GTC 2026观察：当AI成为“工厂”，产业链正在经历什么？

GTC 2026观察：当AI成为“工厂”，产业链正在经历什么？

2026年3月16日，圣何塞。当黄仁勋再次站上GTC keynote舞台时，他身后的PPT不再重复过去几年反复出现的“加速计算（Accelerated Computing）”。取而代之的，是三个更加直接的字：AI工厂（AI Factory）。

这并不是简单的概念更新，而是英伟达对AI产业结构的一次重新定义。

从 Blackwell Ultra 架构 的发布，到 Dynamo 1.0 的开源，再到 Physical AI Data Factory Blueprint 与 Agentic AI 的系统化布局，GTC 2026所展示的，不再只是更强的GPU，而是一套完整的“智能生产体系”。

如果说过去十年，AI产业的核心问题是“如何获得算力”，那么未来十年，真正的竞争将变成：谁能够以最低成本、最高效率生产“智能产出”。

而对于站在产业链上游的企业而言——无论是存储、先进封装，还是算力基础设施——这一变化意味着：一场围绕下一代AI基础设施主导权的竞赛，正在全面展开。

01

AI工厂：从“卖铲子”到“建水坝”

黄仁勋有一个被广泛引用的比喻：在淘金热中，最赚钱的人往往不是淘金者，而是卖铲子的人。

过去三年，英伟达无疑是AI时代最大的“铲子供应商”。GPU成为训练和推理的核心基础设施，英伟达也因此站在了AI产业链的中心位置。

但GTC 2026传递出的信号非常明确：英伟达正在从“卖铲子”升级为“建水坝”。

所谓 AI工厂（AI Factory），本质上是一种新的计算基础设施形态——它将数据、算力、模型和应用整合为一个可规模化运行的“智能生产系统”。这已经不再是传统意义上的数据中心升级。

传统数据中心的商业模式，是按服务器、机柜、带宽和存储容量计费；而在AI工厂体系中，新的衡量单位正在出现——Token产量。

换句话说，未来AI基础设施的核心指标，不再只是算力规模，而是：每单位时间能够生产多少智能输出。就像传统工业用“吨钢产量”衡量钢厂效率一样，AI工厂时代衡量基础设施竞争力的指标，将逐渐转变为：

每美元算力能够生成多少Token

每瓦电力能够支持多少推理吞吐

每个系统节点能够支撑多高的数据流动效率

因此，Blackwell Ultra 在发布时强调的重点，并不只是单卡算力的提升，而是系统级效率的提升。这背后实际上涉及一整套产业链协同能力：

存储带宽

先进封装密度

高速互联能力

散热与能效设计

在AI工厂体系下，竞争的焦点不再是单颗芯片，而是 整个系统级架构效率。

02

Physical AI：当AI走出服务器，进入物理世界

如果说 AI工厂 是“生产智能的车间”，那么 Physical AI，则是“智能的实体化出口”。

在GTC 2026上，英伟达提出了 Physical AI Data Factory Blueprint ——一套面向机器人、自动驾驶、工业自动化的数据生成与训练框架。

其核心目标，是解决一个长期困扰机器人行业的问题：真实世界数据太昂贵。
在传统机器人开发流程中，训练一个复杂机器人系统往往需要：长时间真实场景数据采集、大量人工标注、多轮真实环境测试。这一过程不仅成本高昂，而且难以规模化复制。

英伟达提出的Physical AI路径，本质上是通过两种技术路径降低成本：

仿真训练（Simulation）

在虚拟环境中生成海量场景数据。

Sim-to-Real迁移

通过模型适配，使虚拟训练结果能够快速迁移到真实世界。

同时结合生成式AI合成数据，使机器人训练数据规模能够指数级增长。其结果是：原本需要数月甚至更长时间完成的机器人训练周期，有可能被压缩到数周甚至更短。

如果这一体系真正成熟，AI将不再只停留在服务器和数据中心中，而会开始大规模进入：工业机器人、自动驾驶系统、智能制造设备、服务型机器人。

换句话说，AI正在从“信息世界”走向“物理世界”。而这也意味着，AI基础设施的需求将进一步扩大——不仅仅是训练大模型，还包括持续运行在现实世界中的智能系统。这对整个产业链的影响，远不止GPU本身。

更高的数据吞吐、更低延迟的存储系统、更高密度的封装技术，以及更稳定的算力基础设施，都将成为新的关键能力。

03

Agentic AI：从“回答问题”到“完成任务”

如果说大模型时代的AI主要解决的是 “理解与生成”问题，那么Agentic AI所强调的，则是 “执行能力”。

在GTC 2026上，英伟达多次提到 Agentic AI（智能体AI） 的概念：未来的AI系统，不再只是被动回答问题，而是能够自主规划、分解任务并完成执行。

一个典型的Agentic AI流程包括：

换句话说，AI正在从 “聊天工具” 进化为 “数字劳动力”。这意味着AI的运行模式也在发生变化。

传统AI应用更多是短时推理，而Agentic AI往往需要：长时间运行、多轮推理、持续访问外部数据、调用多个系统接口。

因此，AI基础设施的瓶颈开始从单纯的算力，转向系统吞吐能力与数据访问效率。对产业链而言，这将带来两个明显变化：

第一，推理需求将持续增长。大量Agent需要持续运行，而不是一次性推理。

第二，存储系统的重要性进一步提升。AI不再只是“算一次”，而是需要不断访问知识库、日志、向量数据库与历史数据。

在这一模式下，算力、存储和网络的协同效率将成为关键。

04

产业链影响：存储、封装、算力的三重变局

从AI工厂到Physical AI，再到Agentic AI，这些变化最终都会传导到产业链结构。对于AI基础设施而言，三个环节正在发生明显变化。

1. 存储：从“容量配角”到“性能主角”

在传统数据中心架构中，存储更多被视为容量资源。但在AI时代，存储开始承担新的角色：数据流动的核心枢纽。

AI训练和推理过程中，数据需要在 GPU、CPU、内存、SSD、网络之间高速流动。因此，存储性能直接影响模型训练效率。几个关键趋势正在出现：

高带宽存储需求快速增长

企业级SSD性能持续提升

AI训练数据规模持续扩大

尤其是在大模型训练和AI数据工厂场景中，PB级数据存储已经成为常态。存储系统不再只是“放数据”，而是决定AI系统 数据供给效率的关键节点。

2. 先进封装：从“可选项”到“必选项”

AI算力持续增长的同时，单芯片性能提升已经越来越接近物理极限。因此，产业开始更多依赖先进封装技术来提升系统性能。

例如：2.5D封装、3D封装、Chiplet架构，这些技术能够通过更高密度的芯片互联，实现更高带宽和更低延迟。

在Blackwell Ultra等新一代AI芯片中，先进封装已经成为关键技术路径。这也意味着：先进封装能力，将成为未来AI算力产业的重要门槛之一。

3. 算力：从“单点突破”到“系统竞争”

过去，AI芯片竞争更多集中在：单颗GPU性能。但在AI工厂时代，真正决定效率的，是整套系统架构。包括：GPU互联、网络拓扑、存储带宽、电力与散热、软件调度系统。

因此，AI算力竞争正在从“芯片竞争”转向“系统竞争”。谁能够提供更高效率的整体解决方案，谁就能在AI基础设施市场中占据优势。

05

结语：产业链的新坐标系

GTC 2026释放的一个重要信号是：AI产业正在进入“基础设施重构期”。

AI工厂、Physical AI与Agentic AI，并不是彼此独立的概念，而是构成了AI产业未来发展的三个关键方向：

AI工厂 ——定义智能生产体系

Physical AI ——推动AI进入现实世界

Agentic AI ——让AI成为真正的生产力工具

在这一过程中，AI产业链的价值结构也在发生变化。算力仍然重要，但存储、封装、系统架构与数据基础设施 的价值正在快速提升。

对于产业链企业而言，这意味着新的机会窗口正在打开。下一轮AI竞争，不仅仅是芯片的竞争，更是整个智能基础设施体系的竞争。

撰文 | Aiman

数据校对 | 肖弦

配图/排版 | Carina

审 核 | Carina、Alan