黄仁勋甩出三代核弹AI芯片，DeepSeek成最大赢家

英伟达GTC大会已经成了AI界超级碗，没有剧本也没有提词器，中途黄仁勋被线缆卡住，反而是这场高浓度AI发布会里最有人味的片段，在当今基本提前彩排或录播的科技发布会里已经很稀缺了。

刚刚，黄仁勋再次发布了全新一代核弹级AI芯片，不过这场发布会的还有个隐藏主角——DeepSeek。

由于智能体AI（Agentic AI）和推理能力的提升，现在所需的计算量至少是去年此时预估的100倍。

推理成本效率给AI行业带来影响，而不是简单地堆积计算能力，成为贯穿这场发布会的主线。英伟达要变成AI工厂，让AI以超越人类的速度学习和推理。

推理本质上是一座工厂在生产token，而工厂的价值取决于能否创造收入和利润。因此，这座工厂必须以极致的效率打造。

黄仁勋掏出的英伟达新“核弹”也在告诉我们，未来的人工智能竞争不在于谁的模型更大，而在于谁的模型具有最低的推理成本和更高的推理效率。

除了全新Blackwell芯片，还有两款“真·AI PC”

全新的Blackwell芯片代号为“Ultra”，也就是GB300 AI芯片，接棒去年的“全球最强AI芯片”B200，再一次实现性能上的突破。

Blackwell Ultra将包括英伟达GB300 NVL72机架级解决方案，以及英伟达HGX B300 NVL16系统。

Blackwell Ultra GB300 NVL72将于今年下半年发布，参数细节如下：

• 1.1 EF FP4 Inference：在进行FP4精度的推理任务时，能够达到1.1 ExaFLOPS（每秒百亿亿次浮点运算）。

• 0.36 EF FP8 Training：在进行FP8精度的训练任务时，性能为1.2 ExaFLOPS。

• 1.5X GB300 NVL72：与GB200 NVL72相比，性能为1.5倍。

• 20 TB HBM3：配备了20TB HBM内存，是前代的1.5倍。

• 40 TB Fast Memory：拥有40TB的快速内存，是前代的1.5倍。

• 14.4 TB/s CX8：支持CX8，带宽为14.4 TB/s，是前代的2倍。

单个Blackwell Ultra芯片将和前代一样提供相同的20 petaflops（每秒千万亿次浮点运算）AI性能，但配备更多的288GB的HBM3e内存。

如果说H100更适合大规模模型训练，B200在推理任务中表现出色，那么B300则是一个多功能平台，预训练、后训练和AI推理都不在话下。

英伟达还特别指出，Blackwell Ultra也适用于AI智能体，以及用于训练机器人和汽车自动驾驶的“物理AI”。

为了进一步增强系统性能，Blackwell Ultra还将与英伟达的Spectrum-X以太网和英伟达Quantum-X800 InfiniBand平台集成，为系统中的每个GPU提供800Gb/s的吞吐量，帮助AI工厂和云数据中心能够更快处理AI推理模型。

除了NVL72机架，英伟达还推出了包含单个GB300 Blackwell Ultra芯片的台式电脑DGX Station。Blackwell Ultra之外，这个主机还将配备784GB的同一系统内存，内置800Gbps英伟达ConnectX-8 SuperNIC网络，能够支持20 petaflops的AI性能。

而之前在CES 2025展示的“迷你主机”Project DIGITS也正式被命名为DGX Spark，搭载专为桌面优化的GB10 Grace Blackwell超级芯片，每秒可提供高达1000万亿次AI计算操作，用于最新AI推理模型的微调和推理，包括NVIDIA Cosmos Reason世界基础模型和NVIDIA GR00T N1机器人基础模型。

黄仁勋表示，借助DGX Station和DGX Spark，用户可以在本地运行大模型，或者将其部署在NVIDIA DGX Cloud等其他加速云或者数据中心基础设施上。

这是AI时代的计算机。

DGX Spark系统现已开放预订，而DGX Station预计将由华硕、戴尔、惠普等合作伙伴于今年晚些时候推出。

下一代AI芯片Rubin官宣，2026年下半年推出

英伟达一直以科学家的名字为其架构命名，这种命名方式已成为英伟达文化的一部分。这一次，英伟达延续了这一惯例，将下一代AI芯片平台命名为“Vera Rubin”，以纪念美国著名天文学家薇拉·鲁宾（Vera Rubin）。

黄仁勋表示，Rubin的性能将达到Hopper的900倍，而Blackwell相较Hopper已实现了68倍的提升。

其中，Vera Rubin NVL144预计将在2026年下半年发布。参数信息省流不看版：

• 3.6 EF FP4 Inference：在进行FP4精度的推理任务时，能够达到3.6 ExaFLOPS（每秒百亿亿次浮点运算）。

• 1.2 EF FP8 Training：在进行FP8精度的训练任务时，性能为1.2 ExaFLOPS。

• 3.3X GB300 NVL72：与GB300 NVL72相比，性能提升了3.3倍。

• 13 TB/s HBM4：配备了HBM4，带宽为13TB/s。

• 75 TB Fast Memory：拥有75 TB的快速内存，是前代的1.6倍。

• 260 TB/s NVLink6：支持NVLink 6，带宽为260 TB/s，是前代的2倍。

• 28.8 TB/s CX9：支持CX9，带宽为28.8 TB/s，是前代的2倍。

标准版Rubin将配备HBM4，性能比当前的Hopper H100芯片大幅提升。

Rubin引入名为Grace CPU的继任者——Veru，包含88个定制的Arm核心，每个核心支持176个线程，并通过NVLink-C2C实现1.8 TB/s的高带宽连接。

英伟达表示，定制的Vera设计将比去年Grace Blackwell芯片中使用的CPU速度提升一倍。

与Vera CPU搭配时，Rubin在推理任务中的算力可达50 petaflops，是Blackwell 20 petaflops的两倍以上。此外，Rubin还支持高达288GB的HBM4内存，这也是AI开发者关注的核心规格之一。

实际上，Rubin由两个GPU组成，而这一设计理念与当前市场上的Blackwell GPU类似——后者也是通过将两个独立芯片组装为一个整体运行。

从Rubin开始，英伟达将不再像对待Blackwell那样把多GPU组件称为单一GPU，而是更准确地按照实际的GPU芯片裸片数量来计数。

互联技术也升级了，Rubin配备第六代NVLink，以及支持1600 Gb/s的CX9网卡，能够加速数据传输并提升连接性。

除了标准版Rubin，英伟达还计划推出Rubin Ultra版本。

Rubin Ultra NVL576则将于2027年下半年推出。参数细节如下：

• 15 EF FP4 Inference：在FP4精度下进行推理任务时，性能达到15 ExaFLOPS。

• 5 EF FP8 Training：在FP8精度下进行训练任务时，性能为5 ExaFLOPS。

• 14X GB300 NVL72：相比GB300 NVL72，性能提升14倍。

• 4.6 PB/s HBM4e：配备HBM4e内存，带宽为4.6 PB/s。

• 365 TB Fast Memory：系统拥有365 TB的快速内存，是前代的8倍。

• 1.5 PB/s NVLink7：支持NVLink 7，带宽为1.5 PB/s，是前代的12倍。

• 115.2 TB/s CX9：支持CX9，带宽为115.2 TB/s，是前代的8倍。

在硬件配置上，Rubin Ultra的Veras系统延续了88个定制Arm核心的设计，每个核心支持176个线程，并通过NVLink-C2C提供1.8 TB/s的带宽。

而GPU方面，Rubin Ultra集成了4个Reticle-Sized GPU，每颗GPU提供100 petaflops的FP4计算能力，并配备1TB的HBM4e内存，在性能和内存容量上都达到了新的高度。

为了在瞬息万变的市场竞争中站稳脚跟，英伟达的产品发布节奏已经缩短至一年一更。发布会上，老黄也正式揭晓下一代AI芯片的命名——物理学家费曼（Feynman）。

随着AI工厂的规模不断扩大，网络基础设施的重要性愈发凸显。

为此，英伟达推出了Spectrum-X™和Quantum-X硅光网络交换机，旨在帮助AI工厂实现跨站点连接数百万GPU，同时显著降低能耗和运营成本。

Spectrum-X Photonics交换机具有多种配置，包括：

• 128端口800Gb/s或512端口200Gb/s配置，总带宽达100Tb/s。

• 512端口800Gb/s或2048端口200Gb/s配置，总吞吐量达400Tb/s。

与之配套的Quantum-X Photonics交换机则基于200Gb/s SerDes技术，提供144端口800Gb/s的InfiniBand连接，并采用液冷设计高效冷却板载硅光子组件

与上一代产品相比，Quantum-X Photonics交换机为AI计算架构提供2倍速度和5倍可扩展性。

Quantum-X Photonics InfiniBand交换机预计于今年晚些时候上市，而Spectrum-X Photonics以太网交换机预计将于2026年推出。

随着AI的快速发展，对数据中心的带宽、低延迟和高能效需求也急剧增加。

英伟达Spectrum-X Photonics交换机采用了一种名为CPO的光电子集成技术。其核心是将光引擎（就是能处理光信号的芯片）和普通的电子芯片（比如交换芯片或ASIC芯片）放在同一个封装里。

这种技术的好处很多：

• 传输效率更高：因为距离缩短，信号传输更快。

• 功耗更低：距离短了，传输信号需要的能量也少了。

• 体积更小：把光和电的部件集成在一起，整体体积也变小了，空间利用率更高。

AI工厂的“操作系统”Dynamo

未来将没有数据中心，只有AI工厂。

黄仁勋表示，未来，每个行业、每家公司拥有工厂时，都将有两个工厂：一个是他们实际生产的工厂，另一个是AI工厂，而Dynamo则是专门为“AI工厂”打造的操作系统。

Dynamo是一款分布式推理服务库，为需要token但又无法获得足够token的问题提供开源解决方案。

简单来说，Dynamo有四个方面的优势：

• GPU规划引擎，动态调度GPU资源以适应用户需求；

• 智能路由器，减少GPU对重复和重叠请求的重新计算，释放更多算力应对新的传入请求；

• 低延迟通信库，加速数据传输；

• 内存管理器，智能在低成本内存和存储设备中的推理数据。

人形机器人的露脸环节，永远不会缺席

人形机器人再一次成为了GTC大会的压轴节目，这次英伟达带来了Isaac GR00T N1，全球首款开源人形机器人功能模型。

黄仁勋表示，通用机器人技术的时代已经到来，借助Isaac GR00T N1核心的数据生成以及机器人学习框架，全球各地的机器人开发人员将进入AI时代的下一个前沿领域。

这个模型采用“双系统”架构，模仿人类的认知原理：

• 系统1：快速思考的动作模型，模仿人类的反应或直觉；

• 系统2：慢思考的模型，用于深思熟虑的决策。

在视觉语言模型的支持下，系统2对环境和指令进行推理，然后规划动作，系统1将这些规划转化为机器人的动作。

GR00T N1的基础模型采用广义类人推理和技能进行了预训练，而开发人员可以通过真实或合成数据进行后训练，满足特定的需求：既可以完成工厂的特定任务，也可以在家里自主完成家务。

黄仁勋还宣布了与Google DeepMind和Disney Research合作开发的开源物理引擎Newton。

一台搭载Newton平台的机器人也登上了舞台，黄仁勋称之为“Blue”，外观神似《星球大战》中的BDX机器人，能够用声音和动作和黄仁勋互动。

8块GPU，DeepSeek-R1推理速度创全球之最

英伟达实现了全球最快的DeepSeek-R1推理。

官网显示，一台搭载8个Blackwell GPU的DGX系统，在运行6710亿参数的DeepSeek-R1模型时，可实现每用户每秒超过250个token的速度，或达到最高吞吐量每秒超过30000个token。

通过硬件和软件的结合，自今年1月以来，英伟达在DeepSeek-R1 671B模型上的吞吐量提升了约36倍，每token的成本效率提高了约32倍。

为了实现这一成就，英伟达完整的推理生态系统已针对Blackwell架构进行了深度优化，不仅整合TensorRT-LLM、TensorRT Model Optimizer等先进工具，还无缝支持PyTorch、JAX和TensorFlow等主流框架。

在DeepSeek-R1、Llama 3.1 405B和Llama 3.3 70B等模型上，采用FP4精度的DGX B200平台相较于DGX H200平台，推理吞吐量提升超过3倍。

值得注意的是，此次发布会的主题演讲并未提及量子计算，但英伟达特意在这届GTC大会设置了量子日，邀请了多家当红量子计算公司的CEO出席。

要知道黄仁勋年初一句“量子计算还需20年才实用”的论断犹在耳畔。

一改口风的背后，离不开微软耗时17年研发的拓扑量子芯片Majorana 1实现8个拓扑量子比特集成，离不开Google Willow芯片宣称用5分钟完成经典计算机需10^25年处理的任务，推动了量子计算的热潮。

芯片无疑是重头戏，但一些软件的亮相同样值得关注。

硅谷著名投资人马克·安德森曾提出软件正在吞噬世界（Software is eating the world）的论断，其核心逻辑在于软件通过虚拟化、抽象化和标准化，正在成为控制物理世界的基础设施。

不满足于做“卖铲人”，英伟达的野心是打造AI时代的“生产力操作系统”。从汽车智能驾驶，到制造业的数字孪生工厂，这些贯穿整场发布会的案例都是将GPU算力转化为行业生产力的具象化表达。

实际上，无论是发布会上亮相的最新核弹芯片，还是押注战未来的量子计算，黄仁勋在这场发布会上对AI未来发展的洞察和布局，都比当下的技术参数与性能指标更具看点。

在介绍Blackwell与Hopper架构的对比时，黄仁勋还不忘幽默一把。

他以一个100MW工厂的对比数据为例，指出采用Hopper架构需要45，000颗芯片和400个机架，而Blackwell架构凭借更高的效率显著减少了硬件需求。

于是，黄仁勋那句经典的总结再次抛出，“the more you buy，the more you save”（买得越多，省得越多）。随后话锋一转，他又补充说，“the more you buy，the more you make”（买得越多，赚得越多）。

随着AI领域的重心从训练转向推理，英伟达更需要证明其软硬件生态在推理场景的不可替代性。

一方面，Meta、Google等巨头自研AI芯片，可能分流GPU市场需求。

另一方面，英伟达最新AI芯片的适时亮相，回应如DeepSeek的开源模型对GPU需求的冲击，并展示推理领域技术优势，也是为了对冲市场对训练需求见顶的担忧。

最近估值跌至10年低位的英伟达，比以往任何时候都需要一场酣畅淋漓的胜利。

本文来自微信公众号：APPSO （ID：appsolution），作者：appso