在 Nvidia GTC 2026 上，黄仁勋自信地表示：许多 AI 原生公司之所以能够出现，是因为辉达“重新定义了运算”。他表示，我们正处于新平台变革的开端，这类似于个人电脑革命。过去两年，随着 ChatGPT 的问世，生成式 AI 时代真正拉开了序幕。
黄仁勋展示一张关键投影片，揭示全球 AI 算力市场正进入爆发式增长阶段。该图显示，全球数据中心市场的潜在规模（TAM）已从 2025 年约 5000 亿美元，在短短一年内跃升至超过 1 兆美元（$1T），并且仍在持续扩张。投影片中最核心的概念是 “Inference Inflection”（推理拐点）。
过去 AI 发展主要集中在训练（Training）阶段，也就是让模型学习大量数据。但随着大型模型成熟，AI 正开始被部署到各种产品与服务中，例如客服、影像生成与程式开发。这意味着市场重心正从训练转向推理（Inference）。当 AI 被数十亿用户同时调用时，每一次提问、生成图片或影片都需要算力支援。这种高频、低延迟的运算需求，将使推理算力需求呈现几何级数增长。
在演说的开头，黄仁勋花了相当长时间介绍 Nvidia 软件堆叠在各产业的应用，尤其是 Nvidia 的 CUDA-X 程序库生态。他说：“我们是一家算法公司。”他指出，AI 的落地并非只靠生成式 AI。“把 GenAI 丢到墙上看它会不会成功并不是策略。”他认为，不同产业面临的问题差异极大，因此 Nvidia 必须开发 domain-specific libraries（产业专用程序库）。
推理拐点：全球数据中心规模走向一兆美元
在 Nvidia GTC 2026 的主题演讲中，黄仁勋展示一张关键投影片，揭示全球 AI 算力市场正进入爆发式增长阶段。该图显示，全球数据中心市场的潜在规模（TAM）已从 2025 年约 5000 亿美元，在短短一年内跃升至超过 1 兆美元（$1T），并且仍在持续扩张。
投影片中最核心的概念是 “Inference Inflection”（推理拐点）。过去 AI 发展主要集中在训练（Training）阶段，也就是让模型学习大量数据。但随着大型模型成熟，AI 正开始被部署到各种产品与服务中，例如搜索、客服、影像生成与程式开发。这意味着市场重心正从训练转向推理（Inference）。
当 AI 被数十亿用户同时调用时，每一次提问、生成图片或影片都需要算力支援。这种高频、低延迟的运算需求，将使推理算力需求呈现几何级数增长，也被 Nvidia 视为推动兆美元 AI 数据中心市场的核心动力。
投影片右侧的市场结构显示，目前 AI 算力需求主要来自两大类客户。约 60% 的需求来自超大规模云端服务商（Hyperscalers）与 AI 原生公司（AI-native companies）。其中包括：
Amazon Web Services
Google Cloud
Microsoft
以及 AI 模型开发商：
OpenAI
Anthropic
xAI
另一个 40% 的市场需求，则来自 Nvidia 近年来最强调的新领域，包括 Sovereign AI（主权 AI）、工业与企业应用。所谓主权 AI，是指各国政府建立属于自身语言、文化与资料体系的 AI 基础设施。例如：
建立国家级 AI 超级电脑
训练本地语言模型
建立国家资料主权
此外，传统产业也开始大规模导入 AI，包括：
汽车与自动驾驶系统
制造与智慧工厂
医疗影像分析
金融风险模型
投影片中央也列出了目前主要的 AI 模型生态，包括 ChatGPT、Gemini、Grok 以及各种开源模型。其中 Anthropic 与 Meta Superintelligence Labs 被标注为 2025 年后崛起的新力量，显示 AI 模型竞争正在快速扩大。
GTC 2026 黄仁勋：Nvidia 本质是一家“算法公司”
黄仁勋在演讲中花了相当长时间介绍 Nvidia 软件堆叠在各产业的应用，从医疗、制造、金融到云端运算。他指出，所有能力最终都回到 Nvidia 的 CUDA-X 程序库生态。“我们是一家算法公司。”黄仁勋表示。他并形容 CUDA-X 为 Nvidia “皇冠上的宝石（crown jewel）”，强调 GPU 的真正价值来自于软件平台，而非仅是硬件本身。
其中最关键的组件之一就是 cuDNN，该程序库专门为深度神经网络提供高性能 GPU 加速，长期被主流 AI 框架广泛采用，成为现代深度学习基础设施的重要组成部分。
黄仁勋再次强调软件对 AI 生态的重要性，并指出 cuDNN 是公司历来最关键的程序库之一，甚至称其为引发现代人工智慧浪潮的大爆炸。Nvidia 在会中展示一段关于其 CUDA-X 软件生态的短片，其中包含一段完全由 AI 与模拟技术生成、几乎以假乱真的影片，藉此凸显 GPU 加速与深度学习框架在视觉运算上的突破。
黄仁勋：AI 需要“产业专用程序库”
黄仁勋指出，AI 的落地并非只靠生成式 AI。“把 GenAI 丢到墙上看它会不会成功并不是策略。”他认为，不同产业面临的问题差异极大，因此 Nvidia 必须开发 domain-specific libraries（产业专用程序库），为各垂直领域提供优化解决方案。
这也是 CUDA-X 生态持续扩张的原因，目前已涵盖数十个领域，包括：
科学计算
医疗影像
自动驾驶
金融分析
资料工程
这些程序库使 GPU 能在不同产业场景中发挥最大效能。
垂直整合、水平开放的 AI 堆叠
黄仁勋形容 Nvidia 的策略为 “垂直整合、水平开放”（vertically integrated but horizontally open）。这意味着 Nvidia 从晶片、系统、软件到应用平台提供完整堆叠，但同时允许各种企业与开发者在其平台上开发应用。在 AI 计算需求爆发的背景下，NVIDIA 认为这种模式是推动加速运算（accelerated computing）的唯一方式。
AI 的关键战场：非结构化资料
黄仁勋也提到 AI 的另一个重要任务：处理非结构化资料（unstructured data）。他指出，全球约 90% 的资料都是非结构化，例如影像、影音、语音与自然语言文本，但过去因为难以搜索与分析而被视为几乎无用。随着 AI 与 GPU 加速技术成熟，这些资料正逐渐被转化为可分析资产。
例如 IBM 正利用 Nvidia 的 cuDF GPU 加速框架，提升其 WatsonX 资料平台处理效率，让大量非结构化资料能被快速分析与利用。
OpenAI 将导入 AWS，缓解算力压力
在谈到 AI 基础设施时，黄仁勋也提到 OpenAI 的算力需求问题。他指出，目前 OpenAI “完全受到算力限制”，而今年该公司将导入 Amazon Web Services 的基础设施，以缓解庞大的运算需求。
这篇文章 NVIDIA GTC 2026｜黄仁勋：辉达重新定义运算，资料中心规模走向兆级市场 最早出现于 链新闻 ABMedia。
