梦晨 衡宇 发自 凹非寺
量子位 | 公众号 QbitAI
好了好了这下坏了，黄仁勋接住梁文锋的招了。
昨天，DeepSeek开源推理框架，教你如何用算力集群做到单卡每小时收入38美金。
今天，英伟达直接把算力集群搞成了预制菜，从0到开始平地起数据中心到开始产token只需14天。
按这个账算，如果是万卡集群，14天上线后，满负荷、客户全满的理想状态下，每小时收入可以到38万美金（当然，前提是能拿到这么多稳定订单）。
这一次，英伟达不满足于只卖芯片和机柜，而是直接把整座“Vera Rubin AI工厂”塞进了模块化的集装箱里。
过去，建一座超算中心需要漫长的土木施工、现场布线和调试。
老黄在现场直接甩出一句狠话，彻底改写了数据中心的经济学：
一座AI工厂只有在开始产出Token时才创造价值，而不是在建筑施工完成时。
一个不经意，老黄带领大家跳过“买的越多省的越多”，直接快进到“买的越多赚的越多”。
有种AI Infra黄金时代的错觉
把AI工厂塞进集装箱，14天交付满血算力
怎么让客户最快赚到AI的钱？答案是缩短“首Token产出时间”（Time to First Token）。
全新发布的DSX POD硬件产品线，完全围绕这一核心逻辑展开。
传统的AI数据中心建设，需要在现场进行极其繁琐的计算节点安装、网络布线、机架级供电和液冷管道铺设。一旦遇到零件延误或现场施工失误，动辄就要耗费半年以上。
现在，英伟达直接把包含最新Vera Rubin系统在内的全套基础设施，做成了可重复量产的“集装箱”设计。
计算、网络、布线、供电以及液冷系统，全部在合作伙伴的制造工厂里就完成了集成、跨机架走线、管道连接和功能验证。
第一步，将最新的NVIDIA Vera Rubin计算系统，与高速网络、机架级供电和液冷散热系统打包。
原先的Grace Blackwell方案组装一个节点就要2小时，布线繁杂，而且液冷覆盖率仅80%。
换成Vera Rubin之后，采用无线缆架构、100%全液冷，单个节点组装缩短到仅需5分钟，同时可靠性和性能都得到提升。
第二步，在出厂前，把它们完整集成进专门定制的模块化集装箱（Modular Containers）里。
连机架与机架之间的跨柜布线、电力接线、液冷管道铺设，甚至全套系统的功能验证……
统统在制造工厂里提！前！干！完！
与此同时，客户现场的场地准备工作可以完全并行推进，两边互不耽误。
集装箱装着一座验证完毕的“满血Vera Rubin算力工厂”抵达准备好的场地，开箱接通现场预留的电力、冷却和网络基础设施，就能瞬间点亮。
最终提升效果堪称碾压级——
现场部署周期从传统6个月，最短压缩至14天。
英伟达将Time to First Token（首Token产出时间）作为这项交付效率的衡量标准。
早一天跑起大模型训练和生产级推理，运营商就能早一天向客户交付算力、早一天开始印Token变现。
压榨每一兆瓦电力，推理吞吐暴涨49%
不仅极限压缩到2周就能交付，老黄还贴心地配套了方案来缓解缺水缺电的问题。
上述DSX POD硬件产品线背后依托的，是英伟达全栈式AI工厂参考架构NVIDIA DSX平台。
它将计算、网络、存储、软件、供电和散热各作为“单一系统”进行协同设计。
首先是电力与算力的极限压榨。
要建数据中心，“有多少电”决定了“能上多少卡”。
为了打破电力瓶颈，英伟达甩出了两款软件大杀器：DSX MaxLPS与DSX Flex。
先说前者。
DSX MaxLPS负责在AI工厂既定的电力预算内进行动态功率分配，产出完全相同数量的Token，最高可以直接省电30%。
反过来算，如果电力预算固定不变，省下来的电就能原地转化成多出来的算力。
实测数据直接拉满：
在云厂商Lambda基于NVIDIA HGX B200系统的概念验证中，固定功率预算下，集群Token吞吐量直接提升24%，可容纳的GPU算力容量增加19%。
在欧洲云厂商Nscale冰岛AI工厂的实测中，跨4个NVIDIA GB300 NVL72机柜、在相同的264千瓦供电预算下，推理吞吐量更是暴涨49%，受管GPU算力容量直接多出37%。
花同样的电费，硬生生多跑出近一半的推理算力。
而软件两大杀器中的第二个——DSX Flex——则更进一步，让原本是“电老虎”的AI工厂，摇身一变成了电网的“柔性调节器”。
它能根据电网负载、电价波动甚至现场光伏和储能情况，实时调整算力功耗，帮AI工厂更快拿到电网并网审批。
在英国国家电网、Nebius、Emerald AI与英伟达的联合测试中，面对模拟电网突发事件，Blackwell Ultra GPU集群在不中断关键业务的前提下，瞬间将集群功耗狂降40%。
其次是散热革新。
传统数据中心靠冷却塔蒸发水来降温，耗水量惊人。
而Vera Rubin基础设施支持高达45°C冷却液温度的100%全液冷。
DSX参考设计直接将闭环液冷与室外干冷器（类似巨型汽车散热片）结合，冷却液在封闭管路内循环吸热，再由干冷器将热量直接排入空气，全程不蒸发水，将设施冷却耗水降至接近于零（减幅达100%）。
在一座2吉瓦（2GW）规模的AI工厂里，相比传统冷却塔，DSX每天能省下5400万升水。
这相当于18万户家庭一整天的用水量。
上Hugging Face“云盖楼”，开源OS全自动托管
为了把建厂效率推向极致，英伟达甚至把“基建模拟器”搬上了开源社区。
全新推出的物理设备数字模型库NVIDIA SimReady Central，今天正式登陆Hugging Face。
里面直接打包了维谛（Vertiv）等合作伙伴经过验证的供电与散热设备3D数字资产。
配合DSX Sim仿真工具，工程师无需在实体场地动手施工，便可搭建AI工厂的数字孪生。
从这也能看出来，为什么英伟达要收购Hugging Face了。
供电和散热情况，还有西门子正在测试的声学噪音等，全都可以提前模拟验证。
硬件落地后，软件无缝接管。
英伟达宣布扩展开源的DSX OS基础设施管理软件组合，一口气放出三大开发者预览版组件：
- NVIDIA Config Manager
全自动搞定AI工厂复杂的网络配置
- NVIDIA Rack Management Service
提供机架级的电源、资产盘点、固件与交换机统一管理
- NVIDIA Cluster Readiness Engine
在正式生产任务到达前，自动运行分布式负载来验证GPU集群，提前揪出故障并精准隔离到具体节点
配合底层控制器与运行环境，从虚拟设计、集装箱出厂，到自动压测上线，英伟达彻底把造超算变成了一条全自动流水线。
晒出地表最强“基建朋友圈”
既然要批量制造“集装箱AI工厂”，自然少不了全球产业链的加持。
老黄现场再次晒出横跨计算、能源与工业软件的“最强基建朋友圈”。
负责把DSX POD集装箱造出来并推向全球的合作伙伴，阵容极其豪华：
戴尔（Dell）、HPE、联想、富士康（鸿佰科技）、技嘉、和硕、广达（云达）、纬创，以及Anduril、Armada、Bull、Crusoe、DayOne、台达、伊顿巨头悉数在列。
预计明年（2027年）初，这些预制好的模块化AI工厂就将在全球范围内正式交付。
在全球云生态中，CoreWeave、Google Cloud、Lambda、Nebius、Nscale、Crusoe、G42、IREN等AI云厂商已全面拥抱DSX软件栈。
更上游的工业与能源巨头也全部进场：
施耐德电气与AVEVA忙着做Vera Rubin的全生命周期数字孪生；达索系统与维谛联合仿真OneCore基础设施；ABB正基于DSX Sim开发SimReady数字资产，并通过新发布的Infinitus直流产品组合推进800V高压直流（800 VDC）架构研发；日立能源、西门子能源与GE Vernova则直接下场，帮英伟达搞定从电网规划到储能系统的深度协同。
One More Thing
把时间拨回2024年的GTC大会。
当时老黄站在台上指着全新的Blackwell机柜说：“英伟达的AI超级计算机，就是AI工业革命的工厂。”
那时候，很多人还以为“AI工厂”只是一个商业包装概念，把数据当原料，把Token当产成品。
仅仅两年半过去，老黄把这个比喻变成了字面意义上的物理现实。
他不仅定义了芯片（Vera Rubin）、定义了机柜（NVL72），现在甚至连集装箱（DSX POD）、散热水管、电网调度、乃至西门子和施耐德的工业设计图，都一并纳入了“英伟达标准”之下。
当缺电、缺水、缺熟练工、建厂慢成为卡住AI扩张脖子的最大瓶颈时，老黄大手一挥，索性跨界当起了“全球总包工头”。
以前科技巨头买算力，是向英伟达买显卡，自己回去攒机；后来行业采购形式“进化”成买整机柜。
到今天，算力采购已经如同选购预制菜，客户可以批量采购封装在集装箱内的AI发电厂，对接配套设施之后仅需14天就能产出Token。
如你所见，英伟达的边界早已超越一块小小的的芯片和单台服务器。
老黄想做AI时代的整套物理基座的王。
至少在这一轮全球性的算力基建浪潮当中，黄仁勋就是那个掌握整套顶层方案，站在船头用望远镜眺望的人。
视频回放：
https://www.youtube.com/watch?v=PvFjbPYEOZI
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
🌟 点亮星标 🌟
