Windows PC 阵营，已经很久没有遇到真正有分量的闯入者了。
▲Windows 用户 belike
过去四十年，这个市场的基本分工相对稳定：微软定义操作系统和软件入口，Intel 与 AMD 长期把守 x86 处理器平台，英伟达则从图形计算出发，后来又把 AI 加速推到更高的位置。
而就在黄仁勋刚刚结束的 2026 年 COMPUTEX 主题演讲上，英伟达沿着 AI 基础设施这条主线，进入更多产业的核心环节。
除了 GPU 、AI 工厂、物理 AI 等老生常态的话题，还有被微软和 ARM 提前预热、打着「A new era of PC」旗号的 RTX Spark。所有产品背后，都围绕同一个关键词展开：
Agent、Agent，还是 Agent。
联手微软，英伟达要重新定义个人 PC
在 Agent（智能体）叙事里，PC 被放到了一个新位置。
四十年来，Windows、开放 BIOS、芯片组、驱动、多媒体 API 一起塑造了个人计算。Windows 95 让 PC 从企业设备变成消费电子产品，几乎每个人都需要一台电脑。
现在，微软和英伟达将重新定义 AI PC ，目标是要让 PC 原生运行智能体，让个人电脑从传统应用入口变成个人 AI 平台。
今天推出的英伟达 RTX Spark 处理器是这套新 PC 体系的核心。
它搭载 Blackwell RTX GPU，FP4 AI 性能达到 1 petaflop；CPU 部分是与联发科合作定制的 20 核 Grace CPU；内存为 128 GB 统一内存，并通过 NVLink C2C 提供 600 GB/s 带宽。软件层面，完整栈包括 CUDA、TensorRT、NVFP4、RTX Ray Tracing、DLSS、Reflex 和 G-SYNC。
在产品形态上，英伟达把 RTX Spark 放进了更接近主流 Windows PC 的尺寸里：
笔记本厚度可做到 14 毫米，重量约 3 磅，覆盖 14 英寸到 16 英寸机型；机身采用精密加工铝合金，屏幕部分则配备色彩准确的 tandem OLED，并支持 NVIDIA G-SYNC，既服务创意工作，也兼顾游戏和高帧率视觉体验。
换言之，RTX Spark 面向的场景不只是端侧语音助手或轻量办公场景，它试图把部分数据中心 AI 能力、游戏图形能力和专业创作能力，放进个人电脑形态里。
黄仁勋说，这台电脑要运行「所有东西」。传统 Windows 应用要能跑，CUDA 软件栈要能跑，图形工作流、数字生物、地震处理、天体物理、基因组学和 AI 应用也要继续运行，它既可以连接本地模型，也可以连接云端模型。
在现场演示视频中，用户给出场地、草图、风格参考和需求后，运行在 RTX Spark 上的智能体会调用 Rhino 完成建筑与室内方案设计，并导入 Blender 结合 Flux 2 生成多角度渲染图，过程中用户可随时修改。
演示传递的信号不言而喻，PC 将从人手动操作软件转向智能体围绕目标调度工具，而典型案例是，Adobe Photoshop、Premiere 等应用也正为 RTX Spark 优化，并通过 MCP 接入本地智能体，成为自动化工作流的一部分。
RTX Spark 只是新 PC 产品线的起点。黄仁勋还展示了三种形态：笔记本、台式机和工作站。它们共同兼容 Windows、CUDA 和 AI 软件栈，面向的使用场景各不相同。
笔记本对应移动办公、游戏和创作。
它可以本地运行 Nemotron 3 Ultra，也可以连接 Claude、Codex 或其他云端模型。台式机更像家庭里的个人 AI 主机，可以 24 小时运行智能体，连接笔记本、显示器、摄像头、安防系统、家电和其他设备。
工作站面向模型开发者和智能体开发者。
DGX Station for Windows 配备 748 GB 内存、20 petaflops 算力和 8 TB 每秒内存带宽，可以在桌面环境中运行万亿参数模型。开发者可以在本地完成模型开发、调试和测试，再部署到云端。
黄仁勋把这一变化类比为手机变成智能手机，打电话已经不再是今天智能手机最重要的功能。他认为，10 年后的 PC 也会经历类似变化。它会从打开应用、点击和输入的工具，变成家庭和个人工作流里的 AI 超级计算机。
而我们能感受到最直接的变化，大概就是未来的 Windows 电脑，或许会是一台真正的 AI Agent 电脑。
对于想在本地跑 LLM、又需要大内存和较强 AI 算力的人来说，RTX Spark 的出现，可能会成为除 Mac 之外的另一个选项。
有用 AI 时代到来，一切为 Agent 而生
如果把过去两年的行业变化归纳为一句话，那就是有用的 AI （useful AI）已经到来。而 Agentic AI 的第一批应用场景，正是软件开发。
全球有 3000 万到 4000 万职业开发者，GitHub commit 数量也在持续增长：2023 年约 3 亿，2024 年约 4 亿，2025 年前几个月达到 5 亿，2026 年前几个月接近翻了三倍。
黄仁勋借此反驳了「AI 会减少就业岗位」的说法。在他看来，AI 提高了工程师的产出，企业反而更愿意招聘更多工程师。究其原因，同样的人力成本可以创造更高生产力，软件开发的价值也会继续扩大。
更深层的变化发生在应用形态上。
过去的软件由应用、代码和操作系统组成，但智能体时代的计算方式则换了一套流程：用户给出目标，模型理解意图，运行环境调度流程，工具执行任务，记忆系统保存上下文，最后产出结果。
整个过程包含观察、理解、推理、规划、行动和工具调用。
在这个框架下，LLM 只是 Agentic 系统中的「思考模块」。完整的智能体还需要 harness，也就是调度和编排层；需要浏览器、电子表格、数据库、编译器、CAD 软件和数据处理引擎等工具；也需要短期记忆、长期记忆和运行环境。而这种 LLM+harness=Agent，再加工具、记忆和运行环境的模式将会是未来十年的应用基础。
智能体成为新的应用形态后，支撑智能体运行的计算底座也要重新设计。
发布会上，黄仁勋宣布，英伟达下一代 AI 超级芯片平台 Vera Rubin 已进入全面投产阶段。它是英伟达迄今规模最大的 POD 级平台之一，也是面向 Agentic AI 设计的新一代 AI 工厂核心系统。
Vera Rubin 由 Rubin GPU、Vera CPU、NVLink 72、BlueField、ConnectX 9、Spectrum X 以太网、存储处理系统、安全处理系统和完整软件栈共同组成，目标是支撑 AI 工厂级别的系统运行。
它面向的是智能体从输入到执行的完整流程。
智能体处理提示词、理解上下文、推理规划、调用工具、访问数据库、运行代码和检索长期记忆时，会同时牵动 GPU、CPU、网络、内存、存储和安全系统，因此 Rubin GPU 负责主要计算，Vera CPU 负责调度和数据管线，BlueField 4 处理安全隔离与存储，Spectrum X 负责大规模联网。
Vera Rubin 之后，黄仁勋还单独讲了 Vera CPU。
在他看来，过去的 CPU 主要服务于人类用户和传统云计算租赁，计算资源按核心、按时间出租，响应速度以秒为单位衡量。但智能体的运行节奏完全不同：
它们会频繁调用工具、访问数据库、运行代码、检索记忆，每一步都要求更低延迟。
这也让 CPU 在 AI 工厂里的角色变得更关键。智能体数量越多，工具调用和数据流转越频繁，CPU 越容易成为瓶颈。尤其是 GPU 已经成为 AI 工厂最昂贵的资产，CPU 的延迟和吞吐会直接影响 GPU 利用率，最终影响 Token 产出。
Vera CPU 的设计逻辑正在于此。
过去 CPU 为人服务，Vera CPU 则面向数量远多于人类的智能体。它采用自研 Olympus Core，重点放在单线程性能、核心间带宽、总带宽和能效。它有神经分支预测器、10 路解码引擎、大型乱序执行引擎和先进预取机制。内存部分采用 LPDDR5X，并支持多错误校正。
这颗 CPU 包含 88 个 Olympus 核心，使用单片网格结构连接，没有把核心分散到多个 chiplet 上。这样的设计减少了跨芯片通信带来的延迟。它支持 PCI Express Gen 6，内部通信能力达到 3.6 TB 每秒，内存带宽达到 1.2 TB 每秒。
相比 x86 CPU，Vera 在部分场景中峰值内存延迟降低 40%，智能体 sandbox 性能达到 1.8 倍，SQL 性能达到 3 倍，实时流处理性能达到 6 倍。
Agent 是新的工作负载，CPU 的角色也随之变化。它不再只是云计算里可出租的通用核心，而是 AI 工厂里调度模型、工具、内存、数据库和安全系统的关键部件。
现在买电脑，是用来打造 AI 工厂
黄仁勋反复强调，AI 的商业逻辑已经改变。过去算力常被视为成本，现在 token 是可以带来收入的单位。只要 token 能产生收入，算力就成了生产能力。
想用 Token 赚钱，就来看看英伟达的 AI 工厂。NVIDIA DSX 是构建并运营 AI 工厂的蓝图与参考设计，基于 Omniverse，用数字孪生提前模拟 AI 工厂的布局、电力、冷却、网络和系统集成。
黄仁勋提到，未来 1 GW 级 AI 工厂的投资可能达到 500 亿、600 亿美元，甚至进一步上升到 800 亿至 1000 亿美元。资本成本越高，系统上线速度、吞吐效率、可靠性和生命周期越关键。
RTX 面向我们的 GPU，DGX 面向我们的系统，而如今，DSX 则构成了整个基础设施的核心。
而 NVIDIA DSX 这套生态系统囊括了一大批的云服务公司和 AI 基础设施企业，包括 CoreWeave、Nebius、Nscale、Naver Cloud 等，以及服务的客户包括 Cursor、World Labs、Revolut、Shopify、Google 等等，帮助所有的企业用户用 Token 来获得收入。
硬件之外，企业如何真正用上智能体，是另一条线。
黄仁勋把企业构建智能体所需能力分为四类：模型、调度系统、工具与技能、运行环境。对应到产品上，就是 Nemotron、OpenShelf、CUDA X libraries 和 AI 平台。
Nemotron 3 Ultra 是此次发布的新开放模型。它采用 SSM 状态空间模型与 MoE 混合专家架构，目标是让模型跑得更快、推理成本更低。
按照现场说法，相比其他开放模型如 Kimi K2.6、Qwen 3.5 和智谱 GLM 5.1，它速度提升 5 倍，整体运行成本降低约 30%。
黄仁勋还提到，Nemotron 3 Ultra 模型、训练脚本和训练数据都会开放，企业可以在此基础上加入自己的行业数据和专有知识。
演讲尾声，黄仁勋把全场内容重新收回到一个核心模式：模型、harness、工具、技能和运行环境。
这套模式可以运行在云端，也可以运行在企业本地；可以运行在 PC 上，也可以运行在汽车、机器人、卫星、通信基站、工厂和边缘设备上。不同场景会使用不同模型、不同 harness、不同工具和不同 runtime，但计算模式是相同的。
云端需要 Vera Rubin 和 AI 工厂。PC 需要 RTX Spark 和 Windows 智能体平台。企业需要 Nemotron、OpenShelf 和 CUDA X 工具链。汽车需要 Alpamayo、Hyperion 和自动驾驶 runtime。人形机器人需要 Isaac Groot、Thor、仿真和数据生成系统。
当我们把整场演讲连起来看，将近两个小时的超长发布，黄仁勋讲的主题已经超出常规新品发布。
AI PC 和 RTX Spark 面向个人设备，把智能体带到用户桌面和家庭。Vera Rubin 面向数据中心，承接大规模智能体负载。Vera CPU 解决智能体调用工具和访问数据时的延迟问题。
DSX 面向 AI 工厂建设，把电力、冷却、网络和运维也纳入系统设计。Nemotron、OpenShelf 和 CUDA X libraries 面向企业智能体开发。Cosmos 3 把智能体推进物理世界。Alpamayo 2 和 Hyperion 面向自动驾驶，Isaac Groot 则把人形机器人也放进同一套平台逻辑。
NVIDIA 过去最核心的身份是 GPU 供应商，后来变成系统公司，现在又试图成为 AI 基础设施公司。
黄仁勋在这场大会想讲清楚的，也正是这件事：AI 竞争已经从模型扩展到一整套计算体系，覆盖个人电脑、企业软件、数据中心和物理设备。
文｜莫崇宇、张子豪
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
from 爱范儿 https://ift.tt/1fLGWNm
via IFTTT
