插电即用？英伟达要将AI工厂变成一个“集装箱”

电子发烧友网报道（文/梁浩斌）Vera Rubin全面投入量产！在GTC柏林大会上，英伟达CEO黄仁勋展示了100%液冷的Vera Rubin平台，由包括Vera CPU、Rubin GPU、NVLink 6 交换机、ConnectX-9 SuperNIC、BlueField-4 DPU、Spectrum-6 以太网交换机，以及Groq 3 LPU等多款芯片组成。

而伴随Vera Rubin的量产，黄仁勋在现场也详细介绍了全球首款进入量产的CPO产品——Spectrum-X CPO交换机。该CPO交换机集成512个端口，每个端口速度为200Gb每秒，系统带宽高达409.6Tb/s，采用了TSMC的coupe工艺，将硅光子组件直接贴合到芯片上。

可以说，Vera Rubin机架、CPO、液冷量产的时间线，在这次发布会后正式尘埃落定。

但更加值得关注的，是这次黄仁勋对于AI工厂的建造范式作出的改变。英伟达正在将AI工厂“模块化”，过去需要几个月在现场装配的算力基础设施，如今在供应链里就装好、线接好、烤机跑通，运到现场插上电就能产出token。用他的话说，这是让AI工厂“以光速建成”。

“AI是制造业”

黄仁勋此前在多个场合已经讲过AI产业的“五层蛋糕”，从上至下分别是能源、芯片与计算机、AI工厂（基础设施）、模型、应用。每一层都在增长，每一层都在创造岗位和公司。“就像电力一样，这是一场新的工业革命，而我们正站在它的最开端。”

而这次GTC上，黄仁勋更是给出了一个定义：AI是一个制造业，不只是软件技术。

他强调了一个常被跳过的顺序问题：“在模型出现之前，基础设施必须先存在。就像你要有互联网，得先有网络；你要享受电力，得先有通了电的房子和电厂。”

模型层也不只是语言模型。在他的描述里，这一层包含语言、生物、化学、物理、机器人动作、动画，以及各种尺寸的模型；再往上是AI原生公司，再往上才是所有终端行业——汽车、制造、医疗、金融。

把AI工厂装进集装箱，算力落地从数月到数天

基于“AI是制造业”的概念，由此延伸出的逻辑就是，“产能”落地周期每拉长一天，就意味着少了一天的收入。

黄仁勋举了一个例子来形容：“一座1GW的数据中心，成本大约500亿美元。你期望它带来的收入是每年约400亿美元。如果晚交付三个月，那就是100亿美元的收入没了。100亿美元，足够让任何人焦虑。”

那么英伟达解决这个问题的方式，就是改变过去建造数据中心的范式，将算力机架、线缆打包成模块化的“集装箱”。

于是英伟达推出了DSX Pod。DSX Pod以Vera Rubin NVL72为基本单元，7个液冷计算机架加17公里Spectrum-X线缆组成一个Pod；整组在工厂里完成集成、布线和测试，装进可运输的集装箱送到现场。

过去需要4到5个月的安装调试，被压缩到大约1个月；现场部署从“数月”变成“数天”。

支撑这一切的是Vera Rubin本身：全球第一台“没有线缆、100%液冷”的计算机，装配时间从Blackwell时代的2小时（80%液冷）缩短到5分钟以内；一个NVLink交换托盘把72颗GPU连成一台“巨型GPU”。

在黄仁勋的演讲中，一DSX Pod可以看成是六层堆栈。

第一层，算力单元：NVL72从“机架”变成“器件”。基本单元是Vera Rubin NVL72，72颗GPU由一个NVLink交换托盘连成一台“巨型GPU”。

第二层，Scale-out网络：可交付的17公里线缆。Pod内机架之间用Spectrum-X以太网互连，一个Pod的累计线缆长度就有17公里。如果按传统方式在客户现场敷设、梳理、端接，17公里就是几个月的工期；而在工厂里，它只是一道标准化工序。

第三层，供电：800V直流进架。演讲给出的关键一句是，高压直流直接进机架，减少转换级数、降低配电损耗。与之配套的是DSX MaxLPS，这是一个端到端的功率控制闭环，把功率按负载需求动态分配，“同样的产出，少用30%的电”。在AI工厂里，功率上限直接等于产能上限，所以这一层省下来的不只是电费，还有算力。

第四层，冷却：45℃冷却液配干冷器。闭式液冷回路，冷却液温度可达45℃，这意味着在气候合适的地区可以直接用室外干冷器散热，不需要蒸发水。2GW规模下，每天省下5400万升水，相当于18万户家庭的日用水量。这也降低了数据中心对水源的需求。

第五层，外壳：集装箱就是产品形态。Pod在工厂完成集成、全布线、烤机测试与合格化，然后装进可运输的集装箱发运。到现场不再需要组装，而是“卸货、就位、接电、接管”。

第六层，数字孪生：先在虚拟世界里建一遍。DSX的起点是Omniverse，PTC把设备设计转成可仿真的资产，达索系统用基于模型的系统工程（MBSE）打通机架与厂房设计，施耐德电气仿真配电与液冷，Jacobs在Omniverse数字孪生里做总装，西门子评估热、噪声与电网影响，Procore负责施工阶段排程。合作伙伴在数字孪生环境中就已经打通应用链路，现场落地一次成型，避免返工。

而安装形式，黄仁勋的说法是：场地端只需要电、水、网络与基础承载就绪，干冷器就位，剩下的交给吊装和接管。于是整套算力硬件的部署，从设备出货到产出token，从过去的4到5个月缩短至只需1个月。

智能体和物理AI

除了算力硬件，智能体以及物理AI也是这次GTC演讲中的重点。

“这一年，AI变得有生产力了。”黄仁勋把转折点指向开源智能体，以及随之而来的token消耗暴增：“智能体会思考、推理、迭代、使用工具，因此消耗海量的token。但也正因如此，它们变得有用。”

他把智能体拆成五件：模型、harness、沙箱、知识、工具。“智能体必须思考。”他说，大脑负责感知、推理、规划、调用工具，其余部分是我们的外骨骼——它掌管记忆和工具，把工作编排起来。

但真正的新东西是安全。“安全和可靠不是一种愿望，它是技术和工程。”于是有了OpenShell：一个开源的智能体安全运行时，Apache 2.0许可，两条命令即可接入；它在系统调用、文件访问、网络连接三个粒度上执行策略，用形式化验证检查每一份策略是否超出权限上限；最外层还有基于BlueField-4、独立于主机的硬件隔离监控域，“一旦智能体打算做不该做的事，毫秒级切断与模型的连接”。

关于物理AI，黄仁勋用基站作为切入点：“它不用摄像头、不用扬声器和麦克风，而是用无线电波感知世界，用波束赋形与世界交互。这简直是为AI量身定做的。”

他给出的规模是：全球10万个站点、约100GW的分布式基站与数据中心，未来会演化为一张分布式AI网络。而就在上一周，经过近八年的合作，英伟达与诺基亚在T-Mobile网络上打通了第一通“由CUDA完成”的商用通话。“先让CUDA学会打电话，再在上面叠AI。”

人形机器人被黄仁勋称作“下一个大型产业”，理由不在能力，而在构型：“机器人难做，是因为任务太分散，每个任务一套构型，技术飞轮就转不起来。手机、PC、NVLink 72之所以进步快，是因为标准构型带来了规模，规模带来了飞轮。”

为此英伟达把物理AI拆成三台计算机，训练用的一台、在Omniverse数字孪生里学技能的一台、装进机器人本体的一台。第三台在车上叫Hyperion；在人形机器人上，英伟达与Agile Robots做了一台参考机器人，明年一季度交付。

值得一提的是，最近上市的RTX Spark笔记本电脑，在演讲的最后被用于演示怎么投入到AI应用中。

“十年前的今天，我把同样的1 PFLOPS、128GB的DGX-1交给了一家叫OpenAI的小公司。唯一的区别是，当年要两个人抬上楼。”而与之对比，今天同样算力的芯片，已经被集成到一台笔记本电脑中。

在现场演示里，Hugging Face的一台小机器人在RTX Spark上完成了从建模、材质、物理属性到Isaac Lab里上万台并行训练的全流程，再把策略下回本机。小机器人摇摇晃晃走到舞台中央，并可以根据语音指令完成不同的动作。

写在最后

从“要两个人抬上楼的DGX-1”，到“一个人托在手上的1 PFLOPS”，十年间算力密度的指数级增长，也让AI基础设施的形态进行了三次变化，从单机、整机柜到今天的集装箱。把4到5个月的算力机柜上线周期压到1个月，AI基础设施的竞争开始从芯片，转向工程落地。

谁将AI工厂造的更快、更省电、更早交付，将会成为接下来AI基础设施的竞争护城河。

插电即用？英伟达要将AI工厂变成一个“集装箱”图4

声明：本文由电子发烧友原创，转载请注明以上来源。如需入群交流，请添加微信elecfans999，投稿爆料采访需求，请发邮箱wuzipeng@elecfans.com。

更多热点文章阅读

点击关注星标我们

将我们设为星标，不错过每一次更新！

插电即用？英伟达要将AI工厂变成一个“集装箱”图5 喜欢就奖励一个“在看”吧！