NVIDIA 於二〇二六年十月二十一日在柏林 GTC 發布開源模型組合擴充，涵蓋語言與視覺的 Nemotron 3.5、面向結構化商業數據的 Kumo、世界模型 Cosmos 3.5，以至自動駕駛、蛋白設計與量子相關開放模型，強調企業可用本地數據後訓練並部署於可控基礎設施，以打造「主權智能」。同日主題演講亦公布 DSX POD 參考設計，指在場地公用設施就緒後，可把完整 Vera Rubin AI 工廠的現場部署由約六個月縮至十四日，並稱近一周在歐洲科技生態系投入近一百億美元、合作夥伴逾一萬二千。來源真實性已驗證，以 NVIDIA 官方部落格開源模型專文與 GTC Berlin 主題演講實況更新為準。

NVIDIA／官方：GTC Berlin 擴開源模型組合推進歐洲主權智能——Nemotron 3.5、Kumo 與 DSX POD；現場部署可縮至十四日

柏林 GTC 為期三日，議程涵蓋智能體人工智能、機械人、實體人工智能、開源模型與加速運算。執行長黃仁勳在 Tempodrom 主題演講中，把歐洲多間企業（包括美妝、金融科技、串流、製藥、電訊、零售與汽車等）並列為已與 NVIDIA 合作人工智能的例子，並重申「要參與人工智能經濟，不應只消費人工智能，而要生產人工智能」。同日產品文章則把「開源模型＋自有數據後訓練＋自控基礎設施」打包成歐洲主權智能敘事，兩者互為表裏。

一、核心事件：開源模型組合與 AI 工廠部署節奏

開源模型組合（官方產品文章，2026-10-21）

根據 NVIDIA 官方〈NVIDIA Open Models Advance Europe’s Sovereign Intelligence Across Industries〉，公司擴大開源模型家族，涵蓋語言、機械人、生物與量子等方向，讓開發者、研究人員與企業可依本地語言與產業需求打造應用。文章列明的組合包括：

NVIDIA Nemotron 3.5 Super VL 與 Nemotron 3.5 Bolt：開源語言模型路線，支援文字與圖像，供開發者建構可編排工作流、推理與完成專門任務的智能體；Nemotron Coalition 成員包括歐洲夥伴 Black Forest Labs、H-Company 與 Mistral 等。
Nemotron Retriever：嵌入、重排序與文件解析等檢索模型。
NVIDIA Kumo：開權重基礎模型與函式庫，面向關係型／表格預測、預測與異常偵測等結構化商業數據；屬 Agent Knowledge Foundation 一環，並分 Kumo Structured 與開源函式庫堆疊 Kumo Engine。
NVIDIA Cosmos 3.5：世界基礎模型，協助開發機械人、自動駕駛與視覺智能體；另推 Cosmos Data Factory（藍圖與核心智能體技能）以策展、標註、生成與評估訓練數據。
NVIDIA Alpamayo 2 Edge：較精簡的推理模型，把即時場景理解與運動規劃帶入自動駕駛車輛，建基於 Cosmos 3 Edge 的 Nemotron 基礎，並針對 DRIVE AGX Thor 平台優化。
NVIDIA BioNeMo RFD4-Proteina：與華盛頓大學 Baker Lab 合作的開源蛋白設計模型；官方稱在逾十項蛋白設計任務表現領先，並在二百氨基酸蛋白基準上，設計生成速度約為 RFdiffusion3 的十三倍。
NVIDIA Ising：開源模型家族，面向量子超級電腦開發所需的校準與錯誤更正等基礎能力；官方提到 IQM、SEEQC 與 AWS Parallel Computing Service 等整合／使用案例。

文章強調：開源模型提供可客製化的起點，組織可用本地數據微調，並部署於自己控制的基礎設施。企業與服務夥伴名單包括 Dassault Systèmes、Domyn、Palantir 客戶、Salesforce、SAP、Shopify、Synopsys、WPP，以及 Accenture、EY 等；Kumo 早期合作例子則包括 Cognite、Coinbase、Databricks、DoorDash、Revolut、Tubi，並指 Snowflake 客戶已在廣告、能源、金融服務與零售等場景使用。

供應時程（僅列官方已寫明者）

Nemotron 3.5 Super VL：已於 Hugging Face、ModelScope、OpenRouter 與 build.nvidia.com（NIM 微服務）等渠道提供，並經雲端／後訓練／推理夥伴分發。
Nemotron 3.5 Bolt E4B 4GB：預期十月二十三日（星期五）推出。
Nemotron Retriever、Kumo、Cosmos、BioNeMo RFD4-Proteina、Ising：文章分別標示 Hugging Face／GitHub／build.nvidia.com 等可用性。
Alpamayo 2 Edge：將於本月稍後於 GitHub 與 Hugging Face 供下載。

主題演講同步重點（官方實況更新，2026-10-21）

同日〈GTC Berlin 2026: Live Updates From NVIDIA CEO Jensen Huang’s Keynote〉載明：

歐洲路演（巴黎、倫敦、斯德哥爾摩、都柏林）背景下，公司稱向歐洲科技生態系投入近 一百億美元，並與 逾一萬二千 個夥伴合作。
Vera Rubin 已進入全面生產，被描述為把運算平台延伸至處理整個人工智能智能體（而不只是模型／大型語言模型）。
公布 NVIDIA DSX POD：由夥伴在模組化貨櫃內組裝並預先整合、驗證的完整 Vera Rubin AI 工廠參考設計；場地公用設施就緒後，現場部署可由約 六個月 縮至 十四日。
DSX AI Factory Platform：官方稱可把冷卻用水消耗最高降低約百分之百，並以最高約百分之三十較少電力產出同等人工智能輸出。
智能體被拆成模型、編排與記憶的 harness、隔離 sandbox、知識與工具五元素；並推出 NVIDIA OpenShell Reference Architecture for Safe AI Agents（建基於開源、可策略控制、具核心層沙箱的 OpenShell 運行時），強調最小權限與動態監控。
開源模型被定位為把專業數據變成「主權智能」的起點；並介紹 Agent Knowledge Foundation（文件解析／嵌入／重排序的 Nemotron 工具，加上面向結構化數據預測的 Kumo）。

二、技術原理：為何「開源起點＋後訓練」被說成主權智能

主權智能在此並非法例用語，而是 NVIDIA 的產品敘事：先提供可重現的開源前沿模型、數據與腳本，再由機構用自有知識做後訓練，最後部署在可控基礎設施上，使產出的智能體行為貼近本地語言、合規與產業流程，而不是長期只呼叫境外黑盒應用程式介面。

技術上可拆三層：

模型層：Nemotron（語言／多模態智能體）、Cosmos（實體世界模擬與數據工廠）、垂直模型（駕駛、蛋白、量子校準）降低「從零訓練」門檻。
知識層：Retriever 與文件工具處理非結構化資料；Kumo 直接對表格／關係數據做預測與異常偵測，減少每個任務另建傳統機器學習管線的成本。
工廠與安全層：Vera Rubin 與 DSX POD 回應「模型出現前必須先有基礎設施」；OpenShell 則回應智能體一旦可讀檔案、網絡與工具，權限與監控必須成為工程問題，而非口號。

對企業而言，重點不在單一模組名稱，而在「可後訓練、可本地化、可託管」是否真正寫進採購與架構標準——否則開源權重仍可能變成另一種供應商鎖定。

四、日常應用場景

1. 開發者與技術團隊

可先以 Nemotron／Retriever 建立有引用依據的企業檢索增強生成，再用 Kumo 把訂單、風險評分、庫存等表格數據接進同一智能體工作流。若評估實體人工智能或產線視覺，Cosmos 與 Data Factory 提供模擬與數據策展路徑。部署前應核對 NIM／Hugging Face 授權條款、評測集與後訓練再現腳本是否齊全，避免「開源」只等於可下載權重。

2. 企業與關鍵基礎設施

歐洲敘事中的主權智能，對受規管行業同樣有參考價值：把客戶與營運數據留在自控環境做後訓練，而不是把全量資料送進通用聊天機械人。DSX POD 之類預組裝 AI 工廠設計，適合需要加快算力落地、但又要控制水電與交付時程的數據中心規劃；OpenShell 方向則提醒資安團隊：智能體權限模型應按每次啟動動態收斂，並納入既有零信任與稽核。

3. 一般用戶與中小企

短期未必直接採購機架級 AI 工廠，但仍會用到建基於同類開源模型的雲端或地端應用。選擇產品時可問清：模型是否可替換、數據是否用於供應商再訓練、能否匯出與撤銷。對財務、人事與客戶資料，優先走企業租戶或私有部署，而非個人版對話分享。

4. 香港與亞洲市場視角

香港金融、專業服務與公營／半公營機構同樣關注跨境數據與「影子人工智能」。NVIDIA 在歐洲強調的後訓練與自控基礎設施，與本地「資料留港、專屬應用程式介面、可稽核」的私有大型語言模型需求同向。亞洲企業亦可把 GTC 組合視為供應商地圖：語言智能體、結構化預測、實體人工智能與安全運行時是否能在同一堆疊落地，並評估與現有雲端、地端與合規框架的接合成本。

五、專業評價與潛在考量

值得肯定

同日以官方產品文章＋主題演講雙線公布，開源模型清單、合作夥伴與部分供應時程相對具體，方便驗證。
把結構化數據（Kumo）與文件檢索並列為智能體知識層，貼近企業真實數據形態，而不只談聊天。
DSX POD 與水電數字把「AI 工廠」從口號落到交付節奏與資源消耗，利於基礎設施規劃對話。
OpenShell 把智能體安全說成工程與權限問題，方向正確。

需要留意

「近一百億美元」「逾一萬二千夥伴」「用水降百分之百／電力降約百分之三十」等為官方自述指標，本文不外推其會計口徑或第三方稽核結果。
開源可用性因模型而異（有的已上線，有的標示本月稍後或指定日期）；採購應以實際下載頁與授權為準。
歐洲主權智能敘事不自動等於符合香港或亞洲各地數據法規；仍需法律與合規審查。
Vera Rubin／DSX POD 屬高資本開支路線，與中小企「先私有應用程式介面、後擴算力」路徑不同，避免誤讀為單一標準答案。

結語

GTC Berlin 這一日的訊息很清楚：開源模型是起點，自有數據後訓練才是差異，而 AI 工廠與智能體沙箱決定你能不能又快又可控地「生產」智能。對香港企業而言，與其追每一個型號名稱，不如先釐清哪些工作流必須資料留港、哪些可用雲端推理，再選可後訓練、可稽核的模型與託管方式。若需要由數據集、微調到專屬 OpenAI 相容應用程式介面的私有大型語言模型全託管，可參考 YSK 的香港私有 LLM 託管（年費計劃由 HK$88,000 起，數據不出境），按實際場景評估地端與混合架構。

參考來源

NVIDIA Blog — NVIDIA Open Models Advance Europe’s Sovereign Intelligence Across Industries（2026-10-21）：https://blogs.nvidia.com/blog/open-models-europe-industry/
NVIDIA Blog — GTC Berlin 2026: Live Updates From NVIDIA CEO Jensen Huang’s Keynote（2026-10-21）：https://blogs.nvidia.com/blog/gtc-berlin-2026-keynote/