1月6日，比上届稍显冷清的CES在拉斯维加斯开幕。大家一直把CES当做科技风向标来看。自从五年前与汽车关联以来，中国这边的汽车圈，也开始大规模关注CES。而本届CES，电子内容已经退到舞台角落，算力、开发生态、以及相应的硬件，占据了核心位置，似乎应该定义为“AI展”。英特尔、AMD与英伟达，成为扛旗者。当然，英伟达CEO黄仁勋的演讲和展示，成为核心中的核心，不可不谈。

其90分钟的演讲，信息量太大，我们裁剪一下，围绕有关智驾的内容作为重点，而AI则作为背景。

即便如此安排，依然遮盖不了老黄飚出各种振聋发聩的AI大词儿。和以前每次发一款GPU不同，这一次发布的是一整套计算架构，命名为Vera Rubin（薇拉·鲁宾），致敬同名天文学家，后者发现了暗物质。就知道老黄也是个很骄傲的人，他暗示新计算架构在AI产业当前的位置，就好比暗物质在宇宙学当中的地位。

这一架构由6枚芯片构成，全部重新设计。包含控制数据搬运的CPU、主导算力的GPU、高带宽神经网络、高速网络接口芯片、数据处理器和一个以太网关。这里面将CPU变成GPU的数据搬运工，以及用DPU创建超高速缓存，增加GPU的动态存储空间，以实现超长Token的推理能力。这一解决方案的确是前所未有的，当然也是非常奢侈的。

老黄表示Vera Rubin的性能击破了摩尔定律——相比上一代Blackwell，算力增5倍、推理Token成本降10倍，但晶体管数量只增加1.7倍。如果这些都是真的，英伟达在算力硬件上的统治力进一步强化。

大家还没拿到B200，老黄就宣布Vera Rubin将在2026下半年出货。客户需求追不上硬件迭代，英伟达做到了。

不仅是计算架构，老黄推出的AI模型，模拟工具和实现路径，才是对汽车产业的暴击。英伟达长期以来一直是芯片供应商，最多加上CUDA开发生态，所以英伟达一直信奉开源模式。现在工具链一出，开源就有点动摇。因为只有买了英伟达硬件全家桶，才能得到他承诺的性能。

依托硬件优势构成封闭生态，剑指汽车应用，这是前所未有的。2025年英伟达车载芯片在中国市占率下滑，但仍超过50%，对英伟达来说始终是小业务。现在这么大张旗鼓地动用主力研发资源，就意味着英伟达要占据汽车产业的AI上游：大模型训推中心的硬件底座、大模型训推的工具和验证，都是商业上的膏腴之地。留给方案供应商的，就剩下转移模型了，而且这一块英伟达好像也在涉足。

如果英伟达这一套大模型训推模式的验证工程（可以认为是工程Demo），即与奔驰合作的CLA搭载方案成功（表现出超出同跻的道路场景决策能力），对行业的影响力将瞬间达致顶峰。对汽车行业而言，英伟达第一次从后台走向前台。对英伟达而言，这是从芯片供应商迈向“物理智能基础设施提供商”的关键一步。如果车企和云服务商都绑定了英伟达的“全家桶”，其业内地位更难撼动。

这一切会真实发生吗？

先看看老黄鼓吹的“物理AI”的概念，这似乎和此前的具身智能有所重复。两者的区别不仅在于，物理AI不必拥有“实体”；还在于，物理AI能够理解“物体恒存性”。说白了，物理AI不仅如具身智能那样，与物理世界互动，还能理解物理世界，比如理解重力和摩擦力、惯性。总之，一切都符合牛顿力学，与人类的日常生活经验相符。以前人类很习惯的物理世界，AI无法理解。比如很简单的，手指不会穿越坚固物体表面；看向别处，再移回视线，先前的物体仍在；重卡比同速轿车，需要更长的刹车距离等等。现在老黄承诺AI可以理解以上现象。

大模型具备物理AI能力有什么用？AI最大的问题，就是幻觉。LLM的幻觉，最多胡言乱语或者编造；而自动驾驶的幻觉，则可能导致严重后果。物理AI其实是一种验证能力，如果大模型具备物理AI能力，生成一个决策之前，它自己就能思考，什么才是合理的路径；在决策生成付诸执行前，它也能验证，这个决策的正确性和安全性。

这其实就是Vera Rubin新具备的、强大的长Token推理能力，一切都讲得通了。

至于大模型训推，黄仁勋虚拟了三个计算机，一个用于训练，一个用于推理（思考），第三个用于仿真（验证）。在虚拟世界中对真是物理世界进行验证，就是英伟达大模型工具的妙处。

说到底，英伟达的大模型仍然执行VLA链，但VLA的痛点就在于复杂子情景下思考过慢。而Vera Rubin专门用于推理的、DPU和CPU协理GPU的机制，理论上解决了思考速度的问题。

当物理AI与核心工具都有了之后，老黄恰到好处地推出Alpamayo，并将其称为“全球首个具备思考与推理能力的自动驾驶AI”。如果你认同前面疯狂硬件组合具备的能力，Alpamayo就顺理成章。

Alpamayo与众不同的另一点，也准确击中了智驾另一个痛点：可解释性。Alpamayo不但推理，还会把思考过程、即将采取的行动（行车轨迹），以及采取该行动的理由，都用人类能识别的语言记录下来。

长期以来，“端到端”训推过程，被称为“黑盒子”（有人称之为“隐学习”），就是因为人类看不到、看不懂其思考过程。这样人就对AI思考的结果不放心。目前普遍采取施加一系列硬规则来给端到端智驾做兜底。

如果人类第一次看到，从AI的视角看来，哪些长尾场景是高度相似的，以至于AI无须重复训练人类就能马上提升真实训练数据的质量，提升训练效能，从而减少对真实高质量数据需求。此举将促进自动驾驶系统更快迭代和成熟。沿着原路径升级为L3，也就不再是空话。

基于新硬件底座和工具链，英伟达的这一套训推逻辑，如果如其所说的那般好用，那么给竞争者（包含所有的智驾供应商和自研智驾的车企）带来的震撼是无以复加的。值得一提的是，这并未改变transformer作为标准算子的注意力机制。也就是“老路走出了新速度”。

如此一来，对于汽车产业而言，英伟达就从芯片供应商变身云硬件+训推标准教师模型+芯片+算法工具链的提供者。这对于致力于智驾供应链整合的车企来说，不是好消息。智驾供应商能做的，岂不是只剩下直接部署于车端的“学生小模型”。其商业价值将大打折扣。看起来，大家都在做争夺智驾供应链的“整合权”。

有人马上@马斯克，而后者明显不以为然，“这正是特斯拉在做的。他们会发现，达到99%很容易，但解决分布的长尾问题超级难。”

问题不在于谁的模型更有效率，而在于英伟达推出一种很难抵挡的训推模式和算法开发生态。对行业而言，它降低了开发高阶智驾（尤其是解决长尾难题）的门槛，可能让车企在核心算法上加深对英伟达的依赖。如果叠加了芯片依赖，患上“英伟达依赖症”，当然不妙。

可见，英伟达非常努力地从Token消费空转的坑里爬上来，其解决的办法，就是将其硬件能力指向真正有价值的应用产业，比如汽车和机器人等。下游的变现预期，决定了英伟达这次硬件“大放卫星”的商业前景。不过，在智驾的赛道上，算力只能作为门票，对物理世界理解的深刻程度，最终决定了方案供应商的竞争力。

-  E N D   -