这期的题目是「英伟达的游刃有余」。看点不在某一颗芯片，而在于 GTC 已经变成整条产业链的集合点——以及一个更重要的读数：推理已经吃掉 AI 计算开支的一半以上。
主会场发布的东西不少：下一代芯片路线图、世界基础模型的新版本、和出行平台在 28 个城市的自动驾驶合作。但最值得记下的是一个比例数字——
推理已经占到 AI 计算开支的 55% 以上，今年底有望超过 70%。
这意味着竞赛的重心从「一次训练」搬到了「持续服务」。训练是资本开支，推理是运营开支，两者的成本结构、优化目标和采购逻辑完全不同。
GTC 现场那份长长的合作方名单——从车企到几乎所有主要的代工和整机厂商——说明它已经不是一场 GPU 发布会，而是一次产业链的点名。
这条判断很朴素，但杀伤力大：代码越来越好写，评审和验证的速度却跟不上。
以前一个功能需要很多人来写；现在是写代码的人太多，评审来不及。
结论是：稀缺资源已经从 coder 换成了 reviewer。
这跟前一期讲的「工程师去设计环境和反馈回路」是同一件事的另一个侧面——都是在说：产出变便宜之后，把关变成了整条流水线的瓶颈。
大模型正在自主训练更小的模型——这周被讨论成「vibe training」。
讨论的核心是模型自主 debug、自主改进代码的那个「AutoML 时刻」：AI 辅助 AI 训练，正从实验走向实践。
如果 AI 研发的生产效率本身被 AI 加速，那么整个行业的推进速度会再跳一个量级。
一家安全导向的模型公司同周推了三件事：一个研究社会影响的机构、一亿美元的合作伙伴网络、以及一个开放的应用市场。技术领导力之外，商业化和社会信任这两条腿在同时补齐——这是「安全研究机构」向「全栈平台」转型的清晰信号。
另一家把分散的 AI 资产统一建制：把语言模型系列、图像生成模型等核心资产整合进同一个事业群，统一 token 经济和产品矩阵。把散落各处的东西收进一个建制，本身就是战略表态。
同一周还有一条结构性合并：两家关联公司的模型、算力和机器人数据资产开始深度整合。