接下来这张图，信息量会比较大——我接下来很长一段时间都会围绕这张示意图展开。这也是我最常用、也是团队反复劝我“不要再讲”的一页。但我仍然坚持使用它，因为理解这一点，是理解整个体系的关键。

首先，是结构化数据。大家都非常熟悉这一领域——SQL、Spark、Pandas、Velox，以及一系列重要的大型数据平台，例如Snowflake、Databricks、Amazon EMR、Microsoft Azure Fabric、Google BigQuery等。这些平台的核心工作对象是“数据框”（data frame）。可以将其理解为大规模的结构化表格，它们承载着企业运行的核心信息，是商业世界的“真实基础”，也是企业计算体系的“事实来源”。

过去，我们对结构化数据进行加速，是为了更快、更低成本、更高频率地完成数据处理，从而让企业运转更加高效、更加协同。但在未来，这些数据将直接成为人工智能的输入基础。AI系统以及未来的智能体（agent），都将大规模调用这些结构化数据库。而AI的运行速度远超人类，这就意味着，我们必须对这一体系进行更大幅度的加速。

与此同时，另一类数据——非结构化数据——规模更加庞大。向量数据库、非结构化文本、PDF文档、视频、语音……这些数据构成了世界信息的绝大多数。每年新增的数据中，大约90%都属于这一类别。然而，在过去，这些数据几乎无法被有效利用。我们只是将其存储下来，却难以进行查询、检索或系统化分析。其根本原因在于，非结构化数据缺乏清晰的索引方式——要使用它，必须先理解其语义与上下文。

而这，正是人工智能可以发挥作用的地方。

正如AI已经在多模态感知与理解方面取得突破，我们可以用同样的能力去“读取”一份PDF、理解其内容，并将这种语义信息嵌入到可检索的结构之中，从而实现查询与调用。围绕这一需求，英伟达构建了两大基础软件库：一是面向结构化数据的数据框加速库（QDF），二是面向语义与向量数据的库（cuVS），分别对应结构化数据与非结构化数据、语义数据与AI数据的处理需求。

这两大平台，将成为未来最重要的基础设施之一。我们非常期待它们在全球复杂的数据处理体系中被广泛采用。之所以如此，是因为数据处理这一领域历史悠久，生态极其复杂，涉及大量公司、平台与服务。英伟达也花费了相当长时间，才逐步实现对这一生态的深度整合。

在这一过程中，我们已经与多家合作伙伴展开落地实践。例如，IBM——SQL语言的发明者之一、企业计算领域最重要的技术推动者之一，正在基于英伟达GPU与QDF，加速其Watsonx.data平台的SQL引擎。

回顾历史：60年前，IBM推出System/360，开启了现代通用计算时代；随后，SQL作为声明式查询语言，使人们无需逐步编程即可访问数据；再到数据仓库体系的建立，这些都构成了现代企业计算的基础。而今天，IBM与英伟达正在共同推动数据处理体系进入AI时代。

在这一体系中，数据是AI的“真实基础”，为其提供语境与意义；而AI则需要以极高速度访问海量数据。但传统以CPU为核心的数据处理体系，已经难以满足这一需求。以雀巢为例，其供应链每天需要做出成千上万次决策。其数据平台汇集了来自全球185个国家的订单与交付信息。在传统CPU架构下，这一系统每天只能更新数次。而在基于英伟达GPU加速的Watsonx.data平台上，同样的工作负载可以实现5倍加速，同时成本降低83%。这标志着，新一代计算平台已经到来——面向AI时代的加速计算平台。除了云端，我们同样在本地数据处理（on-premise）领域进行加速。

例如，戴尔作为全球领先的计算与存储厂商，与英伟达合作构建了Dell AI Data Platform，将QDF与cuVS整合其中，为AI时代提供统一的数据平台。在与NTT Data的合作案例中，这一体系同样实现了显著性能提升。

在云计算领域，我们与Google Cloud保持长期合作。我们不仅加速其Vertex AI平台，也加速BigQuery这一关键数据分析平台。在与Snapchat的合作中，通过加速计算，其整体计算成本降低了接近80%。加速数据处理，带来的不仅是速度与规模的提升，更重要的是成本的下降。

在传统意义上，摩尔定律意味着性能每隔数年翻倍——在价格基本不变的前提下，相当于计算成本逐年下降。但如今，摩尔定律正在逐渐逼近极限，我们需要新的路径。

加速计算，正是这一新的路径。它能够带来“跨越式”的性能提升。更重要的是，随着算法的持续优化——英伟达本质上也是一家算法驱动的公司——以及依托庞大的装机基础，我们可以不断降低计算成本，同时提升规模与性能，并将这一红利持续传递给整个生态。

英伟达构建的是一个完整的加速计算平台，其上运行着大量软件库——例如RTX（图形）、QDF（结构化数据）、cuVS（语义与向量数据）等。这些库构成平台能力的核心。在此基础上，我们进一步与全球云服务提供商、OEM厂商以及其他平台深度整合，从而将这些能力扩展至全球。这种合作模式，会不断重复出现。例如，在与Google Cloud的合作中，我们加速Vertex AI、BigQuery，并在JAX/XLA、PyTorch等框架上实现深度优化。目前，英伟达是少数能够同时在PyTorch与JAX/XLA上实现高性能加速的计算平台。

围绕这些基础能力，众多开发者与企业构建应用——例如BaseTen、CrowdStrike、Puma、Salesforce等。它们未必是英伟达的直接客户，但都在使用英伟达技术构建应用，并最终部署在云平台之上。从本质上讲，英伟达与云服务商的关系，是“将客户带入云端”：我们通过软件库与系统优化，加速工作负载，再将这些应用部署到云上，从而为云厂商带来持续增长。

因此，大多数云服务商都非常乐于与我们合作，并不断希望我们将更多客户引入其平台。事实上，这样的客户还有很多。我们的目标，是加速整个产业，让更多应用落地到云端。在AWS方面，我们同样有长期合作。当前一个重要进展是，我们正在将OpenAI引入AWS，这将显著提升其云计算需求规模，并推动其计算资源的进一步扩展。与此同时，我们加速AWS的EMR、SageMaker与Bedrock等关键平台，已实现深度整合。

在Microsoft Azure方面，英伟达最早部署的一台A100超级计算机，就落地于Azure。这也促成了后来与OpenAI的重要合作。我们与Azure长期合作，加速其云平台、AI Foundry以及Bing搜索等关键系统，并共同推进全球算力基础设施建设。

在这一过程中，一个至关重要的能力，是“机密计算”（confidential computing）。这一能力确保，即使是系统运营方也无法访问用户数据或模型。英伟达GPU是最早支持这一能力的计算平台之一，使得包括OpenAI与Anthropic在内的重要模型，可以在全球范围内实现安全部署。这一能力，对于AI在全球范围内的扩展至关重要。

此外，我们还与众多企业展开合作。例如Synopsys，我们正在加速其EDA与计算工作流，并将其部署在Azure上。在Oracle方面，我们不仅是其合作伙伴，还是其首个AI客户之一。随后，我们将大量合作伙伴引入其平台。在新兴AI云领域，例如CoreWeave——这是全球首个“原生AI云”，专门为GPU与AI计算构建，发展迅速，客户增长显著。

在企业级平台方面，我们与Palantir和Dell合作，构建了新一代AI平台（包括Ontology系统），可以在任意国家、任意隔离环境中本地部署，实现真正的“全场景AI”。这些能力之所以成为可能，依赖于我们在机密计算、端到端系统构建以及从数据处理到AI模型的全栈能力。这正是英伟达与全球云服务商之间合作关系的本质。

最后，我想总结一点——这也是接下来你们会反复看到的主题：英伟达是一家“纵向整合、横向开放”的公司。之所以必须如此，原因很简单——加速计算，从来不仅仅是芯片问题，也不仅仅是系统问题。