مهم‌ترین رونمایی‌ها و فناوری‌های NVIDIA GTC ۲۰۲۶؛ از AI Factory تا Agentic AI

رویداد NVIDIA GTC ۲۰۲۶ امسال هم مثل سال گذشته با استقبال گسترده‌ای مواجه شد. از همان دقایق ابتدایی، مشخص بود که انویدیا می‌خواهد نشان دهد دیگر صرفاً یک شرکت تولیدکننده GPU نیست و حالا می‌خواهد نقش سازنده زیرساخت‌های صنعتی هوش مصنوعی جهان را بازی کند. سخنرانی کلیدی رویداد GTC سال گذشته عمدتاً به معرفی معماری Blackwel پرداخته شد.

رویداد امسال با ویدیویی درباره «توکن‌ها» آغاز شد. در این ویدیو، توکن‌ها به‌عنوان واحدهای جدید تولید در عصر هوش مصنوعی معرفی شدند؛ چیزی که می‌تواند کارخانه‌های هوش مصنوعی را به حرکت درآورد. سپس Jensen Huang وارد صحنه شد و با شوخی همیشگی خود درباره صف طولانی شرکت‌کنندگان گفت: «یادتان باشد این فقط یک کنفرانس فناوری است!»

در ادامه، جنسون هوانگ سه سکوی اصلی انویدیا را معرفی کرد:

• سکوی CUDA-X
• سکوی سیستم‌ها
• و سکوی جدید AI Factories

او توضیح داد که آینده هوش مصنوعی فقط به مدل‌ها وابسته نیست و کل زنجیره شامل زیرساخت، پردازش داده، شبکه، سیستم‌ها و نرم‌افزار را در بر می‌گیرد.

آمارهای رویداد هم بسیار بزرگ بود. بیش از ۴۵۰ شرکت در GTC ۲۰۲۶ حضور داشتند. بیش از ۲ هزار سخنران در جلسات مختلف شرکت کردند و تقریباً تمام صنایع بزرگ جهان در این کنفرانس حضور داشتند. جنسون هوانگ حتی گفت «۱۰۰ درصد صنعت ۱۰۰ تریلیون دلاری جهان» در این رویداد نماینده دارد.

در طول سخنرانی، موضوعاتی مثل CUDA، پردازش داده، AI Factory، معماری Vera Rubin، مدل‌های استنتاجی، Agentic AI، سیستم‌های ابری، رباتیک و آینده مراکز داده مطرح شدند. اگر چه به نظر می‌رسد انویدیا در حال دور شدن از دوران اوج است اما NVIDIA GTC ۲۰۲۶ تلاش کرد نقشه راه صنعت هوش مصنوعی برای چند سال آینده را ترسیم کند.

امپراتوری CUDA

بیستمین سالگرد تولد CUDA

یکی از مهم‌ترین بخش‌های NVIDIA GTC ۲۰۲۶ به بیستمین سالگرد CUDA اختصاص داشت. جنسون هوانگ بارها تأکید کرد که CUDA مهم‌ترین سرمایه انویدیا است. او گفت این پلتفرم حالا در صدها میلیون GPU و سیستم پردازشی در سراسر جهان نصب شده است.

جنسون توضیح داد که موفقیت امروز انویدیا فقط به قدرت سخت‌افزار وابسته نیست. به گفته او، «Installed Base» یا همان پایگاه نصب CUDA مهم‌ترین مزیت انویدیا محسوب می‌شود. چون توسعه‌دهندگان روی CUDA کار می‌کنند، الگوریتم‌های جدید می‌سازند و همین موضوع باعث رشد مداوم اکوسیستم می‌شود.

او همچنین توضیح داد که کتابخانه‌های CUDA اکنون تقریباً در تمام اکوسیستم‌های هوش مصنوعی حضور دارند. هزاران ابزار، فریم‌ورک، کامپایلر و پروژه متن‌باز روی این سکو ساخته شده‌اند. همین موضوع باعث شده طول عمر زیرساخت‌های انویدیا بسیار بیشتر از نسل‌های قبلی پردازنده‌ها باشد.

در بخشی از سخنرانی، جنسون به نکته جالبی اشاره کرد. او گفت حتی GPUهای نسل Ampere که حدود ۶ سال پیش عرضه شدند، هنوز در بازار ابری ارزش بالایی دارند و قیمت آن‌ها افزایش یافته است. دلیل این موضوع هم پشتیبانی گسترده CUDA و بهینه‌سازی مداوم نرم‌افزارها است.

تاریخچه CUDA از زبان جنسون

جنسون هوانگ در ادامه به گذشته بازگشت و تاریخچه CUDA را تعریف کرد. او توضیح داد که مسیر CUDA در واقع ۲۵ سال قبل و با GeForce آغاز شد. به گفته او، اختراع «Programmable Shader» نقطه شروع تبدیل GPU به یک پردازنده قابل برنامه‌ریزی بود.

او با شوخی گفت GeForce بزرگ‌ترین کمپین بازاریابی تاریخ انویدیا بوده است. چون کاربران از کودکی با کارت‌های گرافیک GeForce بزرگ شدند و بعداً تبدیل به برنامه‌نویسان و مشتریان حرفه‌ای انویدیا شدند.

در ادامه، جنسون توضیح داد که انویدیا در آن زمان سرمایه زیادی برای توسعه CUDA صرف کرد؛ حتی زمانی که شرکت توان مالی زیادی نداشت. او گفت تقریباً تمام سود شرکت صرف توسعه CUDA شد، چون انویدیا به آینده این معماری باور داشت.

سپس جنسون به RTX و نسل جدید Neural Rendering اشاره کرد. او گفت انویدیا حدود ۱۰ سال پیش تصمیم گرفت گرافیک سه‌بعدی و هوش مصنوعی را با هم ترکیب کند. نتیجه این تصمیم فناوری DLSS و نسل جدید رندرینگ عصبی بود.

در GTC ۲۰۲۶ نسخه جدید DLSS ۵ نمایش داده شد. جنسون توضیح داد که آینده گرافیک کامپیوتری بر پایه ترکیب «داده ساختاریافته» و «هوش مصنوعی مولد» ساخته می‌شود. او این مفهوم را یکی از پایه‌های اصلی AI آینده دانست.

داده‌های ساختاریافته و بدون ساختار

یکی از بخش‌های مهم NVIDIA GTC ۲۰۲۶ به داده‌ها اختصاص داشت. جنسون هوانگ توضیح داد که جهان AI بر دو نوع داده بنا شده است:

• داده‌های ساختاریافته
• داده‌های بدون ساختار

او داده‌های ساختاریافته را «Ground Truth» یا حقیقت اصلی کسب‌وکارها توصیف کرد. این داده‌ها همان جدول‌ها، دیتافریم‌ها و پایگاه‌های داده‌ای هستند که شرکت‌ها سال‌ها از آن‌ها استفاده کرده‌اند. فناوری‌هایی مثل SQL، Spark، Pandas، Snowflake و Databricks در این دسته قرار می‌گیرند.

جنسون توضیح داد که AI آینده باید بتواند این داده‌های ساختاریافته را با سرعت بسیار بالا پردازش کند. به همین دلیل انویدیا معماری cuDF را توسعه داده است. این معماری پردازش دیتافریم‌ها را روی GPU شتاب می‌دهد.

در مقابل، داده‌های بدون ساختار قرار دارند. ویدیوها، PDFها، فایل‌های صوتی، سخنرانی‌ها و محتوای اینترنت در این دسته هستند. جنسون گفت حدود ۹۰ درصد داده‌های تولید شده جهان بدون ساختار هستند.

او توضیح داد که این داده‌ها تا قبل از ظهور مدل‌های چندوجهی تقریباً غیرقابل جستجو بودند. اما حالا AI می‌تواند مفهوم این داده‌ها را درک کند، آن‌ها را Embedding کند و وارد دیتابیس‌های برداری کند.

برای همین انویدیا سکوی cuVS را معرفی کرده است. این معماری برای پردازش Vector Database و داده‌های معنایی طراحی شده است. جنسون تأکید کرد که آینده AI به ترکیب داده‌های ساختاریافته و بدون ساختار وابسته خواهد بود.

همکاری انویدیا با IBM و نستله در پردازش داده

در NVIDIA GTC ۲۰۲۶ همکاری مشترک IBM و NVIDIA یکی از مهم‌ترین بخش‌های حوزه داده بود. جنسون توضیح داد که IBM حالا موتورهای SQL در watsonx.data را با استفاده از معماری cuDF روی GPU شتاب می‌دهد.

در ویدیوی نمایشی این بخش، انویدیا توضیح داد که سیستم‌های سنتی پردازش داده مبتنی بر CPU دیگر توان پاسخ‌گویی به نیاز AI را ندارند. مدل‌های جدید نیاز دارند حجم بسیار بزرگی از داده را با سرعت بالا پردازش کنند.

نمونه اصلی این همکاری شرکت Nestlé بود. نستله روزانه هزاران تصمیم زنجیره تأمین در ۱۸۵ کشور جهان می‌گیرد. دیتامارت این شرکت شامل سفارش‌ها، حمل‌ونقل و عملیات توزیع است.

طبق اطلاعات ارائه‌شده در سخنرانی، سیستم جدید مبتنی بر GPU توانست پردازش دیتامارت نستله را ۵ برابر سریع‌تر انجام دهد و در عین حال هزینه پردازش را ۸۳ درصد کاهش دهد.

جنسون هوانگ تأکید کرد که این فقط یک نمونه است و AI آینده بدون پردازش سریع داده امکان‌پذیر نخواهد بود. او گفت انویدیا حالا فقط شرکت GPU نیست و عملاً به شرکت زیرساخت داده و AI تبدیل شده است.

همکاری با ارائه‌دهندگان بزرگ زیرساخت

بعد از بخش پردازش داده، جنسون هوانگ وارد یکی از مهم‌ترین قسمت‌های NVIDIA GTC ۲۰۲۶ شد؛ همکاری انویدیا با بزرگ‌ترین ارائه‌دهندگان زیرساخت ابری و سازمانی جهان.

او بارها تأکید کرد که استراتژی انویدیا «یکپارچگی عمودی و باز بودن افقی» است. یعنی انویدیا تمام لایه‌های فناوری را خودش توسعه می‌دهد، اما این فناوری‌ها را در اختیار همه شرکت‌ها قرار می‌دهد.

انویدیا و Dell

Dell Technologies یکی از مهم‌ترین شرکای انویدیا در بخش زیرساخت سازمانی است. جنسون توضیح داد که Dell حالا سکوی Dell AI Data Platform را با معماری‌های cuDF و cuVS توسعه داده است.

هدف این پلتفرم ایجاد زیرساخت پردازش داده برای عصر AI است. انویدیا در جریان سخنرانی نمونه‌ای از همکاری Dell و NTT DATA را نمایش داد که در آن سرعت پردازش داده به شکل چشم‌گیری افزایش پیدا کرده بود.

جنسون تأکید کرد که آینده دیتاسنترها دیگر فقط ذخیره‌سازی فایل نیست و حالا باید به موتور پردازش AI تبدیل شوند.

انویدیا و Google Cloud

همکاری Google Cloud و انویدیا بخش بزرگی از سخنرانی را تشکیل داد. جنسون توضیح داد که انویدیا حالا سرویس‌های Vertex AI و BigQuery گوگل را شتاب می‌دهد.

او همچنین به همکاری عمیق انویدیا با JAX و XLA اشاره کرد و گفت انویدیا تنها سکویی است که هم در PyTorch و هم در JAX عملکرد فوق‌العاده‌ای دارد.

در یکی از مثال‌ها، همکاری مشترک گوگل کلاد و Snapchat نمایش داده شد. طبق اطلاعات ارائه‌شده، هزینه پردازش AI در این پروژه نزدیک به ۸۰ درصد کاهش پیدا کرده است.

جنسون تأکید کرد که هدف اصلی انویدیا فقط افزایش سرعت نیست؛ بلکه کاهش هزینه پردازش در مقیاس بزرگ است.

انویدیا و AWS

Amazon Web Services از قدیمی‌ترین شرکای انویدیا محسوب می‌شود. جنسون هوانگ توضیح داد که AWS اولین شریک ابری انویدیا بوده است.

در NVIDIA GTC ۲۰۲۶ اعلام شد که مدل‌های OpenAI به شکل گسترده روی AWS اجرا خواهند شد. جنسون گفت این همکاری مصرف محاسباتی AWS را به‌شدت افزایش می‌دهد.

او همچنین به شتاب‌دهی سرویس‌های EMR، SageMaker و Bedrock توسط انویدیا اشاره کرد. به گفته او، AWS حالا یکی از بزرگ‌ترین مراکز مصرف GPU در جهان است.

انویدیا و مایکروسافت آژور

جنسون در ادامه به همکاری با Microsoft Azure پرداخت. او توضیح داد که نخستین ابررایانه A100 انویدیا ابتدا در Azure نصب شد.

این همکاری بعداً زمینه همکاری نزدیک‌تر با OpenAI را ایجاد کرد. انویدیا حالا سرویس‌های Azure AI Foundry و Bing Search را نیز شتاب می‌دهد.

یکی از مهم‌ترین موضوعات این بخش، مفهوم Confidential Computing بود. جنسون توضیح داد که GPUهای انویدیا نخستین پردازنده‌هایی هستند که از پردازش محرمانه در مقیاس AI پشتیبانی می‌کنند.

در این معماری حتی اپراتور دیتاسنتر هم نمی‌تواند به داده‌ها یا مدل‌های AI دسترسی داشته باشد. این قابلیت برای استقرار مدل‌های OpenAI و Anthropic در کشورهای مختلف اهمیت زیادی دارد.

انویدیا و اوراکل

Oracle هم یکی دیگر از شرکای مهم انویدیا است. جنسون با شوخی گفت انویدیا ابتدا مشتری AI اوراکل بود و بعداً به تأمین‌کننده سخت‌افزار آن تبدیل شد.

او توضیح داد که انویدیا مفهوم AI Cloud را سال‌ها قبل برای اوراکل تشریح کرده بود و حالا Oracle Cloud به یکی از بازیگران بزرگ زیرساخت AI تبدیل شده است.

جنسون همچنین به استقرار مدل‌های OpenAI و Cohere روی Oracle Cloud اشاره کرد.

انویدیا و CoreWeave

CoreWeave در سخنرانی GTC ۲۰۲۶ به‌عنوان نخستین AI Native Cloud معرفی شد. جنسون توضیح داد که CoreWeave از ابتدا فقط با هدف میزبانی GPU و AI ساخته شد. به گفته او، رشد این شرکت در یک سال اخیر فوق‌العاده بوده است.

او بارها از اصطلاح «Token Factory» استفاده کرد و گفت CoreWeave یکی از نمونه‌های واقعی کارخانه تولید توکن در عصر AI محسوب می‌شود.

انویدیا و Palantir و Dell

یکی از مهمترین همکاری‌های NVIDIA GTC ۲۰۲۶ مربوط به Palantir Technologies بود. جنسون توضیح داد که انویدیا، Dell و Palantir با همکاری هم سکوی Ontology AI Platform را توسعه داده‌اند. این سیستم می‌تواند به‌صورت کاملاً آفلاین و Air-Gapped در کشورهای مختلف نصب شود.

او گفت این معماری برای دولت‌ها، صنایع حساس و سازمان‌هایی طراحی شده که نمی‌خواهند داده‌هایشان وارد فضای عمومی Cloud شود.

مفهوم Confidential Computing

Confidential Computing یکی از مفاهیم کلیدی NVIDIA GTC ۲۰۲۶ بود. جنسون توضیح داد که AI آینده بدون امنیت داده امکان رشد ندارد.

در این معماری، مدل‌ها و داده‌ها در حالت رمزنگاری‌شده پردازش می‌شوند. حتی اپراتور زیرساخت نیز امکان مشاهده اطلاعات را ندارد.

به گفته جنسون، این قابلیت باعث می‌شود AI در صنایع مالی، درمانی، دفاعی و دولت‌ها با اطمینان بیشتری استفاده شود.

او تأکید کرد که Confidential Computing یکی از پایه‌های اصلی AI Factory در سال‌های آینده خواهد بود.

انویدیا؛ یکپارچه به صورت عمودی و باز به صورت افقی

یکی از مهم‌ترین پیام‌های جنسون هوانگ در NVIDIA GTC ۲۰۲۶ توضیح مدل کاری انویدیا بود. او گفت انویدیا نخستین شرکت جهان است که «به‌صورت عمودی یکپارچه و به‌صورت افقی باز» عمل می‌کند.

منظور از یکپارچگی عمودی این است که انویدیا تقریباً تمام لایه‌های فناوری را خودش توسعه می‌دهد:

• تراشه‌ها
• سیستم‌ها
• شبکه
• نرم‌افزار
• کتابخانه‌ها
• الگوریتم‌ها
• و حتی مدل‌های AI

اما در عین حال، این فناوری‌ها را در اختیار تمام شرکت‌های جهان قرار می‌دهد. به گفته جنسون، انویدیا فناوری‌های خود را با هر Cloud، هر OEM و هر زیرساختی یکپارچه می‌کند.

او توضیح داد که شتاب‌دهی محاسبات فقط مسئله ساخت GPU نیست. برای افزایش سرعت AI باید خودِ اپلیکیشن‌ها و الگوریتم‌ها بازطراحی شوند.

به همین دلیل انویدیا صدها کتابخانه CUDA-X توسعه داده است. جنسون این کتابخانه‌ها را «جواهرات تاج انویدیا» توصیف کرد.

او گفت هر صنعت به الگوریتم‌های اختصاصی خودش نیاز دارد و انویدیا حالا برای تمام این صنایع کتابخانه تخصصی می‌سازد.

انویدیا در قلب صنایع جهان

در بخش دیگری از NVIDIA GTC ۲۰۲۶، جنسون هوانگ توضیح داد که AI حالا تقریباً تمام صنایع جهان را درگیر کرده است. او گفت انویدیا اکنون در ۹ حوزه اصلی فعالیت می‌کند و برای هرکدام سکوی اختصاصی AI دارد.

صنعت خودرو و حمل‌ونقل

در بخش Automotive، انویدیا روی خودروهای خودران و سیستم‌های هوشمند رانندگی تمرکز کرده است. جنسون توضیح داد که تقریباً تمام شرکت‌های بزرگ رباتیک و خودرو با انویدیا همکاری می‌کنند.

خدمات مالی

بخش Financial Services یکی از بزرگ‌ترین گروه‌های حاضر در GTC ۲۰۲۶ بود. جنسون توضیح داد که الگوریتم‌های مالی حالا از مدل‌های Transformer و Deep Learning استفاده می‌کنند.

به گفته او، دوران سیستم‌های سنتی Quant به پایان رسیده و AI حالا خودش الگوهای مالی را کشف می‌کند.

سلامت و زیست‌فناوری

در بخش Healthcare، انویدیا روی AI Biology و کشف دارو تمرکز دارد. جنسون توضیح داد که AI حالا می‌تواند به تشخیص بیماری، کشف دارو و تحلیل داده‌های ژنتیکی کمک کند.

صنعت و رباتیک

در حوزه Industrial و Robotics، انویدیا AI Factory را به‌عنوان زیرساخت نسل بعدی تولید معرفی کرد. جنسون توضیح داد که جهان در حال ساخت بزرگ‌ترین موج زیرساخت صنعتی تاریخ است؛ از کارخانه‌های تراشه تا مراکز داده AI.

او گفت انویدیا اکنون با تقریباً تمام شرکت‌های فعال در حوزه رباتیک همکاری می‌کند و بیش از ۱۱۰ ربات در نمایشگاه GTC ۲۰۲۶ حضور داشتند

آنچه نیاز دارید شبیه‌سازی است

در بخش بعدی NVIDIA GTC ۲۰۲۶، جنسون هوانگ وارد دنیای شبیه‌سازی شد. او یک جمله کلیدی گفت: «برای ساخت AI فیزیکی، آنچه نیاز دارید شبیه‌سازی است.»

جنسون توضیح داد که مدل‌های زبانی از اینترنت آموزش می‌بینند، اما ربات‌ها چنین منبعی ندارند. چون داده‌های دنیای فیزیکی بسیار محدود است. به همین دلیل AI فیزیکی باید در محیط‌های شبیه‌سازی‌شده آموزش ببیند.

او توضیح داد که انویدیا سال‌ها روی Omniverse سرمایه‌گذاری کرده تا بتواند دنیای واقعی را به محیطی دیجیتال تبدیل کند. این محیط‌ها می‌توانند رفتار نور، فیزیک، حرکت و حتی برخورد اشیا را شبیه‌سازی کنند.

در ادامه، ویدیویی از کارخانه‌های رباتیک نمایش داده شد که در آن ربات‌ها قبل از ورود به دنیای واقعی در Omniverse آموزش می‌دیدند.

جنسون توضیح داد که AI آینده فقط Chatbot نیست. بلکه وارد دنیای فیزیکی می‌شود:

• خودروها
• کارخانه‌ها
• انبارها
• ربات‌ها
• و خطوط تولید

او این نسل جدید را «Physical AI» نامید.

تحول در استنتاج؛ پردازش ۱۰ هزار برابری ChatGPT با Claude Code

یکی از مهم‌ترین بخش‌های NVIDIA GTC ۲۰۲۶ مربوط به «Inference» یا استنتاج بود.

جنسون هوانگ توضیح داد که صنعت AI وارد مرحله جدیدی شده است. در گذشته تمرکز اصلی روی Training بود، اما حالا استنتاج به مهم‌ترین بار پردازشی جهان تبدیل شده است.

او گفت زمانی مدل‌های AI فقط یک پاسخ کوتاه تولید می‌کردند. اما حالا مدل‌هایی مثل Claude Code یا Agentic AI هزاران مرحله پردازشی انجام می‌دهند.

جنسون توضیح داد که یک درخواست ساده برنامه‌نویسی در Claude Code ممکن است:

• فایل بخواند
• کد تولید کند
• کد را اجرا کند
• خطاها را تحلیل کند
• دوباره کدنویسی کند
• و چندین بار این چرخه را تکرار کند

به گفته او، این فرایند مصرف محاسباتی را تقریباً ۱۰ هزار برابر افزایش داده است.

در این بخش جنسون بارها روی مفهوم «Reasoning Model» تأکید کرد. او گفت مدل‌های جدید فقط پاسخ تولید نمی‌کنند؛ بلکه فکر می‌کنند، برنامه‌ریزی می‌کنند و تصمیم می‌گیرند. به همین دلیل نسل جدید مراکز داده باید برای استنتاج طراحی شوند، نه فقط آموزش مدل. او این تغییر را بزرگ‌ترین تحول صنعت AI پس از ظهور Transformer توصیف کرد.

از تقاضای محاسباتی ۵۰۰ میلیارد دلاری ۲۰۲۶ تا بازار ۱ تریلیون دلاری ۲۰۲۷

در ادامه NVIDIA GTC ۲۰۲۶، جنسون هوانگ تصویری بسیار بزرگ از آینده بازار AI ارائه داد. او گفت جهان در حال ورود به بزرگ‌ترین موج سرمایه‌گذاری زیرساختی تاریخ فناوری است.

طبق پیش‌بینی انویدیا، هزینه زیرساخت AI در سال ۲۰۲۶ به حدود ۵۰۰ میلیارد دلار می‌رسد. اما این عدد فقط آغاز مسیر است و تا سال ۲۰۲۷ بازار از مرز ۱ تریلیون دلار عبور می‌کند.

جنسون توضیح داد که دلیل این رشد، افزایش شدید نیاز به استنتاج است. او گفت AI حالا به برق، شبکه، حافظه و محاسبات بیشتری نسبت به نسل‌های قبلی نیاز دارد.

او همچنین به موج ساخت دیتاسنترهای جدید اشاره کرد. به گفته جنسون، تقریباً تمام شرکت‌های بزرگ جهان در حال بازطراحی زیرساخت‌های خود برای AI هستند.

طراحی انویدیا برای انقلاب در هزینه توکن

این بخش مهم‌ترین قسمت NVIDIA GTC ۲۰۲۶ بود. جنسون هوانگ توضیح داد که انویدیا کل معماری خود را برای کاهش هزینه تولید توکن بازطراحی کرده است.

او گفت در گذشته تمرکز صنعت روی FLOPS بود؛ یعنی تعداد عملیات خام پردازشی. اما حالا معیار اصلی «هزینه هر توکن» است.

به گفته جنسون، مدل‌های استدلالی جدید میلیون‌ها و حتی میلیاردها توکن پردازش می‌کنند. اگر هزینه هر توکن پایین نیاید، اقتصاد AI شکست می‌خورد.

به همین دلیل انویدیا چند تغییر بنیادی ایجاد کرده است:

• بازطراحی کامل شبکه NVLink
• معماری حافظه جدید
• شتاب‌دهی استنتاج
• بهینه‌سازی نرم‌افزار CUDA
• و طراحی AI Factory

جنسون توضیح داد که AI دیگر مثل موتور جستجو نیست. چون مدل‌های جدید هنگام پاسخ‌گویی «فکر می‌کنند». این فرایند نیازمند محاسبات عظیم است.

او مثال جالبی زد. اگر هزینه تولید هر توکن فقط کمی کاهش پیدا کند، در مقیاس میلیاردها درخواست، میلیاردها دلار صرفه‌جویی ایجاد می‌شود.

در ادامه، جنسون مفهوم جدیدی را مطرح کرد: «Compute is Revenue»

او توضیح داد که در AI Factory هر واحد محاسباتی مستقیماً درآمد تولید می‌کند. بنابراین هدف اصلی، افزایش تعداد توکن تولیدشده به ازای هر وات برق است.

در همین بخش جنسون نمودارهای فوق را نمایش داد که نشان می‌داد نسل‌های جدید GPU چندین برابر بهتر از نسل‌های قبل هزینه تولید توکن را کاهش می‌دهند.

جنسون تأکید کرد که آینده رقابت AI فقط روی قدرت مدل نیست؛ بلکه روی اقتصاد تولید توکن است.

کارخانه هوش مصنوعی؛ زیرساخت صنعتی AI

در NVIDIA GTC ۲۰۲۶، مفهوم «AI Factory» به محور اصلی کل سخنرانی تبدیل شد. جنسون هوانگ توضیح داد که جهان اکنون وارد عصر جدیدی شده است.

همان‌طور که انقلاب صنعتی کارخانه‌های تولید برق و خودرو ایجاد کرد، انقلاب AI هم کارخانه‌های تولید توکن ایجاد می‌کند.

او گفت AI Factory فقط یک دیتاسنتر نیست. بلکه یک زیرساخت صنعتی کامل است که سه ویژگی اصلی دارد:

Inference is the Workload

به گفته جنسون، مهم‌ترین بار پردازشی آینده AI استنتاج خواهد بود.

در گذشته مراکز داده بیشتر روی وب‌سایت‌ها، ذخیره‌سازی یا ماشین‌های مجازی کار می‌کردند. اما حالا تقریباً تمام بار پردازشی به اجرای مدل‌های AI اختصاص پیدا می‌کند.

او گفت AI Factory باید از ابتدا برای استنتاج طراحی شود:

• شبکه
• حافظه
• برق
• خنک‌کننده
• و نرم‌افزار

همه چیز باید برای پردازش توکن بهینه شود.

Tokens are the New Commodity

جنسون بارها تأکید کرد که «توکن» کالای جدید عصر AI است. او گفت همان‌طور که کارخانه‌های سنتی محصول تولید می‌کنند، AI Factory هم توکن تولید می‌کند.

در این مدل:

• مدل AI موتور تولید است
• GPU ماشین‌آلات کارخانه است
• و توکن خروجی نهایی محسوب می‌شود

جنسون توضیح داد که اقتصاد آینده AI بر اساس حجم توکن تولیدشده شکل می‌گیرد.

Compute is Revenue

یکی از مهم‌ترین جملات NVIDIA GTC ۲۰۲۶ همین بخش بود: «Compute is Revenue». جنسون توضیح داد که در کارخانه‌های AI هرچه محاسبات بیشتری انجام شود، درآمد بیشتری تولید می‌شود.

در نتیجه، شرکت‌ها حالا دیتاسنتر نمی‌سازند؛ بلکه کارخانه درآمدزایی AI می‌سازند.

او گفت این تحول باعث می‌شود:

• ساختار Cloud تغییر کند
• معماری مراکز داده تغییر کند
• و حتی مدل اقتصادی شرکت‌های نرم‌افزاری تغییر کند

به گفته جنسون، انویدیا حالا در حال ساخت موتور صنعتی نسل بعدی اقتصاد دیجیتال است.

معماری Vera Rubin؛ بزرگ‌ترین جهش تاریخ انویدیا

یکی از هیجان‌انگیزترین بخش‌های NVIDIA GTC ۲۰۲۶ معرفی معماری جدید Vera Rubin بود. این بخش از سخنرانی تقریباً ۱۲ دقیقه ادامه داشت و جنسون هوانگ آن را مهم‌ترین تحول زیرساختی انویدیا توصیف کرد.

او ابتدا تاریخ تحول معماری‌های انویدیا را مرور کرد:

• Pascal در سال ۲۰۱۶
• Volta
• Ampere
• Hopper
• Blackwell
• و حالا Rubin

جنسون توضیح داد که هر نسل فقط سریع‌تر نشده، بلکه مدل محاسباتی AI را تغییر داده است. اما Rubin یک جهش متفاوت محسوب می‌شود؛ چون برای عصر «Reasoning AI» و «AI Factory» طراحی شده است.

در ویدیوی نمایشی این بخش، روند رشد مصرف محاسباتی AI از ۲۰۱۶ تا ۲۰۲۶ نمایش داده شد. نمودارها نشان می‌دادند که مدل‌های جدید هزاران برابر بیشتر از نسل‌های اولیه ChatGPT محاسبات انجام می‌دهند.

جنسون گفت:
«ما دیگر GPU نمی‌سازیم؛ ما کارخانه تولید توکن می‌سازیم.»

نسل جدید CPU؛ پردازنده Vera

یکی از مهم‌ترین بخش‌های معماری Rubin معرفی CPU جدید انویدیا با نام Vera بود.

جنسون توضیح داد که این پردازنده بر پایه طراحی اختصاصی ARM توسعه یافته و برای AI Factory ساخته شده است. Vera فقط یک CPU سنتی نیست؛ بلکه بخشی از موتور استنتاج نسل جدید انویدیا محسوب می‌شود.

به گفته او:

• Vera پهنای باند بسیار بالاتری دارد
• مصرف انرژی کمتری دارد
• و ارتباط مستقیم‌تری با GPUها برقرار می‌کند

این CPU در نسل جدید سیستم‌های Rubin نقش مرکزی دارد.

سیستم Vera Rubin بدون کابل مسی

در ادامه، جنسون یکی از عجیب‌ترین طراحی‌های تاریخ دیتاسنتر را نمایش داد. سیستم Vera Rubin تقریباً بدون کابل مسی طراحی شده است. انویدیا برای اتصال GPUها از نسل جدید NVLink نوری استفاده می‌کند.

او توضیح داد که کابل‌های مسی حالا به محدودیت فیزیکی رسیده‌اند:

• سنگین هستند
• مصرف برق بالایی دارند
• گرمای زیادی تولید می‌کنند
• و سرعت انتقال را محدود می‌کنند

برای همین Rubin از ارتباطات نوری مستقیم استفاده می‌کند. جنسون همچنین گفت سیستم جدید با خنک‌کننده آب گرم کار می‌کند و نصب کامل رک‌ها فقط حدود دو ساعت زمان می‌برد. به گفته او، این نسل از دیتاسنترها بیشتر شبیه زیرساخت صنعتی هستند تا اتاق‌های سرور سنتی.

نسل ششم NVLink

در NVIDIA GTC ۲۰۲۶ نسل ششم NVLink هم معرفی شد.

جنسون توضیح داد که NVLink حالا مهم‌تر از خود GPU شده است. چون مدل‌های AI جدید باید هزاران GPU را مثل یک سیستم واحد به هم متصل کنند.

نسل ششم NVLink:

• پهنای باند بسیار بیشتری دارد
• تأخیر را کاهش می‌دهد
• و امکان اتصال مستقیم صدها GPU را فراهم می‌کند

در معماری Rubin امکان اتصال ۱۴۴ GPU بدون کابل مسی فراهم شده است.

جنسون توضیح داد که این ساختار باعث می‌شود AI Factory مثل یک «ابرکامپیوتر واحد» عمل کند.

برند جدید سیستم Groq

یکی دیگر از بخش‌های جالب سخنرانی، معرفی نسل جدید سیستم‌های Groq بود.

جنسون توضیح داد که معماری جدید Groq LPX برای استنتاج فوق‌سریع طراحی شده است. این سیستم‌ها به‌جای تمرکز روی آموزش مدل، برای پردازش توکن در مقیاس عظیم ساخته شده‌اند.

او گفت Groq بخشی از آینده AI Factory خواهد بود و نقش مهمی در کاهش هزینه توکن ایفا می‌کند.

نخستین Spectrum-X Switch

در ادامه، انویدیا نخستین Spectrum-X Switch نسل جدید را معرفی کرد. جنسون توضیح داد که شبکه حالا مهم‌ترین بخش AI Factory است. چون هزاران GPU باید دائماً داده ردوبدل کنند.

Spectrum-X نسل جدید:

• سرعت بسیار بالاتری دارد
• مصرف برق را کاهش می‌دهد
• و تأخیر استنتاج را کم می‌کند

او گفت شبکه در AI Factory همان نقشی را دارد که خطوط انتقال برق در کارخانه‌های صنعتی دارند.

Vera System و CX9

در ادامه، سیستم کامل Vera System نمایش داده شد.

این سیستم شامل:

• CPUهای Vera
• GPUهای Rubin
• نسل جدید NVLink
• و شبکه CX9

بود.

جنسون توضیح داد که CX9 با کمک Vera CPU طراحی شده تا ارتباط GPUها با حافظه و شبکه را بازطراحی کند.

او تأکید کرد که در AI Factory آینده، دیگر هیچ بخشی مستقل عمل نمی‌کند. CPU، GPU، شبکه و حافظه باید مثل یک سیستم یکپارچه طراحی شوند.

Rubin Ultra Compute Node

یکی از مهم‌ترین معرفی‌های NVIDIA GTC ۲۰۲۶ مربوط به Rubin Ultra Compute Node بود. این سیستم نسل جدیدی از نودهای AI محسوب می‌شود که برای پردازش استنتاج در مقیاس بسیار بزرگ طراحی شده‌اند.

Rubin Ultra:

• تراکم پردازشی بالاتری دارد
• مصرف برق را کاهش می‌دهد
• و تعداد توکن بیشتری به ازای هر وات تولید می‌کند

جنسون گفت طراحی Rubin Ultra نتیجه بازطراحی کامل AI Factory است.

او توضیح داد که دیگر نمی‌توان مراکز داده را با معماری قدیمی توسعه داد. چون مدل‌های Reasoning AI به زیرساختی کاملاً متفاوت نیاز دارند.

زیربنای کارخانه هوش مصنوعی

بعد از معرفی Rubin، جنسون هوانگ به لایه‌های زیرساختی AI Factory پرداخت.

جنسن توضیح داد که AI Factory فقط GPU نیست. بلکه مجموعه‌ای از فناوری‌های هماهنگ است:

• شبکه
• حافظه
• برق
• خنک‌سازی
• نرم‌افزار
• و مدیریت استنتاج

به گفته او، هرکدام از این بخش‌ها حالا به اندازه خود GPU اهمیت دارند.

جنسون بارها تأکید کرد که محدودیت اصلی AI آینده «مصرف انرژی» است. به همین دلیل انویدیا کل معماری خود را برای بهره‌وری انرژی بازطراحی کرده است.

او توضیح داد که در نسل‌های جدید:

• طول کابل‌ها کاهش یافته
• مصرف برق شبکه کمتر شده
• خنک‌کننده‌ها بازطراحی شده‌اند
• و سیستم‌ها بهینه‌تر کنار هم قرار گرفته‌اند

تمام این تغییرات فقط یک هدف دارند: کاهش هزینه تولید هر توکن.

عملکرد استنتاج و مدیریت کارایی

در NVIDIA GTC ۲۰۲۶ انویدیا مقایسه مفصلی میان سه نسل Hopper، Blackwell و Rubin انجام داد. جنسون توضیح داد که معیارهای جدید AI دیگر فقط FLOPS نیستند. بلکه دو شاخص مهم مطرح شده‌اند:

• Throughput (TPS/MW)
• Interactivity (TPS/User)

مقایسه Throughput

طبق نمودارهای نمایش‌داده‌شده:

• Hopper جهش بزرگی نسبت به Ampere داشت
• Blackwell دوباره هزینه استنتاج را کاهش داد
• اما Rubin چندین برابر بهتر عمل می‌کند

جنسون توضیح داد که Rubin می‌تواند تعداد بسیار بیشتری توکن به ازای هر مگاوات تولید کند. این موضوع برای AI Factory حیاتی است. چون هزینه برق حالا یکی از مهم‌ترین هزینه‌های AI محسوب می‌شود.

مقایسه Interactivity

در بخش دیگری از سخنرانی، انویدیا عملکرد مدل‌های استدلالی را مقایسه کرد. جنسون گفت کاربران آینده فقط پاسخ سریع نمی‌خواهند؛ بلکه انتظار تعامل زنده با AI دارند.

Rubin توانست TPS/User را چندین برابر افزایش دهد. یعنی کاربران بیشتری می‌توانند هم‌زمان از مدل‌های AI استفاده کنند بدون اینکه کیفیت پاسخ کاهش پیدا کند. او گفت این موضوع برای Agentic AI و Claude Code اهمیت بسیار زیادی دارد.

روبین ۱۵۰ میلیارد دلار درآمد جدید ایجاد می‌کند

یکی از بزرگ‌ترین ادعاهای NVIDIA GTC ۲۰۲۶ مربوط به معماری Rubin بود. جنسون توضیح داد که Rubin حدود ۱۵۰ میلیارد دلار درآمد جدید برای صنعت AI ایجاد می‌کند.

او گفت دلیل این موضوع فقط افزایش سرعت نیست. بلکه Rubin اقتصاد AI را تغییر می‌دهد.

به گفته او:

• هزینه تولید توکن کاهش پیدا می‌کند
• مصرف انرژی کمتر می‌شود
• و استنتاج در مقیاس بسیار بزرگ اقتصادی می‌شود

جنسون تأکید کرد که Rubin نسبت به نسل‌های قبل تقریباً ۵ برابر ارزش اقتصادی بیشتری ایجاد می‌کند. او این معماری را موتور اصلی موج بعدی AI دانست.

بازدهی ۳۵ برابری Rubin در مقیاس Premium

جنسون هوانگ در ادامه NVIDIA GTC ۲۰۲۶ وارد جزئیات اقتصادی معماری Rubin شد. او توضیح داد که AI دیگر فقط مسئله سرعت نیست و حالا «اقتصاد AI» اهمیت بیشتری دارد.

طبق نمودارهای ارائه‌شده، Rubin در مقیاس Premium تا ۳۵ برابر بازدهی بیشتری نسبت به نسل‌های قبلی ایجاد می‌کند.

جنسون توضیح داد که این بازدهی از چند عامل به‌دست آمده است:

• افزایش شدید Throughput
• کاهش مصرف انرژی
• کاهش تأخیر استنتاج
• و بهینه‌سازی کامل شبکه و حافظه

او گفت AI Factoryهای آینده باید بتوانند در هر ثانیه میلیاردها توکن تولید کنند. اگر هزینه هر توکن پایین نباشد، مدل‌های Reasoning AI اقتصادی نخواهند بود.

در همین بخش، جنسون بار دیگر روی این جمله تأکید کرد: «Compute is Revenue»

او توضیح داد که در AI Factory هر وات برق باید درآمد تولید کند. بنابراین هدف انویدیا فقط افزایش قدرت خام پردازشی نیست؛ بلکه افزایش درآمد به‌ازای هر وات مصرفی است.

Rubin + Groq LPX؛ باز شدن قفل درآمد ۳۰۰ میلیارد دلاری

در ادامه NVIDIA GTC ۲۰۲۶، انویدیا ترکیب Rubin و Groq LPX را به‌عنوان نسل جدید موتور استنتاج معرفی کرد. جنسون توضیح داد که این معماری می‌تواند بازار جدیدی با ارزش حدود ۳۰۰ میلیارد دلار ایجاد کند.

او گفت مدل‌های آینده فقط Chatbot نیستند. بلکه Agentهای هوشمندی هستند که:

• برنامه‌ریزی می‌کنند
• کدنویسی می‌کنند
• تصمیم می‌گیرند
• و فرایندهای پیچیده را مدیریت می‌کنند

به گفته جنسون، این نسل جدید به حجم عظیمی از استنتاج نیاز دارد. Rubin و Groq LPX دقیقاً برای همین هدف طراحی شده‌اند. او توضیح داد که:

• Rubin موتور پردازش AI Factory است
• و Groq LPX موتور استنتاج فوق‌سریع محسوب می‌شود

این ترکیب باعث می‌شود:

• هزینه تولید توکن کاهش پیدا کند
• سرعت پاسخ افزایش یابد
• و مدل‌های Agentic AI در مقیاس وسیع اجرا شوند

جنسون گفت جهان هنوز در ابتدای مسیر مصرف AI قرار دارد و زیرساخت فعلی پاسخ‌گوی نیاز آینده نخواهد بود.

Groq LPU؛ پردازنده‌ای برای عصر استنتاج

در NVIDIA GTC ۲۰۲۶ بخشی از سخنرانی به معرفی معماری Groq LPU اختصاص داشت. جنسون توضیح داد که GPUها پردازنده‌های بسیار قدرتمندی هستند، اما مدل‌های جدید AI به معماری‌هایی نیاز دارند که به‌صورت تخصصی برای استنتاج طراحی شده باشند.

Groq LPU دقیقاً با همین هدف ساخته شده است.

او توضیح داد که این معماری:

• تأخیر بسیار کمی دارد
• جریان پردازش ثابتی ارائه می‌دهد
• و برای اجرای مدل‌های زنجیره استدلال مناسب است

در مقایسه با GPUهای Rubin:

• Rubin انعطاف‌پذیری بیشتری دارد
• توان پردازش عمومی بالاتری ارائه می‌کند
• و برای Training و Inference مناسب است

اما Groq LPU روی استنتاج فوق‌سریع تمرکز دارد. جنسون گفت AI آینده به ترکیبی از این دو معماری نیاز خواهد داشت.

همکاران انویدیا در پیاده‌سازی نسل Rubin

در NVIDIA GTC ۲۰۲۶ انویدیا فهرست بزرگی از شرکای نسل Rubin را نمایش داد. جنسون توضیح داد که تقریباً تمام اکوسیستم AI جهان در توسعه Rubin مشارکت دارند.

AI Labs

آزمایشگاه‌های بزرگ AI مثل:

• OpenAI
• Anthropic
• xAI
• و Meta

از مهم‌ترین کاربران نسل Rubin هستند.

جنسون توضیح داد که مدل‌های Reasoning AI این شرکت‌ها نیازمند زیرساختی بسیار متفاوت نسبت به نسل‌های قبلی هستند.

Cloud Providers

در بخش Cloud تقریباً تمام بازیگران بزرگ حضور داشتند از جمله:

• Amazon Web Services
• Google Cloud
• Microsoft Azure
• Oracle
• و CoreWeave

جنسون گفت این شرکت‌ها اکنون در حال ساخت نسل جدید AI Factory هستند.

OEMs و ODMs

در بخش سخت‌افزار هم تقریباً تمام شرکت‌های بزرگ حضور داشتند، مثل:

• Dell Technologies
• Hewlett Packard Enterprise
• Supermicro
• و شرکت‌های بزرگ ODM آسیایی

جنسون توضیح داد که AI Factory آینده نیازمند همکاری کامل زیست‌بوم جهانی است.

مقایسه کارخانه یک گیگاواتی هوش در نسل Hopper و Vera Rubin

یکی از جذاب‌ترین بخش‌های NVIDIA GTC ۲۰۲۶ مربوط به مقایسه AI Factory نسل Hopper و Rubin بود. جنسون تصویری از یک AI Factory یک گیگاواتی نمایش داد و توضیح داد که نسل Rubin می‌تواند با همان میزان برق:

• توکن بسیار بیشتری تولید کند
• کاربران بیشتری را پشتیبانی کند
• و درآمد بسیار بالاتری ایجاد کند

در نسل Hopper بخش بزرگی از انرژی صرف:

• انتقال داده
• خنک‌سازی
• و ارتباطات شبکه

می‌شد.

اما در نسل Rubin:

• ارتباطات نوری
• NVLink نسل ششم
• و طراحی فشرده سیستم‌ها

باعث شده‌اند بهره‌وری به‌شدت افزایش پیدا کند.

جنسون توضیح داد که AI Factoryهای آینده بیشتر شبیه نیروگاه خواهند بود تا دیتاسنترهای سنتی.

نقشه راه نسل‌های آینده؛ Blackwell، Rubin و Feynman

در بخش پایانی معرفی سخت‌افزار، جنسون هوانگ نقشه راه نسل‌های آینده انویدیا را نمایش داد. این نقشه شامل سه نسل اصلی بود:

• Blackwell
• Rubin
• و Feynman

Blackwell

جنسون Blackwell را معماری آغاز عصر AI Factory توصیف کرد.

این نسل:

• استنتاج را شتاب داد
• NVLink را توسعه داد
• و زیرساخت AI را وارد مرحله جدیدی کرد

Rubin

Rubin نسل مخصوص Reasoning AI است.

به گفته جنسون:

• AI Agentها
• Claude Code
• و مدل‌های زنجیره استدلال

همگی برای Rubin طراحی شده‌اند.

Feynman

در پایان، جنسون از معماری Feynman نام برد. او جزئیات زیادی ارائه نکرد، اما توضیح داد که این نسل برای آینده AI فیزیکی و Agentic AI توسعه پیدا می‌کند.

به گفته او، Feynman مرحله بعدی تحول AI Factory خواهد بود.

سکوی AI Factory DSX انویدیا

یکی از مهم‌ترین معرفی‌های NVIDIA GTC ۲۰۲۶ سکوی DSX بود.

جنسون توضیح داد که DSX در واقع سیستم‌عامل کارخانه هوش مصنوعی محسوب می‌شود.

او گفت AI Factory بدون سکوی نرم‌افزاری یکپارچه قابل مدیریت نیست. چون هزاران GPU، شبکه، حافظه و مدل AI باید هماهنگ عمل کنند. DSX دقیقاً برای همین هدف طراحی شده است.

DSX؛ موتور مدیریت AI Factory

جنسون توضیح داد که DSX تمام اجزای AI Factory را مدیریت می‌کند:

• زمان‌بندی استنتاج
• تخصیص GPU
• مدیریت انرژی
• مدیریت توکن
• و بهینه‌سازی Throughput

او گفت این سکو مثل سیستم‌عامل یک کارخانه صنعتی عمل می‌کند.

بهینه‌سازی تولید توکن

در NVIDIA GTC ۲۰۲۶ انویدیا بارها توضیح داد که هدف اصلی DSX کاهش هزینه تولید توکن است.

این سکو می‌تواند:

• بار پردازشی را جابه‌جا کند
• مصرف برق را مدیریت کند
• و GPUها را بهینه تخصیص دهد

جنسون توضیح داد که در مقیاس AI Factory، حتی چند درصد بهینه‌سازی می‌تواند میلیاردها دلار صرفه‌جویی ایجاد کند.

اتصال کامل سخت‌افزار و نرم‌افزار

یکی از ویژگی‌های مهم DSX یکپارچه‌سازی کامل لایه‌های مختلف AI است.

به گفته جنسون:

• CUDA
• NVLink
• شبکه
• حافظه
• و مدل‌های AI

همگی از طریق DSX هماهنگ می‌شوند.

او گفت انویدیا حالا فقط سازنده تراشه نیست؛ بلکه کل موتور صنعتی AI را توسعه می‌دهد.

تغییر انویدیا از تولیدکننده تراشه به سازنده کارخانه هوش مصنوعی

در بخش پایانی NVIDIA GTC ۲۰۲۶، جنسون هوانگ تصویری کاملاً متفاوت از آینده انویدیا ارائه داد. او گفت انویدیا دیگر یک شرکت تولید GPU نیست. بلکه حالا به شرکتی تبدیل شده که «کارخانه هوش مصنوعی» می‌سازد.

جنسون توضیح داد که در گذشته انویدیا سخت‌افزار می‌فروخت. اما حالا محصول اصلی این شرکت زیرساخت کامل AI Factory است:

• پردازنده
• شبکه
• نرم‌افزار
• سیستم خنک‌سازی
• سیستم مدیریت استنتاج
• و حتی مدل‌های AI

او گفت AI Factory نسل جدید زیرساخت صنعتی جهان خواهد بود؛ درست مثل نیروگاه‌ها در عصر برق یا پالایشگاه‌ها در عصر نفت.

به گفته جنسون، AI حالا به یک صنعت پایه تبدیل شده است. بنابراین شرکت‌ها دیگر فقط سرور نمی‌خرند؛ بلکه کارخانه تولید هوش مصنوعی می‌سازند.

در این بخش بارها عبارت «Token Factory» روی نمایشگر سالن ظاهر شد. جنسون توضیح داد که آینده اقتصاد دیجیتال بر اساس تولید و مصرف توکن شکل می‌گیرد. او تأکید کرد که انویدیا در حال ساخت موتور اصلی این اقتصاد جدید است.

OpenClaw؛ بزرگ‌ترین پروژه متن‌باز تاریخ

نمودار زیر نشان می‌دهد که پروژه متن باز OpenClaw با چه شیبی در گیت هاب رشد کرده و فیس بوک، ری اکت و سایر متن بازها را پشت سر گذاشته است.

یکی از بخش‌های جالب NVIDIA GTC ۲۰۲۶ معرفی پروژه OpenClaw بود. جنسون هوانگ این پروژه را «بزرگ‌ترین پروژه متن‌باز تاریخ AI» توصیف کرد. OpenClaw در واقع سکویی برای توسعه مدل‌های باز، Agentic AI و ابزارهای استنتاجی محسوب می‌شود. انویدیا توضیح داد که هدف این پروژه ایجاد زیست‌بومی باز برای توسعه AI است.

در ویدیوی نمایشی این بخش، OpenClaw به‌عنوان بستری معرفی شد که توسعه‌دهندگان می‌توانند روی آن:

• Agent بسازند
• مدل‌های جدید توسعه دهند
• و ابزارهای AI را در مقیاس بزرگ اجرا کنند

جنسون توضیح داد که آینده AI فقط متعلق به شرکت‌های بزرگ نیست و جامعه متن‌باز نقش بسیار مهمی در توسعه این صنعت خواهد داشت.

او گفت انویدیا می‌خواهد همان نقشی را در AI بازی کند که لینوکس در دنیای سرورها بازی کرد.

در ادامه، انویدیا نمونه‌هایی از همکاری OpenClaw با توسعه‌دهندگان و شرکت‌های مختلف را نمایش داد.

تبدیل شرکت‌های SaaS به شرکت‌های GaaS

یکی از مفاهیم جدید NVIDIA GTC ۲۰۲۶ اصطلاح GaaS بود. جنسون توضیح داد که شرکت‌های نرم‌افزاری سنتی یا SaaS در حال تبدیل شدن به شرکت‌های «Generative AI as a Service» هستند.

او گفت مدل اقتصادی نرم‌افزار در حال تغییر است.

در SaaS سنتی:

• کاربر اشتراک نرم‌افزار می‌خرید
• و نرم‌افزار عملیات را انجام می‌داد

اما در GaaS:

• AI خودش کار را انجام می‌دهد
• تصمیم می‌گیرد
• تحلیل می‌کند
• و حتی به‌جای کاربر اقدام می‌کند

جنسون توضیح داد که این تحول باعث می‌شود تقاضای محاسباتی به‌شدت افزایش پیدا کند.

او گفت شرکت‌های نرم‌افزاری آینده عملاً کارخانه تولید توکن خواهند بود. به همین دلیل AI Factory اهمیت فوق‌العاده‌ای پیدا می‌کند.

در این بخش، جنسون بارها به مفهوم Agentic AI اشاره کرد و گفت نرم‌افزارها به‌مرور به Agentهای مستقل تبدیل می‌شوند.

NVIDIA Nemotron

در NVIDIA GTC ۲۰۲۶، انویدیا نسل جدید مدل‌های Nemotron را هم معرفی کرد. جنسون توضیح داد که Nemotron برای عصر Reasoning AI طراحی شده است.

این مدل‌ها می‌توانند:

• استدلال کنند
• برنامه‌ریزی انجام دهند
• ابزار استفاده کنند
• و Agentهای هوشمند بسازند

انویدیا توضیح داد که Nemotron فقط یک LLM ساده نیست. بلکه سکویی برای توسعه Agentic AI محسوب می‌شود. در بخش نمایشی این قسمت، مدل Nemotron توانست:

• کدنویسی کند
• داده تحلیل کند
• ابزار فراخوانی کند
• و چند مرحله تصمیم‌گیری انجام دهد

جنسون توضیح داد که مدل‌های آینده باید بتوانند مانند انسان «فرایند حل مسئله» داشته باشند. به گفته او، این همان دلیلی است که مصرف محاسباتی AI را هزاران برابر افزایش می‌دهد.

Physical Agents؛ ورود AI به جهان فیزیکی

پایان‌بخش سخنرانی کلیدی NVIDIA GTC ۲۰۲۶ بخش Physical Agents بود. جنسون هوانگ توضیح داد که AI حالا از دنیای دیجیتال خارج می‌شود و وارد جهان واقعی خواهد شد.

او گفت نسل جدید Agentها فقط روی صفحه نمایش زندگی نمی‌کنند. بلکه:

• حرکت می‌کنند
• محیط را درک می‌کنند
• و با جهان فیزیکی تعامل دارند

در این بخش، انویدیا مجموعه بزرگی از ربات‌ها را نمایش داد که با مدل‌های AI کنترل می‌شدند. جنسون توضیح داد که برای ساخت Physical Agent سه عنصر لازم است:

• مدل‌های Reasoning AI
• شبیه‌سازی
• و AI Factory

او بار دیگر روی اهمیت Omniverse تأکید کرد و گفت ربات‌ها ابتدا در جهان شبیه‌سازی‌شده آموزش می‌بینند و بعد وارد محیط واقعی می‌شوند.

در یکی از دموهای جالب این بخش، ربات‌ها توانستند:

• اشیا را تشخیص دهند
• مسیر حرکت پیدا کنند
• و وظایف پیچیده را انجام دهند

جنسون گفت AI فیزیکی در آینده وارد:

• کارخانه‌ها
• انبارها
• حمل‌ونقل
• سلامت
• و حتی خانه‌ها

خواهد شد.

جمع‌بندی

اگرچه می‌شد در ارائه امسال جنسون هوانگ دور شدن انویدیا از دوران اوج خود را مشاهده کرد لیکن او در NVIDIA GTC ۲۰۲۶ تلاش کرد نقشه راه آینده صنعت هوش مصنوعی را ترسیم کند. Jensen Huang در طول این سخنرانی بارها تأکید کرد که AI وارد مرحله جدیدی شده است. مرحله‌ای که در آن:

• استنتاج مهم‌تر از آموزش می‌شود
• توکن به کالای اصلی اقتصاد دیجیتال تبدیل می‌شود
• و AI Factoryها زیرساخت صنعتی جهان خواهند بود

در این رویداد، انویدیا معماری Vera Rubin، نسل جدید NVLink، سکوی DSX، پروژه OpenClaw، مدل‌های Nemotron و مفهوم Physical Agent را معرفی کرد. اما شاید مهم‌ترین پیام NVIDIA GTC ۲۰۲۶ این بود که انویدیا دیگر خود را صرفاً یک شرکت سخت‌افزاری معرفی نمی‌کند. این شرکت حالا ادعا می‌کند که می‌خواهد موتور اصلی اقتصاد هوش مصنوعی جهان را بسازد.