英伟达周一举行的GTC大会向世界展示了这家AI芯片巨头的最新成果,包括一款用于游戏的AI驱动升级软件,以及一款全新的Vera CPU,旨在为未来的AI智能体、物理AI等领域提供强大支撑。
首席执行官黄仁勋阐述了英伟达在AI行业保持主导地位的蓝图,重点关注其数据中心平台Vera Rubin,并强调了智能体AI的发展趋势。
如果您错过了周一的主题演讲,以下是您需要了解的三大重要公告。
NemoClaw:创建属于您自己的自主AI智能体
英伟达发布了针对AI智能体平台OpenClaw的参考堆栈NemoClaw,让任何人都能轻松进入创建自己智能体的领域。NemoClaw支持在终端中使用单个命令进行简单安装,自动安装所有必要组件以帮助用户入门。
据称,NemoClaw通过"隔离沙箱"增加了隐私保护层,该沙箱使用基于策略的防护栏,提供更安全、更私密的数据处理方式。它还将优化全天候助手,使其能够在专用的英伟达硬件上持续执行任务,实现24小时不间断工作。
DLSS 5:为游戏带来AI驱动的视觉保真度
英伟达展示了计算机图形学的重大进步,利用人工智能创建高度逼真的视频画面。这本质上是在玩一款看起来像电影的视频游戏。现有图形功能与生成式AI驱动升级技术的结合,展现了与当今可用产品截然不同的游戏未来。根据英伟达的说法,DLSS 5带来了实时神经渲染,"为像素注入照片级真实的光照和材质效果"。
该公司表示,AI模型通过分析单帧画面,训练理解角色、织物、半透明皮肤和环境光照系统等特征。然后DLSS 5为场景生成升级后的视觉效果。
DLSS 5将于今年秋季发布,并将得到一些主要游戏开发商的支持,包括贝塞斯达、卡普空、育碧和华纳兄弟游戏公司。一些将获得DLSS 5技术支持的游戏包括《刺客信条:影》、《生化危机:安魂曲》、《星空》和《上古卷轴IV:遗忘重制版》。
Vera CPU:为智能体AI时代提供效率和性能
英伟达推出了全新的Vera CPU,其效率是传统CPU的两倍,速度比当今传统CPU快50%。该公司表示,这款CPU是为智能体AI和强化学习时代而打造。
Vera CPU使企业能够构建AI工厂,大规模扩展智能体AI,提供最高的单线程性能和每核带宽。创始人兼首席执行官黄仁勋表示:"Vera正值人工智能的转折点到来。"
Vera Rubin平台本身并不新鲜——我们在CES上就见过它——但最新的CPU继续以强大的性能和余量将英伟达的智能体AI计划变为现实。
Q&A
Q1:NemoClaw是什么?它有什么特殊功能?
A:NemoClaw是英伟达针对AI智能体平台OpenClaw发布的参考堆栈,让用户能够轻松创建自己的智能体。它支持终端单命令安装,提供"隔离沙箱"隐私保护,并能优化全天候助手实现24小时不间断工作。
Q2:DLSS 5技术能为游戏带来什么改变?
A:DLSS 5采用实时神经渲染技术,通过分析单帧画面理解角色、织物、皮肤和光照等特征,然后生成升级后的照片级真实视觉效果。它将让游戏画面看起来像电影一样逼真,彻底改变现有的游戏视觉体验。
Q3:Vera CPU相比传统CPU有什么优势?
A:Vera CPU专为智能体AI和强化学习时代设计,效率是传统CPU的两倍,速度快50%。它提供最高的单线程性能和每核带宽,能够帮助企业构建AI工厂,大规模扩展智能体AI应用。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。