黃仁勳：這是我今年的第一場賭局！他用3個數字、2家新創、5大架構回應AI泡沫|數位時代 BusinessNext

「這是我今年的第一場賭局。」NVIDIA執行長黃仁勳穿著標誌性的皮衣小跑步站上舞台，為在「賭城」拉斯維加斯舉辦的2026年CES（消費性電子展）第一場重磅分享開場。

黃仁勳在CES上發布了下一代Vera Rubin運算平台、6大晶片、節能100%的液冷基礎設施、Cosmos世界模型等等，但這些產品的推出必須回到開場那一句「賭局」的脈絡來看。

AI是否泡沫化了？這是2025年下半年大家都在問的問題。黃仁勳給出了幾個數字回應這些質疑、提到他對AI未來的看法，還有近期收購晶片新創Groq之後的佈局。

黃仁勳用3個數字、2家新創，證明AI沒有泡沫

「人們都問錢從哪裡來？這就是錢的來源。」黃仁勳指著身後的大螢幕，語氣堅定。

對於那些擔心AI投資過熱的人，黃仁勳丟出了一個數字：100兆美元。他指出，全球價值100兆美元的產業舊有基礎設施，正在從通用計算全面轉向加速運算與AI，也就是說，企業原本用於傳統IT的R&D資金，現在正瘋狂地湧入AI現代化工程。

「每年有數千億美元的創業投資（VC）資金進入這個領域，」黃仁勳強調，這些錢都壓著在AI對場景服務的破壞是創新，從醫療、製藥、法律諮詢到內容創作。

但是黃仁勳提到目前的物理限制：摩爾定律已經跛腳了，傳統電晶體的成長速度大約只有每年1.6倍，但AI模型的規模每年卻暴增10倍，更可怕的是，現在的AI已經不只是「回答問題」，而是進入了「推理思考」的階段——AI在回答你之前會進行長鏈思考（Chain of Thought），這導致Token的生成需求每年增加5倍。

AI搜尋新創Perplexity的多模型協作、AI程式新創Cursor的AI代理，都是黃仁勳點名到的新創，證明AI的推理思考導致了算力需求的指數級成長，也證明AI並不是泡沫，因為的確對人類的行為和生產力帶來改變。

如果算力供給只能成長1.6倍，而需求成長10倍，這中間的落差就是NVIDIA的機會。

不再只做晶片，NVIDIA有更大的野心

為了填補這個算力黑洞，NVIDIA在這次CES端出完整的套餐，強調了接下來「全端（Full Stack）」的策略。

黃仁勳將AI運算架構比喻為一個5層蛋糕，包含底層的能源與硬體架構、晶片、基礎設施層（數位孿生與模擬平台）、模型層與應用層，而過去NVIDIA可能只專注於第二層（晶片），但為了讓自動駕駛或機器人這種複雜的系統能夠安全運作，他們必須從底層的晶片、中間的模擬平台、到上層的AI模型全部自己構建與整合。

所以NVIDIA這次發佈會上也圍繞這些層次展開：

機械與能源層：在能源方面，黃仁勳展示了100%液冷技術，進水溫度可達45°C。這意味著資料中心不再需要耗電的冷氣與冰水機，直接用熱水冷卻即可，能省下全球資料中心約6%的電力。
晶片層：NVIDIA在這一層推出了Vera Rubin平台，並發布了6個全新設計的晶片以進行極致協同運作，加強運算效能。另外，為了解決資料傳輸問題，NVIDIA還推出可以讓72顆GPU同時運作、降低延遲的NVLink 6 Switch。最後，隨著AI對話變長，GPU的記憶體（KV Cache）常被塞爆。NVIDIA推出了BlueField 4，直接在機櫃內建構了龐大的上下文記憶體。
基礎設施層：黃仁勳指出，在實體AI的應用中，這一層指的是Omniverse和Cosmos（世界模型）。這是用來模擬物理世界的重力、摩擦力等運作原理，然後生成數據並訓練AI的虛擬環境。
模型層：這次黃仁勳特別展示了自動駕駛模型Alpha Mayo模型，負責接收感測器數據並輸出控制指令。
應用層：在自駕車的案例中，這一層就是Mercedes-Benz的自動駕駛功能或服務。

打造新一代AI運算基礎架構，持續佈局物理AI

基本上，NVIDIA推出這些產品，是因為舊有的計算架構已經無法支撐AI的進化速度。所以NVIDIA不再只是賣晶片，而是在重建整個**「計算文明的基礎設施」**，從發電（節能）、傳輸（光通訊／網路）、記憶（存儲）到大腦（GPU），以確保AI產業不會因為物理極限而停滯，而這與CTA（消費技術協會）在CES發布的2026科技趨勢報告不謀而合。

根據CTA的數據，美國已有63%的工作者在工作中使用AI，AI正從「實驗性玩具」轉變為「企業必需品」。而更重要的是，CTA點出了今年的三大趨勢之一：「智慧轉型」，並特別強調了實體AI（Physical AI）的崛起。

這正是NVIDIA下一步的野心所在。

黃仁勳在演講中花了大篇幅介紹Cosmos世界模型與Alamo自動駕駛AI。他展示了NVIDIA如何與Siemens、Cadence合作，讓未來的工廠、機器人甚至晶片，都先在NVIDIA的Omniverse虛擬世界中被「生出來」、訓練好，才進入物理世界。

「未來的工廠本身就是一個巨大的機器人，」黃仁勳說道。當CTA預告我們會看到具備AI的吸塵器手臂撿起地上的樂高積木時，NVIDIA正在為這些機器人打造大腦和訓練場。

而且黃仁勳還提到開源模型的重要性，他認為炙社推動AI快速應用的最好方式，現在NVIDIA正與模型開源社群Hugging Face合作中。

最後，CES發佈會後與交易分析師的對談中，黃仁勳聊到了近期併購Groq的交易。

2025年底NVIDIA以200億美元與AI晶片新創Groq達成「非獨家技術授權」的交易案也相當震撼，這成為NVIDIA有史以來規模最大的交易案，而且NVIDIA並未真正買下Groq，而是將Groq的關鍵技術納入自家體系。

黃仁勳表示，這次併購是為了獲取人才，並且防止Google的自研晶片（TPU）趕上NVIDIA，而且Groq的晶片擅長的正是黃仁勳提到的「AI推理」，在某些需要低延遲、高吞吐量的特定應用（如即時語音助理）上，Groq的技術架構可能與NVIDIA的新運算平台Vera Rubin提供互補的價值。

本文授權轉載自創業小聚

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。