Skip to main content

6 posts tagged with "NVIDIA"

NVIDIA AI chips and GPUs

View all tags

NVIDIA Vera Rubin正式出货：首台VR200 NVL72交付，三星HBM4量产，Rubin Ultra机柜天价

· 5 min read
AI Compute Cards Wiki Editorial
Industry Research Team

2026年7月，NVIDIA 下一代 AI 计算平台 Vera Rubin 正式启动首批出货，接替 Blackwell 架构，并计划在 2026 年下半年进入大规模量产。首批客户包括微软、谷歌、亚马逊、Meta、Oracle 等大型云服务商。

1. 全球首台 VR200 NVL72 交付（里程碑）​

CoreWeave 联合 Dell 宣布，全球首台 NVIDIA Vera Rubin VR200 NVL72 机柜已正式交付，并一次性通过 L11 全机柜级硬件诊断测试。这标志着 Rubin 从路线图走向实物，供应链核心环节（HBM4、先进封装、液冷、超高功率电源）未出现重大卡点。

VR200 NVL72 核心配置​

指标Vera Rubin VR200 NVL72
机柜代号Oberon
GPU72 块 Rubin GPU
CPU36 颗 Vera CPU
单 GPU 显存288 GB HBM4
单 CPU 内存1.5 TB LPDDR5X
整柜 HBM420.7 TB（20,736 GB）
整柜 LPDDR5X54 TB
互联NVLink 6 全互联
推理性能~3.6 exaFLOPS 级别
散热液冷
代际提升单 GPU 计算约 3.5×、内存带宽约 2.8×（对比 Blackwell）

Vera CPU 集成 88 个定制 Olympus ARM 核心，与 GPU 间互联带宽 1.8 TB/s，可作为 GPU 显存扩展池。NVIDIA 已于 5 月完成对 Anthropic、OpenAI、xAI 及 Oracle Cloud 的首批 Vera CPU 交付。

2. 三星 HBM4 量产：关键瓶颈松动​

2026年7月8日，三星电子正式启动面向 Vera Rubin 平台的 HBM4 量产，据报道其 HBM4 量产良率达到 70%（超出 60–65% 的初始预期）。这一关键供应链环节的确认，为 Rubin 大规模部署扫清障碍。

HBM 供应格局（2026 Q1）份额
SK 海力士45%
三星40%
美光15%

HBM4 采用 8 层堆叠（12 层设计计划 2028 年），价格约为 HBM3e 的 2.8 倍。TrendForce 预测 HBM 供给将年增 65%，到 2027 Q4 HBM4 占总产出的 35%。

3. Rubin Ultra 天价：HBM 成本主导​

据美国银行全球研究（BofA Global Research）测算，Rubin 一代将把单台服务器成本推向历史新高：

成本项Rubin VR200（Oberon）对比
单柜 HBM4 用量20,736 GB—
HBM4 单价~$18.40 / GBBlackwell（HBM3e）~$11.26 / GB
仅 HBM4 成本~$38.2 万尚未计入 LPDDR5X
Rubin Ultra 机柜预估售价~$2,100 万IT 之家 / BofA 估算

4. Rubin Ultra 设计调整：原 4 芯片方案取消（据 SemiAnalysis）​

半导体研究机构 SemiAnalysis（2026-06-30） 披露，GTC 2026 发布的原版 4 芯片 Rubin Ultra GPU 已被取消，2027 年实际出货的版本规模与性能均缩减约一半：

  • 取消原因：原版在单一 CoWoS-L 封装内集成 4 颗计算 die + 16 颗 HBM4E，基板在 4 die 配置下出现翘曲（warpage），导致计算 die 与基板接触失效、良率崩塌；替代方案 CoPoS 量产要等到 2028 年底以后，赶不上 2027 节点。
  • 新方案：改为 双 die（与标准 Rubin 同构）+ HBM4E，单 GPU 约 384 GB HBM4E（高于标准 Rubin 的 288 GB），但总算力与带宽仅为原版一半；为逼近原设计的聚合算力，NVIDIA 预计在 Kyber 机架内以"2+2"板级配置 拼出四 die 等效规模。
  • Kyber 机架延迟：配套 Kyber NVL144 机架因中板 PCB 制造难题推迟 12 个月以上至 2028 年，800V 直流供电方案同样推迟至 2028 年。

⚠️ 口径提示：NVIDIA 未就上述设计调整发表官方评论；X 平台亦有声音认为"芯片数量并未改变、属旧闻翻炒"。本段基于 SemiAnalysis 公开报告整理，最终以 NVIDIA 官方披露为准。我们已在 Rubin Ultra 预览卡 中标注"规格待官方确认"。

产业解读​

  1. "Never doubt"时刻兑现：Rubin 首发交付一次性通过 L11，打消了市场对"Rubin 延期"的疑虑，2026 H2 AI 算力供应确定性提前锁定。
  2. 专为 Agentic AI 设计：Rubin 面向智能体工作流、超长上下文推理，将进一步压低万亿参数模型的训练/推理成本曲线。
  3. HBM 是全链条赢家：单机柜 20.7 TB HBM4 用量巨大，SK 海力士、三星、美光及先进封装（CoWoS-L）、液冷、电力改造全链条受益，同时也成为成本与产能的最大约束。

相关链接​

参考资料​

本文持续跟踪 Vera Rubin 量产爬坡与 HBM4 供应链动态。

2026年H1 AI芯片行业复盘：Blackwell Ultra、国产三强与推理新时代

· 12 min read
AI Compute Cards Wiki Editorial
Industry Research Team

2026年上半年，AI芯片产业发生了历史性转折——产业重心从"训练竞赛"转向"推理效率"，国产芯片市场份额首次突破40%，NVIDIA以Blackwell Ultra筑高壁垒，推理专用芯片赛道百花齐放。

一、算力再翻番：NVIDIA Blackwell Ultra 发布（6月1日）​

2026年6月1日，NVIDIA CEO黄仁勋在**台北国际电脑展（Computex 2026）**上揭晓新一代AI芯片 Blackwell Ultra，为未来两年的AI基础设施竞赛划定新起跑线。

关键规格​

指标Blackwell UltraB200提升
FP8算力20 petaFLOPS~10 petaFLOPS100%
架构Blackwell UltraBlackwell升级
预计交付2027年Q12026年Q1—
定位超大规模训练+推理训练+推理旗舰

产业意义​

  1. 算力翻倍的直接影响：20 petaFLOPS FP8意味着千亿参数模型训练时间大幅缩短，万亿参数模型训练从"科学实验"走向"工程常态"
  2. 系统级平衡：Blackwell Ultra不仅是芯片，更是NVLink、HBM、散热、供电的系统级工程突破
  3. 路线图确定性：2027年Q1交付时间表，让云厂商和AI实验室可以提前18个月规划基础设施预算

挑战​

  • 能耗危机：性能翻倍伴随功耗大幅上升，数据中心供电和冷却设计面临极限挑战
  • 可及性问题：顶级算力优先供应顶级云厂商，中小开发者和研究机构如何通过云服务以合理成本触达算力
  • 软件栈适配：新硬件需要匹配的CUDA版本和框架支持，软件生态成熟度成为算力转化的关键瓶颈

二、国产AI芯片：从"可用"到"好用"的临界点​

2026年6月16日，信创世界发布**《2026中国国产AI芯片厂商能力象限》**，清晰勾勒出国产AI芯片的整体格局。

2.1 能力象限排名​

象限代表厂商
领导者象限华为昇腾、海光信息、寒武纪、阿里平头哥、摩尔线程
远见者象限百度昆仑芯、壁仞科技、燧原科技、沐曦股份、瀚博半导体
竞争者象限清微智能、黑芝麻智能、芯驰科技、砺算科技、后摩智能
挑战者象限登临科技、知存科技、芯原股份、瑞芯微、云天励飞

2.2 华为昇腾：国产算力的定海神针​

市场地位​

  • 2025年昇腾系列出货 81.2万张，占国产AI加速卡 49% 份额，稳居国产第一
  • 昇腾950PR单卡FP8算力达 1P（PetaFLOPS）、FP4算力达 2P
  • 推理性能约为NVIDIA H20的 2.87倍，定价仅 7.2-7.5万元，性价比优势显著

全栈优势​

华为"端管云芯"一体化战略是昇腾的核心壁垒：

  • 芯片设计：Da Vinci 3.0架构持续迭代
  • 操作系统：鸿蒙/欧拉OS深度优化
  • 网络通信：欧拉网络协议栈
  • 云服务：华为云ModelArts平台无缝集成

最新进展​

  • 2026年6月5日，深圳河套学院联合哈工大（深圳）、华为团队，依托昇腾910C集群完成 1.6万亿参数DeepSeek V4 Pro大模型全参数后训练
  • 这是国产AI芯片首次完成万亿参数级大模型训练，标志着"国产替代"从推理迈向训练

2.3 寒武纪：率先盈利的国产AI芯片标杆​

业绩爆发​

指标2025年全年2026年Q1同比增长
营收64.97亿元28.85亿元+453% / +160%
净利润20.59亿元（首次年度盈利）10.13亿元— / +185%

核心产品：思元590​

  • 在DeepSeek R1推理场景下，TPS可达 942，比H20高出约 50%
  • 与字节跳动多年联合优化，具备短期最强的云端推理部署能力
  • 2026年Q1营收28.85亿元中，思元590贡献超过70%

潜在风险​

在2026年第2号《安全可靠测评结果公告》中缺席，原因尚未明确，将对其国内政企市场表现产生影响。

2.4 清微智能：可重构芯片的"第三路线"​

技术路线​

清微智能采用与Groq LPU同源的可重构数据流架构，在GPU通用性与ASIC极致效率之间找到了平衡点。

指标清微智能 TX81传统GPU方案优势
推理成本基准+100%降低50%
能效比基准基准提升3倍
架构可重构数据流SIMT/SIMD更适合推理

落地进展​

  • 可重构芯片累计出货量已超 3000万颗
  • 在全国十余座千卡规模智算中心实现规模化落地
  • 已启动A股IPO辅导，有望成为"可重构芯片第一股"

三、推理芯片赛道：产业重心转移的核心信号​

2026年6月4日，TrendForce发布深度报告**《推理经济时代来临：AI芯片的规则正被重写》，指出AI产业的算力竞争重心正在从训练转向推理**。

3.1 为什么是现在？​

成本结构改变​

  • 训练是一次性成本：模型训练完成后，边际成本趋近于零
  • 推理是持续性成本：每一次API调用、每一个生成token，都代表算力消耗与毛利压力
  • 单位推理成本与能效表现将直接影响毛利率与规模扩张能力

模型精简技术成熟​

  • 1.58-bit量化技术与权重剪枝，使模型可在极低内存占用下维持推理准确度
  • MoE（混合专家）架构通过"部分唤醒"机制，每次推理仅激活少数专家子网络，大幅降低实际运算量
  • 精简模型的崛起，为硬式编码推理芯片提供了商业可行性

3.2 NVIDIA的百亿押注：收购Groq（2025年12月）​

2025年12月24日，NVIDIA以 200亿美元取得Groq的Inference技术授权与核心团队，这是NVIDIA历史上最大规模的并购/技术收购之一。

战略意图：

  1. 补全推理短板：NVIDIA GPU在训练领域无可撼动，但推理效率一直不是最强
  2. 对抗专用推理芯片：Cerebras、Taalas、SambaNova等初创公司正在蚕食推理市场
  3. 布局Agentic AI：Agentic AI需要极低延迟、极高吞吐的推理能力

3.3 Taalas HC1：硬式编码推理的概念验证​

2026年2月20日，加拿大AI芯片初创公司Taalas发布推理芯片 Taalas HC1，将Meta的开源AI模型Llama 3.1 8B直接刻印在芯片中。

关键指标​

指标Taalas HC1NVIDIA B200（throughput optimized）优势
推理速率16,960 tokens/s/user基准~4-5x
每百万tokens成本0.75 cents3.79 cents降低80%
功耗~250W~700W降低64%
制程TSMC N6TSMC 4nm更成熟
HBM❌ 不使用✅ HBM3e成本更低

技术原理​

Taalas HC1采用**存储内运算（Computing-in-Memory, CIM）**的激进实现：

  • 将模型权重直接固化于Mask ROM中（完全硬体定义）
  • 以片上SRAM处理动态资料（KV cache和LoRA微调权重）
  • 仅需修改2层光罩就能产出另一个AI模型的专用芯片，将一个AI模型转化为实体芯片仅需2个月

局限性​

  • 缺乏弹性：硬式编码无法应对快速迭代的模型更新
  • 生态壁垒：当前云端市场仍依赖通用平台，客户可能更偏好可随模型升级的弹性方案
  • NRE成本：一次性工程费用高，需要足够大规模的部署才能摊薄

3.4 Cerebras：晶圆级整合的上市之路​

2026年5月14日，Cerebras Systems正式在纳斯达克挂牌上市，成为首家上市的晶圆级AI芯片公司。

核心技术：Wafer-Scale Integration（WSI）​

  • WSE-3（第三代晶圆级引擎）：整片12英寸晶圆做成单一芯片
  • 44GB片上SRAM：无需外部HBM，彻底消除内存带宽瓶颈
  • 21 PB/s带宽：片上通信带宽，是GPU的千倍级别
  • 与OpenAI合作：已签署逾200亿美元、规模750MW的三年算力合作协议

上市意义​

Cerebras的上市是推理专用芯片赛道成熟的标志：

  1. 资本市场开始为这类公司定价
  2. 证明"非GPU"技术路线具备商业可行性
  3. 为其他推理芯片初创公司（Groq、SambaNova、Taalas等）提供了估值参照

3.5 推理芯片格局：多元技术路线并存​

公司技术路线核心优势代表产品
Taalas硬式编码（Mask ROM）极致推理效率、低成本HC1
Cerebras晶圆级整合（WSI）超高带宽、大模型推理WSE-3
GroqSRAM-first架构确定性延迟、高吞吐LPU（已被NVIDIA收购）
d-Matrix数字存储内运算（DIMC）灵活性强于硬式编码Corsair
EtchedHard-wired Transformer所有Transformer模型适用Sohu
Axelera AI数字存储内运算（D-IMC）+ RISC-V高能效比Metis AIPU

TrendForce预测：

  • 通用GPU仍主导训练与多模型环境
  • 但在成熟、可预测场景中，通用GPU的利润空间将受到压缩
  • 产业格局从通用算力垄断，走向通用与专用并行的双轨结构

四、2026年H1国产AI芯片整体格局​

4.1 行业进入放量期​

指标2025年2026年Q1趋势
国产AI加速卡出货量165万张（占比41%）—持续上升
中国AI加速卡总出货量~400万张——
海光信息营收增速—翻倍增长↑
寒武纪营收增速—+160%↑
摩尔线程营收增速—翻倍增长↑

头部厂商集体进入业绩兑现通道，行业从"技术验证"迈向"规模商用"。

4.2 三大核心发展趋势​

趋势一：资本化浪潮重塑格局​

  • 2025年底至2026年初，摩尔线程、沐曦股份登陆科创板
  • 壁仞科技登陆港股
  • 燧原科技科创板IPO获受理
  • 昆仑芯、平头哥启动上市进程
  • 清微智能、瀚博半导体等推进IPO

资本化带来双重效应：

  • ✅ 正面：为研发和生态建设提供支撑
  • ⚠️ 负面：估值泡沫和业绩兑现压力

趋势二：产能成为最大制约变量​

国产AI芯片爆发式需求与有限先进制程产能的矛盾日益尖锐：

厂商先进制程产能需求实际获得
华为昇腾每月1.5万片（7nm级）优先保障
中芯国际总产能每月约2万片（7nm级）—
其他厂商合计约5000片/月极度紧张

能否拿到稳定晶圆产能直接决定厂商生死。寒武纪75.4%的营收占比存货，本质是对产能的锁定。

趋势三：竞争从"可用"转向"好用"​

早期竞争聚焦"能否跑通模型"，当前升级为"运行效率、部署成本"的比拼：

竞争维度"可用"时代"好用"时代
硬件性能能否跑通模型运行效率、能效比
软件栈基本适配成熟度、框架广度
生态有无开发者社区活跃度
部署成本不敏感核心竞争要素

五、2026年H2展望​

5.1 即将到来的关键事件​

时间事件影响
2026年Q3NVIDIA Rubin架构详情公布下一代旗舰规格揭晓
2026年Q3华为昇腾950PR/950DT正式发布国产推理芯片新标杆
2026年Q4AMD MI350X规模化交付NVIDIA Blackwell竞品
2026年Q4寒武纪思元690发布（推测）新一代训练芯片
2027年Q1NVIDIA Blackwell Ultra交付算力新标杆落地

5.2 未来三年关键竞争要素​

  1. 晶圆产能获取能力：先进制程产能是稀缺资源，绑定中芯国际、TSMC的厂商具备先天优势
  2. 资本运作效率：IPO窗口期有限，能否在资本市场上融到足够资金决定研发持续性
  3. 软件生态建设深度：硬件性能只是入场券，软件栈成熟度、框架适配广度、开发者社区活跃度才是核心壁垒

六、结语：多元生态终将形成​

2026年H1，AI芯片产业正在经历从"一家独大"到"多元并存"的历史性转变。

  • NVIDIA以Blackwell Ultra筑高训练壁垒，同时以收购Groq布局推理效率
  • 华为昇腾以全栈能力守住国产算力的基本盘，950PR在推理性能上开始超越H20
  • 寒武纪以率先盈利证明国产AI芯片的商业化可行性，思元590在特定场景超越国际竞品
  • Cerebras、Taalas等推理专用芯片公司开辟了"非GPU"的第三路线
  • 清微智能的可重构架构为中国AI芯片提供了技术路线的多元化选择

未来三年，国产AI芯片终局将形成GPU、ASIC、可重构计算三大技术路线并存，云端与边缘协同发展的多元生态。"国产替代"不再是口号，而是正在发生的产业现实。

数据来源：

  • 信创世界《2026中国国产AI芯片厂商能力象限》（2026-06-16）
  • TrendForce《推理经济时代来临：AI芯片的规则正被重写》（2026-06-04）
  • RayByte《算力再翻番！英伟达Blackwell Ultra芯片发布》（2026-06-02）
  • 各公司官方财报和公告

相关阅读：

2026年6月AI芯片重大事件汇总：昇腾910C训练万亿模型、OpenAI自研芯片、RTX Spark发布

· 6 min read
AI Compute Cards Wiki Editorial
Industry Research Team

2026年6月，AI芯片领域迎来多个里程碑事件，标志着"国产替代"和"去英伟达化"两大趋势加速。

1. 华为昇腾910C完成1.6万亿参数DeepSeek V4 Pro训练（2026-06-05）​

事件概述​

2026年6月5日，深圳河套学院联合哈尔滨工业大学（深圳）、深圳市大数据研究院及华为等团队，依托昇腾910C国产AI算力集群，成功完成 1.6万亿参数DeepSeek V4 Pro大模型全参数后训练。

技术意义​

指标数值
模型参数1.6万亿
训练芯片昇腾910C集群
训练类型全参数后训练（Full Parameter Post-Training）
意义国产AI芯片首次完成万亿参数级大模型训练

产业影响​

  1. 打破技术封锁：证明国产AI芯片具备训练万亿参数大模型的能力
  2. "告别英伟达"加速：DeepSeek全面换装华为昇腾，减少了对H100的依赖
  3. 国产替代拐点：从"推理替代"迈向"训练替代"

相关链接​

2. OpenAI发布首款自研AI推理芯片Jalapeño（2026-06-24）​

事件概述​

2026年6月24日，OpenAI与博通（Broadcom）联合发布首款自研AI推理芯片 Jalapeño，设计周期仅9个月（行业平均18个月），采用TSMC 3nm工艺。

关键技术指标​

指标Jalapeño对比（Blackwell）
制程TSMC 3nmTSMC 4nm
架构Systolic Array（脉动阵列）Blackwell GPU
设计周期9个月~18个月
推理成本-50%基准
AI辅助设计✅ 首款❌ 否
部署时间2026年底已出货

战略意义​

  1. 首款AI辅助设计的AI芯片：OpenAI用GPT-5.3-Codex-Spark等模型辅助架构探索
  2. "去英伟达化"加速：科技巨头（谷歌、亚马逊、微软、Meta、OpenAI）集体自研芯片
  3. 推理成本革命：对于每天处理数亿次API调用的OpenAI，成本降低50%意义非凡

相关链接​

3. NVIDIA在Computex 2026发布RTX Spark AI PC超级芯片（2026-06-01）​

事件概述​

2026年6月1日，NVIDIA CEO黄仁勋在Computex 2026 / GTC Taipei发布 RTX Spark AI PC超级芯片，与联发科（MediaTek）合作，采用Arm CPU + Blackwell GPU统一内存架构。

关键技术指标​

指标RTX Spark
CPU最多20核Arm（联发科合作）
GPU6,144 CUDA核心（Blackwell）
统一内存128GB LPDDR5X（CPU+GPU共享）
内存带宽300 GB/s
AI算力~1 PFLOPS（推测）
模型容量可运行1,200亿参数模型
上下文最长100万tokens
TDP~100W（推测）
上市2026年秋季

产业影响​

  1. NVIDIA进军PC芯片市场：挑战英特尔在个人电脑领域的主导地位
  2. AI PC新标准：本地运行120B参数模型，100万token上下文
  3. Windows转变为AI Agent平台：与微软OpenShell框架深度合作

相关链接​

4. 工信部发布《2026年人工智能芯片产业发展白皮书》（2026-06-09）​

事件概述​

2026年6月9日，中国工业和信息化部发布《2026年人工智能芯片产业发展白皮书》，预测国内AI芯片市场规模将在2026年突破2000亿元人民币。

关键预测​

指标2026年预测
市场规模突破2000亿元人民币
国产芯片份额>50%（2025年为41%）
边缘推理芯片显著进展
出货量增长翻倍以上（相比2025年）

产业意义​

  1. 国产AI芯片资本化加速：寒武纪、燧原、摩尔线程等加速IPO
  2. 边缘推理成破局关键：相比训练芯片，推理芯片更易实现国产替代
  3. 政策红利持续：国产替代从"市场行为"升级为"国家战略"

5. 字节跳动洽谈采购天数智芯5万颗推理芯片（2026-06-17）​

事件概述​

2026年6月17日，路透社报道称，字节跳动正与上海AI芯片企业天数智芯洽谈采购至少5万颗AI芯片，主要用于推理任务。

交易细节​

项目内容
采购方字节跳动
供应商天数智芯
芯片型号智铠系列（推理GPU）
采购数量至少5万颗
用途推理工作负载
训练芯片天垓系列

产业意义​

  1. 国产GPU头部玩家"加人"：天数智芯首次进入头部互联网公司供应链
  2. 字节跳动2026年资本开支上调超2000亿元：主要用于AI算力和数据中心
  3. "国产替代"从政府和国企扩展到民营科技巨头

总结：2026年6月AI芯片产业三大趋势​

趋势1："国产替代"从推理迈向训练​

  • 昇腾910C完成1.6万亿参数模型训练 → 证明国产芯片具备训练能力
  • DeepSeek全面换装昇腾 → 头部AI公司率先"告别英伟达"
  • 字节跳动采购天数智芯 → 民营科技巨头跟进

趋势2："去英伟达化"从口号变为行动​

  • OpenAI Jalapeño → 首款自研芯片，推理成本-50%
  • 谷歌TPU、亚马逊Trainium、微软Maia → 持续迭代
  • Meta MTIA、苹果M5 Ultra → 加大投入

趋势3：AI PC和边缘推理成为新战场​

  • NVIDIA RTX Spark → AI PC新标准，2026年秋季上市
  • 边缘推理芯片国产化加速 → 工信部白皮书重点提及
  • "万亿参数模型本地运行" → 消费者市场新卖点

展望未来（2026 H2）​

  1. 昇腾950DT全面放量（2026 Q4）→ 华为最新一代训练芯片
  2. NVIDIA Rubin R200出货（2026 H2）→ 下一代旗舰
  3. AMD MI400 Helios机架（2026 H2）→ 对标NVIDIA GB200
  4. OpenAI Jalapeño部署（2026年底）→ 千兆瓦级数据中心
  5. 国产AI芯片出货量翻倍以上 → 中信证券预测

参考资料​

本文持续更新，欢迎提供最新动态。

寒武纪 MLU690 vs NVIDIA H100 深度对比：国产 AI 芯片能否替代 H100？

· 6 min read
Charles Qing
AI Hardware Analyst

2026 年，在美国对华芯片出口管制背景下，寒武纪 MLU690 作为"中国版 H100"备受关注。本文从算力、显存、功耗、软件生态、实测性能、价格等维度深度对比，帮助您做出选型决策。

核心结论（先看这里）​

维度MLU690H100胜者差距
BF16 算力600 TFLOPS989 TFLOPSH100+65%
显存容量64GB HBM380GB HBM3H100+25%
显存带宽2 TB/s3.35 TB/sH100+68%
TDP280W700WMLU690-60%
能效比2.14 TFLOPS/W1.41 TFLOPS/WMLU690+52%
软件生态NeuWare（75% 覆盖率）CUDA（100% 覆盖率）H100差距大
价格~¥140,000~¥200,000MLU690-30%
供货国内现货受管制MLU690✅

一句话总结：MLU690 算力约为 H100 的 60%，但功耗仅 40%，价格仅 70%，适合中国市场 AI 训练和推理。

1. 规格对比（详细）​

1.1 算力对比​

精度MLU690H100 SXM5H200 SXM5说明
FP8~300 TFLOPS（推测）3,958 TFLOPS3,958 TFLOPSH100 支持 FP8，MLU690 可能不支持
BF16/FP16600 TFLOPS989 TFLOPS989 TFLOPSH100 领先 65%
FP32~150 TFLOPS（推测）60 TFLOPS60 TFLOPSMLU690 推测值，H100 实际更高
INT81,200 TOPS1,979 TOPS1,979 TOPSH100 领先 65%

关键发现：

  • ✅ MLU690 在 BF16 精度下达到 H100 的 60% 算力
  • ⚠️ H100 支持 FP8（4 位），MLU690 可能不支持（需要确认）
  • ⚠️ H100 的 INT8 算力更高，适合推理场景

1.2 显存对比​

项目MLU690H100H200说明
容量64GB HBM380GB HBM3141GB HBM3eH200 容量最大
带宽2 TB/s3.35 TB/s4.8 TB/sH200 带宽最高
类型HBM3HBM3HBM3eH200 使用最新 HBM3e

关键发现：

  • ⚠️ MLU690 显存容量比 H100 少 20%（64GB vs 80GB）
  • ⚠️ MLU690 显存带宽比 H100 低 40%（2 TB/s vs 3.35 TB/s）
  • ❌ 运行 70B+ 参数模型时，MLU690 可能显存不足（需要模型并行）

1.3 功耗对比​

项目MLU690H100H200
TDP280W700W700W
能效比（FP16/W）2.14 TFLOPS/W1.41 TFLOPS/W1.41 TFLOPS/W
8 卡服务器功耗~3.5kW~6kW~6kW
年电费（¥0.6/kWh）~¥18,400~¥36,800~¥36,800

关键发现：

  • ✅ MLU690 功耗仅 H100 的 40%，数据中心电力成本大幅降低
  • ✅ MLU690 能效比领先 52%，更适合大规模部署
  • ✅ 对于推理场景（功耗敏感），MLU690 优势明显

2. 软件生态对比​

2.1 框架支持​

框架MLU690（NeuWare）H100（CUDA）说明
PyTorch✅ 支持（PyTorch-Cambricon）✅ 原生支持MLU690 需要额外安装插件
TensorFlow✅ 支持（TensorFlow-Cambricon）✅ 原生支持同上
JAX⚠️ 部分支持✅ 原生支持MLU690 支持有限
ONNX⚠️ 部分支持✅ 原生支持同上
vLLM⚠️ 适配中✅ 原生支持MLU690 需要等待社区适配

2.2 算子覆盖率​

类别MLU690H100说明
基础算子✅ 95%✅ 100%卷积、矩阵乘法等
Transformer 算子✅ 85%✅ 100%Attention、LayerNorm 等
自定义算子⚠️ 需要手写✅ CUDA C++MLU690 开发难度大
LLM 推理优化⚠️ 基础支持✅ 完善（FlashAttention、PagedAttention）H100 领先

关键发现：

  • ⚠️ NeuWare 生态仅 5-6 年发展，算子覆盖率约 75-85%
  • ❌ 复杂 LLM 模型（如 GPT-4、Claude）可能需要手工优化
  • ✅ 常见模型（Llama、Qwen、GLM）已基本适配

3. 实测性能对比​

3.1 训练性能​

模型MLU690（训练时间）H100（训练时间）加速比
Llama 7B~48 小时（推测）~30 小时1.6x
Llama 70B~7 天（推测）~4.5 天1.6x
Qwen 72B~8 天（推测）~5 天1.6x

注意：以上数据为推测，实际性能取决于软件优化程度。

3.2 推理性能​

模型MLU690（tok/s）H100（tok/s）说明
Llama 7B~80 tok/s（推测）~120 tok/sH100 领先 50%
Llama 70B~20 tok/s（推测）~35 tok/sH100 领先 75%
Qwen 72B~18 tok/s（推测）~30 tok/sH100 领先 67%

关键发现：

  • ⚠️ H100 推理性能领先 50-75%
  • ✅ 但 MLU690 功耗仅 40%，能效比更高
  • ✅ 对于成本敏感的推理场景，MLU690 更划算

4. 价格对比​

4.1 硬件采购成本​

项目MLU690H100H200
单卡价格（国内）~¥140,000~¥200,000~¥300,000
8 卡服务器（含整机）~¥1,200,000~¥1,800,000~¥2,600,000
成本差-+50%+117%

4.2 TCO（3 年）​

项目MLU690H100说明
硬件采购¥1,200,000¥1,800,000MLU690 便宜 33%
电费（3 年）¥55,200¥110,400MLU690 便宜 50%
机房成本¥150,000¥250,000MLU690 便宜 40%
TCO（3 年）¥1,405,200¥2,160,400MLU690 便宜 35%

关键发现：

  • ✅ MLU690 的 TCO 比 H100 低 35%
  • ✅ 对于大规模部署（100+ 卡），成本优势明显

5. 选型建议​

5.1 选 MLU690，如果...​

  • ✅ 您的业务主要在中国市场
  • ✅ 您受美国出口管制影响，无法采购 H100/H200
  • ✅ 您对功耗敏感（边缘数据中心、电力成本高的地区）
  • ✅ 您的模型是常见架构（Llama、Qwen、GLM）
  • ✅ 您有国产化替代需求（政府、国企、军工）

5.2 选 H100/H200，如果...​

  • ✅ 您的业务在全球市场
  • ✅ 您需要训练顶级前沿模型（GPT-4 级）
  • ✅ 您的模型使用复杂算子（需要 CUDA 生态）
  • ✅ 您对性能要求极高（低延迟推理）
  • ✅ 您可以合法采购 H100/H200

5.3 混合部署（推荐）​

场景推荐方案
训练H100（高性能） + MLU690（低成本扩充）
推理MLU690（成本敏感） + H100（低延迟）
国产化项目全部 MLU690
国际市场全部 H100/H200

6. 未来展望​

6.1 MLU690 的不足​

  • ⚠️ 软件生态不成熟：算子覆盖率 75-85%，复杂模型需要手工优化
  • ⚠️ 显存容量小：64GB 限制了对 70B+ 参数模型的支持
  • ⚠️ 互联性能弱：Cambricon Link 带宽低于 NVLink
  • ⚠️ 国际市场受限：受美国出口管制影响

6.2 MLU690 的改进方向​

  • 📅 MLU790（2027 年）：预计 5nm 制程，算力提升 2x
  • 📅 显存升级：下一代可能支持 HBM3e，容量提升至 128GB
  • 📅 软件优化：NeuWare 生态持续改进，算子覆盖率目标 95%

7. 总结​

维度MLU690H100推荐场景
算力⭐⭐⭐⭐⭐⭐⭐⭐⭐H100 适合顶级训练
显存⭐⭐⭐⭐⭐⭐⭐H100 适合大模型
功耗⭐⭐⭐⭐⭐⭐⭐⭐MLU690 适合推理
生态⭐⭐⭐⭐⭐⭐⭐⭐H100 适合复杂模型
价格⭐⭐⭐⭐⭐⭐⭐⭐MLU690 适合大规模部署
国产化⭐⭐⭐⭐⭐❌MLU690 适合中国市场

最终建议：

  • 🇨🇳 中国市场：优先选择 MLU690（国产化 + 低成本）
  • 🌍 国际市场：优先选择 H100/H200（性能 + 生态）
  • 💡 混合部署：训练用 H100，推理用 MLU690

参考资料​

声明：本文数据基于公开资料和合理估算，实际性能以厂商官方测试为准。MLU690 的软件生态在快速发展中，建议持续关注 NeuWare 更新。

最后更新：2026-06-23

2026 H2 AI 芯片路线图重大更新：Qualcomm 入局、AMD MI400 三款型号揭晓、华为三代路线图

· 7 min read
Charles Qing
AI Hardware Analyst

2026 年 6 月更新——AI 算力卡市场正在经历近年来最剧烈的格局变化。本文将为您梳理最新路线图动态。

核心要点​

  • Qualcomm AI 200/250 正式进入数据中心 AI 推理市场，对标 NVIDIA H200
  • AMD MI400 系列 揭晓三款型号：MI430X（HPC）、MI440X（企业）、MI455X（旗舰）
  • 华为 公布三代路线图：950（2026）→ 960（2027-Q4）→ 970（2028-Q4）
  • Intel Jaguar Shores 时间线存疑，可能延迟至 2027 或之后
  • NVIDIA Rubin R200 已全面量产，Vera CPU + Rubin GPU 组合正式交付

1. Qualcomm：移动芯片巨头进军数据中心 AI​

AI 100 → AI 200 → AI 250​

Qualcomm 在 2025 年 10 月正式发布了 AI 200 数据中心推理芯片，标志着移动芯片巨头正式进入数据中心 AI 市场。

型号发布时间上市时间关键特性
AI 1002025-102026 H2机架级 AI 推理，768GB LPDDR/卡
AI 2502025-102027 H1近存计算架构，10x 有效内存带宽

为什么 Qualcomm 能成功？​

  1. 低 TCO：LPDDR 内存比 HBM 便宜得多
  2. 能效优势：移动芯片设计经验，功耗控制出色
  3. 推理专用：不追求训练性能，专注推理场景
  4. 机架规格：直接液冷，160kW 机架级功耗，Ethernet 互联

市场影响​

  • 对标 NVIDIA H200：AI 200 推理性能接近 H200，但 TCO 低 30-40%
  • 倒逼 NVIDIA：可能促使 NVIDIA 推出推理专用芯片（如 Rubin CPX）
  • 多样化选择：打破 NVIDIA 在推理市场的垄断

2. AMD MI400 系列：三款型号精准定位​

在 CES 2026（2026 年 1 月）上，AMD 正式揭晓了 MI400 系列 的三款型号，精准覆盖不同市场：

MI430X（HPC + 主权 AI）​

特性规格
定位HPC + 主权 AI
FP32/FP64支持（这是关键区别）
适用场景科学计算、气候模拟、国家 AI 基础设施
竞争对手NVIDIA 不做 FP64 的 AI 卡

MI440X（企业服务器）​

特性规格
定位企业 8-GPU 服务器
兼容性兼容现有数据中心基础设施
适用场景企业 AI、私有云、边缘推理
竞争优势比 MI455X 更便宜，更易部署

MI455X（旗舰 AI 训练）​

特性规格
定位旗舰 AI 训练 + 推理
优化精度FP4/FP8/BF16
Helios 机架核心组件
竞争对手NVIDIA Rubin R200

Helios 机架级解决方案​

AMD 在 CES 2026 同时发布了 Helios 机架级 AI 解决方案：

  • 18 颗 Zen 6 CPU（2nm 制程）
  • 72 颗 MI455X GPU
  • 直接液冷
  • 预计 2026 H2 出货

3. 华为三代路线图：950 → 960 → 970​

华为在全联接大会 2025（2025 年 9 月）公布了三代芯片路线图，时间线非常清晰：

昇腾 950 系列（2026）​

型号发布时间关键特性
950PR2026-Q1PR（推理优化），已量产
950DT2026-Q4DT（Decode + 训练），预计全面放量

技术亮点：

  • 新增支持 FP8/MXFP8/MXFP4
  • 互联带宽 2TB/s（相比 910C 提升 2.5 倍）

昇腾 960（2027-Q4）​

  • 算力翻倍：相比 950 系列，各项规格翻倍
  • FP8：预计 ~2 PFLOPS
  • 工艺：N+3（等效 5nm）
  • 定位：对标 NVIDIA B200

昇腾 970（2028-Q4）​

  • 三代旗舰：目前仅公布时间线，规格待定
  • 意义：华为首个覆盖完整代际的路线图
  • 信号：中国国产 AI 芯片已进入"规划驱动"阶段

4. Intel Jaguar Shores：时间线存疑​

原定计划​

  • 发布时间：2026 年
  • 架构：Xe-HPC + Gaudi 融合
  • 制程：18A（Intel 最先进制程）
  • 内存：可能采用 HBM4E（而非原计划的 HBM4）

最新动态​

  • 可能延迟：部分消息源显示可能推迟至 2027 年
  • 竞争对手：AMD MI400 已揭晓，NVIDIA Rubin 已量产
  • 市场压力：Intel 在 AI 芯片市场节节败退，Jaguar Shores 是最后机会

对路线图的影响​

如果 Jaguar Shores 延迟至 2027 年，Intel 在 AI 芯片市场将基本出局。

5. NVIDIA Rubin 平台：已全面量产​

Rubin R200（2026-Q2 全面量产）​

特性规格
HBM288GB HBM4
算力50 PFLOPS FP4
NVLinkNVLink 6（1800 GB/s）
制程TSMC 4NP

Rubin NVL72 机柜（2026 H2 出货）​

  • 72 颗 Rubin GPU
  • 36 颗 Vera CPU
  • 1.8 EFLOPS FP4
  • 直接液冷

Vera CPU（首次亮相）​

  • 架构：自研 CPU，替代 Grace
  • 定位：与 Rubin GPU 深度协同
  • 意义：NVIDIA 从 GPU 公司转型为计算平台公司

6. Google TPU v8：训练/推理正式拆分​

TPU 8t（训练） + TPU 8i（推理）​

Google 在 Cloud Next 2026 宣布 TPU v8 将正式拆分为训练版和推理版：

特性TPU 8t（训练）TPU 8i（推理）
优化方向高算力、高带宽低延迟、低成本
互联光学互联以太网
发布时间20272027

意义​

  • 行业趋势：训练/推理芯片专用化
  • 跟随者：Qualcomm AI 200 也是推理专用
  • NVIDIA 压力：是否需要推出推理专用芯片？

7. Cerebras WSE-4：晶圆级引擎再进化​

核心规格​

特性规格
晶体管1.4 万亿
算力125 PFLOPS FP8
发布时间2026 H2
制程TSMC 5nm

竞争优势​

  • 超大模型训练：单颗 WSE-4 可训练 10T+ 参数模型
  • 低延迟推理：整个模型在单颗芯片上，无通信开销
  • 软件栈成熟：Cerebras 软件栈已支持 PyTorch、TensorFlow

8. 市场格局分析​

训练市场​

排名厂商产品市场份额（预估）
1NVIDIARubin R20070%
2AMDMI455X15%
3GoogleTPU v8t10%
4华为昇腾 9605%（中国为主）

推理市场（新战场）​

排名厂商产品优势
1NVIDIAH200 / Rubin CPX生态成熟
2QualcommAI 200低 TCO
3AMDMI440X兼容性好
4IntelGaudi 4价格低廉

9. 关键趋势​

趋势 1：推理专用芯片崛起​

  • Qualcomm AI 200：移动芯片巨头入局
  • NVIDIA Rubin CPX：NVIDIA 首次推出推理专用芯片
  • Google TPU 8i：训练/推理正式拆分

趋势 2：机架级解决方案成为标配​

  • NVIDIA NVL72：72 GPU + 36 CPU
  • AMD Helios：18 CPU + 72 GPU
  • Qualcomm 机架：160kW 液冷机架

趋势 3：中国国产芯片进入"规划驱动"阶段​

  • 华为三代路线图：950 → 960 → 970
  • 时间线清晰：2026-Q1 → 2027-Q4 → 2028-Q4
  • 意义：从"追赶"到"规划"

趋势 4：HBM 产能成为瓶颈​

  • SK 海力士：HBM4 产能已被 NVIDIA 预订
  • 三星：HBM4E 样品已交付 AMD
  • 影响：MI400、Rubin R200 出货量受 HBM 产能限制

10. 采购建议​

如果您在 2026 H2 采购​

  1. 训练场景：

    • 首选：NVIDIA Rubin R200（性能最强）
    • 备选：AMD MI455X（性价比更高）
    • 国产：华为昇腾 950DT（中国客户）

  2. 推理场景：

    • 首选：NVIDIA H200（生态成熟）
    • 性价比：Qualcomm AI 200（如果可用）
    • 成本敏感：AMD MI440X

  3. HPC 场景：

    • 唯一选择：AMD MI430X（支持 FP64）

如果您在 2027 采购​

  • 等待 Rubin Ultra：性能可能是 R200 的 2x
  • 关注 MI500：AMD 下一代产品
  • 评估 TPU v8：如果已在用 Google Cloud

结论​

2026 H2 将是 AI 芯片市场有史以来最卷的半年：

  • NVIDIA 继续领跑，但优势缩小
  • AMD 三款型号精准定位，市场份额将持续提升
  • Qualcomm 入局推理市场，低 TCO 策略可能颠覆市场
  • 华为 三代路线图清晰，国产替代加速
  • Intel Jaguar Shores 成败在此一举

对于采购决策者，现在是最难做决定的时刻——因为每个选项都有明显的优缺点。

对于技术从业者，这是最好的时代——芯片性能每年翻倍，架构创新层出不穷。

参考资料​

  • AI 算力卡未来路线图 - MirrorFrog 实时更新
  • NVIDIA Rubin R200 深度解析（见本站相关文章）
  • AMD MI400 系列 CES 2026 发布（见本站相关文章）
  • Qualcomm AI 100 发布分析（即将发布）

最后更新：2026-06-20
作者：Charles Qing
标签：#路线图 #市场分析 #采购决策

NVIDIA Vera Rubin 全面投产：智能体AI工厂时代正式开启

· 6 min read
AI Compute Cards Wiki Editorial
Industry Research Team

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CPUHost 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 GPURubin UltraBlackwell (B200)
架构RubinRubin UltraBlackwell
制程TSMC 3nm（推测）TSMC 3nmTSMC 4NP
显存288GB HBM4288GB HBM4E（推测）192GB HBM3e
显存带宽13 TB/s13+ TB/s8 TB/s
FP4 算力~3,600 TFLOPS（推测）~5,000 TFLOPS（推测）2,250 TFLOPS
TDP1,000W（推测）1,200W（推测）700-1000W
互联NVLink 6（260 TB/s）NVLink 6NVLink 5（1800 GB/s）
量产时间2026 Q32027 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 CPUGrace 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 PFLOPS3.6 PFLOPS3.3×
显存容量288GB×72 = 20.7TB288GB×144 = 41.4TB2×
显存带宽8 TB/s×7213 TB/s×144~3.3×
NVLink 带宽1800 GB/s×72260 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
NVIDIAVera RubinAI工厂整体方案生态最完整、软件最成熟价格昂贵、功耗极高
AMDMI455X（MI400系列）训练竞品性价比、开放生态软件生态差距
GoogleTPU 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​

参考资料​

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。