人工智能和由此引发的AI半导体繁荣正在推动着一代人难得一见的转变。但当计算机本身的概念开始发生改变时,会发生什么呢?
英伟达公司正将自己定位为对这个问题有最清晰答案的公司。在上周的GSA奖项评选中,英伟达刚刚被评为"最受尊敬的公共半导体公司",这家芯片制造商正将自己塑造为新计算时代的架构师。据英伟达创始人兼首席执行官黄仁勋表示,这是一个史无前例的市场定义性转变。
"我们正在重新发明我们所知的计算。过去的通用计算——由工程师编写软件,预先计算,以二进制文件形式分发——已经不再是那样了。现在重要的是,我们正在创建我们称为AI数据中心的东西……本质上是实时生成智能的智能工厂,"黄仁勋在接受SiliconANGLE媒体直播工作室theCUBE采访时表示。"我们在全球必须建设的计算机数量,这些工厂的数量将是非凡的。这是历史上最大的半导体机遇。"
黄仁勋在GSA奖项庆祝活动后接受了John Furrier的专访,在theCUBE进行了独家直播。他们讨论了AI半导体繁荣如何重新发明计算,并标志着半导体行业的分水岭时刻。
从云端到边缘的AI半导体繁荣
从英伟达爆炸性增长的制高点来看,AI不仅在改变数据中心,更在改变计算本身的结构,黄仁勋解释道。AI将越来越多地在大型云设施、智能设备和自主机器中实时运行,建立一个全球分布式的AI"工厂"网络,按需生成智能。
"我们将从各地的这些计算机中生成智能,"黄仁勋说。"有时它们是集中式的。我们称之为AI工厂。有时它们将是分布式的——那就是在边缘。它们甚至可能在系统内部完全实时处理——例如,机器人系统。AI在每一个可能想象到的方面都具有完全的变革性。"
风险很大。估计表明,到2030年,AI驱动的数据中心投资每年可能攀升至1万亿美元,因为云提供商和芯片制造商竞相构建AI工厂和为其提供支持的网络。在这种背景下,在大约十年内实现60年计算的现代化,将为提供硅芯片和系统的公司创造非凡的上升空间,黄仁勋指出。
"我们正在从头开始重新发明计算,技术栈的每一层,这在字面意义上是60年来的第一次,"他说。"当你想到计算机在社会中存在了多长时间,它已经如何深度集成到所有行业和用例中,以及我们将如何在未来十年内完全现代化它,为半导体行业创造的增长机会数量是非凡的。"
Q&A
Q1:英伟达所说的AI工厂是什么概念?
A:AI工厂是英伟达定义的新型AI数据中心,本质上是实时生成智能的智能工厂。它们不同于传统的通用计算模式,而是专门用于AI计算,能够按需生成智能。这些AI工厂将分布在全球各地,有些集中式部署,有些分布在边缘。
Q2:AI如何改变传统计算模式?
A:传统计算是通用计算模式,由工程师编写软件,预先计算,以二进制文件形式分发。而AI时代的计算是实时生成智能,通过大型云设施、智能设备和自主机器实时运行,形成全球分布式的智能网络。这是60年来计算技术栈每一层的首次完全重新发明。
Q3:AI半导体市场的发展前景如何?
A:据预测,AI驱动的数据中心投资到2030年每年可能达到1万亿美元。英伟达CEO认为这是历史上最大的半导体机遇,因为需要在全球建设大量的AI工厂。在大约十年内实现60年计算的现代化将为半导体行业创造非凡的增长机会。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。