(2026年1月14日 )NVIDIA 創辦人暨執行長黃仁勳在 CES 的主題演講，除了發布了一系列新產品，也為人工智慧的下一個十年，揭示了一幅清晰的發展藍圖。接續其2025的演講，AI經過2025一年的發展，距離Agentic AI的時代又近了一步，也開始朝向物理 AI (Physical AI)進行嘗試。
AI 服務商 EgentHub 將協助整理這場演講所提及的趨勢與重點分享給各位讀者，探討在黃仁勳眼中， AI 如何從數位世界走向實體世界，並徹底重塑所有產業的未來。
一、電腦產業的範式轉移
黃仁勳在演講開場便指出，我們正處於電腦產業一場罕見的「雙重平台轉移 (two simultaneous platform shifts)」之中。過去數十年，產業的演進是線性的：從大型主機到個人電腦，再到網際網路與雲端。然而，這次的變革是雙軌並行的。運算方式的重塑：
過去十多年以 CPU 為核心、以撰寫程式為主的運算模式，正快速轉向以 GPU 為核心的加速運算架構，軟體價值從「寫程式」轉為「訓練模型」，連帶使從晶片、資料中心到整個運算堆疊的五層架構全面現代化。
應用程式的性質
應用程式不再只是預先編譯好的功能集合，而是建立在 AI 之上的生成式系統，能即時理解上下文、動態生成內容，並逐步演化為具備推理、規劃與工具使用能力的代理型系統，最終朝向結合實體世界理解的「物理 AI」發展。
二、AI Agent 時代來臨
黃仁勳在本次演講中，也正式宣告「AI Agent」時代的來臨。
發展初期： AI Agent 執行任務
過去，大型語言模型（LLM）雖然知識淵博，卻常因無法驗證即時資訊而產生「幻覺 (hallucinated)」，黃仁勳指出，AI Agent 的出現解決了這個根本性問題。
如果說早期的 LLM 像個擁有超強記憶力、卻無法連上網路的天才學生，只能憑藉腦中的舊知識回答問題，那麼 AI Agent 就是給了這位學生一張圖書館證（懂得做研究）、一支電話（懂得使用工具），以及管理專案的能力（懂得分解問題）。它具備了三大關鍵能力：
- 懂得做研究： 在回答問題前，它會先主動查找、驗證最新資訊。
- 懂得使用工具： 它能呼叫外部的應用程式或資料庫來輔助決策。
- 懂得分解問題： 它能將一個複雜的大問題，分解成多個可執行的步驟，並依序完成。
延伸閱讀：《AI代理人（AI Agent）是什麼？｜不可不知 AI 關鍵字 004》
多模型串接：Agent to Agent (A2A)
黃仁勳特別提到了 AI 搜尋公司 Perplexity 的創新架構，並從中觀察到「多模型 (multi-model)」的趨勢。這個概念的巧妙之處在於：
單一的 AI 應用程式不再依賴單一模型，而是由一個主導的 Agent 來調度。
這就像一個專案經理，會根據任務的不同，指派最適合的專家（其他 AI 模型）來處理。例如，處理圖像問題時呼叫一個視覺模型，分析財報時呼叫另一個數據模型。這種架構讓未來的 AI 應用程式具備了多模態、多模型、多雲且混合雲的特性，成為未來應用的基本框架。
編按：從自動化到智慧化的商業價值
當初演講看到這裡，小編思考這不正是我們AI 導入服務商 EgentHub 長期以來協助企業打造客製化 AI Agent 的方向嗎～
EgentHub在協助企業導入的過程發現，對於企業而言，AI Agent 崛起最重要的影響在於，企業終於可以透過 Agent 框架，客製化專屬於自己的 AI。
企業可以透過Prompt Engineering、RAG、MCP等方式教導 AI Agent 獨有的技能、領域知識，以及僅屬於內部的商業流程。例如，讓它學會如何操作公司的 ERP 系統、如何回應特定的客戶問題、或是如何分析內部的銷售數據。
讓企業可以在EgentHub平台上訓練與管理專屬的AI Agent來處理特定的商業流程，將重複性的人力徹底釋放，實現真正的AI 轉型。
三、超越螢幕：實體 AI 與真實世界的互動
演講的第二個重點，是將 AI 從螢幕中的虛擬世界，帶入我們生活的實體世界，也就是「物理 AI (Physical AI)」。
讓 AI 學會「常識」：模擬世界的必要性
實體 AI 的目標，是讓 AI 理解並學會物理世界的「常識」，例如因果關係、重力、摩擦力等。然而，這些知識無法單靠文字來學習。黃仁勳指出，要達成此目標，需要三種電腦的協同運作：
- 訓練電腦： 用於訓練 AI 模型。
- 推論電腦： 也就是機器人本身，用於在現實世界中執行任務。
- 模擬電腦： 用於創建一個虛擬世界，讓 AI 在其中進行大規模的試錯與學習。
NVIDIA 的 Omniverse 平台正是扮演這個「模擬電腦」的角色，它能透過「合成數據」生成大量逼真的虛擬場景，讓 AI 在安全的環境中高效學習物理法則。同時，NVIDIA 的Cosmos 則是作為一個世界基礎模型，則讓 AI 真正理解這個模擬世界的運作方式，這是訓練實體 AI 的關鍵基礎。
會思考的自動駕駛 AI ：Alpamayo
黃仁勳以全新的 AI 自動駕駛 Alpamayo 作為實體 AI 的最佳範例。
Alpamayo 的突破之處，不僅是實現「從攝影機輸入到驅動輸出」的端到端學習，更重要的是，它在行動前會推理並解釋自己即將採取的行動。這個能力對於處理現實世界中層出不窮的「長尾問題 (long tail of driving)」至關重要。
舉例來說，當 Alpamayo 遇到一個從未見過的複雜路況時，它能將這個未知情境分解為多個已知的基本情況，並推理出最安全的應對策略。為了建立信任，NVIDIA 不僅將開源 Alpameyo 模型，更將訓練數據一併開源，讓產業能真正理解其決策的由來。
四、驅動一切的引擎：新一代運算平台 Vera Rubin
為了支撐 AI Agent 與實體 AI 的龐大算力需求，黃仁勳正式揭曉了以發現暗物質的美國天文學家 Vera Rubin 命名的下一代運算平台。
為何需要新平台？應對 AI 的「指數級」算力需求
黃仁勳解釋，這一切的創新都源於一個根本性的挑戰：摩爾定律被打破了。
單一晶片的效能提升速度，已遠遠跟不上 AI 發展的腳步。他引用數據指出，AI 模型的規模每年增長 10 倍，而推理的複雜度（因 Test-time Scaling 策略，也就是 AI 的「思考」過程）導致生成的 token 數量每年增長 5 倍。現有的硬體架構，無論在效能、能耗還是成本上，都已成為 AI 發展的瓶頸。
極致共同設計的成果
Vera Rubin 平台的誕生，是 NVIDIA 六款關鍵晶片同時重新設計的系統級創新。其主要突破包含：
- 驚人的效能與能源效率： 新平台將訓練頂尖 AI 模型所需的時間縮短為過去的四分之一。更驚人的是，它能用 45°C 的熱水進行冷卻，這意味著資料中心不再需要昂貴且耗能的冰水主機，大幅降低營運成本。
- 解決資料瓶頸的架構： 為了解決 AI 運算中龐大的「內容記憶體 (KV Cache)」所造成的網路瓶頸，新平台導入 Bluefield 4 DPU 作為機櫃內的專屬「內容記憶體儲存庫」，讓資料交換無需再經過外部網路，大幅提升效率。
- 全鏈路資料安全： 整個平台實現了從傳輸、儲存到運算過程中的全鏈路加密，達到「機密運算 (Confidential Computing)」等級，確保企業的模型與資料安全。
黃仁勳更用一個震撼的數據總結其強大：單一機櫃背板上的 MVLink 交換器，每秒可傳輸 240 TB 的資料，這相當於全球網際網路總頻寬的兩倍以上。Vera Rubin 平台為 AI 的持續發展提供了強勁的動力，再次鞏固了 NVIDIA 在 AI 基礎設施領域的領導地位。
結論：迎接 AI Agent 的新工業革命
黃仁勳的 CES 演講，為我們清晰地勾勒出 AI 的未來路徑。我們正從大型語言模型的時代，邁向一個由 AI Agent 主導的新紀元。他所揭示的戰略藍圖很明確：企業現在必須將視角從「將 AI 視為被動工具」，轉變為「擁抱 AI 作為主動的、具備推理能力的合作夥伴」。透過 AI Agent 建立競爭優勢的機會之窗已經開啟，能果斷採取行動的企業，將定義其產業的下一個十年。
EgentHub：您的專屬 AI Agent 策略夥伴
正如黃仁勳的演講所揭示，AI 的未來不再是通用的聊天機器人，而是能使用多種模型、整合企業專有數據進行推理的 AI Agent。AI 企業導入服務商 EgentHub 專精於打造這類客製化的 Agentic 框架，EgentHub不只有企業級AI Agent管理平台，同時也有一套完整的顧問協助與企業內部訓練流程，協助您的企業從簡單的使用，逐步成長為能自主建立與維護，邁向真正的AI 企業轉型。歡迎與EgentHub聯繫，一同探索 AI Agent 如何為您的業務帶來變革性的價值。
