黄仁勋发布三代AI芯片，个人超算算力达每秒1000万亿次，DeepSeek受益最大
作者：骑光打字机 2026-08-25 11:29:15英伟达GTC大会发布BlackwellUltra、Rubin及Feynman三代AI芯片，推出DGXStation与DGXSpark个人超算，后者算力每秒1000万亿次。DeepSeek-R1推理速度创全球最快，每用户超250token/s。AI竞争重心转向推理效率与成本，同步发布AI工厂操作系统Dynamo。
如今，AI 行业的竞争规则正在发生变化：较量的重点已不再是谁拥有更强的算力堆叠能力，而是谁能够把模型推理成本降得更低、把效率做得更高。这一判断，几乎贯穿了今年英伟达 GTC 大会整场主题演讲。黄仁勋在现场多次强调一个关键词——英伟达要成为“AI 工厂”，即建设一种能够让 AI 以超越人类速度进行学习和推理的基础设施。
而此次发布的一系列新产品，也在传递同样的信息：未来 AI 竞赛的关键，不在于模型参数规模有多大，而在于谁能把推理成本压到更低、把推理效率提升到更高。
长期稳定更新的攒劲资源： >>>点此立即查看<<<
除了全新 Blackwell 芯片，还有两款“真·AI PC”
全新的 Blackwell 芯片代号为“Ultra”，即 GB300 AI 芯片。作为去年“全球最强 AI 芯片”B200 的后续产品，它再次抬高了性能上限。
此次发布主要包括两套方案：英伟达 GB300 NVL72 机架级解决方案，以及 HGX B300 NVL16 系统。
Blackwell Ultra GB300 NVL72 计划于今年下半年发布。其核心参数较为清晰：单颗 Blackwell Ultra 芯片保持与上一代相同的 20 petaflops AI 性能，同时将内存升级至 288GB HBM3e。
如果说 H100 更擅长训练大模型，B200 更偏向推理任务，那么 B300 则覆盖更全面——无论是预训练、后训练，还是 AI 推理，均可胜任。
英伟达还提到，Blackwell Ultra 同样适用于 AI 智能体部署，以及用于训练机器人和汽车自动驾驶的“物理 AI”。为进一步提升系统性能，它还将集成 Spectrum-X 以太网和 Quantum-X800 InfiniBand 平台，为每个 GPU 提供 800Gb/s 的数据吞吐能力。这套配置的核心目标，是帮助 AI 工厂和云数据中心更高效地处理推理模型。
除 NVL72 机架外，英伟达还面向台式机用户推出了 DGX Station，搭载单颗 GB300 Blackwell Ultra 芯片。该主机配备 784GB 统一系统内存，内置 800Gbps 的 ConnectX-8 SuperNIC 网络，同样可提供 20 petaflops 的 AI 性能。
此前在 CES 2025 亮相的“迷你主机”Project DIGITS，如今正式定名为 DGX Spark。它搭载专为桌面场景优化的 GB10 Grace Blackwell 超级芯片，每秒可提供高达 1000 万亿次 AI 计算操作。这台设备可用于微调和推理最新 AI 模型，包括 NVIDIA Cosmos Reason 世界基础模型和 GR00T N1 机器人基础模型。
按照黄仁勋的设想，借助 DGX Station 和 DGX Spark，用户既可以在本地运行大模型，也可以将其部署到 DGX Cloud 或其他加速云与数据中心中。正如他所说，“这就是 AI 时代的计算机。”
目前，DGX Spark 已开放预订，DGX Station 预计将于今年晚些时候由华硕、戴尔、惠普等合作伙伴推出。
下一代 AI 芯片 Rubin 官宣，2026 年下半年推出
英伟达长期以来习惯以科学家名字命名其架构，这已成为企业文化的一部分。此次也延续了这一传统，下一代 AI 芯片平台被命名为“Vera Rubin”，以纪念美国著名天文学家薇拉·鲁宾。
黄仁勋在演讲中给出了一组对比数据：Rubin 的性能将达到 Hopper 的 900 倍，而 Blackwell 相比 Hopper 已实现 68 倍提升。这组数据本身已具备较强说明力。
其中，Vera Rubin NVL144 预计将在 2026 年下半年发布。其关键信息如下：
标准版 Rubin 将配备 HBM4，性能相较 Hopper H100 将有明显提升。它还引入了 Grace CPU 的后续产品 Vera，包含 88 个定制 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，定制版 Vera 的速度相比去年 Grace Blackwell 芯片所使用的 CPU 提升了一倍。
与 Vera CPU 配合时，Rubin 在推理任务中的算力可达到 50 petaflops，超过 Blackwell 的 20 petaflops 两倍。内存方面，Rubin 支持最高 288GB HBM4，这也是 AI 开发者高度关注的规格之一。
值得注意的是，Rubin 实际上由两个 GPU 组成，这一设计与 Blackwell 相似——后者同样通过将两个独立芯片组合为一个整体来运行。不过从 Rubin 开始，英伟达将不再像 Blackwell 那样把多 GPU 组件视作单个 GPU，而是按照实际 GPU 裸片数量进行更准确的计数。
互联技术也同步升级。Rubin 将配备第六代 NVLink，以及支持 1600Gb/s 的 CX9 网卡，从而显著提升数据传输能力和连接性能。
除标准版外，英伟达还计划推出 Rubin Ultra 版本。
Rubin Ultra NVL576 计划于 2027 年下半年推出，参数细节如下：
在硬件配置方面，Rubin Ultra 的 Veras 系统延续了 88 个定制 Arm 核心设计，每个核心支持 176 个线程，并通过 NVLink-C2C 提供 1.8 TB/s 带宽。GPU 方面，Rubin Ultra 集成 4 个 Reticle-Sized GPU，每颗 GPU 提供 100 petaflops 的 FP4 计算能力，并配备 1TB HBM4e 内存，性能和内存容量均进一步提升。
为适应快速变化的市场环境，英伟达的产品发布时间节奏已缩短至一年一代。发布会上，黄仁勋还正式公布了下一代 AI 芯片的命名——Feynman，以物理学家费曼命名。
随着 AI 工厂规模持续扩大，网络基础设施的重要性也日益上升。为此，英伟达推出了 Spectrum-X 和 Quantum-X 硅光网络交换机，目标是帮助 AI 工厂实现跨站点连接数百万 GPU，并显著降低能耗与运营成本。
Spectrum-X Photonics 交换机提供多种配置方案：
与其配套的 Quantum-X Photonics 交换机基于 200Gb/s SerDes 技术，提供 144 端口 800Gb/s 的 InfiniBand 连接，并采用液冷设计对板载硅光子组件进行高效散热。相较上一代产品，Quantum-X Photonics 交换机为 AI 计算架构带来 2 倍速度与 5 倍可扩展性。
Quantum-X Photonics InfiniBand 交换机预计将于今年晚些时候上市，Spectrum-X Photonics 以太网交换机则预计在 2026 年推出。
AI 的快速发展，对数据中心带宽、低时延和高能效提出了更高要求。英伟达 Spectrum-X Photonics 交换机采用名为 CPO 的光电子集成技术，其核心是将光引擎与传统电子芯片集成在同一封装中。该技术的优势较为直接：传输效率更高、功耗更低、体积更小，也进一步提升了空间利用率。
AI 工厂的“操作系统”Dynamo
黄仁勋在演讲中提出，未来每个行业、每家公司都将拥有两座工厂：一座是实际生产的工厂，另一座则是 AI 工厂。而 Dynamo，正是专门为“AI 工厂”打造的操作系统。
Dynamo 是一个分布式推理服务库，本质上是为“需要 token 但又无法获得足够 token”的问题提供开源解决方案。其优势主要体现在四个方面：GPU 规划引擎，可动态调度 GPU 资源以适应需求变化；智能路由器，可减少 GPU 对重复请求的重复计算，释放算力处理新请求；低时延通信库，用于加速数据传输；内存管理器，则可在低成本内存与存储设备之间智能处理推理数据。
人形机器人的亮相环节依然保留
人形机器人再次成为 GTC 大会的压轴内容。此次英伟达带来了 Isaac GR00T N1，这是一款全球首个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 核心数据生成能力以及机器人学习框架，全球机器人开发者将进入 AI 时代的下一个前沿领域。
该模型采用“双系统”架构，模拟人类认知机制：在视觉语言模型支持下，系统 2 对环境和指令进行推理并规划动作；系统 1 则将这些规划转化为机器人的实际行动。GR00T N1 的基础模型已经基于广义类人推理和技能完成预训练，开发者可通过真实或合成数据进行后训练，以满足特定需求——无论是工厂中的特定任务，还是家庭中的自主家务场景。
黄仁勋还宣布了与 Google DeepMind 和 Disney Research 联合开发的开源物理引擎 Newton。
一台搭载 Newton 平台的机器人也在现场登台亮相。黄仁勋称其为“Blue”，其外形与《星球大战》中的 BDX 机器人相似，并能够通过声音和动作与他互动。
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 推理速度。官网信息显示，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，可实现每位用户每秒超过 250 个 token 的速度，最高吞吐量可超过每秒 30000 个 token。
通过硬件与软件协同优化，自今年 1 月以来，英伟达在 DeepSeek-R1 671B 模型上的吞吐量提升约 36 倍，每个 token 的成本效率提升约 32 倍。
为实现这一结果，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。其不仅整合了 TensorRT-LLM、TensorRT Model Optimizer 等工具，同时无缝支持 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 DGX H200 平台，推理吞吐量提升超过 3 倍。
值得注意的是，此次主题演讲并未提及量子计算，但英伟达仍在本届 GTC 大会中专门设置了量子日，并邀请多家量子计算公司的 CEO 出席。此前，黄仁勋曾在年初表示“量子计算还需要 20 年才具备实用性”。而如今相关讨论升温，也与微软耗时 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，以及 Google Willow 芯片宣称在 5 分钟内完成经典计算机需要 10^25 年处理的任务等进展有关，这些进展持续推动量子计算热度上升。
芯片仍然是整场发布的核心，但部分软件产品的亮相同样值得关注。硅谷投资人马克·安德森曾提出“软件正在吞噬世界”的观点，其核心逻辑在于，软件通过虚拟化、抽象化和标准化，正逐步成为控制物理世界的基础设施。
英伟达显然并不满足于仅仅扮演“卖铲人”的角色。其目标是打造 AI 时代的“生产力操作系统”。从汽车智能驾驶到制造业数字孪生工厂，贯穿整场发布会的案例，本质上都是将 GPU 算力转化为行业生产力的具体呈现。
在对比 Blackwell 与 Hopper 架构时，黄仁勋也延续了其一贯的幽默表达。他以一个 100MW 工厂为例：采用 Hopper 架构需要 45000 颗芯片和 400 个机架，而 Blackwell 架构凭借更高效率，显著降低了硬件需求。随后，他再次抛出那句经典总结——“the more you buy, the more you save”。紧接着，他又补充一句：“the more you buy, the more you make”。
随着 AI 产业重心从训练逐渐转向推理，英伟达更需要证明其软硬件生态在推理场景中的不可替代性。一方面，Meta、Google 等大型企业自研 AI 芯片，可能对 GPU 市场需求形成分流；另一方面，最新 AI 芯片的及时亮相，既是对 DeepSeek 这类开源模型可能冲击 GPU 需求的回应，也是展示其在推理领域技术优势、缓解市场对训练需求见顶担忧的重要一步。
对于近期估值跌至十年低位的英伟达而言，它比以往任何时候都更需要一场明确而有力的胜利。
侠游戏发布此文仅为了传递信息，不代表侠游戏网站认同其观点或证实其描述
同类更新
更多
热游推荐
更多-
- DreamStudio
- Android/ | AI绘图
- 2026-06-30
-
-
- Playground AI
- Android/ | AI绘图
- 2026-06-30
-
- Adobe Firefly
- Android/ | AI绘图
- 2026-06-30
-
-
-
- Leonardo AI
- Android/ | AI绘图
- 2026-06-30
-
- Stable Diffusion
- Android/ | AI绘图
- 2026-06-30
