翻译说明：本文为 MobileSetting 原文 的繁体中文转简体中文翻译。除繁简转换、明显错别字和排版外，保留原文标题、事实、观点、数字、结构和第一人称表达。
NVIDIA 在 2026 年 GTC 大会前夕推出 Nemotron 3 Super 120B 开源混合专家模型（Mixture of Experts），总参数虽达 120B，但推理时仅激活 12B 活跃参数，运算成本接近小型模型水平。搭配同步发布的 NemoClaw 企业 AI Agent 平台，这套组合为香港企业提供了一条不依赖闭源 API、可本地部署的 AI 自动化路径。
120B 参数的误导性数字
看到「120B 参数」四个字，不少人第一反应是：这要几台 A100 才跑得起来？这个直观反应并不准确。
Nemotron 3 Super 采用的是混合专家架构（Mixture of Experts，MoE）。这种设计的核心逻辑是：模型内部由多个「专家子网络」组成，每次推理时系统只激活其中一部分，而不是调动全部参数。120B 是模型的总容量，但实际推理时只有 12B 的活跃参数在运作，比例约为十分之一。
换句话说，用户获得的是 120B 规模模型的知识广度和推理深度，却只承担约 12B 模型的计算成本。这对需要在有限硬件预算下部署 AI 的企业来说，是一个实质性的突破，而不只是发布会上的参数游戏。
NVIDIA 同时针对自家 Blackwell 架构进行了优化，在 GB200 和 B200 系列 GPU 上的推理效率尤为突出。对于已部署或计划部署 Blackwell 硬件的企业，这个组合的性能表现会更显著。
开源策略背后的生态盘算
NVIDIA 选择以开源方式发布 Nemotron 3 Super，而非走 OpenAI 的闭源 API 路线，背后有清晰的生态逻辑。
闭源模型的商业模式是按 token 收费，企业用量越大、帐单越高，且数据必须经过外部服务器。这种模式对金融、医疗、法律等数据敏感行业构成天然障碍。开源模型则不同——企业可以下载模型权重，在自己的服务器上运行，所有数据留在内部，合规成本大幅降低。
对 NVIDIA 而言，开源模型带动的是 GPU 硬件销售。企业部署模型需要算力，算力就是 NVIDIA 的核心收入。这个逻辑让开源和商业利益并不矛盾——反而互相强化。
香港企业在考虑 AI 导入时，数据私隐合规往往是第一道门槛。Nemotron 3 Super 的开源本地部署选项，直接绕过了这个障碍。
NemoClaw：让 AI 代理真正进入企业流程
仅有语言模型还不够，企业真正需要的是能接入现有系统、自动处理工作流的 AI 代理（AI Agent）。NVIDIA 同步发布的 NemoClaw 平台正是针对这个需求而来。
NemoClaw 是一个开源企业 AI Agent 整合平台，设计目标是让 AI 代理能够跨系统操作——从 CRM 到内部数据库，从电子邮件到企业软件——自动完成原本需要人工介入的复杂工作流。
这次发布同时引入了四个重量级生态伙伴：Salesforce、Cisco、Google 和 Adobe。这个名单的含义很具体。Salesforce 意味著 CRM 和销售自动化；Cisco 代表企业网络和安全基础设施；Google 带来云端和 Workspace 整合；Adobe 则指向创意和文档工作流。四个方向几乎覆盖了企业日常运营的主要场景。
香港企业普遍使用这几个平台的产品，NemoClaw 的生态伙伴选择并非偶然——这是针对现有企业 IT 架构的精准切入。
对香港中小企的实际意义
在香港，讨论企业 AI 导入往往绕不开两个现实问题：成本和数据安全。
成本方面，闭源 API 的月费对中小企而言是持续性支出，用量越大费用越不可控。Nemotron 3 Super 的开源授权意味著一次性部署成本替代了持续的 API 帐单。对于 AI 使用量稳定的企业，长期算下来的差异相当明显。
数据安全方面，本地部署消除了数据外传的合规风险。香港的金融机构、律师行、医疗机构在引入 AI 工具时，监管合规是不可忽视的前提。能在防火墙内运行的开源模型，比任何闭源 SaaS 产品都更容易通过合规审查。
对技术资源有限的中小企，还有另一条路：云端服务商通常会将热门开源模型托管为 API 服务，月费比闭源产品低，且保留切换到本地部署的灵活性。开源模型的出现让议价空间变大了。
长推理能力：不只是聊天机器人
Nemotron 3 Super 的设计重点之一是「长推理」（Long Reasoning）能力，这个特性值得单独讨论。
长推理意味著模型能够进行多步骤、需要保持上下文连贯性的复杂分析，而不只是回答单一问题。这对企业 AI Agent 场景尤为关键——自动审查合同条款、分析财务报告、跨部门数据整合——这些任务的共同特点是需要在大量信息中维持逻辑链条。
普通语言模型在这类任务上往往表现不稳定，因为上下文窗口限制和推理能力的不足。Nemotron 3 Super 的 MoE 架构配合长推理优化，理论上更适合处理这类企业级复杂任务。
当然，理论性能和实际部署效果之间仍有差距。模型的真实表现还需要在具体业务场景中验证，这也是企业在大规模导入前必须做的概念验证（POC）工作。
开源并非万能
这波开源 AI 浪潮固然降低了准入门槛，但企业在评估时也应该保持清醒。
开源模型的部署需要技术能力支撑。硬件采购、模型微调（Fine-tuning）、系统整合、日常维护——这些环节都需要具备 AI 工程能力的团队。对于完全没有 IT 团队的小型企业，直接部署 120B 级别的开源模型并不现实。
此外，开源不等于免费。GPU 硬件的资本支出，以及电力和冷却成本，在某些规模下可能高于直接使用云端 API。企业需要根据自身的用量规模和技术资源做具体测算，而不是看到「开源」两个字就认为成本问题自动解决。
NemoClaw 平台目前的生态整合深度也有待观察。生态伙伴名单是一回事，实际的 API 对接稳定性和企业支持质量是另一回事，这需要时间来证明。
GTC 前夕的信号
NVIDIA 选择在 GTC 大会前夕发布这两个产品，节奏上显然经过计算。GTC 是 NVIDIA 的年度旗舰技术大会，今年的主题围绕 Blackwell 架构和企业 AI 生态。Nemotron 3 Super 和 NemoClaw 的提前亮相，一方面为大会制造讨论热度，另一方面也在告诉市场：NVIDIA 的 AI 野心不止于卖 GPU，而是要构建从硬件到模型到应用平台的完整垂直堆栈。
这个方向和 AMD、Intel 的竞争路线形成明显对比。竞争对手主要在芯片性能上做文章，NVIDIA 则试图用软件生态锁定企业用户——开源的 NeMo 框架、Nemotron 系列模型、NemoClaw Agent 平台，加上与主流企业软件的生态整合，构成一套完整的切换成本。
对香港企业的启示很简单：AI 基础设施的选型窗口正在缩窄。今天选择哪个平台、哪套工具，未来的替换成本会越来越高。Nemotron 3 Super 和 NemoClaw 的组合，值得企业 IT 决策者认真评估，而不是等市场尘埃落定再跟进。
