介绍了英伟达物理AI的全栈生态系统，并发布了一系列全新的机器人基础模型、仿真工具与边缘硬件，上述模型均可在Hugging Face平台获取。分析指出，英伟达进军机器人领域反映了行业更广泛的转型趋势：随着人工智能技术从云端走向能够学习如何在物理世界中思考与行动的实体，这一转变得益于日益普及的传感器、先进的仿真技术以及跨任务泛化能力不断增强的AI模型。英伟达正致力于降低机器人开发的门槛，希望成为支撑这一领域的底层硬件与软件供应商，其愿景类似于安卓系统之于智能手机制造商的角色定位。
而早期迹象已经表明，英伟达的策略正在奏效。在Hugging Face平台上，机器人相关的模型类别已成为增长最快的领域，而英伟达的模型下载量更是遥遥领先。此外，黄仁勋在演讲中指出，英伟达引领的开放模型生态系统成效显著。在近期发布的全球顶尖语言模型排名中，英伟达已超越谷歌、OpenAI与Meta等科技巨头，位列榜单首位。
具体而言，在自动驾驶领域，英伟达发布了首个专门为自动驾驶汽车设计的“推理”AI，命名为Alpamayo。该模型专为L4级自动驾驶系统开发设计，旨在实现安全、可靠的全自动驾驶能力。模型针对DRIVE Hyperion平台上的实时性能进行了深度优化，显著加速了L4自动驾驶系统在乘用车和商用车队中的开发与部署进程。此次展示充分体现了NVIDIA从高性能计算机和传感器集成，到AI训练和仿真的端到端方法，将如何极大地简化自动驾驶车辆的开发流程。
黄仁勋表示，潜在用户可免费获取Alpamayo模型并进行自主再训练。这款免费产品的宗旨，在于打造能够通过“思考”来应对突发状况（如交通信号灯故障）的智能车辆。基于与梅赛德斯-奔驰的合作成果，英伟达正致力于推出既能实现在高速公路上的脱手驾驶，又能在城市道路中自主穿行的智能车辆。黄仁勋透露，首批搭载英伟达该技术的汽车将于今年第一季度在美国正式上路。
在演讲中，英伟达还宣布推出全新的BlueField-4数据处理单元。BlueField-4通过大幅增加GPU内存容量，能够充分满足长上下文、多轮智能推理所需的扩展性和效率，其能效相比传统存储设备最高可提升5倍。此外，它还能实现每秒最大代币产出、缩短首个代币生成时间并提升多轮交互响应速度，从而有效消除元数据开销、减少数据传输。
黄仁勋表示：“人工智能已不再局限于单次对话的聊天机器人，而是发展成为能够理解物理世界、进行长期推理、立足事实、运用工具完成实际工作，并具备短期与长期记忆协作的智能系统。借助BlueField-4平台，NVIDIA正与软硬件合作伙伴共同为人工智能的下一个前沿领域重塑存储架构。”
此外，NVIDIA在CES展会上还推出了两款桌面AI超级计算机——DGX Spark和DGX Station，旨在助力开发者将创新转化为实际影响力。DGX Spark能够运行参数达100亿的模型，而DGX Station则可处理参数高达1万亿的模型。系统基于NVIDIA Grace Blackwell架构，具备大统一内存和PFLOPS级别的AI性能，使得开发者能够在本地高效开发，并轻松扩展至云端。这为前沿AI实验室提供了从桌面进行大规模模型计算的能力。这些预置模型包括Kimi-K2 Thinking、DeepSeek-V3.2、Mistral Large 3、Meta Llama 4 Maverick、Qwen3和OpenAI gpt-oss-120b等。
黄仁勋还宣布，英伟达的下一代AI超算芯片平台Vera Rubin已全面投产，并计划于今年晚些时候开始向客户交付。Vera Rubin芯片有望将运行AI模型的成本降低至英伟达当前领先芯片系统Blackwell的十分之一，并且训练某些大型模型所需的芯片数量仅为Blackwell所需的四分之一。
黄仁勋指出，摩尔定律的放缓已成事实，因此每年能够增加的晶体管数量根本跟不上模型规模扩大十倍的需求；也无法跟上每年生成token数量增长五倍的速度；更无法赶上token成本急剧下降的趋势。如果行业要持续进步，除非采用激进的、极端的芯片设计方法，即在所有芯片、整个技术栈上同时进行创新。这正是我们决定开发这一代产品时别无选择的原因，我们必须重新设计每一个芯片。
