跳出芯片内卷：英伟达GTC2026，藏着AI算力的全新胜负手

3月17日，黄仁勋身着标志性皮夹克，在英伟达GTC2026大会上做了长达两小时的演讲。会后全网热议纷纷，不少人把焦点放在“英伟达要抢占Token话语权”上，可真正吃透这场演讲的人都清楚，黄仁勋反复强调的核心，从来不是Token本身，而是Tokens per Watt（每瓦Token数）这个关键指标。



展示推理性能数据时，黄仁勋直白点出这个核心概念，还说了一句戳破行业本质的话：所有AI数据中心、AI工厂，最终都逃不开电力限制，这是无法突破的物理定律。1吉瓦功率的算力工厂，永远不可能凭空变成2吉瓦，在固定能耗框架下，谁能让每一度电产出更多Token，谁就能把成本压到最低，谁的盈利增速就会遥遥领先。

这句话，才是本届GTC2026真正的核心精髓，也是AI行业即将迎来大变局的信号。

外界热衷于讨论新款Vera Rubin芯片比上代Blackwell强几倍、Groq LPX推理速度飙升35倍、英伟达畅想太空数据中心这些热点，这些技术突破固然亮眼，但归根结底都是同一个逻辑：在能源越来越紧缺的大背景下，想尽办法让每一分电力转化成最大化的智能价值。

当黄仁勋把每瓦Token数定为AI工厂的核心考核标准，意味着AI算力的评判体系正在彻底洗牌：不再只盯着单颗芯片的峰值参数，而是转向全系统端到端能效；不再比拼谁的芯片跑得更快，而是比拼谁的能源转化智能效率更高。哪怕是行业龙头英伟达，现阶段也没能攻克每瓦Token数的瓶颈，距离真正掌控Token话语权，还有很长的路要走。

这场评判标准的迁移，带来的产业思考远比一款新芯片更有价值。无独有偶，GTC大会开幕前一天，阿里巴巴官宣成立Alibaba Token Hub，由吴泳铭亲自牵头掌舵，直接把Token提升到AI战略核心位置，而非用传统AI概念命名核心业务。这也印证了，用系统化思维看待AI产业，已经成为全行业的新共识，这也是本文想传递的核心观点。

01 别只盯新芯片！GTC2026的变局藏在系统里

本届GTC2026，Vera Rubin、Rubin POD、LPX、DSX AI Factory等新品和新概念刷屏，大众目光依旧聚焦在硬件迭代上。可把这些发布串联起来看就能发现，英伟达已经把算力竞争的战场，从单颗芯片延伸到了整套算力基础设施，也就是集计算、网络、存储、电力、散热、管控软件于一体的AI工厂。

Rubin芯片被定义为机柜级平台，多台机架协同形成规模化连贯系统；DSX则是专为AI工厂打造的标杆设计，核心目标就是提升每瓦Token产出效率。这足以说明，AI行业的竞争逻辑变了：不再是单颗芯片算力高低的比拼，而是整个计算系统综合实力的较量，说白了就是能不能把有限的电力、散热、网络资源，高效整合为稳定的AI产出。

而衡量这份实力的核心标尺，就是每瓦Token数。本文就围绕这个全新标尺，拆解GTC2026的深层意义，以及给国内AI基础设施产业带来的发展机遇。

02 竞争升级到系统，评判标准不能还停留在芯片层

芯片主导的时代，行业评判标准大家都耳熟能详：峰值算力Flops、显存带宽、FLOPS/W、TOPS/W等指标，这些数据能清晰体现单个硬件的性能上限，但也带来了一个行业痛点：智算中心始终缺乏统一、客观、通用的考核标准。

日常衡量数据中心，常用兆瓦（MW）作为电力单位；国内建设智算中心，又习惯用PFlops（FP16精度）作为算力单位。可问题在于，即便算力、电力指标相同，芯片型号、网络架构、散热方案不同，整体运行效能也会天差地别。

究其原因，传统指标都只是单一维度的考核：峰值算力只是芯片理论计算上限，bit/J只是局部数据传输能效，带宽只是单个子系统的传输能力，都只能反映芯片局部性能。但一套完整的AI系统，最终要解决的问题是：在固定功率、散热、机房条件下，能产出多少实际可用的AI成果，这是单一芯片指标根本无法回答的。

从英伟达本届大会的表述中能明显感受到，行业开始聚焦Token成本、每瓦吞吐量、每瓦Token性能等全新指标，算力评判语言正在从“部件话术”转向“系统话术”。如果说芯片层看峰值算力、带宽，那系统层就该看每瓦Token数，前者考核局部性能，后者衡量整体价值，前者追求单点最优，后者实现全局共赢。

03 每瓦Token数：打通能源到智能的核心链条

英伟达在GTC2026演讲稿中，把Token定义为现代AI的“基础单元”，这个定位精准又贴切。不管是大语言模型、推理服务还是智能代理系统，用户真正付费的核心，就是系统生成、处理Token的能力。

从商业运营角度来看，Token有三大不可替代的优势：一是和模型推理流程深度绑定，二是直接对接盈利模式，三是适配推理时代各类新型负载。智能代理、多轮对话、长上下文、检索增强、工具调用等新场景，很难用单一FLOPS指标衡量，却能通过Token、延迟、有效吞吐量清晰体现价值。

更关键的是，当下AI产业的底层限制，已经越来越明显地指向能源约束。国际能源署《能源与AI》报告预测，2030年全球数据中心用电量将飙升至945太瓦时，AI是核心驱动力，美国更是占比极高。这意味着，AI产业很多看似是芯片的问题，本质都是电力、散热、基础设施统筹的问题。

每瓦Token数的价值，就在于打通了AI产业最核心的链路：电力输入后，经过计算、网络、存储、调度、散热等全环节流转，最终转化为Token产出。它不是简单替代FLOPS/W、bit/J等传统指标，而是补上了行业此前忽略的关键视角：AI系统到底能把多少能源，转化为实实在在的智能成果。

这也是本届GTC最值得深思的点：看待AI芯片，不能再孤立看参数，必须把芯片放到系统中，把系统放到产业约束里综合考量。当英伟达把战略重心转向AI工厂，意味着行业正在告别“芯片中心主义”，迈入“系统中心主义”新阶段。

很多产业初期都沉迷于部件参数，毕竟参数易测量、易宣传，但进入规模化落地阶段，系统整合能力才是决胜关键，如今AI基础设施恰好走到了这个转折点。

04 每瓦Token数成核心，光互连地位直线飙升

算力评判标准转向系统层，那些曾经被视为“配套”的技术，瞬间成为行业焦点，光互连就是最典型的代表。

以往谈及光互连，行业多从光模块、通信、器件角度出发，追求高带宽、远传输、低能耗、高密度，这些都是组件层面的考量。而在每瓦Token数的评判框架下，光互连的价值变得更直白：降低数据传输的能耗成本，提升大规模AI系统的电力转化Token效率。

英伟达发布的光子CPO技术，相比传统光模块能效提升5倍，还能降低延迟、支撑AI工厂规模化扩张。这项技术的核心优势，不只是传输链路更先进，而是让系统规模更大、整体能效更高。

从产业逻辑来看，随着模型体积增大、上下文拉长、集群规模扩张，AI系统的大部分能耗，并不在计算单元，而是消耗在数据传输上——跨芯片、跨板卡、跨机柜、跨集群的通信能耗占比越来越高。想提升每瓦Token数，单靠升级GPU远远不够，高效光互连成为必选项。

换句话说，发展光互连不是因为技术新潮，而是大规模AI系统节能增效的刚需。

05 光计算更前沿，产业化逻辑逐渐清晰

相比光互连，光计算技术还处于早期发展阶段，通用性、精度、编译器、量产一致性、系统集成等难题仍在攻克，但从系统能效角度来看，它的产业价值已经越来越清晰。

每瓦Token数追求的是端到端能效，光计算不需要替代整个GPU，也不用一步成为通用计算底座，只要能在高频、高密度、可重复的计算场景中，大幅降低能耗，就能提升系统Token产出效率。

以往光计算只看TOPS/W、MAC/J等器件指标，更像实验室技术；但转向每瓦Token数的系统评判后，光计算就能切入基础设施落地讨论，拥有了和客户、园区、电力、资本对接的通用语言，这对光计算产业化至关重要。

06 算力评判转向系统，光学技术站上产业C位

算力竞争停留在芯片层时，光互连只是辅助I/O技术，光计算只是前沿探索；但当竞争升级到AI系统基础设施，二者直接成为产业主线。AI系统效率取决于计算能耗、数据传输、上下文管理、节点协同、供电散热统筹，这些恰恰是光学技术的优势领域。

从每瓦Token数角度分析，光互连解决的是Token生成过程中的“传输电费”，光计算主攻“计算电费”，二者共同提升系统整体产出效率，这也是它们跻身产业核心的根本原因。

现实层面，AI工厂除了芯片产能，还面临电网接入、机房散热、园区能耗、机柜功率、投产速度等多重约束。国际能源署的能耗预判、英伟达的AI工厂战略，都指向同一个趋势：AI基础设施已经成为能源导向的系统工程。

传统电学方案难以优化的数据传输、高密度计算能耗，正是光互连和光计算的突破方向。这也是GTC2026重点提及光子、硅光技术的原因：当算力评判从芯片走向系统，光学技术就从前沿备选，变成了AI基础设施的核心建设方向，CPO、光计算系统的未来发展极具想象空间。

写在最后：AGI进阶的核心主轴

长期以来，我一直倡导建立客观统一的算力度量标准，也坚持用每瓦Token数评估各类算力芯片的实际性能。回顾科技发展史，内燃机的能效比不断突破，才催生了汽车、飞机、火箭；放到AI时代，只有AI系统的智能产出（Token）与能耗比值持续提升，智能水平才会不断进阶，AGI才有可能实现。

本届GTC2026真正值得铭记的，不是英伟达的技术秀，也不是黄仁勋的“Token之王”标签，而是AI产业确立了全新的度量衡。英伟达、阿里等行业巨头，已经纷纷转向系统化思维布局AI，这恰恰契合人类文明发展的核心逻辑：用更低的能耗，实现更多信息的采集、传输与处理。