16 篇博文 含有标签「AI Factory」

2026 年，AI 数据中心的版图不再由网络枢纽和人口中心定义，而是由电力、主权意志和资本规模定义。从中东的 HUMAIN 到印度的 Helios，从马来西亚的 AI 云协议到东京郊外的离网电厂，一场围绕"算力主权"的全球圈地运动正在展开，而背后是超大规模厂商 6500 亿美元级别的资本开支洪流。

全球建设版图：一张不断刷新的清单​

仅最近一个月，全球 AI 基础设施的建设动态就足以拼出一张新地图：

项目	位置	规模/合作方	状态
HUMAIN 等	沙特	AMD MI355X 系统参与	推进中
Helios 架构输出	印度	AMD 与 TCS 合作	推进中
美国主权 AI 工厂超算	美国	AMD 助力	推进中
Bitdeer AI 云协议	马来西亚	67MW（Data Center Dynamics，2026-10）	已落地
离网 AI 数据中心	东京附近（日本）	戴尔 + Jera + Rhaelm，150 亿美元 / 400MW	预计 2028 运营
ThisWay Global 设施	德州 Bryan（美国）	73MW	选址确定
Anthropic 自建数据中心	德州 Cedar Creek（美国）	3.66 亿美元报建	报建阶段

这份清单覆盖了中东、南亚、东南亚、东亚、北美五个区域，参与者横跨芯片厂商（AMD）、云与服务器巨头（戴尔）、能源公司（Jera）、矿业转型算力公司（Bitdeer）和前沿实验室（Anthropic）——AI 基础设施已经没有"行业边界"可言。

三种主权 AI 模式​

把上面的项目归类，可以看到主权 AI 的三种典型模式：

模式一：美国盟友输出​

沙特 HUMAIN 项目采用 AMD MI355X 系统，印度由 AMD 与 TCS 将 Helios 架构本地化落地——这类项目的共同点是由美国芯片厂商输出算力架构，盟友国家提供资金、能源和市场。对美国而言，这既是出口收入，也是技术生态的扩张；对合作国而言，这是最快获得前沿算力的路径。

模式二：能源换算力​

沙特是"能源换算力"的教科书案例：用低成本能源吸引 AI 基础设施落地。日本东京郊外的项目把这一逻辑推到极致——戴尔、日本能源公司 Jera 与英国 Rhaelm 合作建设 150 亿美元、400MW 的离网 AI 数据中心，配套自建燃气发电厂，预计 2028 年运营。电力不再是电网提供的输入，而是项目自带的资产。

模式三：自研自强​

华为昇腾路线代表的是第三种模式：不受制于美国芯片供应，用自己的芯片、自己的框架构建全国算力底座。这条路门槛最高，但自主性最强。

资本开支洪流：6500 亿与 10 万亿​

主权 AI 圈地运动的燃料是超大规模厂商的资本开支。2026 年的口径已经清晰：

口径	金额	备注
四大超大规模厂商 2026 年 capex	约 6500 亿美元	Amazon 约 2200 亿美元领投
五家合计（另一口径）	超 6900 亿美元	口径差异源于统计范围
IEEE/行业长期建设需求	约 10 万亿美元	数据中心建设总盘子
Anthropic 单笔报建	3.66 亿美元	德州 Cedar Creek
东京离网项目	150 亿美元 / 400MW	预计 2028 运营

Amazon 一家 2026 年就计划投入约 2200 亿美元，超过很多国家一年的基建预算。而 IEEE 及行业口径给出的 10 万亿美元数据中心建设需求，说明这轮建设周期可能以十年计——这不是一个短周期投资潮，而是一场持久的基础设施重置。

离网自建电厂成为新常态​

东京 400MW 离网项目和 Oracle 用燃气卡车维持数据中心运转的新闻，指向同一个趋势：电网已经跟不上 AI 数据中心的用电增速。离网自建电厂从"备选项"变成"新常态"，原因有三：

1. 电网接入排队周期长：大型数据中心动辄数百兆瓦，接入电网的排队时间以年计；
2. 电力成本成为运营命门：Oracle 靠燃气卡车运电维持运转，说明即便是巨头也在为电力稳定性付出高昂代价；
3. 选址逻辑彻底改变：数据中心选址从"网络枢纽、靠近用户"变成"电力洼地、能源便宜"——德州 Bryan 的 ThisWay Global 73MW 设施、中东的能源换算力项目，都是这个逻辑的产物。

对芯片选型的影响也很直接：在电力受限的环境下，单位功耗的算力产出（性能/瓦）权重急剧上升，液冷、低精度推理（FP4/FP8）和 rack-scale 方案成为标配。

小结​

主权 AI 的全球圈地呈现三种模式并行：美国盟友输出（HUMAIN、印度 Helios）、能源换算力（沙特、东京离网项目）、自研自强（昇腾路线）。支撑这一切的是 6500 亿美元级的年度 capex 和 10 万亿美元级的长期建设需求。最深刻的结构性变化是选址逻辑：从网络枢纽转向电力洼地，离网自建电厂成为新常态，Anthropic 自建数据中心则说明前沿实验室也在绕开云厂商直接下场。对从业者而言，评估 AI 基础设施项目的第一问已经从"带宽够不够"变成了"电从哪来、多少一度"。

当超大规模客户纷纷自研芯片，英伟达的应对不是把门关得更紧，而是把门框卖给所有人。Spectrum-X 与 NVLink Fusion 组成了一套精巧的双层策略：计算可以不是我的，但你的芯片必须接在我的网络上。

Spectrum-X：把以太网改造成 AI 网络​

传统以太网为吞吐优化，AI 集群需要的是无损、低熵的集合通信。Spectrum-X 的组合拳包括自适应路由、基于遥测的拥塞控制、RDMA 与 SuperNIC 端侧包重排序，官方目标是达到至少 95% 的有效带宽——而传统以太网在大规模 AI 负载下往往只能用到一半出头。

Spectrum-X 家族组件	定位与关键能力
Spectrum-X 以太网交换机	Scale Out 主干，800G 端口，自适应路由
Spectrum-XGS	跨园区扩展：距离感知的拥塞控制与负载均衡
Spectrum-X Photonics	共封装光学（CPO）：激光器数量减少约 4 倍、光网络功耗降低约 5 倍
ConnectX-9 SuperNIC	端侧 800G 及以上，配合包重排序
BlueField-4 DPU	从网络卸载扩展到 KV Cache 上下文存储（CMX），官方称 token 吞吐最高提升 5 倍

采用信号很有说服力：Meta 正在扩展基于 Spectrum-X 的 AI 负载，Oracle 在 OCI 上为大规模 AI 网络标准化选择 Spectrum-X，Cisco 与英伟达共建安全 AI 工厂参考设计。共封装光学已进入量产，用光互联的功耗红利去换取更多可分配给计算的瓦数——在 AI 工厂的电费账本里，这是实打实的 token 收益。

NVLink Fusion：把 Scale Up 域开放给对手们​

NVLink Fusion 于 2025 年 5 月 COMPUTEX 发布，逻辑是：第三方芯片只要集成 NVLink Fusion chiplet 与 NVLink-C2C 接口，就能接入英伟达的纵向扩展域和 MGX 机柜架构，获得最高每 XPU 1.8TB/s（新一代架构达 3TB/s 以上）的全对全带宽，以及 72 加速器的扩展能力。

伙伴类型	代表厂商
定制 CPU/XPU	联发科、Marvell、富士通、高通、Intel、SiFive、三星
设计服务与 IP	Alchip、GUC、Cadence、Synopsys
互联与光子	Astera Labs、Ayar Labs、Lightmatter
云厂商自研芯片	AWS（Trainium4）、Meta
推理芯片新贵	d-Matrix（Raptor XPU，2026 年 9 月宣布接入）

这步棋的防御逻辑值得细读：即使超大规模客户的加速层走向异构——AWS 跑 Trainium4、Meta 跑自研推理芯片——英伟达依然通过 NVLink 交换芯片、机柜架构与网络栈捕获价值。反向看，UALink 阵营试图以开放标准做同样的事，NVLink Fusion 则用成熟度和生态深度先发截流。对定制芯片公司而言，好处是现实的：不必重造 scale-up 互联和机柜设计，就能拿到接近英伟达原生的系统级带宽。

两层策略合起来看​

Spectrum-X 管 Scale Out（机柜之间、数据中心之间），NVLink Fusion 管 Scale Up（机柜之内），BlueField 与 CMX 管存储与上下文，Mission Control 管运维——英伟达正在把"AI 工厂操作系统"的每一层都做成可出售的基座。计算层越开放，网络与软件层的护城河反而越深。

小结​

对采购者的启示有二：其一，评估英伟达方案时，网络栈（Spectrum-X、BlueField、光学）应当与 GPU 一起核算 TCO，它们已不是配件而是性能变量；其二，自研或采用第三方芯片的团队，NVLink Fusion 提供了一条免建互联的捷径，但要清醒地认识到，接入它的代价是深度绑定英伟达的系统生态。开放是真的，方向也是被设计好的。

2026年9月16日，Emerald AI、Google与NVIDIA联合发起成立AI能源管理联盟（AEMA, AI Energy Management Alliance），推动电网响应式（grid-responsive）AI数据中心。当电力取代芯片成为AI扩张的第一约束，数据中心正在学会"看电网的脸色"运行。

AEMA联盟：让AI数据中心与电网协同​

AEMA联盟的核心主张是"电网响应式AI数据中心"：数据中心不再是单向索取电力的负载，而是能够根据电网信号动态调整计算调度、参与需求响应的电网资产。这一理念由Emerald AI、Google与NVIDIA共同发起，标志着电网集成正式从学术议题走向产业联盟。

2026年9月半导体周报对此的行业判断是：电网集成成为半导体行业新前沿，AI工厂正从被动用电者转型为主动电网参与者，直接影响数据中心选址、并网时间表与监管框架。

验证数据：DSX MaxLPS的24%吞吐增益​

AEMA成立同期，多项实测数据验证了电网响应式运行的可行性：

验证项目	结果	说明
NVIDIA DSX MaxLPS × Lambda	集群级token吞吐提升24%	同一功率预算内实现
NVIDIA DSX MaxLPS × Lambda	每瓦性能提升23%	验证平台为NVIDIA HGX B200服务器
硅谷电力 × NVIDIA Eos AI工厂	200+次成功需求响应信号	已进入常态化运行

DSX MaxLPS的核心价值在于：不增加一瓦电力，却多产出24%的token吞吐。它通过智能调度计算负载，让数据中心在电网允许的功率包络内动态优化运行点。而NVIDIA Eos AI工厂与硅谷电力公司之间200多次成功的需求响应交互，则证明AI数据中心参与电网调节在技术上与运营上均已跑通。

电力：AI扩张的第一约束​

为什么电网集成在2026年变得如此紧迫？答案藏在头部AI公司的电力竞赛里：Anthropic规划5GW级算力，OpenAI更是奔向10GW——这些数字背后的含义是，单一AI公司的用电需求已接近一座大型城市的量级。

参与方	电力规划规模
Anthropic	5GW级
OpenAI	10GW级

在这样的规模下，瓶颈不再是能不能买到GPU，而是：

1. 并网排队：大型数据中心从申请并网到实际通电，等待周期以年计；
2. 区域电网容量：优质电力资源区域（如水电、核电周边）迅速饱和；
3. 监管框架：巨额用电需求引发电价分摊、容量责任等政策争议。

电力供给的刚性约束，直接决定了AI扩张的速度上限。

从"卡电"到"卡资源"：需求响应的价值重构​

传统数据中心被电网视为纯粹的负担——用电曲线陡峭、不容中断。而AI数据中心有一个此前未被充分利用的特性：部分推理负载具有时间弹性。批处理推理、模型评估、非实时训练任务，都可以在电网紧张的时段暂停或降载，在电网富余时满负荷运行。

这正是需求响应（Demand Response）的价值重构：当AI数据中心能够响应电网信号灵活调节用电，它就从"被卡电的负担"变成了"可调度的电网资源"。对数据中心运营方而言，这意味着：

• 参与电网调度的收益分成，把灵活性变成收入；
• 更快的并网审批——监管机构更欢迎对电网友好的负载；
• 更优的电价合约——可中断负载换取更低电价。

对电网而言，一个GW级的可调节负载，胜过一座调峰电厂的建设周期。这是双赢的结构性改变。

对TCO的影响：电价参数的模拟价值​

从TCO（总拥有成本）视角看，电网响应式运行改变了算力的成本模型。传统TCO计算中，电费是一个固定输入参数；而在电网响应模式下，电费变成了随时间波动、可优化、甚至可产生收益的变量。

对于正在评估自建或租用AI算力的团队，建议在成本测算中把电价作为可调参数进行模拟：把峰谷电价差、需求响应补偿、并网等待时间的机会成本纳入模型，观察单位token成本的变化。您可以使用本站的TCO计算器，输入不同电价参数模拟电网响应模式下的收益——当每瓦性能提升23%的数据可以被复制，电价假设的每一次优化都会直接放大投资回报。

小结​

AEMA联盟的成立、DSX MaxLPS在Lambda上24%的吞吐增益与23%的每瓦性能提升、NVIDIA Eos与硅谷电力200多次需求响应的成功交互，共同指向一个趋势：AI数据中心正在完成从"被动用电者"到"主动电网参与者"的身份转变。在Anthropic 5GW、OpenAI 10GW的电力竞赛背景下，电网集成已成为半导体行业新前沿，直接影响数据中心选址、并网时间表与监管框架。未来的AI工厂竞争，不仅是算力密度的竞争，更是与电网协同能力的竞争——能把电力用得更"聪明"的玩家，将在AI扩张的下半场掌握主动权。

当算力的计量单位从"多少张卡"变成"多少吉瓦"，AI竞争的本质已经改变：大模型公司正在变成"能源公司+基建公司+模型公司"的三位一体。

5GW与10GW：新计量单位的诞生​

2026年9月的行业报道显示，AI算力竞赛进入了一个全新的量级：Anthropic的目标是在今年年底拥有约5GW的可用算力，而OpenAI明年的规划则是约10GW。

这两个数字意味着什么？5GW大致相当于数百万张高性能GPU同时满负荷运转所需的电力，而10GW已经接近一座大型核电站的装机容量。就在一年前，行业讨论的还是"十万卡集群"；如今，头部玩家谈论的是吉瓦级园区。算力竞赛的计量单位，已经从GPU的数量彻底转向了电力的功率。

从"买卡"到"买电厂"​

这种变迁背后，是AI产业价值链的整体上移：

• 能源成为第一约束。先进AI芯片供应在改善，但变电站、输电线路和发电容量的建设周期以年计。谁拿到电力指标，谁就拿到训练下一代模型的入场券。
• 基建能力成为核心竞争力。数据中心不再是租用IDC机房那么简单，而是涉及选址、并网、冷却系统乃至自有发电能力的系统工程。
• 模型公司与芯片公司深度绑定。OpenAI与博通合作开发Jalapeño自研芯片，并规划多吉瓦级部署，这已经不是"采购算力"，而是"定制算力供应链"。

20-30MW小数据中心为何成为抢手货​

一个耐人寻味的细节是：Anthropic和OpenAI两家还在争抢20-30MW级别的小型数据中心，Anthropic甚至向SpaceX租用算力。

原因很直接——大容量数据中心从规划到投运周期太长，而模型训练和推理需求等不起。20-30MW的小站点虽然容量有限，但胜在可快速拿容量：现有楼宇改造、电力接口现成、数月内即可上线。对于急需算力缺口的大模型公司，这批"小快灵"资源成了战略物资，甚至在二级市场上被反复转租、溢价争夺。向SpaceX租算力则更为激进——当地面电力不够快时，头部玩家已经开始评估包括星载算力在内的非常规选项。

算力军备竞赛的经济账​

这场竞赛的规模有多大？根据Bain 2026技术报告的口径，AI硬件市场2025年约为312.1亿美元，2026年预计达到384.9亿美元。而吉瓦级算力园区背后，是单笔动辄数十亿美元级别的芯片采购与多年期电力合约。

算力的本质正在从"IT设备"变成"重资产基础设施"——它的融资方式（项目融资、长期租约）、回报模型（算力利用率、每token成本）都越来越像电厂和通信网络，而不是服务器机房。

对AI芯片厂商意味着什么​

吉瓦级竞赛重塑了芯片厂商的客户结构，谁绑定大客户谁受益的格局愈发清晰：

厂商	核心绑定关系	算力绑定规模
NVIDIA	微软 / OpenAI	深度绑定OpenAI，吉瓦级部署主力供应商
AMD	OpenAI / Meta / Anthropic	OpenAI 6GW、Meta 6GW、Anthropic（多年期协议）
OpenAI（自研）	博通合作Jalapeño	多吉瓦级部署规划
云厂商自研	AWS Trainium、Google TPU等	服务自有平台负载

对芯片厂商而言，这带来两个深远影响：其一，订单变得极度集中，一张吉瓦级订单足以改变一家芯片公司的营收曲线，NVIDIA与AMD过去一年股价的分化某种程度上就是绑定关系的映射；其二，芯片设计开始围绕客户的电力预算优化，每瓦性能取代峰值算力成为核心指标——因为客户的稀缺资源不是芯片，而是那几吉瓦的电。

小结​

5GW和10GW不只是两个数字，它们标志着AI竞争进入了"基建时代"：电力取代芯片成为第一约束，20-30MW小数据中心成为快速补位的战略资源，大模型公司集能源、基建、模型三重身份于一身。对AI芯片产业来说，这意味着订单向深度绑定大客户的产品集中、设计向每瓦性能倾斜。算力军备竞赛的下半场，比的不是谁的芯片跑分更高，而是谁能先把电厂建起来、把电接进来。

本文基于 AWS 与 NVIDIA 官方公告（2026 年 9 月 5 日）及双方高管公开表态整理。

2026 年 9 月 5 日，AWS 与英伟达宣布扩大战略合作：在 GTC 2026 已宣布的「2026 年起新增 100 万颗 GPU」计划之上，再追加部署 200 万颗 NVIDIA GPU，覆盖 Blackwell Ultra、Rubin 与 Rubin Ultra 三代架构，时间窗口为 2027-2028 年。需求增长超出此前所有预测，是双方给出的直接理由。

这不再是单纯的「买卡」，而是一次覆盖 GPU、CPU、互联、内存、开源模型与软件的全栈合作。我们把关键信息拆成六点。

一、200 万颗 GPU 的构成与节奏​

• 规模：200 万颗（在原有 100 万颗计划之上追加，总承诺规模翻了三倍）
• 架构：Blackwell Ultra、Rubin、Rubin Ultra
• 时间：2027-2028 年，部署于 AWS 全球基础设施（含新建 AI 工厂）
• 背景：亚马逊 2026 年资本支出指引已从 2000 亿美元上调至 2200 亿美元，CEO 安迪·贾西明确表示仍不足以满足 AI 算力需求

作为参照，GTC 2026 上黄仁勋给出的口径是：Blackwell 与 Rubin 两大平台至 2027 年的累计订单与需求规模已上看 1 万亿美元（GTC 2025 时对 2026 年的判断约为 5000 亿美元）。AWS 的加购是这个大盘子里最重的一块拼图之一。

二、Vera CPU 首次登陆 AWS​

这是本次合作里最具结构性的变化：NVIDIA Vera CPU 基础设施将进入 AWS。

Vera CPU 是 Vera Rubin 平台中面向 agentic AI 设计的通用处理器，定位是把 AI 资源高效转化为「完成的智能体任务」。随着智能体工作负载兴起，CPU 侧的任务编排、内存管理、数据调度压力同步上升——纯 GPU 扩容已经不够，AWS 需要与之配套的高性能 CPU 层。这也与 AWS「从自研芯片（Graviton/Trainium）到合作伙伴芯片提供最广算力选择」的策略一致：Vera 不替代 Trainium，而是补齐加速基础设施旁边的 CPU 算力层。

三、NVLink Fusion × NVHBM：开放架构走向纵深​

在 re:Invent 2025 上，AWS 宣布下一代 Trainium 芯片支持 NVIDIA NVLink Fusion 高速互联。本次双方把合作再推进一步：

• 亚马逊 Annapurna Labs 将支持英伟达新的定制高带宽内存 NVHBM（与内存供应商合作开发）
• Trainium 由此可以获得更快、更省电的内存选项
• Trainium 与 GPU 可以在同一机架级架构内协同，共享 scale-up 互联

对芯片行业来说，这是一个值得盯紧的信号：NVLink Fusion + NVHBM 意味着英伟达的互联与内存技术开始向竞品 ASIC「供货」。自研 ASIC 阵营（Trainium、TPU、MTIA）与英伟达 GPU 阵营的边界，正在从「二选一」变成「混布」。

四、10 万颗 GPU：美国政府主权 AI 工厂​

合作中专门划出一块公共部门业务：AWS 与英伟达将为美国政府建造 AI 工厂，在安全 AWS 基础设施上部署 10 万颗 GPU，承载联邦与国家安全负载（Impact Level 6 及以上），支持在强监管框架内开发先进 AI 模型。

主权 AI 从口号变成明确数字，是本轮周期的显著特征——政府客户正在成为 AI 算力的一等买家。

五、软件与物理 AI 同步深化​

硬件之外，软件层合作也在加码：

• NVIDIA Nemotron 开源模型继续登陆 Amazon Bedrock 与 SageMaker
• Amazon EMR 数据处理与 OpenSearch 向量索引用 cuDF / cuVS 加速
• Amazon Robotics 正式采用 NVIDIA 物理 AI 平台（Jetson、Omniverse、Isaac），用于仓储自动化与下一代机器人

物理 AI（机器人、具身智能）正在成为云厂商算力叙事的新增长极，这与国内京东、特斯拉等把具身智能写进算力采购逻辑是同一趋势。

六、对算力买家的启示​

观察	含义
需求「跑赢所有预测」	供给紧张不是短期现象，2027-2028 的算力窗口现在就要锁定
三代架构混采	Rubin/Rubin Ultra 量产爬坡期间，Blackwell Ultra 仍是交付主力，采购需要跨代规划
CPU 层被重估	agentic AI 把瓶颈从 GPU 推向 CPU 编排与内存带宽，选型时别只盯加速卡
主权 AI 落地	政府级订单入场，进一步收紧高端 GPU 的可分配供给

对自建与租用的决策者而言，云巨头的每一次天量加购都在重定价未来的租金曲线。如果你正在评估 GPU 采购或租用方案，建议用 TCO 计算器 做一次量化测算：输入芯片价格、功耗、利用率与租用单价，即可对比 3 年持有成本。

小结​

200 万颗 GPU、Vera CPU 上云、NVHBM 开放、10 万颗主权算力——AWS 与英伟达这轮扩盟把「AI 工厂」竞赛推进到全栈时代。算力的稀缺性在 2027 年之前大概率只紧不松，无论是买卡、租卡还是押注国产替代，尽早锁定供给与成本曲线，都是当前最确定的动作。

（本文数据均来自 AWS/NVIDIA 官方公告与双方高管公开表态；架构性能口径以厂商发布为准。）

2026年6月1日，NVIDIA创始人兼首席执行官黄仁勋在COMPUTEX 2026（台北国际电脑展）上正式宣布：Vera Rubin平台全面投产。这标志着AI硬件从"离散加速器"向"整体化AI工厂"的根本性范式转变。

核心亮点​

• Rubin GPU：下一代AI计算芯片，FP4算力是Blackwell的3.6×
• Vera CPU：88个自定义Arm核心（176线程），替代Grace CPU
• NVLink 6：GPU间互联带宽达260 TB/s（相比Blackwell翻倍）
• CX8 SuperNIC：800Gb/s网络，ConnectX-9链路达28.8 TB/s
• HBM4显存：单芯片288GB，带宽13 TB/s
• 智能体吞吐量：相比Grace Blackwell提升10×

Vera Rubin 平台完整规格​

Vera Rubin不是一个单独的GPU，而是一个完整的AI工厂平台，包含7款芯片：

芯片名称	类型	用途
Rubin GPU	主力AI计算芯片	训练+推理
Rubin Ultra GPU	旗舰版	超大尺度推理
Vera CPU	配合Rubin的CPU	Host CPU + 数据预处理
NVLink 6	互联芯片	GPU间高速互联（260 TB/s）
CX8 SuperNIC	网卡	800Gb/s网络
XDR 800G 交换机	数据中心网络	跨机架通信
Rubin平台POD	整机柜	预配置的AI工厂（144 GPU）

Rubin GPU 详细规格（推测）​

参数	Rubin GPU	Rubin Ultra	Blackwell (B200)
架构	Rubin	Rubin Ultra	Blackwell
制程	TSMC 3nm（推测）	TSMC 3nm	TSMC 4NP
显存	288GB HBM4	288GB HBM4E（推测）	192GB HBM3e
显存带宽	13 TB/s	13+ TB/s	8 TB/s
FP4 算力	~3,600 TFLOPS（推测）	~5,000 TFLOPS（推测）	2,250 TFLOPS
TDP	1,000W（推测）	1,200W（推测）	700-1000W
互联	NVLink 6（260 TB/s）	NVLink 6	NVLink 5（1800 GB/s）
量产时间	2026 Q3	2027 下半年	2024 Q4

📌 注：Rubin具体规格尚未完全公开，上表部分为推测值。

Vera CPU：替代Grace的新一代Host CPU​

Vera CPU是NVIDIA自研的Arm架构CPU，取代此前的Grace CPU：

参数	Vera CPU	Grace CPU
核心数	88核（176线程）	72核（144线程）
架构	自定义Armv9（推测）	Arm Neoverse V2
接口	NVLink 5.0（1.8 TB/s）	NVLink 4.0（900 GB/s）
TDP	~500W（推测）	350-500W
用途	AI工厂Host CPU	超算/AI Host

关键升级：Vera与Rubin GPU的协同设计，使其在计算、数据加载、预处理上实现端到端优化，对标Google TPU 8t的Arm Axion集成。

与Blackwell的性能对比​

NVIDIA官方宣称，在相同POD配置（144个GPU芯片）下：

指标	Grace Blackwell (GB200 NVL72)	Vera Rubin NVL144	提升
FP4 算力	1.1 PFLOPS	3.6 PFLOPS	3.3×
显存容量	288GB×72 = 20.7TB	288GB×144 = 41.4TB	2×
显存带宽	8 TB/s×72	13 TB/s×144	~3.3×
NVLink 带宽	1800 GB/s×72	260 TB/s（全POD）	~2×
智能体吞吐量	基准	10×	10×
每瓦性能	基准	25×（与单独CPU比）	25×

💡 为何是"10×智能体吞吐量"？ 智能体AI（Agentic AI）工作负载与训练/推理不同：一个提示词可能触发包含推理、检索、工具调用、响应生成的多个环节，涉及数千个步骤。Rubin平台专为这种长链条、高并发工作负载优化。

MGX 第三代机架级系统​

Vera Rubin采用MGX第三代开源机架级系统设计：

• 五机架协同：Vera Rubin NVL72系统 + Vera CPU + Groq 3 LPX + Vera BlueField-4 STX存储 + Spectrum-6 SPX以太网
• 全球供应链：30个国家、350+工厂、数百家合作伙伴（Dell、HPE、Lenovo、Supermicro、Asus、Foxconn等）
• Spectrum-X 以太网硅光技术：全球首款基于CPO（光电一体化封装）、支持200Gb/s SerDes的交换机，现已量产

量产时间表​

时间	事件
2026年1月	CES 2026首次公布Rubin平台
2026年6月1日	COMPUTEX 2026宣布全面投产
2026年秋季	Vera Rubin正式启动量产并开始出货
2027年下半年	Rubin Ultra发布（HBM4E升级）
2028年	Feynman架构（下一代）

AI工厂：从卖芯片到卖"智能生产线"​

黄仁勋在发布会上说了一句让业界震动的话：

"Rubin的Agentic AI吞吐量，是Blackwell的10倍。Rubin是一个完整的AI工厂平台。"

这标志着NVIDIA商业模式的根本转变：

• 过去：卖GPU（H100/B200），客户自己搭建系统
• 现在：卖"AI工厂成套解决方案"（Vera Rubin POD），包含GPU、CPU、网络、存储、软件栈
• 未来：成为全球AI基础设施的"台积电"（提供智能生产能力）

与竞品对比​

厂商	产品	定位	优势	劣势
NVIDIA	Vera Rubin	AI工厂整体方案	生态最完整、软件最成熟	价格昂贵、功耗极高
AMD	MI455X（MI400系列）	训练竞品	性价比、开放生态	软件生态差距
Google	TPU 8i/8t	云上训练/推理	与Gemini深度集成	仅Google Cloud
华为	昇腾910C/950	国产替代	中国本土化、昇思框架	受出口管制影响

行业影响​

1. AI实验室：Frontier模型训练时间从"数月"缩短到"数周"
2. 云服务商：必须决定是否采购Vera Rubin POD（与自研芯片战略冲突）
3. 超大规模数据中心：AI工厂成为新的竞争维度（谁有最强算力，谁就能训练最强模型）
4. 国产芯片：昇腾910C/950、寒武纪MLU590等必须在2026-2027年追上Blackwell，否则差距将扩大到Rubin时代

相关芯片​

• NVIDIA Rubin R200 - Rubin架构GPU详细规格
• NVIDIA Vera CPU - Vera CPU详细规格
• NVIDIA B200 - 上一代Blackwell架构
• AMD MI455X - 直接竞品（MI400系列）

参考资料​

• NVIDIA博客：Vera Rubin全面投产
• COMPUTEX 2026主题演讲
• NVIDIA官方新闻稿

---

本文基于NVIDIA官方公告及公开资料整理，部分规格为推测值，以官方最终发布为准。