21 篇博文 含有标签「Product Launch」

10 月 21 日，英伟达 GTC 大会在柏林 Tempodrom 开幕，黄仁勋近两小时的主题演讲把「AI 工厂」放到了叙事中心：AI 正推动人类历史上规模最大的基础设施建设，欧洲要从 AI 消费者变成 AI 生产者。

一、Vera Rubin：全面生产 + 30 倍性能曲线​

• 全面生产（Full Production）：Vera Rubin 平台正式宣布进入全面生产阶段
• 全液冷设计，单机架接入 72 颗 GPU 组成超算（Rubin R200 卡片）
• 性能曲线：Blackwell 较 Hopper 提升 30 倍，Vera Rubin 预计两年内再提升 30 倍——超越摩尔定律增长预期

二、DSX POD：AI 工厂变成「集装箱交付」​

这是本次演讲最具工程意义的发布：把 Vera Rubin 机柜、网络布线、液冷系统提前在工厂完成集成测试，再以集装箱形式交付：

配套 DSX MaxLPS 软件按负载动态分配电力，同 Token 产出最高省电 30%。联想、戴尔、HPE、施耐德电气等 17 家伙伴计划 2027 年初推出产品。英伟达超大规模副总裁 Ian Buck 补充：数百兆瓦级项目是 DSX POD 近期主战场，并非全面取代传统机房。

三、OpenShell 与六款开源模型​

• OpenShell 安全参考架构：面向智能体的内核级沙箱、最小权限、动态策略控制——黄仁勋称之为「英伟达做过最重要的事之一」
• 六款开源模型：Nemotron（语言）、Cosmos 3.5（世界模型）、GR00T（人形机器人）、Alpamayo 2 Edge（自动驾驶）、Ising（量子经典计算）、Earth-2（物理 AI）

四、欧洲牌​

黄仁勋演讲前走访法英瑞典德：过去一年对欧洲技术生态投入近 100 亿美元、联动超 1.2 万家伙伴；英国获 5 年 2.5 亿美元算力捐赠；瑞典联盟共建 Sferical One 超算。据美联社，欧洲目前仅拥有全球约 5% 的 AI 算力——这正是「欧洲造 AI 工厂」叙事的立足点。

延伸阅读：Google Cloud A5X 与 96 万块 Rubin · Rubin Q4 放量 · 完整对比表

在 2026 工博会「国芯展」上，各家国产芯片厂商展台的主角都换成了超节点——而百度昆仑芯交出的是最硬的那张牌：32/64 卡超节点已实现量产交付，是国内率先进入量产交付阶段的超节点方案之一。

一、昆仑芯的系统级布局​

「率先量产」的关键不在卡数多少，而在工程完成度：从演示、客户测试到可复制交付，中间隔着整机柜液冷、供电、互联稳定性与批量运维的一整套功课。

二、与同行的时间表对照​

三、昆仑芯路径的独特性​

与华为「全栈自研 + 超节点系统售卖」、创业公司「单卡突围再上系统」不同，百度昆仑芯走的是互联网大厂自用转外供路线：搜索、文心一言的内部负载提供持续练兵场，量产交付的产能优先满足自家智能云，再逐步对外。

这条路的上限取决于两点：自用需求的规模（能否撑过代际迭代），以及对外分发的渠道（百度智能云的市占）。与谷歌 TPU 的对比可以参考这篇分析——差距不在芯片而在商业化半径。

四、对采购者的提示​

超节点选型已经从「看参数」进入「看交付」阶段：已量产交付的方案意味着有真实运维数据、故障率与升级路径可考。问供应商「已交付多少柜、运行多久、利用率多少」，比问峰值算力有用得多。

延伸阅读：超节点放量元年 · 昆仑芯 P800 卡片 · 完整对比表

2026 年 10 月，沐曦同时交出两张答卷：芯片侧，旗舰 曦云 C600 正式进入量产交付；系统侧，曦景 S600 超节点（WAIC 2026 首发）在工博会继续展示。国产 GPGPU 厂商第一次在同一家公司里同时跑通「单卡」与「整机柜」两条产品线。

一、曦云 C600：量产交付​

曦云 C600 的核心规格：

生态动作密集：Day 0 适配阶跃星辰 Step 5 Preview、面壁 MiniCPM-V 4.7、上海 AI 实验室「书生·明决」、Qwen-Image-2.1，并与 FlagOS 联办推理吞吐挑战赛。对国产芯片，Day 0 适配能力是软件栈成熟的最佳 proxy——新模型发布当天就能跑，意味着框架适配从「追赶」进入「同步」。

二、曦景 S600：64 卡锚点的取舍​

S600 超节点的技术选择值得细看：

• 单柜 64 卡全互连：沐曦明确表示 64 卡锚点对应「未来 3-4 年模型尺寸与训推需求的主流规格」——不做盲目堆卡数
• OEX 正交无背板架构：计算节点与交换节点 0 线缆直连，「三零设计」（计算节点零线缆、交换节点零线缆、柜间零线缆）直接压缩部署与运维成本
• 多维并行：支持 EP、TP 等策略，集群横向扩展至万卡级

对比同场展出的天数 IXL144（144 卡/柜），S600 选择的是「低密度 + 极致部署友好」路线——两种路线没有绝对优劣，取决于客户的机房条件与目标负载。

三、资本市场与产能​

沐曦已冲刺科创板（两轮问询回复完成），2025 上半年营收 3.2 亿元、在手订单 14.3 亿元；融资客 10 月对沐曦股份的净买入居科创板前列。产能是接下来的主要约束——C600 的量产爬坡与 S600 的整机柜交付都吃先进封装与代工产能。

四、样本意义​

沐曦是目前唯一同时公开量产单卡与整机柜超节点规格的国产 GPGPU 厂商。它的双线节奏（C600 单卡 2025-10 发布 → 2026-05 量产 → 10 月交付；S600 系统同步）给同行提供了一个可参照的时间表：单卡量产与系统化产品之间的间隔，正在缩短到 12 个月以内。

延伸阅读：昆仑芯超节点量产 · 超节点放量元年 · 完整对比表

GTC 柏林主题演讲的彩蛋环节：黄仁勋把上周发布的 RTX Spark 笔记本（1 PFLOPS 算力 + 128GB 内存，$2,399 起）与 2016 年他亲手送给 OpenAI 的 DGX-1 同台对比——两台机器同样 1 PFLOPS、128GB 内存，但 DGX-1 需要「两个人抬」，RTX Spark 可以单手拎起。

一、产品矩阵：桌面 AI 三件套​

「Bringing the Spark to Europe」是 GTC 柏林的专门议程——本地智能体（Local Agents）成为个人 AI 的下一个叙事：模型与数据不出本机，隐私与延迟同时解决。

二、1 PFLOPS 桌面算力意味着什么​

• 能本地跑什么：70B 级开源模型量化推理、中小模型微调（QLoRA）、智能体仿真训练。黄仁勋现场演示了四只「Microduck」机器人鸭——在 RTX Spark 上创建、云端训练、仿真中学习技能
• 对比 2016：DGX-1 当年售价约 $129,000。同算力下，桌面价格曲线十年下降约 50 倍，这正是 Jetson Thor 等边缘产品的逻辑在桌面端的延伸
• 对云的边界：本地推理解决隐私与离线场景，但训练与超长上下文仍属云端——「桌面 + 云」混合工作流将成个人开发者默认形态

三、对开发者的实际影响​

1. 智能体开发的「本地沙箱」：结合 OpenShell 安全架构的思路，本地硬件跑智能体 + 本地沙箱，是成本最低的安全实验环境
2. 国产对标注意：桌面 AI 工作站赛道（128GB 统一内存 + P 级算力）目前国产阵营尚无同价位对标产品，这是一个尚未被国产厂商认真覆盖的细分
3. 软件栈红利：RTX Spark 与 DGX Spark 共享 CUDA 生态——开发者在桌面写的代码可直接扩展到数据中心 GPU，这正是英伟达「全栈桶」的黏性所在

延伸阅读：GTC 柏林综述 · Jetson Thor 卡片 · 完整对比表

2026 年 10 月 13 日，Intel 在 OCP 全球峰会上把代号 Crescent Island 的数据中心推理 GPU 正式定名为 GPU D 系列，行业拆解普遍称其型号为 D270。这是 Gaudi 3 之后 Intel 数据中心加速器的「换轨」之作——不再追 HBM 军备竞赛，改打内存容量与每美元 Token 成本。

官方规格落地​

此前半年，外界只知道 Crescent Island「350W、LPDDR5X、风冷 PCIe」。OCP 2026 与随后的技术说明补齐了关键数字：

Intel 的口径是：480GB 版本单卡可承载约 3,000 亿参数模型，8 卡整机可推理超万亿参数的开源权重模型。

规格取舍：刻意避战，不是被动落后​

把 D270 放进 2026 年 10 月的坐标系里，取舍一目了然：

• 带宽 1.5 TB/s 只有 Gaudi 3（约 3.7 TB/s）的 40%、Rubin R200（19.2 TB/s）的 8%
• 但 480GB 容量上限反超 Rubin R200（288GB）与 MI455X（432GB）
• 350W 风冷 PCIe 意味着可以直接插进存量风冷机房，不需要液冷改造

这不是「做不出 HBM 版本」，而是定价选择：D270 卖的不是峰值算力，是长上下文推理 decode 阶段的每美元 Token 数。LPDDR5X 的单位容量成本远低于 HBM4，用带宽换容量与成本，恰好匹配智能体 AI 场景中 KV Cache 容量优先的工作负载。

口径注意事项​

• 制程未官方披露。「Intel 18A」只是多家媒体基于与 Panther Lake 同源的推测，Intel 未确认
• 带宽曾有口径分歧。2026 年 10 月中旬前部分二手拆解给出过约 684 GB/s 的估算值（基于 160GB 参考卡的 640-bit 总线推算），官方口径 1.5 TB/s 对应 480GB 版本，采购评估时应以官方值为准并问清配置
• 量产时间未定。客户送样从 2026 下半年开始，「2027 年商用」是媒体推断，不是 Intel 承诺

对选型的影响​

D270 填补的是「L40S 之后、HBM 加速器之下」的空档：显存受限（48GB 级）的老 PCIe 卡跑不动长上下文，HBM 卡又太贵。对日均 Token 量大、模型在 300B 参数级以下、机房无液冷条件的企业推理场景，D270 的每美元 Token 口径值得等它正式定价后再评估——前提是 Intel 能兑现 2027 年的供货。

相关阅读​

• Intel GPU D 系列（Crescent Island）芯片卡片
• Intel Gaudi 3 芯片卡片
• NVIDIA L40S 芯片卡片

自研芯片竞赛在 2026 年 10 月迎来关键节点：微软于 10 月 12 日在圣何塞 OCP 全球峰会上正式发布 Azure Maia 300，并宣布 2027 年起以「数吉瓦级」规模部署。这是微软首次把自研芯片定位为「主要推理系统」，而非补充。

核心规格：官方口径全记录​

Maia 300 采用多芯粒（multi-chiplet）设计，这是 Maia 家族第一代拆分计算与 I/O 的产品：

需要注意口径：微软官方博客只给出了相对口径（系统算力 FLOPs 较 Maia 200 提升 36%、HBM 带宽 2.5 倍、容量 +33%），FP4 13.8 PFLOPS 与 FP8 6.9 PFLOPS 出自随发布公开的技术论文，并与官方相对口径自洽（Maia 200 的 10.1 PFLOPS FP4 乘以 1.36 约等于 13.8）。

机架架构：96 卡、三层延迟域、统一 fabric​

Maia 300 的机架设计与 NVIDIA 的 NVL72 走了两条路：

• 96 颗加速器分布在 24 个四卡托盘，取消独立主机托盘，机架功率与热资源统一管理
• 机架内全部电连接组成一个 pod；第二层用光互联最多连 128 个机架，组成 12,288 颗加速器的 superpod
• 统一 fabric：pod 内与跨机架使用相同通信语义，不再区分 scale-up 与 scale-out 两个域
• 微软宣称 96 卡完整配置下，机架级 Token 吞吐最高可达 Maia 200 的 7 倍

在负载定位上，Maia 300 明确面向长上下文推理、延迟敏感对话与多步骤智能体任务——GitHub Copilot 与 Microsoft Foundry 将在今年年底前接入。

部署节奏与供应链​

据路透社 10 月 13 日报道，微软计划2027 年部署超过 100 万颗 Maia 300。供应链口径显示，微软已在 2026 年 8 月与台积电锁定 30 万片以上代工产能，初期产量 30-40 万片、2027 年增至 120-150 万片（非微软官方数字）。

两个值得注意的背景：

1. 规格升级曾导致延期。原计划 3nm 配 HBM3e，后升级为 2nm 配 HBM4，量产时点从 2026 Q1 推迟到 Q4，微软靠提高 Maia 200 产量弥补缺口。
2. Evercore ISI 预计 2027 Q1 Maia 占微软 AI 芯片支出约 10%——自研芯片仍然是「降本增量」而非「替代采购」。

对采购方的意义​

Maia 300 不对外销售，只服务微软自己的 AI 业务。它的信号意义大于直接采购意义：当全球第二大云厂商把主力推理负载迁到自研 ASIC 上，NVIDIA 在推理市场的定价权会持续承压。对企业采购方而言，更实际的影响是——推理型云实例（Azure ND 系列）的单位 Token 价格曲线，未来两年会因 Maia 上量而更有下探空间。

相关阅读​

• Microsoft Maia 300 芯片卡片
• Maia 200 芯片卡片
• GPU D 系列（Intel 的推理 ASIC 化路线）

AMD 确认下一代移动端旗舰处理器 Ryzen AI Max 400 系列，代号 Gorgon Halo。这是继 Strix Halo 之后，AMD 在端侧 AI 算力赛道投下的又一枚重锤。然而，这次发布的时间点极其微妙——正值 DRAM 价格创下约15年新高之际，192GB 统一内存的豪华规格能否真正大规模供货，成为业界最大的悬念。

距离第一代 Maia 100 发布两年多之后，微软的第二代自研 AI 加速器 Maia 200 终于从传闻走向量产部署。这枚专为推理打造的芯片，正在改写 Azure 的成本结构。

从跳票到落地：Maia 200 的问世之路​

微软的自研芯片计划于 2023 年 11 月首次公开，与 Cobalt CPU 同期亮相。但 Maia 系列的推进并不顺利，据公开报道，设计变更与人员流失曾迫使时间表一再推迟，量产节点最终落到 2026 年。2026 年 1 月 26 日，微软正式发布 Maia 200，部署几乎随后展开，从首颗封装芯片到机柜上线的时间据称缩短至同类项目的一半以内。

这枚芯片的核心参数相当激进：台积电 3 纳米工艺，单颗集成超过 1400 亿晶体管；配备 216GB HBM3e 显存，带宽达 7TB/s，另有 272MB 片上 SRAM 与专用 DMA 引擎；在 750W 的 SoC 功耗包络内，提供超过 10 PetaFLOPS 的 FP4 算力与超过 5 PetaFLOPS 的 FP8 算力。微软称其 FP4 性能是亚马逊第三代 Trainium 的 3 倍，FP8 性能超过谷歌第七代 TPU，每美元性能较 Azure 现有最新硬件提升 30%。

标准以太网上的超大推理集群​

Maia 200 在系统层面有一个鲜明取舍：放弃私有互联协议，全面基于标准以太网构建两层 Scale-up 网络。每颗加速器提供 2.8TB/s 的双向专用带宽，单个托架内四颗芯片通过直连链路全互联，机架内与机架间则统一采用 Maia AI 传输协议，集群规模最大可扩展至 6144 颗加速器。

这套设计的商业逻辑很直白：推理是 Azure 每天承载的最大负载，而以太网生态的成熟度与成本优势远非私有协议可比。配合第二代闭环液冷换热单元和与 Azure 控制平面的原生集成，微软宣称这是其迄今部署过的效率最高的推理系统。

服务 GPT-5.2 与 Copilot，但不取代英伟达​

Maia 200 首批部署在爱荷华州德梅因附近的 US Central 区域，亚利桑那州菲尼克斯附近的 US West 3 区域紧随其后。它将承载 OpenAI 最新 GPT-5.2 系列模型的推理、Microsoft Foundry 与 Microsoft 365 Copilot 服务；微软超级智能团队也用它进行合成数据生成与强化学习，为下一代自研模型供料。与此同时，微软开放了 Maia SDK 预览，包含 Triton 编译器、PyTorch 支持与模拟器等工具。

值得注意的是，纳德拉明确表示微软将坚持"自研加外购"的双轨策略，继续向英伟达和 AMD 采购芯片。Maia 200 的定位是异构算力矩阵中针对推理优化的一环，而非全面替代。微软 2026 财年第一财季资本开支高达 349 亿美元，自研芯片每一分省下的成本，都直接体现在 Azure AI 的利润率上。

小结​

从 Maia 100 的试水到 Maia 200 的规模化部署，微软用两年多时间补上了超大规模云厂商自研芯片这块拼图。据公开报道，接替者 Maia 300 已在设计之中，时间线指向 2027 年。在谷歌 TPU 已开始对外销售、亚马逊 Trainium 加速扩张的背景下，Maia 系列的每美元性能优势，将决定 Azure 在 AI 推理时代的议价能力。

RTX Spark 笔记本的首发潮终于来了。微软与联想相继公布旗舰级 AI PC：一款把矛头直接对准 MacBook Pro，一款则用128GB 统一内存和1 PFLOP FP4 算力重新定义 Windows 阵营的端侧 AI 上限。这批产品背后，是一段长达三年的等待史。

在旧金山举行的微软 Windows AI 与 Surface 活动上，NVIDIA 一手开启 RTX Spark 笔记本预订，一手预览 DGX Station for Windows——从 1 PFLOP FP4 的笔记本到 20 PFLOPS FP4 的桌面工作站，AI 算力正在从数据中心一路铺到办公桌。

RTX Spark 笔记本正式开订​

在微软于旧金山举行的 Windows AI 与 Surface 活动上，NVIDIA 宣布 RTX Spark 笔记本正式开启预订，首批产品将于 10 月 16 日（周五）发货；紧凑型桌面产品则计划在 11 月跟进上市。

OEM 阵容覆盖了几乎所有主流 PC 品牌：Acer、ASUS、Dell、HP、Lenovo、Microsoft（Surface Laptop Ultra）、MSI、Gigabyte 全部在列。从发布即有如此完整的品牌背书来看，RTX Spark 显然不是一款演示性产品，而是要成长为一个完整的终端新品类。

Blackwell RTX + Grace CPU：数据中心架构下沉终端​

RTX Spark 的硬件方案可以概括为"把 Grace Blackwell 的思路压缩进 PC"：

• GPU：基于 Blackwell 架构的 RTX GPU，最高 6144 个 CUDA 核心；
• CPU：最多 20 核的 Grace CPU；
• 互联：CPU 与 GPU 之间提供 600 GB/s 高速链路；
• 算力：最高 1 PFLOP FP4；
• 内存：最高 128GB 统一内存，CPU 与 GPU 共享同一内存池；
• 软件：运行完整 CUDA 栈。

其中"统一内存 + 完整 CUDA 栈"是两个关键点：前者决定了本地能装下多大的模型，后者决定了云端训练的代码可以低成本迁移到本地调试，开发者不必为桌面场景另学一套工具链。

DGX Station for Windows 首次预览​

如果说 RTX Spark 面向个人开发者，那么同场预览的 DGX Station for Windows 则瞄准了更高一层的需求。它基于 GB300 Grace Blackwell Ultra Desktop Superchip，拥有 748GB 一致性内存，算力最高可达 20 PFLOPS FP4，目标是让用户在本地运行约 1 万亿参数的模型。

对 Linux 生态的兼容也给出了务实答案：Linux 工具链可以通过 WSL（Windows Subsystem for Linux）访问。DGX Station for Windows 将于 Q4 上市，由 ASUS、Dell、HP、Lenovo 四家推出。

Surface Laptop Ultra 与内存挤压隐忧​

作为活动的另一主角，Surface Laptop Ultra 已于 10 月 7 日开启预订，最高配备 128GB 统一内存——这个容量已经接近入门级推理服务器的水平。

但 DIGITIMES 提出了一个不容忽视的问题：AI PC 的内存供给正在被服务器需求挤压。在内存厂商的优先级排序中，服务器 DRAM 需求被放在首位，AI PC 依赖的 LPDDR5X 供给承压。在存储供应紧张的背景下，128GB 统一内存的 AI PC 能否稳定供货，本身就是一个变数。

从云端到桌面的算力分层​

把 NVIDIA 目前的桌面产品线摆在一起，可以清晰看到一条算力分层路线：

这条路线的逻辑是：云端负责大规模训练与生产推理，桌面负责原型验证、微调与敏感数据场景，笔记本负责日常开发与演示。当模型越做越大、数据合规要求越来越严，"把算力放在身边"的价值正在上升。

Windows CUDA 原生化与 WSL 的务实路线​

过去十几年，CUDA 的主战场在 Linux 服务器上，Windows 开发者在工具链上长期处于跟随位置。RTX Spark 与 DGX Station for Windows 意味着完整 CUDA 栈第一次以原生姿态大规模进入 Windows 桌面场景。

而 WSL 桥接 Linux 工具链的安排，则是一种典型的务实路线：既照顾 Windows 用户的使用习惯，又不要求现有 Linux 工作流推倒重来。对于在 Windows 环境中做模型开发和内部工具的企业开发者来说，迁移成本被明显降低；对 NVIDIA 而言，这等于把整个 CUDA 开发者生态延伸到了全球存量最大的桌面操作系统上。

小结​

RTX Spark 笔记本开订与 DGX Station for Windows 预览，标志着 NVIDIA 把 AI 算力的故事延伸到了最后一米：从数据中心，到桌面工作站，再到背包里的笔记本。1 PFLOP FP4 到 20 PFLOPS FP4 的分层算力、128GB 到 748GB 的统一内存、WSL 桥接的 Linux 工具链，共同构成了一条完整的桌面 AI 开发路径。剩下的悬念有两个：一是 LPDDR5X 供给紧张会不会卡住 AI PC 的出货节奏，二是 11 月的紧凑型桌面和 Q4 上市的 DGX Station 能否如期落地。