<p>NVIDIA 的加速计算平台正在从根本上重塑高性能计算和人工智能的格局，标志着现代计算的深刻重构。该平台现在主导着之前由传统 CPU 占据的超级计算基准，开启了人工智能、科学、商业和全球计算效率的新纪元。这一从以 CPU 为中心的串行处理向以 GPU 为动力的并行架构的历史性转变，标志着摩尔定律无可争议的统治的终结，以及一种新计算范式的崛起。</p>
<p>计算世界正在经历一场巨大的变革，NVIDIA 的加速计算现在主导着之前由传统 CPU 占据的超级计算基准。在 TOP500 列表的子集 TOP100 超级计算机中，超过 85% 目前利用 GPU，标志着从串行处理到大规模并行架构的历史性转变。这一范式转变是由 AlexNet 在 2012 年展示的在游戏 GPU 上的人工智能学习所引发的，使得 exascale 计算成为现实，提供了比仅使用 CPU 的系统高出 4.5 倍的能效优势。NVIDIA 在 Graph500 性能上的创纪录表现，使用仅 8,192 个 H100 GPU 处理 2.2 万亿个顶点，而下一个最佳结果则需要 150,000 个 CPU，突显了其在总拥有成本上的巨大优势。至关重要的是，这一演变不仅限于硬件，还包括网络、内存、存储、编排和不可或缺的 CUDA-X 软件生态系统的共同设计的全栈平台，在这里，显著的加速效果真正得以实现。</p>
<p>这一向 GPU 的转变为人工智能的未来奠定了基础，受三项扩展法则的指导：预训练、后训练和测试时计算。预训练扩展法则表明，增加数据集、参数和计算可以可预测地提升模型性能，这一成就只有通过 GPU 加速才能实现，正如 NVIDIA 在所有 MLPerf 训练基准中所展示的最高性能。创建基础模型后，后训练涉及通过人类反馈强化学习、剪枝和蒸馏等技术进行广泛的精细调整，这需要的计算量往往与预训练相当。测试时扩展法则是最新的、潜在的最具变革性的法则，推动了专家混合架构和自主 AI 的发展，要求动态、递归的计算，这将成倍推动推理基础设施的需求。这些法则共同定义了完整的人工智能生命周期，其中 NVIDIA 的加速计算为从初始学习到复杂推理和部署的每个阶段提供动力。</p>
<h2>从虚拟人工智能到物理智能</h2>
<p>NVIDIA 的加速计算已经在改变各个行业，使得超大规模企业能够从经典机器学习转向生成式人工智能，特别是在搜索和推荐系统等领域。借助 CUDA GPU，预训练扩展法则使模型能够从大量的点击和偏好数据集中学习，而后训练则为特定领域的个性化进行微调，即使在相关性提高 1% 的情况下也能带来数十亿的销售额。生成式人工智能在所有领先模型和 140 万个开源变体中得到 NVIDIA 平台的支持，正在重塑机器人技术、自动驾驶汽车和软件即服务。这一演变扩展到自主 AI，能够感知、推理、规划和自主行动的系统，作为数字同事在法律研究到物流等各个领域加速生产力。这代表了一种基础性的转变，将人工智能从纯粹的虚拟技术转向切实的现实应用。</p>
<p>最终的前沿是物理人工智能，体现了各种形式机器人的智能，这一发展需要专门的计算堆栈。这需要 NVIDIA DGX GB300 用于训练复杂的视觉 - 语言 - 行动模型，NVIDIA RTX PRO 用于在基于 Omniverse 的虚拟世界中进行严格的模拟和验证，以及 Jetson Thor 用于实时执行推理 VLA 模型。预计在未来几年内，机器人技术将迎来突破性时刻，自主移动机器人、协作机器人和类人机器人将颠覆制造、物流和医疗保健。摩根士丹利预计到 2050 年将有 10 亿个类人机器人和 5 万亿美元的收入，突显了人工智能深度融入实体经济的深远经济影响。根据公告，NVIDIA 首席执行官黄仁勋强调，人工智能不再仅仅是工具，而是一种执行工作的力量，准备改变全球 100 万亿美元市场中的每一个市场，开启重新定义整个计算堆栈的良性循环。</p>
<p>NVIDIA 加速计算在超级计算中的主导地位及其在三项扩展法则中的基础性作用，标志着计算本身的深刻重构。这一轨迹不仅承诺增量改进，还将在药物发现、聚变模拟到智能自主物理系统的广泛部署等各个学科中带来突破。由 NVIDIA 的全栈平台驱动的人工智能驱动的超级计算时代已经到来，从根本上改变了行业的运作方式以及人类与技术的互动方式。</p>

2 倍做多英伟达 ETF - GraniteShares

南方两倍做多英伟达

南方两倍做空英伟达

英伟达期权收益策略 ETF - YieldMax

1 倍做空英伟达 ETF - Direxion

2 倍做多 NVDA ETF - T-Rex

2 倍做空 NVDA ETF - T-Rex

半导体 3 倍做多 - Direxion

<p>NVIDIA 的加速计算平台正在彻底改变高性能计算和人工智能，正在从以 CPU 为中心转向以 GPU 为驱动的架构。这一转变标志着摩尔定律主导地位的结束，GPU 现在在超级计算基准测试中处于领先地位。NVIDIA 的平台，包括硬件和 CUDA-X 软件，支持人工智能的完整生命周期，从预训练到部署。这一转变正在改变各个行业，使生成式人工智能和自主智能成为可能，并预计将彻底革新机器人技术和自主系统。NVIDIA 首席执行官黄仁勋强调，人工智能有潜力重新定义全球市场和计算本身</p>

<p>NVIDIA’s accelerated computing platform is fundamentally reshaping the landscape of high-performance computing and artificial intelligence, signaling a profound re-architecture of modern computation. This platform now dominates supercomputing benchmarks previously held by traditional CPUs, enabling a new era of AI, science, business, and global computing efficiency. This historic transition from CPU-centric serial processing to GPU-powered parallel architectures marks the definitive end of Moore’s Law’s unchallenged reign and the rise of a new computational paradigm.</p>
<div class="lb-trans"><p>NVIDIA 的加速计算平台正在从根本上重塑高性能计算和人工智能的格局，标志着现代计算的深刻重构。该平台现在主导着之前由传统 CPU 占据的超级计算基准，开启了人工智能、科学、商业和全球计算效率的新纪元。这一从以 CPU 为中心的串行处理向以 GPU 为动力的并行架构的历史性转变，标志着摩尔定律无可争议的统治的终结，以及一种新计算范式的崛起。</p>
</div><p>The computing world is witnessing a seismic shift, with NVIDIA accelerated computing now dominating supercomputing benchmarks previously held by traditional CPUs. Over 85% of the TOP100 supercomputers, a subset of the TOP500 list, currently leverage GPUs, marking a historic transition from serial processing to massively parallel architectures. This paradigm shift, ignited by AlexNet’s 2012 demonstration of AI learning on gaming GPUs, has made exascale computing practical by delivering a 4.5x energy efficiency advantage over CPU-only systems. NVIDIA’s record-breaking Graph500 performance, processing 2.2 trillion vertices with just 8,192 H100 GPUs compared to 150,000 CPUs for the next best result, underscores a monumental total cost of ownership advantage. Crucially, this evolution extends beyond hardware, encompassing a co-designed full-stack platform of networking, memory, storage, orchestration, and the indispensable CUDA-X software ecosystem, where significant speedups truly materialize.</p>
<div class="lb-trans"><p>计算世界正在经历一场巨大的变革，NVIDIA 的加速计算现在主导着之前由传统 CPU 占据的超级计算基准。在 TOP500 列表的子集 TOP100 超级计算机中，超过 85% 目前利用 GPU，标志着从串行处理到大规模并行架构的历史性转变。这一范式转变是由 AlexNet 在 2012 年展示的在游戏 GPU 上的人工智能学习所引发的，使得 exascale 计算成为现实，提供了比仅使用 CPU 的系统高出 4.5 倍的能效优势。NVIDIA 在 Graph500 性能上的创纪录表现，使用仅 8,192 个 H100 GPU 处理 2.2 万亿个顶点，而下一个最佳结果则需要 150,000 个 CPU，突显了其在总拥有成本上的巨大优势。至关重要的是，这一演变不仅限于硬件，还包括网络、内存、存储、编排和不可或缺的 CUDA-X 软件生态系统的共同设计的全栈平台，在这里，显著的加速效果真正得以实现。</p>
</div><p>This shift to GPUs forms the bedrock for AI’s future, guided by the three scaling laws: pre-training, post-training, and test-time compute. Pre-training scaling established that increasing datasets, parameters, and compute predictably enhances model performance, a feat only feasible with GPU acceleration, as demonstrated by NVIDIA’s highest performance across all MLPerf Training benchmarks. Following foundational model creation, post-training involves extensive refinement through techniques like reinforcement learning from human feedback, pruning, and distillation, demanding compute often rivaling pre-training itself. Test-time scaling, the newest and potentially most transformative law, powers mixture-of-experts architectures and agentic AI, requiring dynamic, recursive compute that will exponentially drive inference infrastructure demand. Together, these laws define a complete AI lifecycle, where NVIDIA accelerated computing powers every stage from initial learning to sophisticated reasoning and deployment.</p>
<div class="lb-trans"><p>这一向 GPU 的转变为人工智能的未来奠定了基础，受三项扩展法则的指导：预训练、后训练和测试时计算。预训练扩展法则表明，增加数据集、参数和计算可以可预测地提升模型性能，这一成就只有通过 GPU 加速才能实现，正如 NVIDIA 在所有 MLPerf 训练基准中所展示的最高性能。创建基础模型后，后训练涉及通过人类反馈强化学习、剪枝和蒸馏等技术进行广泛的精细调整，这需要的计算量往往与预训练相当。测试时扩展法则是最新的、潜在的最具变革性的法则，推动了专家混合架构和自主 AI 的发展，要求动态、递归的计算，这将成倍推动推理基础设施的需求。这些法则共同定义了完整的人工智能生命周期，其中 NVIDIA 的加速计算为从初始学习到复杂推理和部署的每个阶段提供动力。</p>
</div><h2>From Virtual AI to Physical Intelligence</h2>
<div class="lb-trans"><h2>从虚拟人工智能到物理智能</h2>
</div><p>NVIDIA accelerated computing is already transforming industries, enabling hyperscalers to transition from classical machine learning to generative AI, particularly in areas like search and recommender systems. With CUDA GPUs, pre-training scaling allows models to learn from massive datasets of clicks and preferences, while post-training fine-tunes personalization for specific domains, yielding billions in sales from even a 1% gain in relevance. Generative AI, supported by NVIDIA platforms across all leading models and 1.4 million open-source variants, is reshaping robotics, autonomous vehicles, and software-as-a-service. This evolution extends to agentic AI, systems that perceive, reason, plan, and act autonomously, functioning as digital colleagues to accelerate productivity across diverse sectors from legal research to logistics. This represents a foundational shift, moving AI from a purely virtual technology into tangible, real-world applications.</p>
<div class="lb-trans"><p>NVIDIA 的加速计算已经在改变各个行业，使得超大规模企业能够从经典机器学习转向生成式人工智能，特别是在搜索和推荐系统等领域。借助 CUDA GPU，预训练扩展法则使模型能够从大量的点击和偏好数据集中学习，而后训练则为特定领域的个性化进行微调，即使在相关性提高 1% 的情况下也能带来数十亿的销售额。生成式人工智能在所有领先模型和 140 万个开源变体中得到 NVIDIA 平台的支持，正在重塑机器人技术、自动驾驶汽车和软件即服务。这一演变扩展到自主 AI，能够感知、推理、规划和自主行动的系统，作为数字同事在法律研究到物流等各个领域加速生产力。这代表了一种基础性的转变，将人工智能从纯粹的虚拟技术转向切实的现实应用。</p>
</div><p>The ultimate frontier is physical AI, embodying intelligence in robots of every form, a development that demands a specialized computing stack. This requires NVIDIA DGX GB300 for training complex vision-language-action models, NVIDIA RTX PRO for rigorous simulation and validation in a virtual world built on Omniverse, and Jetson Thor for real-time execution of reasoning VLA models. A breakthrough moment for robotics is anticipated within years, with autonomous mobile robots, collaborative robots, and humanoids poised to disrupt manufacturing, logistics, and healthcare. Morgan Stanley projects 1 billion humanoid robots and $5 trillion in revenue by 2050, underscoring the profound economic implications of this deep integration of AI into the physical economy. According to the announcement, NVIDIA CEO Jensen Huang emphasizes that AI is no longer merely a tool but a force performing work, poised to transform every one of the world’s $100 trillion markets, initiating a virtuous cycle that redefines the entire computing stack.</p>
<div class="lb-trans"><p>最终的前沿是物理人工智能，体现了各种形式机器人的智能，这一发展需要专门的计算堆栈。这需要 NVIDIA DGX GB300 用于训练复杂的视觉 - 语言 - 行动模型，NVIDIA RTX PRO 用于在基于 Omniverse 的虚拟世界中进行严格的模拟和验证，以及 Jetson Thor 用于实时执行推理 VLA 模型。预计在未来几年内，机器人技术将迎来突破性时刻，自主移动机器人、协作机器人和类人机器人将颠覆制造、物流和医疗保健。摩根士丹利预计到 2050 年将有 10 亿个类人机器人和 5 万亿美元的收入，突显了人工智能深度融入实体经济的深远经济影响。根据公告，NVIDIA 首席执行官黄仁勋强调，人工智能不再仅仅是工具，而是一种执行工作的力量，准备改变全球 100 万亿美元市场中的每一个市场，开启重新定义整个计算堆栈的良性循环。</p>
</div><p>The dominance of NVIDIA accelerated computing in supercomputing and its foundational role in the three scaling laws signify a profound re-architecture of computing itself. This trajectory promises not just incremental improvements but breakthroughs across every discipline, from drug discovery and fusion simulation to the widespread deployment of intelligent, autonomous physical systems. The era of AI-driven supercomputing, powered by NVIDIA’s full-stack platform, is here, fundamentally altering how industries operate and how humans interact with technology.</p>
<div class="lb-trans"><p>NVIDIA 加速计算在超级计算中的主导地位及其在三项扩展法则中的基础性作用，标志着计算本身的深刻重构。这一轨迹不仅承诺增量改进，还将在药物发现、聚变模拟到智能自主物理系统的广泛部署等各个学科中带来突破。由 NVIDIA 的全栈平台驱动的人工智能驱动的超级计算时代已经到来，从根本上改变了行业的运作方式以及人类与技术的互动方式。</p>
</div>

NVIDIA Accelerated Computing Reshapes Industry

StartupHub

英伟达

NVIDIA 的加速计算正在重塑整个行业