NVIDIA 加速計算、數據科學和研究領域專家預測，多模態模型將推動行業創新和效率提升。

今年，生成式 AI 可謂在企業中掀起了一場風暴。各行各業都在討論如何更好地利用這項技術提高創新與創造力、改善客戶服務、變革產品開發，甚至促進溝通。

IDC 預測 2025 年全球企業在 AI 解決方案上的支出將達到 3070 億美元，并且到 2028 年將增長至 6320 億美元，復合年均增長率為 29.0%。到 2030 年，AI 累計為全球經濟帶來的增長將達到 19.9 萬億美元，并將在同年推動全球 GDP 增長 3.5%。

AI 正在以驚人的速度發展，不過一些公司和初創企業在采用 AI 方面仍然進展緩慢，它們依然局限于測試或孤立的項目。出現這種情況的原因在于 AI 的效益因公司、用例和投資水平的不同而有所差異。

今年，越來越多的業界人士開始對 AI 保持樂觀態度。Forrester Research 的 2024 年 AI 現狀調查顯示，三分之二的受訪者認為其組織的 AI 項目投資回報率即使未達到 50%，也可以認為是成功的。

下一個即將到來的重要趨勢是代理式 AI。這種自主或“推理型”AI 需要使用多樣化的語言模型、精密復雜的檢索增強生成堆棧以及先進的數據架構。

NVIDIA 在各個行業領域的專家已經對未來一年進行過預測。下面讓我們聽一聽 NVIDIA 專家在 AI 推動企業、研究和初創企業生態系統方面的分享：

IAN BUCK

NVIDIA 超大規模和高性能計算副總裁

推理技術推動 AI 的發展：隨著 AI 模型的規模和復雜性增長，對高效推理解決方案的需求也將持續攀升。

生成式 AI 的發展已經將推理從簡單的查詢識別和響應轉變為復雜的信息生成，其中包括從多個來源和大語言模型(例如 OpenAI o1 和 Llama 450B)中進行總結，這極大地增加了計算需求。通過新的硬件創新成果以及持續的軟件改進，性能將得到提升，并有望使總體擁有成本降低至原先的五分之一或更低。

加速一切：隨著 GPU 的應用日益廣泛，各行各業將著眼于加速從規劃到生產的每個環節。新的架構將進一步推動這一良性循環，每一代產品都能夠提高成本效益并實現數量級更高的計算性能。

各個國家和企業都在競相建立 AI 工廠來加速更多的工作負載，預計眾多參與者將尋求平臺解決方案和數據中心參考架構或藍圖，從而使建立和運行數據中心的時間從原本的數月縮短至幾周。這樣能幫助他們更好地解決一些世界上最棘手的挑戰，例如量子計算、藥物發現等。

盡一切努力杜絕量子計算中的錯誤：研究人員通過使用超級計算和模擬來解決那些新生領域面臨的最大挑戰，即通過克服各類錯誤讓量子計算實現巨大的跨越。

量子比特(Qubit)是量子計算中的基本信息單位，容易受到噪聲的影響，僅在執行數千次運算后就會變得不穩定，這使得目前的量子硬件無法解決實際問題。2025 年，量子計算領域將逐步轉向量子糾錯這一具有挑戰但又至關重要的技術。糾錯需要快速、低延遲的計算。同時，我們還有望看到量子硬件在專用基礎設施的支持下，在超級計算機內進行物理集群。

AI 也將在管理這些復雜的量子系統、優化糾錯和提高量子硬件整體性能方面發揮至關重要的作用。將量子計算、超級計算和 AI 融合在加速的量子超級計算機中，將加快實現用于解決藥物發現、材料開發和物流優化等各個領域中復雜問題的量子應用。

BRYAN CATANZARO

NVIDIA 深度學習應用研究副總裁

賦予 AI 具體形象：AI 將變得更容易使用、能夠靈敏地作出情感反應并展現出更強的創造力和多樣性。早期的生成式 AI 模型在繪制圖像時甚至難以完成畫牙齒這樣簡單的任務。而隨著 AI 的飛速發展，生成的圖像和視頻變得更加逼真，AI 生成的聲音也更加接近真人的感覺。

隨著算法和數據集的完善，以及企業認識到 AI 需要有面孔和聲音才能對 80 億人產生影響，AI 的發展速度將進一步加快。這也促使 AI 的交互方式從回合制互動轉變為更加流暢自然的對話。AI 交互將不再是一連串的問答，而是會變成更具吸引力、更像人類的對話。

重新思考行業基礎設施和城市規劃：各國和各行業將開始研究 AI 如何幫助經濟的各個方面實現自動化，這樣即使在全球人口減少的情況下也能維持現有的生活水平。

這些工作有助于實現可持續發展和應對氣候變化。例如，農業將開始投資自動化機器人，這些機器人能夠以機械方式清潔田地、清除害蟲和處理雜草。這可以減少對殺蟲劑和除草劑的使用，在保護地球健康的同時，解放人力去做其他更有意義的工作。城市規劃部門也有望引入新的思路，來適應在自動駕駛汽車的發展并改善交通管理。

從長遠來看，AI 有助于找到碳減排和碳封存的辦法，來解決這個迫在眉睫的全球性挑戰。

KARI BRISKI

NVIDIA 生成式 AI 軟件副總裁

智能體的交響樂 — AI 編排器：企業將部署大量 AI 智能體，這些智能體是經過訓練的半自主模型，能夠在企業內部網絡進行客戶服務、人力資源、數據安全等任務。為了更大限度提高這些任務的效率，預計數量不斷增加的 AI 編排器能夠將人類查詢流暢地引導至多個智能體，綜合結果并加以解釋，從而為用戶提供建議并采取行動。

編排器將能夠深入理解內容、具備多語言能力，并能夠流暢處理包括 PDF、視頻流等多種數據類型。在自學數據飛輪的驅動下，AI 編排器將持續完善對特定業務的洞察。例如，在制造業中，AI 編排器可以通過分析實時數據、根據生產計劃和供應商談判提出建議來優化供應鏈。

企業 AI 領域的這一演變將顯著提高各行各業的生產力和創新力，同時變得更易于獲取。知識工作者的生產力將提高，因為他們能夠利用由 AI 驅動的專家組成的個性化團隊。開發人員也可以通過可定制的 AI blueprint 構建這些先進智能體。

多步推理增強 AI 洞察：多年來，AI 一直擅長回答特定問題，而無需深入研究問題的上下文。隨著加速計算和新模型架構的發展，AI 模型將應對越來越復雜的問題，并以更高的精準度且更深入的分析做出回答。

通過使用一種被稱為“多步推理”的功能，大而復雜的問題可以被分解為較小的任務，有時甚至還會進行多次模擬，以便從多個角度解決問題。由此，AI 系統可以增加“思考時間”。這些模型會動態評估每個步驟，確保作出與上下文相關且清晰明了的回答。多步推理還會整合來自各種來源的知識，使 AI 能夠建立邏輯聯系，并合成不同領域的信息。

這可能會影響金融、醫療健康、科研和娛樂等多個領域。例如，具備多步推理能力的醫療健康模型可以根據患者的診斷、用藥情況和對其他治療的反應，提出一系列建議供醫生參考。

開啟您的 AI 查詢引擎：對于擁有 PB 級數據的企業和研究機構來說，他們所面臨的挑戰是如何快速訪問這些數據并提供可操作的洞察。

AI 查詢引擎將改變企業挖掘數據的方式，企業專用的搜索引擎可篩選結構化和非結構化數據(包括文本、圖像和視頻等)，利用自然語言處理以及機器學習來理解用戶意圖，并提供更加相關且全面的結果。

這將推動更智能的決策流程，增強客戶體驗并提高各行業的生產力。依靠自身持續學習的能力，AI 查詢引擎將創造出能進行自我改進的數據飛輪，幫助應用程序變得更加有效。

CHARLIE BOYLE

NVIDIA DGX 平臺副總裁

代理式 AI 使高性能推理成為企業不可或缺的能力：代理式 AI 的出現將推動對復雜多模型系統近乎實時響應的需求。這將使高性能推理變得與高性能訓練基礎設施同樣重要。IT 領導者將需要具有擴展能力、專門構建且經過優化的加速計算基礎設施以滿足代理式 AI 的需求，從而實現實時決策所需的性能。

企業擴展 AI 工廠，將數據轉化為智能：企業 AI 工廠可以將原始數據轉化為商業智能。企業將在 2025 年擴展這些工廠，以利用大量歷史數據和合成數據，為消費者行為、供應鏈優化、金融市場波動到工廠和倉庫數字孿生生成預測和模擬。由于 AI 工廠能夠幫助早期用戶預測并塑造未來情景，而不僅僅是對其作出反應，因此將成為企業的一項關鍵競爭優勢。

液冷 AI 數據中心成為新趨勢：隨著 AI 工作負載不斷推動增長，領先的企業為了實現性能和能效的最大化將轉向液冷技術。超大規模云提供商和大型企業將引領這一趨勢，率先在容納成千上萬的 AI 加速器、網絡和軟件的新 AI 數據中心中采用液冷技術。

為了減輕大規模設計、部署和運營智能制造所帶來的財務負擔，越來越多的企業將不再建造自己的 AI 基礎設施，而是選擇在托管設施中部署或者按需租用容量。這些部署將幫助企業無需自行安裝和運營就能充分利用最新的基礎設施。這一轉變將加速液冷技術作為 AI 數據中心主流解決方案在行業中的廣泛應用。

GILAD SHAINER

NVIDIA 網絡高級副總裁

告別傳統網絡，迎接計算網時代：隨著數據中心架構走向統一計算網架構(computing fabric)，“網絡”一詞將在數據中心成為過去。統一計算網能使成千上萬的加速器通過橫向和縱向兩種通信擴展方式，利用英里級長度的線纜實現多個數據中心設施之間的高效通信。

這種統一計算網將包括面向縱向擴展通信的 NVIDIA NVLink 網，以及面向橫向擴展通信的智能交換機、SuperNIC 和 DPU。這將有助于在加速器之間安全地傳輸數據，并在傳輸過程中執行計算從而最大限度地減少了數據移動。跨越全網的橫向擴展通信對于大規模 AI 數據中心的部署至關重要，能使 AI 數據中心從部署到開機運行的時間從數月乃至數年縮短至數周。

隨著代理式 AI 工作負載的增長，需要在多個相關的 AI 模型之間進行通信，協同工作;而非使用單一的、本地化的模型，計算網將成為實現實時生成式 AI 的關鍵。

分布式 AI：隨著全新的以太網設計，所有數據中心都將被加速，并讓數十萬塊 GPU 能夠支持單一工作負載。這將有助于實現 AI 工廠在多租戶生成式 AI 云和企業 AI 數據中心中的普及。

借助這一突破性技術，AI 能夠快速擴展到企業平臺并簡化 AI 云的構建與管理。

由于電力限制和數據中心應該盡量靠近可再生能源的源頭的需求，企業將會把數據中心建立在更加分散的地域。它們之間相隔數百甚至數千英里，橫向擴展通信必須能確保長距離的可靠數據傳輸。

LINXI(JIM)FAN

NVIDIA AI 智能體高級研究科學家

機器人將朝著人形機器人的方向發展：機器人將開始理解任意語言指令。目前，工業機器人必須手動編程，并且它們無法對不可預測的輸入或編程語言以外的語言做出智能響應。融合了視覺、語言和任意動作的多模態機器人基礎模型將推動這種“AI 大腦”的發展。同時，代理式 AI 也將使 AI 的推理能力更強。

當然，我們不能指望馬上就能在家庭、餐廳、服務區和工廠看到智能機器人。但這些應用場景可能比我們想象的要更加接近，因為各國政府紛紛尋找應對老齡化社會和勞動力資源短缺的解決方案。物理自動化將逐步實現，10 年內將會像 iPhone 一樣無處不在。

推理是 AI 智能體的核心能力：今年 9 月，OpenAI 發布了一種經過強化學習訓練并用于執行復雜推理任務的新型大語言模型 OpenAI o1。OpenAI o1 還被稱為“Strawberry”。這個模型在回復用戶之前能夠生成一條長的內部思維鏈，在糾正錯誤的同時將復雜的步驟分解為簡單的步驟，然后再響應用戶。

2025 年將成為大量計算開始轉向邊緣推理的一年。應用程序可能需要成千上萬個的 token 來處理單次查詢，因為小語言模型會在微秒內連續進行多次查詢直至生成答案。

小型模型將變得更加節能并對機器人技術日益重要，借助小型模型能創造出協助人類完成日常工作的人形機器人和普通機器人并促進移動智能應用的發展。

BOB PETTE

NVIDIA 企業平臺副總裁

尋求可持續的擴展能力：企業準備使用新一代半自主 AI 智能體改進各種業務流程，他們將著重通過構建強大的基礎設施、治理機制和類人能力，以實現有效的大規模部署。與此同時，AI 應用將越來越多地運用本地處理能力，使更加復雜的 AI 功能能夠直接在工作站(包括輕薄型筆記本電腦和緊湊型設備)上運行，從而提升性能并減少 AI 驅動任務的延遲。

經過驗證的參考架構提供了有關合適的軟硬件平臺的指導，因此將成為優化性能和加速 AI 部署的關鍵。這些架構將成為企業適應復雜的 AI 實施領域的重要工具，有助于確保企業的投資符合當前需求和未來的技術發展。

使用 AI 為建筑、工程和設計行業帶來變革：預計將出現更多專為建筑、工程和設計行業量身定制的生成式 AI 模型，來提升這些行業的效率并加速創新。

在建筑行業，代理式 AI 能將從現場傳感器和攝像頭采集的大量建筑數據中提取有意義的信息，提供更高效的項目進度安排和預算管理的洞察。

AI 將全天候評估實景捕捉數據(激光雷達、攝影測量和輻射場)，提煉出有關質量、安全與合規的關鍵洞察，以此減少錯誤和工地傷害。

對工程師而言，基于物理信息神經網絡的預測物理學將加速洪水預測、結構工程和計算流體力學的發展，從而為建筑的各個房間或樓層量身定制氣流解決方案，使設計更新迭代更加迅速。

在設計行業，檢索增強生成可以在設計初期盡早實現合規，確保用于設計和建造建筑的信息建模符合當地建筑規范。擴散 AI 模型通過允許建筑師和設計師結合關鍵詞提示與粗略草圖生成內容豐富、詳盡的概念圖來更快完成概念設計和場地規劃，并用于客戶展示。這樣他們就能抽出時間專注于研究和設計。

SANJA FIDLER

NVIDIA AI 研究副總裁

預測不可預測的情況：未來將出現更多能夠在日常生活中學習的模型，它們能夠在幾乎沒有人工干預的情況下，運用非常復雜的技能幫助數字人、機器人甚至自動駕駛汽車理解混亂的、有時甚至不可預測的情境。

無論是研究實驗室還是華爾街都將迎來新一輪的發展規律周期，這類似于 5-7 年前對自動駕駛的樂觀預期。Waymo 和 Cruise 等公司花費多年時間才推出了一套可行的系統，但由于這些公司和包括特斯拉在內的其他公司所采集的大量數據可能無法適用于所有地區，因此這套系統仍然無法進行規模化。

借助今年推出的模型，我們現在能夠以更快的速度利用互聯網規模的數據理解自然語言，并通過觀察人類和其他行為來模擬動作，從而大大減少投資。機器人、汽車和倉庫機械等邊緣應用將快速學會協調、提高靈活性和其他技能，以便在現實世界中導航、適應和交互。

機器人能在您的廚房里煮咖啡、煎雞蛋后清理干凈嗎?現在還不能，但這一切可能比你想象的要更快實現。

日趨真實：生成式 AI 在圖形和模擬領域的全流程中逐步實現高保真和逼真效果，帶來超逼真的游戲、AI 生成電影和數字人。

不同于傳統圖形技術，絕大多數圖像將來自生成的像素而非渲染，從而呈現出更自然的動作和外觀。借助情境行為開發和迭代工具能使游戲能夠以遠低于當今 3A 游戲的成本制作出更為復雜的游戲。

各行各業采用生成式 AI：幾乎所有行業都準備利用 AI 來提升和改進人們的生活和娛樂方式。

農業將使用 AI 優化食物供應鏈，改善食物的運送。例如，可以使用 AI 預測各個農場不同農作物的溫室氣體排放量。這類分析可以為制定減少供應鏈中溫室氣體排放的設計策略提供參考。與此同時，教育行業將使用 AI 智能體創造個性化的學習體驗，這些 AI 智能體將使用學生的母語進行交流并根據學生特定學科的水平提出或回答問題。

隨著下一代加速器進入市場，這些生成式 AI 應用的交付效率將大大提高。通過提高模型在訓練和測試中的效率，企業和初創公司將在這些應用中獲得更高、更高的投資回報。

ANDREW FENG

NVIDIA GPU 軟件副總裁

加速數據分析在無更改代碼的情況下提供洞察：2025 年，企業將主要采用加速數據分析來應對日益增長的數據量。

企業每年產生數百 PB 的數據，每家公司都在尋求可以利用這些數據的方法。為此，許多公司將采用加速計算進行數據分析。

未來將支持“零代碼更改”和“零配置更改”的加速數據分析解決方案，使企業能夠以最小的工作量將現有的數據分析應用與加速計算相結合。生成式 AI 賦能的分析技術將進一步擴大加速數據分析的應用范圍，使即便不具備傳統編程知識的用戶也能夠創建新的數據分析應用。

經過簡化的開發者體驗促進了加速計算的無縫集成，這將幫助企業消除使用加速計算的障礙，使企業能夠利用其獨特的數據開發新的 AI 應用和更豐富的商業智能。

NADER KHALIL

NVIDIA 開發者技術總監

初創企業的員工隊伍：到了 2025 年，提示詞(Prompt)工程師和 AI 個性設計師將變得廣為人知。隨著企業積極使用 AI 提高生產力，預計在初創企業和企業中將出現融合新技能和現有技能的新型骨干員工。

提示詞工程師在為聊天機器人和代理式 AI 創建、測試和迭代提示設計的基礎上，設計并完善能夠優化 AI 訓練和產生預期結果的精確文本字符串。對提示詞工程師這一崗位產生需求的行業將從科技擴大到法律、客戶支持和出版等。隨著 AI 智能體的普及，企業和初創企業將越來越依賴 AI 個性設計師為智能體賦予獨特的個性。

正如計算機的發展催生了計算機科學家、數據科學家、機器學習工程師等工作崗位，AI 也將創造出各種新的工作崗位，為具有強大分析能力和自然語言處理能力的人才提供更多機會。

了解員工效率：越來越多將 AI 融入業務實踐的初創企業將在與投資者和商業伙伴交流時，把“每位員工的收入貢獻”(RPE)作為他們洽談的話題之一。

AI 對員工工作的輔助將使初創企業的管理者重點關注所雇用的每一名新員工如何幫助企業中的其他員工創造更多收入，而不是采取“不惜一切代價實現增長”的思維方式。初創公司在討論 AI 投資回報以及與大型企業和科技公司爭奪人才填補空缺職位所面臨的挑戰時，RPE 是一個很好的切入點。