不再卷算力的2026，英伟达开始重做数?据中心,6月5日英伟达

更新时间：2026-01-21 17:14 来源：牛马见闻

BOSS直聘发布《2025年安全治理报告》：AI主动拦截80%违规账号

被质疑太贵的野人先生称“是我们把Gelato价格打下来的”，“钟薛高咋没想到还能这么说”

牢A讲的那些事情，存在必然存在，耸人听闻也是必然的

我是已签署多年的人体捐赠志愿者，我们和美国有非常大的区别,中国人体志愿者捐献实体卡

已经不认识人了，国米新闻网站称佩塔尔-苏契奇为卢卡-苏契奇

Rubin GPU�Rubin GPU 依然延续了英伌使 Rubin GPU 为 AI 推理提供高达 50 PFLOPS 的 NVFP4 运算能力�

2026 年[，AI 数据]中心发展进入了一个新的瓶颈阶段。 单纯的算力堆砌似乎已经走到了尽头，随着代理式 AI 的兴起、混合专家模型（MoE）的普及，以及百万 token 级长上下文逐渐成为常态，大型云厂商开始意识到，竞争的关键不再是谁拥有更多 GPU，而是谁能更高效地使用，谁能把系统整体效率真正拉起来。 但传统数据中心的短板已经暴露无遗：当代理式 AI 需要处理多轮复杂对话时，它必须频繁调用不同的专家模型，同时保持对历史上下文的准确记忆。在这个过程中，GPU 可能大部分时间处于等待状态——等待数据从内存传输过来，等待网络将其他节点的计算结果送达，等待存储系统调出历史记忆。 正是在这样的背景下，英伟达在 CES 2026 上正式发布了 Rubin 平台和 BlueField-4。它们并非是一次硬件的常规升级，而是对传统数据中心低效这一症结开出的新处方，从某种意义上说，英伟达“重做了一次数据中心”，构建起了真正面向 AI 原生时代的硬件底座。 算力底座革命：Rubin 平台的六芯协同突破 我们先从一切计算工作的核心——Rubin 平台说起。 与以往围绕单一核心器件不断迭代的路径不同，Rubin 最显著的变化在于，它从一开始就放弃了“单点升级”的思路，而是以系统为基本设计单元，将 Vera CPU、Rubin GPU、NVLink 6 交换机、Spectrum-6 以太网交换机、ConnectX-9 SuperNIC 以及 BlueField-4 DPU 六款芯片整合为一个高度耦合的计算整体。 英伟达将这种设计方式称为“极致协同设计”（extreme co-design），其核心目标并不是某一组件的性能最大化，而是让整个系统在真实 AI 负载下更高效地运转。 从计算核心来看，Rubin GPU 依然延续了英伟达在算力上的快速推进。该 GPU 采用双芯粒设计，集成约 3360 亿个晶体管，并引入第三代 Transformer 引擎，支持硬件级自适应压缩。这一机制通过在不牺牲精度的前提下降低数据规模，使 Rubin GPU 为 AI 推理提供高达 50 PFLOPS 的 NVFP4 运算能力，更贴合当下以推理为主、上下文不断拉长的模型使用场景。 与之配合的 Vera CPU，同样是围绕系统效率进行设计。相比上一代 Grace，Vera 在性能和架构层面均有明显提升。其采用 88 个定制的 Olympus 核心，兼容 Armv9.2 架构，并通过 NVLink-C2C 与 GPU 建立高速直连。 值得一提的是，每个 Olympus 核心都支持 NVIDIA Spatial Multithreading（空间多线程），通过在物理层面对核心资源进行划分，实现最多 176 个并发线程，使系统能够在运行时在性能优先或密度优先之间灵活取舍。这种设计，直接服务于多模型并行和复杂调度场景。 连接这些芯片的则是第六代 NVLink 交换机。NVLink 6 将单 GPU 的互连带宽提升至 3.6 TB/s，使 Vera Rubin NVL72 机架内部的总互连带宽达到 260 TB/s。在这一带宽规模下，72 个 GPU 能够以接近单一计算体的方式协同工作，大幅减少模型切分、跨节点通信以及同步等待所带来的额外开销。这一点对 MoE 等高度依赖专家调度的模型尤为关键。 根据英伟达公布的数据，在全新的 Rubin 平台上，AI 推理的 token 成本可降至 Blackwell 平台的约十分之一，而 MoE 模型训练所需的 GPU 数量也仅为前代平台的四分之一左右。 显然，英伟达如今已不再执着于提升单卡算力，而是通过多组件的同步升级，实现更低成本、更低功耗的算力输出，从而把数据中心的运行效率带入了新的层级。 基建协同升级：BlueField-4 引领的存储与网络重构 如果说 Rubin 平台解决了算力输出问题，那么 BlueField-4 及其驱动的基础设施升级想要解决的，就是算力如何高效发挥的问题。 在代理式 AI、长上下文推理和多智能体协同成为主流之后，数据中心的瓶颈转移到了存储、网络和控制面，实际应用中的大模型需要持续访问大量历史信息，但对应的键值（KV）缓存既无法长期占用 GPU 显存，也无法交给传统存储体系处理——后者在延迟、并发访问和跨节点共享上的表现，都会让实时推理陷入等待。 围绕这一痛点，英伟达引入了推理上下文记忆存储平台，而 BlueField-4 DPU 正是这一平台的核心执行单元。BlueField-4 通过专用处理器和硬件加速引擎，将 KV 缓存的部署、管理和共享从 CPU 与 GPU 上彻底卸载出来，并借助 DOCA 框架实现跨节点的智能调度。当计算节点需要历史上下文时，数据可以以极低延迟被送达，GPU 不再为等待存储而空转。 这种重构带来了显而易见的性能提升。英伟达提供的官方数据显示，与传统存储方案相比，该平台在每秒 token 处理量、单位 TCO 性能以及能效上均可实现最高 5 倍提升。这并非某个单点优化的结果，而是因为原本分散在软件栈各处、消耗大量通用算力的杂务，被集中交由专用硬件完成。 但仅靠存储并不足以释放这部分潜力。KV 缓存需要在节点、机柜乃至集群之间高速流动，这要求网络具备稳定、可预测的低延迟特性。英伟达在这一层面将 BlueField-4 与 Spectrum-X 以太网、Spectrum-6 交换机绑定为一个整体，这也是 Rubin 平台的六芯协同的进一步扩展。 其中，Spectrum-X 针对 AI 工作负载优化了 RDMA 数据路径，减少横向扩展中的抖动与拥塞，让跨节点访问不再成为不确定因素。Spectrum-6 进一步引入硅光技术，使高带宽、长距离传输在功耗和稳定性上具备更好的可扩展性，标志着数据中心网络从“电”向“光”的实质性迁移。 在 Rubin 平台内部，高速计算通过 NVLink 6 完成；当数据需要跨机柜或跨集群流动时，则由 Spectrum-X 和 Spectrum-6 接管；而需要长期保存、反复访问的推理上下文，则由 BlueField-4 管理的存储体系承载。计算、存储与网络不再是各自独立优化的模块，而是被串联为一条连续、可控的数据通路，这正是 AI 原生数据中心与传统架构的本质差异。 在多租户云环境中，这样的协同还建立在清晰的安全边界之上。BlueField-4 通过零信任架构和硬件级隔离，将网络、存储和安全控制收敛到 DPU 管理之下。不同工作负载在物理层面被强制隔离，即便上层系统出现问题，也难以跨越这一硬件边界获取其他租户的数据。同时，借助 DOCA Argus 提供的基础设施级遥测能力，系统可以在推理运行过程中实时感知异常行为，为 AI 负载提供与其运行速度相匹配的安全保障。 更重要的是，这种设计让大量基础设施任务——包括网络协议处理、存储 I/O 管理、虚拟化与安全策略执行——不再消耗 CPU 或 GPU 的算力预算。BlueField-4 将这些工作全部接管，使主计算单元能够更专注于推理和训练本身，从而在不增加硬件规模的情况下提升有效算力占比。 算力与基建的协同效应：完整价值闭环的形成 从 Rubin 到 BlueField-4，英伟达给出的并不是两条并行的产品线，而是打造出 AI 原生数据中心的完整价值闭环。 以数据中心中的代理式 AI 的长上下文推理为例，大模型往往需要在当前推理计算与大量历史信息之间频繁切换，在英伟达所打造的闭环中，Rubin GPU 负责密集的推理计算，长上下文由 BlueField-4 管理的存储体系承载，机柜内通过 NVLink 6 实现高速共享，跨机柜则交由 Spectrum-X 网络完成传输。计算、记忆与通信各自承担最适合的角色，GPU 不再因等待上下文而空转，整体响应时间随之下降。 到了大规模 MoE 模型训练，二者协同带来的收益更加明显。MoE 的动态专家选择会导致计算与通信负载高度不均衡，传统架构下容易出现部分 GPU 忙碌、部分 GPU 等待的情况。Rubin 平台通过高速互连和调度能力减少这种不均衡，而 BlueField-4 将基础设施相关的工作从主计算路径中剥离，使更多 GPU 周期用于有效计算，最终实现系统效率的提升。 这种全新的协同设计还具备极强的可扩展性，以 DGX SuperPOD 为代表的机柜级设计，将算力与基建整合为了标准化单元，可直接横向扩展至数万 GPU 规模的集群，让多个数据中心在逻辑上形成连续的 AI 计算平台，真正满足未来更大规模 AI 应用的算力与基建需求。 不止如此，场景化价值验证也进一步印证了协同设计的高度可用性。在物理 AI 领域，英伟达与西门子达成了深度合作，西门子的埃尔朗根电子工厂将成为全球首批完全由 AI 驱动、具备自适应能力的制造基地，其“AI 大脑”能够持续分析数字孪生、在虚拟环境中测试改进方案、将经验证的洞察转化为车间操作变更。 这一 AI 工厂的构建过程，又对实时性、可靠性、数据一致性有了新的要求，只有算力、存储、网络紧密协同的系统才能胜任，而 Rubin 与 BlueField-4 正是支撑这一能力的核心基石。 对于英伟达而言，Rubin 与 BlueField-4 的价值闭环，不仅解决了当下的 AI 数据中心的问题，也构建了一套面向未来、可持续演进的技术体系，指明了未来 AI 原生计算的发展方向。 真正的创新 过去十年，数据中心一直遵循着相同的逻辑，先有更快的 CPU，然后加上 GPU 加速，再加上更快的网络，然后是更大的存储…… 每次升级都聚焦于某个单点，期待通过局部优化来提升整体性能。这种思路在 AI 负载相对简单时尚能奏效，但面对代理式 AI、物理 AI 等新一代应用，已经力不从心。 而在 CES 2026 上，英伟达用 Rubin 和 BlueField-4 告诉大家：AI 原生数据中心需要摒弃过往的陈旧发展思路，用算力+基建的全新协同架构“从头来过”。 这一思路并不局限在英伟达自己的基础设施之中，未来可能会有愈来愈多的基础设施厂商效仿，推出各自的协同架构方案，芯片设计、服务器制造、数据中心建设的边界会变得模糊，系统集成能力会成为新的竞争焦点。可以说，Rubin 与 BlueField-4 的真正价值不在于某个具体的性能指标，而在于它展示了一种新的构建 AI 基础设施的方法论。 这或许是英伟达在 CES 2026 上留给我们的最重要启示。技术的进步不只是参数的提升，更是思维方式的转变。当 AI 开始重塑计算的底层逻辑时，我们需要用新的视角来理解什么是真正的性能，什么是真正的效率，以及什么是真正的创新。

编辑：恬妞