<p>NVIDIA 的加速計算平台正在從根本上重塑高性能計算和人工智能的格局，標誌着現代計算的深刻重構。該平台現在主導着之前由傳統 CPU 佔據的超級計算基準，開啓了人工智能、科學、商業和全球計算效率的新紀元。這一從以 CPU 為中心的串行處理向以 GPU 為動力的並行架構的歷史性轉變，標誌着摩爾定律無可爭議的統治的終結，以及一種新計算範式的崛起。</p>
<p>計算世界正在經歷一場巨大的變革，NVIDIA 的加速計算現在主導着之前由傳統 CPU 佔據的超級計算基準。在 TOP500 列表的子集 TOP100 超級計算機中，超過 85% 目前利用 GPU，標誌着從串行處理到大規模並行架構的歷史性轉變。這一範式轉變是由 AlexNet 在 2012 年展示的在遊戲 GPU 上的人工智能學習所引發的，使得 exascale 計算成為現實，提供了比僅使用 CPU 的系統高出 4.5 倍的能效優勢。NVIDIA 在 Graph500 性能上的創紀錄表現，使用僅 8,192 個 H100 GPU 處理 2.2 萬億個頂點，而下一個最佳結果則需要 150,000 個 CPU，突顯了其在總擁有成本上的巨大優勢。至關重要的是，這一演變不僅限於硬件，還包括網絡、內存、存儲、編排和不可或缺的 CUDA-X 軟件生態系統的共同設計的全棧平台，在這裏，顯著的加速效果真正得以實現。</p>
<p>這一向 GPU 的轉變為人工智能的未來奠定了基礎，受三項擴展法則的指導：預訓練、後訓練和測試時計算。預訓練擴展法則表明，增加數據集、參數和計算可以可預測地提升模型性能，這一成就只有通過 GPU 加速才能實現，正如 NVIDIA 在所有 MLPerf 訓練基準中所展示的最高性能。創建基礎模型後，後訓練涉及通過人類反饋強化學習、剪枝和蒸餾等技術進行廣泛的精細調整，這需要的計算量往往與預訓練相當。測試時擴展法則是最新的、潛在的最具變革性的法則，推動了專家混合架構和自主 AI 的發展，要求動態、遞歸的計算，這將成倍推動推理基礎設施的需求。這些法則共同定義了完整的人工智能生命週期，其中 NVIDIA 的加速計算為從初始學習到複雜推理和部署的每個階段提供動力。</p>
<h2>從虛擬人工智能到物理智能</h2>
<p>NVIDIA 的加速計算已經在改變各個行業，使得超大規模企業能夠從經典機器學習轉向生成式人工智能，特別是在搜索和推薦系統等領域。藉助 CUDA GPU，預訓練擴展法則使模型能夠從大量的點擊和偏好數據集中學習，而後訓練則為特定領域的個性化進行微調，即使在相關性提高 1% 的情況下也能帶來數十億的銷售額。生成式人工智能在所有領先模型和 140 萬個開源變體中得到 NVIDIA 平台的支持，正在重塑機器人技術、自動駕駛汽車和軟件即服務。這一演變擴展到自主 AI，能夠感知、推理、規劃和自主行動的系統，作為數字同事在法律研究到物流等各個領域加速生產力。這代表了一種基礎性的轉變，將人工智能從純粹的虛擬技術轉向切實的現實應用。</p>
<p>最終的前沿是物理人工智能，體現了各種形式機器人的智能，這一發展需要專門的計算堆棧。這需要 NVIDIA DGX GB300 用於訓練複雜的視覺 - 語言 - 行動模型，NVIDIA RTX PRO 用於在基於 Omniverse 的虛擬世界中進行嚴格的模擬和驗證，以及 Jetson Thor 用於實時執行推理 VLA 模型。預計在未來幾年內，機器人技術將迎來突破性時刻，自主移動機器人、協作機器人和類人機器人將顛覆製造、物流和醫療保健。摩根士丹利預計到 2050 年將有 10 億個類人機器人和 5 萬億美元的收入，突顯了人工智能深度融入實體經濟的深遠經濟影響。根據公告，NVIDIA 首席執行官黃仁勳強調，人工智能不再僅僅是工具，而是一種執行工作的力量，準備改變全球 100 萬億美元市場中的每一個市場，開啓重新定義整個計算堆棧的良性循環。</p>
<p>NVIDIA 加速計算在超級計算中的主導地位及其在三項擴展法則中的基礎性作用，標誌着計算本身的深刻重構。這一軌跡不僅承諾增量改進，還將在藥物發現、聚變模擬到智能自主物理系統的廣泛部署等各個學科中帶來突破。由 NVIDIA 的全棧平台驅動的人工智能驅動的超級計算時代已經到來，從根本上改變了行業的運作方式以及人類與技術的互動方式。</p>

2 倍做多英偉達 ETF - GraniteShares

南方兩倍做多英偉達

南方兩倍做空英偉達

英偉達期權收益策略 ETF - YieldMax

1 倍做空英偉達 ETF - Direxion

2 倍做多 NVDA ETF - T-Rex

2 倍做空 NVDA ETF - T-Rex

半導體 3 倍做多 - Direxion

<p>NVIDIA 的加速計算平台正在徹底改變高性能計算和人工智能，正在從以 CPU 為中心轉向以 GPU 為驅動的架構。這一轉變標誌着摩爾定律主導地位的結束，GPU 現在在超級計算基準測試中處於領先地位。NVIDIA 的平台，包括硬件和 CUDA-X 軟件，支持人工智能的完整生命週期，從預訓練到部署。這一轉變正在改變各個行業，使生成式人工智能和自主智能成為可能，並預計將徹底革新機器人技術和自主系統。NVIDIA 首席執行官黃仁勳強調，人工智能有潛力重新定義全球市場和計算本身</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 的加速計算平台正在從根本上重塑高性能計算和人工智能的格局，標誌着現代計算的深刻重構。該平台現在主導着之前由傳統 CPU 佔據的超級計算基準，開啓了人工智能、科學、商業和全球計算效率的新紀元。這一從以 CPU 為中心的串行處理向以 GPU 為動力的並行架構的歷史性轉變，標誌着摩爾定律無可爭議的統治的終結，以及一種新計算範式的崛起。</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>計算世界正在經歷一場巨大的變革，NVIDIA 的加速計算現在主導着之前由傳統 CPU 佔據的超級計算基準。在 TOP500 列表的子集 TOP100 超級計算機中，超過 85% 目前利用 GPU，標誌着從串行處理到大規模並行架構的歷史性轉變。這一範式轉變是由 AlexNet 在 2012 年展示的在遊戲 GPU 上的人工智能學習所引發的，使得 exascale 計算成為現實，提供了比僅使用 CPU 的系統高出 4.5 倍的能效優勢。NVIDIA 在 Graph500 性能上的創紀錄表現，使用僅 8,192 個 H100 GPU 處理 2.2 萬億個頂點，而下一個最佳結果則需要 150,000 個 CPU，突顯了其在總擁有成本上的巨大優勢。至關重要的是，這一演變不僅限於硬件，還包括網絡、內存、存儲、編排和不可或缺的 CUDA-X 軟件生態系統的共同設計的全棧平台，在這裏，顯著的加速效果真正得以實現。</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>這一向 GPU 的轉變為人工智能的未來奠定了基礎，受三項擴展法則的指導：預訓練、後訓練和測試時計算。預訓練擴展法則表明，增加數據集、參數和計算可以可預測地提升模型性能，這一成就只有通過 GPU 加速才能實現，正如 NVIDIA 在所有 MLPerf 訓練基準中所展示的最高性能。創建基礎模型後，後訓練涉及通過人類反饋強化學習、剪枝和蒸餾等技術進行廣泛的精細調整，這需要的計算量往往與預訓練相當。測試時擴展法則是最新的、潛在的最具變革性的法則，推動了專家混合架構和自主 AI 的發展，要求動態、遞歸的計算，這將成倍推動推理基礎設施的需求。這些法則共同定義了完整的人工智能生命週期，其中 NVIDIA 的加速計算為從初始學習到複雜推理和部署的每個階段提供動力。</p>
</div><h2>From Virtual AI to Physical Intelligence</h2>
<div class="lb-trans"><h2>從虛擬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 的加速計算已經在改變各個行業，使得超大規模企業能夠從經典機器學習轉向生成式人工智能，特別是在搜索和推薦系統等領域。藉助 CUDA GPU，預訓練擴展法則使模型能夠從大量的點擊和偏好數據集中學習，而後訓練則為特定領域的個性化進行微調，即使在相關性提高 1% 的情況下也能帶來數十億的銷售額。生成式人工智能在所有領先模型和 140 萬個開源變體中得到 NVIDIA 平台的支持，正在重塑機器人技術、自動駕駛汽車和軟件即服務。這一演變擴展到自主 AI，能夠感知、推理、規劃和自主行動的系統，作為數字同事在法律研究到物流等各個領域加速生產力。這代表了一種基礎性的轉變，將人工智能從純粹的虛擬技術轉向切實的現實應用。</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>最終的前沿是物理人工智能，體現了各種形式機器人的智能，這一發展需要專門的計算堆棧。這需要 NVIDIA DGX GB300 用於訓練複雜的視覺 - 語言 - 行動模型，NVIDIA RTX PRO 用於在基於 Omniverse 的虛擬世界中進行嚴格的模擬和驗證，以及 Jetson Thor 用於實時執行推理 VLA 模型。預計在未來幾年內，機器人技術將迎來突破性時刻，自主移動機器人、協作機器人和類人機器人將顛覆製造、物流和醫療保健。摩根士丹利預計到 2050 年將有 10 億個類人機器人和 5 萬億美元的收入，突顯了人工智能深度融入實體經濟的深遠經濟影響。根據公告，NVIDIA 首席執行官黃仁勳強調，人工智能不再僅僅是工具，而是一種執行工作的力量，準備改變全球 100 萬億美元市場中的每一個市場，開啓重新定義整個計算堆棧的良性循環。</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 加速計算在超級計算中的主導地位及其在三項擴展法則中的基礎性作用，標誌着計算本身的深刻重構。這一軌跡不僅承諾增量改進，還將在藥物發現、聚變模擬到智能自主物理系統的廣泛部署等各個學科中帶來突破。由 NVIDIA 的全棧平台驅動的人工智能驅動的超級計算時代已經到來，從根本上改變了行業的運作方式以及人類與技術的互動方式。</p>
</div>

NVIDIA Accelerated Computing Reshapes Industry

StartupHub

英偉達

NVIDIA 的加速計算正在重塑整個行業