輝達正在將其開放模型家族從語言拓展至機器人、生物和量子計算等多個領域，為開發者、研究人員和企業提供可基於本地語言與行業需求定製應用的基礎模型。這一動作在輝達於歐洲公佈的一系列進展中佔據核心位置，也反映出該公司正試圖把 AI 基礎設施的觸角從硬體層延伸到模型與工具鏈層。

在語言模型方面，輝達推出了 Nemotron 3.5 Super VL 和 Nemotron 3.5 Bolt，以及用於嵌入、重排序和文件解析的新 Nemotron Retriever 模型。這些模型支援文本與影像，旨在幫助智慧體編排工作流、推理複雜問題並以更低成本完成專門任務。Nemotron 系列由輝達 Nemotron 聯盟的資料、研究與專業知識構建，聯盟成員包括歐洲合作伙伴 Black Forest Labs、H-Company 和 Mistral。

輝達表示，Nemotron 為企業提供了基於自身知識和專長構建應用的基礎。達索系統、Domyn、Dream、Palantir 的客戶、Salesforce、SAP、Shopify、Synopsys 和 WPP，以及埃森哲和安永等專業服務提供商，正在使用 Nemotron 模型和資料集建立定製模型和領域專用智慧體。此外，一個由 AfterQuery、AgileRL、AI21、Baseten、CoreWeave、Fireworks、Google Cloud、Scale AI 等眾多公司組成的後訓練合作伙伴生態，正幫助企業針對特定工作負載定製 Nemotron。

針對結構化企業資料，輝達推出了 Kumo 開放基礎模型、庫和工具，幫助智慧體和應用從結構化業務資料中預測結果、評估欺詐風險並推薦行動。Kumo 屬於輝達 Agent Knowledge Foundation 的一部分，旨在縮短預測時間，並降低為每個任務單獨構建機器學習管道的成本和複雜性。該組合包括用於關係型和表格預測、 forecasting 和異常檢測的 Kumo Structured，以及用於開發和部署結構化資料基礎模型的開放庫棧 Kumo Engine。Cognite、Coinbase、Databricks、DoorDash、Revolut 和 Tubi 是首批使用 Kumo 模型加速開發的企業，Snowflake 的客戶也已在廣告、能源、金融服務和零售等行業使用 Kumo 模型。

在機器人與物理世界互動方面，輝達的 Cosmos 系列開放世界基礎模型幫助開發者構建理解並與物理世界互動的機器人、自動駕駛汽車和視覺智慧體。輝達推出了新的 Cosmos 後訓練與最佳化工具，幫助開發者以更少算力改進世界模型，並提供用於在真實測試前評估互動式駕駛和機器人操作場景行為的模擬檢查點。同時推出的 Cosmos Data Factory 包含藍圖和核心智慧體技能，幫助開發者整理、標註、生成和評估駕駛場景、產品缺陷、影像增強和事件生成的訓練資料。保時捷與 Voxel51、ANYbotics 與 Encord、Zalando 和 CEVA Logistics 與 Sereact，以及 西門子，正在使用 Cosmos Data Factory 建立高質量、多樣化的訓練資料集並提升模型精度。

自動駕駛領域，Alpamayo 2 Edge 是一款緊湊型推理模型，將即時場景理解和運動規劃直接帶入自動駕駛汽車。它基於輝達 Cosmos 3 Edge 的 Nemotron 基礎構建，並針對 NVIDIA DRIVE AGX Thor 平台最佳化，幫助開發者以更低算力需求將高階駕駛能力引入車輛。

在生物科學領域，輝達與華盛頓大學蛋白質設計研究所的 Baker 實驗室 合作推出了開放蛋白質設計模型 BioNeMo RFD4-Proteina。該模型可生成蛋白質序列和三維結構，幫助研究人員設計與困難靶點結合、組裝成複雜結構以及與小型分子結合的蛋白質。輝達稱，該模型在超過 10 項 蛋白質設計任務中表現領先，在 200 個氨基酸 蛋白質的基準測試中，生成設計的速度比 RFdiffusion3 快約 13 倍。研究人員可通過智慧體生成和評估候選設計，再選擇哪些設計進入實驗室測試。

量子計算方面，輝達的 Ising 系列開放模型為加速開發有用的量子超級計算機所需的突破提供了通用、可擴充套件的基礎，涵蓋從即時硬體校準到錯誤糾正，並跨不同量子位元模式、針對個別硬體需求進行定製。IQM Quantum Computers 正在使用 Ising 校準其量子處理器，展示了專用開放校準模型如何優於大型通用模型。

整體來看，輝達這一輪開放模型佈局的核心邏輯在於：企業可以用本地資料對模型進行定製，並部署在自己控制的基礎設施上。對於關注 AI 產業的投資者而言，這既意味著輝達在晶片之外的軟體與模型生態上進一步紮根，也可能帶動從雲服務、資料平台到行業應用的一整條產業鏈的參與和適配。不過，開放模型能否真正轉化為企業級部署的規模收入，仍取決於各行業對資料主權、成本與效能的實際權衡。