輝達2026年的首場重頭戲比以往來得更早。當地時間1月5日，在美國CES上，黃仁勳出乎意料地提前發佈了下一代AI晶片平台“Rubin”，打破了輝達通常在每年3月GTC大會上集中公佈新一代架構的傳統。AI競賽進入推理時代，輝達決定加速出擊。Vera Rubin已投產Rubin並非空降。早在2025年3月的GTC大會上，黃仁勳就已預告了代號“Vera Rubin”的超級晶片，並明確其將於2026年量產。此次在CES上，黃仁勳對Rubin平台進行了系統性發佈，Rubin成為輝達最新GPU的代號。“Rubin的到來正逢其時。無論是訓練還是推理，AI對計算的需求都在急劇攀升。”黃仁勳表示，“我們堅持每年推出新一代AI超級電腦，通過六顆全新晶片的極致協同設計，Rubin正在向AI的下一個前沿邁出巨大一步。”Rubin平台採用極端協同設計理念，整合了6顆晶片，包括NVIDIA Vera CPU、Rubin GPU、NVLink 6交換晶片、ConnectX-9 SuperNIC、BlueField-4 DPU以及Spectrum-6乙太網路交換晶片，覆蓋了從計算、網路到儲存與安全的多個層級。相比前代Blackwell架構，Rubin加速器在AI訓練性能上提升3.5倍，運行性能提升5倍，並配備擁有88個核心的新款中央處理器（CPU）。相比輝達Blackwell平台，Rubin平台實現推理token成本最高可降低10倍，訓練MoE（專家混合）模型所需GPU數量減少4倍。同時，Vera Rubin NVL72機櫃級系統和平台同步發佈，命名上非外界預計的NVL144。對此，輝達高管在溝通會上向21世紀經濟報導等記者指出，NVL72指的是72個GPU封裝單元，每個封裝內部包含2個Rubin Die，因此系統中實際包含144個Rubin Die，這並不意味著系統規模變化。在生態層面，Rubin已獲得頭部雲廠商和模型公司的集中響應。AWS、Microsoft、Google、OpenAI、Anthropic、Meta、xAI、CoreWeave等均被列入首批採用名單。Rubin在CES的提前亮相，也引發了外界對輝達產品發佈節奏變化的關注。對此，輝達高管回應稱，目前構成Vera Rubin平台的六顆晶片已經全部到位，相關系統已在運行真實應用負載，並取得了積極結果。此次在CES上提前披露Rubin，主要是為了儘早向生態夥伴提供工程樣品，方便其為後續部署和規模化應用做準備。輝達同時強調，Rubin仍將按照既定節奏推進，計畫在今年下半年進入量產爬坡階段，這一時間安排與此前披露的路線圖保持一致。全端AI佈局隨著AI進入推理階段，黃仁勳展示的不只是Rubin平台。在CES演講中，輝達還發佈了一系列AI體系產品，包括開源模型、AI儲存、物理AI等。這是輝達的全端AI佈局，同時也是其在繼續釋放訊號：AI重心繼續從“訓練規模”轉向“推理系統”。具體來看，輝達發佈了推理上下文儲存平台（Inference Context Memory Storage Platform），這是一個專為推理場景設計的AI原生儲存平台。該平台由BlueField-4 DPU與Spectrum-X乙太網路支撐，在GPU與傳統儲存之間引入新的儲存層，用於高效管理和共享KV Cache，減少重複計算帶來的算力浪費。同時，黃仁勳特別強調了物理AI。在更長期的佈局上，輝達圍繞物理AI推進，發佈了一系列開源模型、開發框架和硬體平台，將AI能力從資料中心延伸至機器人、自動駕駛與工業邊緣場景。黃仁勳表示：“AI已經不再是一次性問答的聊天機器人，而是能夠理解物理世界、進行長期推理、使用工具完成真實工作，並同時保有短期和長期記憶的智能協作者。”面向機器人領域，輝達發佈了Cosmos與GR00T系列開源模型，用於機器人學習、推理與動作規劃。其中，Cosmos Reason 2是一款推理型視覺語言模型（VLM），使機器能夠“看見、理解並在物理世界中行動”；GR00T N1.6 則是一款面向類人機器人的推理型視覺-語言-動作（VLA）模型，用於解鎖全身控制能力。“機器人領域的ChatGPT時刻已經到來，”黃仁勳表示，“能夠理解現實世界、進行推理並規劃行動的物理AI模型，正在解鎖全新的應用場景。輝達覆蓋Jetson、CUDA、Omniverse 以及開源物理AI模型的完整技術堆疊，正在賦能全球合作夥伴，通過AI驅動的機器人重塑各個行業。”在自動駕駛領域，輝達發佈了Alpamayo開源模型家族，定位為面向“長尾場景”的推理型自動駕駛基礎模型。該體系配套發佈了AlpaSim高保真模擬框架以及覆蓋1700多小時駕駛資料的開源資料集，用於訓練和驗證基於推理的自動駕駛系統。黃仁勳表示，輝達的首款AV車將於第一季度在美國推出，其他地區緊隨其後。從Rubin平台的提前亮相，到推理儲存與物理AI的同步推進，輝達正在將AI基礎設施的競爭推向“系統工程能力”。在這一階段，真正拉開差距的，已不只是晶片算力本身，而是從架構、系統到生態的整體交付。 (21世紀經濟報導)

Rubin 是多少張 GPU 互聯？比現在最強的資料中心性能強多少？——本報告的分析結論如下：互聯規模的代際跨越：Rubin 架構引入了 Vera Rubin NVL144 平台，在一個機架內實現了 144 個 GPU 計算核心（Die） 的全互聯 1。這不僅在物理數量上是前代 Blackwell NVL72（72 個 GPU）的兩倍，更重要的是，通過第六代 NVLink（NVLink 6）技術，這 144 個核心建構了一個單一的、記憶體一致的邏輯計算域。這意味著模型可以像在一個巨大的 GPU 上運行一樣，在 144 個核心之間無縫共用記憶體和資料，徹底消除了節點間通訊的延遲瓶頸。性能增益的多維躍遷：相比當前最強的資料中心基準——Blackwell GB200 NVL72，Rubin 展現了多維度的性能提升：AI 推理性能（FP4）：提升幅度約為 3.3 倍，達到 3.6 Exaflops 1。海量上下文處理（CPX）：針對百萬級 token 的長上下文任務，Rubin CPX 平台的性能是 Blackwell 的 7.5 倍2。記憶體頻寬：整機架聚合頻寬從 NVL72 的 576 TB/s 激增至 1.7 PB/s，約為 3 倍 的提升 2。本報告將深入探討驅動這些數字背後的技術邏輯，包括 3nm 工藝製程、HBM4 記憶體革命、銅纜互聯物理學以及 600kW 功率密度帶來的熱力學挑戰。2. 宏觀背景：計算通膨與推理時代的黎明要理解 Rubin 架構的設計初衷，必須首先審視當前 AI 產業面臨的根本性矛盾：計算通膨（Computation Inflation） 與 記憶牆（Memory Wall） 的雙重擠壓 4。隨著大語言模型（LLM）從單純的文字生成轉向具備多步邏輯推理能力的“Agentic AI”（代理智能），計算範式正在發生深刻的轉移。2.1 從訓練原生到推理原生在 Hopper（H100）時代，資料中心的主要任務是模型訓練，這要求極高的浮點運算能力。然而，隨著模型部署的普及，推理（Inference）——尤其是長上下文、高並行的推理——成為了算力消耗的主體。Blackwell 架構通過引入 FP4 精度初步應對了這一挑戰，但 Rubin 則是為**“推理原生”**時代徹底設計的 2。Rubin 的出現不僅僅是為了更快的訓練，更是為瞭解決“百萬 Token 級”上下文的即時處理問題。在這一場景下，瓶頸不再是計算核心的速度，而是資料搬運的速度。因此，Rubin 架構的核心哲學可以概括為：以頻寬換算力，以互聯換延遲。2.2 摩爾定律的終結與系統級擴展隨著電晶體微縮逼近物理極限，單晶片性能的提升日益艱難。輝達 CEO 黃仁勳明確指出，未來的性能提升將不再依賴單一晶片，而是依賴“資料中心即晶片”的系統級設計 4。Rubin 架構正是這一理念的極致體現：它不再試圖製造一個超強的 GPU，而是試圖製造一個超強的機架（Rack），並讓這個機架在軟體層面表現為一個單一的邏輯單元。3. 矽基架構：Vera Rubin 超級晶片的技術解構Rubin 平台的核心建構模組是 Vera Rubin Superchip。這一異構計算模組整合了定製化的 Vera CPU 和下一代 Rubin GPU，通過 NVLink-C2C 實現晶片級的高速互聯。3.1 Rubin GPU 微架構：3nm 與雙芯封裝Rubin GPU 將採用台積電（TSMC）的 3nm 工藝（預計為 N3P 或後續最佳化版本）製造 6。相比 Blackwell 使用的 4NP 工藝，3nm 節點提供了顯著的電晶體密度提升和能效最佳化，這是在有限的功耗預算下實現性能翻倍的物理基礎。3.1.1 封裝策略：Die 與 GPU 的定義重構在分析 Rubin 的規格時，必須澄清輝達術語體系的變化。在 Blackwell B200 中，一個封裝（Package）包含兩個計算裸片（Compute Die）。在 Rubin 這一代，這種設計得到了延續並擴展：標準 Rubin GPU：包含 2 個全光罩尺寸（Reticle-sized）的計算裸片7。Rubin Ultra（2027年）：預計將包含 4 個計算裸片1。因此，當我們討論 NVL144 時，我們指的是 72 個物理封裝，每個封裝內含 2 個裸片，總計 144 個計算核心1。這種設計使得輝達能夠在不突破光刻機掩膜版尺寸限制（Reticle Limit）的前提下，持續擴大單晶片的有效面積。3.1.2 記憶體革命：HBM4 的引入Rubin 架構最關鍵的技術躍遷在於首發搭載 HBM4（High Bandwidth Memory 4） 記憶體 6。相比 Blackwell 使用的 HBM3e，HBM4 帶來了質的飛躍：位寬翻倍：HBM4 將記憶體介面位寬從 1024-bit 擴展至 2048-bit8。這使得在同等時脈頻率下，頻寬直接翻倍。堆疊工藝：HBM4 採用了邏輯裸片與記憶體裸片的混合鍵合（Hybrid Bonding）技術，甚至可能直接堆疊在 GPU 邏輯晶片之上（3D 堆疊），從而大幅降低訊號傳輸的功耗（pJ/bit）。容量與頻寬：每個 Rubin GPU 封裝配備了 288GB HBM4 記憶體，頻寬高達 13 TB/s7。作為對比，Blackwell B200 的頻寬僅為 8 TB/s。這額外增加的 5 TB/s 頻寬，是 Rubin 能夠在推理任務中大幅領先 Blackwell 的核心物理原因。3.2 Vera CPU：徹底的架構自主與 Grace CPU 採用 ARM 標準 Neoverse 核心不同，Vera CPU 採用了輝達完全自訂的 ARM 架構核心 9。核心規格：單顆 Vera CPU 擁有 88 個物理核心，支援 176 個線程（SMT）11。戰略意義：Vera 的出現標誌著輝達在計算全端上的進一步收束。通過自訂核心，輝達可以針對 AI 資料預處理、CUDA 核心調度以及網路協議棧進行指令集等級的最佳化，進一步降低 CPU-GPU 之間的通訊延遲。Vera 與 Rubin 之間通過 1.8 TB/s 的 NVLink-C2C 互聯 1，確保了 CPU 記憶體與 GPU 視訊記憶體處於統一的定址空間。3.3 Rubin CPX：為“百萬上下文”而生在標準版 Rubin 之外，輝達還規劃了 Rubin CPX 變體。這是一個專為處理極長上下文（Massive Context）設計的 SKU 2。技術痛點：在處理長文件或生成長視訊時，Transformer 模型的 KV-Cache（鍵值快取）會佔用海量視訊記憶體，且注意力機制（Attention Mechanism）的計算複雜度隨序列長度呈二次方增長。CPX 解決方案：Rubin CPX 並沒有單純堆砌 FP4 算力，而是整合了專用的硬體單元來加速注意力計算，並最佳化了視訊記憶體管理機制。據官方資料，CPX 在百萬 token 級任務上的表現是 Blackwell 系統的 7.5 倍3。這表明 CPX 可能採用了類似於“Ring Attention”的硬體加速技術，利用 NVLink 6 的高頻寬在多個 GPU 間高效流轉 KV 塊。4. 互聯拓撲：NVLink 6 與 144 芯互聯架構（回答“是多少張GPU互聯”）回答使用者“是多少張GPU互聯”的核心在於解析 NVLink 6 互聯技術與 NVL144 機架架構。這是 Rubin 區別於所有競爭對手的護城河。4.1 NVL144：單一機架內的超級電腦Rubin 架構的旗艦形態是 Vera Rubin NVL144。這是一個液冷機架系統，其互聯規模達到了前所未有的高度：互聯數量：144 個 GPU 計算核心（Die）1。物理形態：72 個 Rubin GPU 封裝（每個含 2 個 Die） + 36 個 Vera CPU 1。互聯性質：全互聯、無阻塞（Non-blocking）、記憶體一致性域。在 NVL144 中，任意一個 GPU 都可以通過 NVLink Switch 直接訪問機架內其他 143 個 GPU 的 HBM4 記憶體，且訪問速度高達 3.6 TB/s。這與傳統的乙太網路或 InfiniBand 互聯有著本質區別：在軟體看來，這 144 個 GPU 就是一個擁有 ~41 TB 統一視訊記憶體（288GB x 144）的巨型 GPU。4.2 NVLink 6：銅纜的物理極限支撐這一互聯規模的是第六代 NVLink 技術。頻寬翻倍：NVLink 6 的雙向頻寬提升至 3.6 TB/s，是 Blackwell 所用 NVLink 5（1.8 TB/s）的 2 倍8。機架總頻寬：NVL144 機架背板的交換容量高達 260 TB/s1。物理介質：為了在機架內實現如此高的密度和極低的延遲，輝達繼續採用了**銅纜背板（Copper Backplane）**設計 13。儘管業界對光學互聯（Silicon Photonics）呼聲甚高，但在機架內部（<2米距離），銅纜依然具有功耗低、無需光電轉換延遲的優勢。NVL144 的背板是一個工程奇蹟，它整合了超過 5000 根高速銅纜，構成了一個類似脊椎的通訊骨幹。4.3 與 Blackwell NVL72 的對比通過對比可見，Rubin 並非簡單的數量堆砌，而是通過互聯頻寬的翻倍來支撐節點數量的翻倍，從而保證了**網路直徑（Network Diameter）**不隨節點增加而惡化，維持了極低的通訊延遲。5. 性能基準：超越最強資料中心（回答“強多少”）使用者關注的第二個核心問題是：“比現在最強的資料中心性能強多少？” 目前的基準是 Blackwell GB200 NVL72。Rubin 的性能提升並非單一數值，而是根據工作負載的不同呈現出分層差異。5.1 AI 推理性能（Inference）：3.3 倍的躍升在 FP4（4-bit 浮點）精度下，Vera Rubin NVL144 的理論峰值性能達到 3.6 Exaflops（每秒 360 億億次運算）1。對比基準：Blackwell NVL72 的 FP4 性能約為 1.44 Exaflops。提升幅度：約 2.5 倍至 3.3 倍1。技術歸因：這一提升不僅源於 GPU 數量的翻倍（從 72 到 144），更源於 Rubin 架構 Tensor Core 的效率提升以及 HBM4 提供的 13 TB/s 頻寬，使得計算單元能夠滿負荷運轉，避免了“記憶體牆”導致的閒置。5.2 複雜推理與長上下文（CPX）：7.5 倍的質變對於生成式 AI 的未來——即涉及數百萬 Token 上下文、視訊生成或複雜程式碼分析的任務——Rubin CPX 展現了驚人的統治力。性能資料：輝達宣稱 Rubin CPX 系統在“海量上下文推理”任務中比 GB200 NVL72 強 7.5 倍2。技術歸因：這 7.5 倍的差異遠超算力本身的提升，主要歸功於 CPX 針對 Attention 算子的硬體最佳化和 NVLink 6 的極低延遲。在長文字推理中，資料在 GPU 間的搬運是最大瓶頸，Rubin 的超高頻寬讓跨 GPU 的 KV-Cache 訪問如同訪問本地視訊記憶體一樣快。5.3 訓練性能（FP8）：穩健增長在傳統的模型訓練（FP8 精度）方面，Rubin 的提升相對溫和但依然顯著。性能資料：NVL144 提供 1.2 Exaflops 的 FP8 算力 1。對比基準：Blackwell NVL72 約為 720 Petaflops。提升幅度：約 1.6 倍。解讀：訓練任務對計算密度的依賴高於記憶體頻寬，因此提升幅度更接近於電晶體規模的線性增長。但考慮到 Rubin 支援更大的單節點模型，其實際訓練效率（收斂速度）可能高於理論算力的提升。5.4 性能資料彙總表以下表格總結了 Rubin NVL144 與 Blackwell NVL72 的關鍵性能對比：6. 熱力學與基礎設施：600kW 的工程挑戰Rubin 架構的性能飛躍並非沒有代價。為了在單一機架內壓縮 144 個高性能 GPU 和 36 個 CPU，其對資料中心的基礎設施提出了極其嚴苛的要求。6.1 功率密度的爆炸：邁向 600kW雖然標準的 NVL144 機架功耗預計在 120kW - 140kW 左右（與 NVL72 相似），但 Rubin 架構的終極形態——Rubin Ultra NVL576——預計將單機架功耗推向 600kW 的恐怖量級 10。對比：傳統企業級機架功耗僅為 10kW 左右；即使是當前的高密度 AI 機架通常也在 40-50kW。Rubin Ultra 的 600kW 相當於將一個小區的用電量壓縮到了一個衣櫃大小的空間內。6.2 800V 高壓直流供電（HVDC）為了應對如此巨大的電流，傳統的 48V 配電架構已徹底失效（電流過大會導致銅排熔化）。Rubin 平台推動了 800V 直流配電 標準的落地 17。原理：根據 $P=UI$，在功率 $P$ 極大的情況下，提高電壓 $U$ 是降低電流 $I$ 的唯一途徑。800V 架構允許使用更細的母線（Busbar），減少傳輸損耗，並提高電源轉換效率。6.3 液冷成為唯一選項對於 Rubin NVL144，風冷已在物理上不可行。該系統採用了 100% 全液冷設計14。Kyber 機架：輝達為 Rubin 重新設計了名為“Kyber”的機架架構（接替 Blackwell 的 Oberon 機架）。Kyber 專為高密度液冷最佳化，冷卻液直接流經 GPU、CPU 和 NVSwitch 晶片表面的冷板（Cold Plate），並通過機架內的 CDU（冷卻分配單元）進行熱交換。這意味著部署 Rubin 的資料中心必須具備完善的液體回路基礎設施。7. 軟體生態與經濟學模型硬體的堆砌只是基礎，Rubin 的真正威力在於其軟體棧和經濟效益。7.1 CUDA 與 NIM 的進化為了駕馭 144 晶片的互聯域，輝達的 CUDA 軟體棧將進一步演進。Rubin 將深度整合 NVIDIA NIM (NVIDIA Inference Microservices)，這是一套預最佳化的微服務容器，能夠自動識別底層的 NVL144 拓撲，並將模型層（Layer）智能切分到不同的 GPU Die 上，以確保儲存和計算的負載平衡 4。7.2 代幣經濟學（Tokenomics）雖然 Rubin NVL144 機架的單價將極其昂貴（預計數百萬美元），但其 TCO（總體擁有成本） 在大規模推理場景下可能反而更優。推理成本降低：由於 Rubin CPX 在長上下文任務上擁有 7.5 倍的性能優勢，這意味著單位 Token 的生成能耗和時間成本大幅下降。對於像 OpenAI、Anthropic 這樣每天處理數十億 Token 的服務商而言，Rubin 是降低營運成本的必要工具。8. 結論與展望輝達的 Rubin 架構不僅僅是一次產品的迭代，它是對“摩爾定律已死”這一論斷的有力回擊。通過將 144 個 3nm GPU 封裝在一個通過 NVLink 6 互聯的單一機架中，輝達成功地將計算的邊界從微米級的晶片擴展到了米級的機架。回答使用者的核心疑問：互聯規模：Rubin 實現了 144 張 GPU（裸片） 的全互聯，建構了當前世界上密度最大的單一記憶體計算域。性能對比：相比當前最強的 Blackwell NVL72，Rubin 在 AI 推理上強 3.3 倍，在處理長上下文任務時強 7.5 倍，在記憶體頻寬上強 3 倍。Rubin 的出現標誌著 AI 基礎設施正式進入了“巨型機”時代。在這個時代，資料中心的衡量單位不再是伺服器的數量，而是機架（NVL144）的數量。對於追求極致算力的科研機構和科技巨頭而言，Rubin 不僅是下一代工具，更是通往通用人工智慧（AGI）的物理基石。 (成癮大腦神經重塑)

01.輝達：預計18個月出貨2000萬高端GPU，液冷二次側有望迎來2000億需求昨天，輝達GTC大會，黃仁勳再次對AI的市場趨勢做了詳細分析，同時也發佈了輝達的系列產品，包括未來的架構和量子計算，站在全場C位的，還是首次亮相下一代Vera Rubin的。這是輝達第三代NVLink 72機架級超級電腦，徹底實現了無線纜連接。目前，Vera Rubin超級晶片已在實驗室完成測試，預計明年10月可以投產。輝達CEO黃仁勳在GTC大會上預計，未來六個季度業務規模將達5000億美元，將出貨2000萬塊Blackwell和Rubin圖形處理器（GPU）。黃仁勳還表示，Blackwell在亞利桑那州“全面投入生產”。本次GTC大會，輝達也首次曝光了其Rubin伺服器和交換機的液冷架構，雖然沒有很清楚的爆炸圖，但是從現場圖看，其液冷架構設計的更加複雜，更加緊湊，液冷覆蓋佔比100%，光模組，SSD部分也做了銅冷板覆蓋，採用的不鏽鋼波紋管數量也愈加上升。從液冷市場規模來看來看，未來18個月輝達將會出貨2000萬塊Blackwell和Rubin GPU，按照NV72架構來算，預計將會出貨278000個整機櫃，按照機櫃10萬美金的液冷價值佔比（Rubin架構可能佔比更高），預計未來18個月，輝達生態二次液冷需求將達到保守估計278億美金需求，也就是2000億人民幣，體量規模巨大，對液冷市場是強利多！Rubin整機櫃架構，結構也變得更加複雜，特別是電源部分有重大更新，Power rack將成為一個大趨勢。02.市場預期良好，算力基礎設施廠商受益台北時間10月29日晚間，輝達股價高開高走，盤中漲幅一度突破5%，成為首家市值突破5兆美元的上市公司。同時昨天多家A股上市公司已在全球算力產業鏈上充分佈局，或將受益於AI算力競賽加劇以及全球AI基礎設施的持續擴容。10月29日晚，工業富聯披露2025年第三季度報告。雲端運算業務方面，前三季度，公司雲端運算業務營業收入較上年同期增長超過65%，第三季度單季同比增長超過75%，主要受益於超大規模資料中心用AI機櫃產品的規模交付及AI算力需求的持續旺盛。特別是雲服務商業務表現亮眼，前三季度營業收入佔比達雲端運算業務的70%，同比增長超過150%，第三季度單季同比增長逾2.1倍。其中，雲服務商GPU AI伺服器前三季度營業收入同比增長超過300%，第三季度單季環比增長逾90%、同比增長逾5倍。通用伺服器出貨亦保持穩健，整體雲端運算業務營收結構持續最佳化。工業富聯相關負責人此前在投資者調研中表示，公司對下半年AI伺服器業務持樂觀態度，除GB200持續放量外，GB300亦將逐步進入實質出貨階段。GB300在明年有望成為公司AI伺服器業務盈利的重要支撐點。交換機方面，公司預期800G產品會是2025-2026年的出貨主力，有望成為交換機業務的核心增長引擎。同時，公司與多家客戶協同開發的CPO（共封裝光學）新一代ASIC及1.6T交換機也在推進當中，後續將逐步推向市場。光通訊與高速連接方面，中際旭創可為雲資料中心客戶提供400G、800G和1.6T等高速光模組，為電信裝置商客戶提供5G前傳、中傳和回傳光模組以及應用於骨幹網和核心網傳輸光模組等高端整體解決方案。10月26日，公司在互動易平台上表示，其1.6T產品正在持續起量。新易盛亦致力於高性能光模組的研發、生產和銷售，產品服務於人工智慧叢集（AI Cluster）、雲資料中心、資料通訊、5G無線網路、電信傳輸、固網接入等領域的國內外客戶。目前，新易盛已經完成了滿足IEEE標準要求的全系列1.6T產品的開發，支援CMIS5.0及以上版本，可滿足不同客戶的應用需求，並啟動預研下一代3.2T產品。在PCB/載板方面，勝宏科技的主要產品覆蓋剛性電路板（多層板和HDI為核心）、柔性電路板（單雙面板、多層板、剛撓結合板）全系列，廣泛應用於人工智慧、新一代通訊技術、巨量資料中心等領域。公司半年報顯示，勝宏科技已成為國內外眾多頭部科技企業的核心合作夥伴，具備100層以上高多層板製造能力，是全球首批實現6階24層HDI產品大規模生產，及8階28層HDI與16層任意互聯（Any-layer）HDI技術能力的企業，同時加速佈局下一代產品，支援最前沿人工智慧產品及自動駕駛平台。散熱與電源方面，英維克已推出全鏈條液冷解決方案，從冷板、快速接頭、Manifold、CDU、機櫃，到SoluKing長效液冷工質、管路、冷源等“端到端”的產品覆蓋，從伺服器製造工廠，到資料中心運行現場的“廠到場”交付場景覆蓋。近年來，英維克已為字節跳動、騰訊、阿里巴巴、秦淮資料、萬國資料、資料港、中國移動、中國電信等使用者的大型資料中心提供了大量製冷產品及系統。麥格米特則具備高功率高效率網路電源技術及產品研發與供應能力，可支援通訊、交換機、通用伺服器、AI伺服器等多項場景應用。近年來，公司網路電源業務始終與國際頭部客戶保持緊密合作關係，持續獲得了愛立信（Ericsson）、思科（Cisco）、瞻博網路（Juniper）、阿里斯塔（Arista）、智邦科技（Accton）等頭部國際客戶的多項項目需求與訂單。(零氪1+1)

這是一個非常「有錢景」的方向，我會借助 AlphaEngine 的幫助，幫你跨越產業趨勢研究的資訊鴻溝，每天挖掘一個財富密碼。今天的主角是：Rubin CPX，AI產業變革下一個核心驅動力。點選下方▶️按鈕收聽👇👇（1）Rubin CPX：AI產業進入“長上下文時代”的里程碑輝達近日發佈了一款專為長上下文場景設計的GPU——Rubin CPX。這款晶片旨在顯著提升AI推理效率，尤其適用於程式設計、視訊生成等需要處理超長上下文窗口的應用領域。Rubin CPX計畫於2026年底正式上市，市場定位是專為處理百萬級token長上下文AI推理而設計的關鍵基礎設施，旨在將AI算力正式推向Exascale（百億億次）時代。該產品的市場吸引力已得到初步驗證，包括Cursor（AI程式設計）、Runway（視訊生成）及Magic（AI程式設計）在內的多家前沿AI企業已率先採用該技術。Rubin CPX的推出可視為推動AI產業進入“長上下文時代”的里程碑事件，其核心價值在於通過架構創新為AI推理的規模化部署掃清了經濟性與效率障礙，為長上下文AI應用的商業化落地提供了高性價比的基礎設施。基於Rubin CPX的顛覆性設計，我們預見AI產業鏈將迎來深刻變革，一個全新的AI應用紀元正拉開序幕。1）上游供應鏈將迎來結構性增長：能夠滿足Rubin CPX嚴苛技術要求的供應商將獲得顯著優勢。例如，在PCB領域，對40層以上、採用M9級材料的高階伺服器板及HDI技術的需求將激增，為具備相關技術儲備的頭部廠商帶來確定性訂單。2）下游AI應用範式將被重塑：百萬級token的處理能力將徹底改變AI應用形態，AI編碼助手將從簡單的程式碼補全工具進化為能夠理解和重構整個複雜軟體項目的“AI架構師”，而視訊生成、藥物研發和企業知識庫問答等領域也將因上下文長度的突破而開啟新的可能性。（2）Rubin CPX的核心技術創新：解耦推理Rubin CPX的核心創新在於其獨特的解耦推理（Decoupled Inference）技術，該技術首次將大語言模型的推理流程從物理上分解為兩個獨立的階段：上下文處理（Prefill/Context）和生成（Decode/Generation）。傳統架構在單一硬體上執行這兩個特性迥異的任務，導致資源錯配與效率瓶頸。解耦架構則為每個階段匹配專用硬體：1）上下文處理階段：此階段計算密集（Compute-Intensive），需要大規模平行處理能力來消化海量輸入。Rubin CPX專為此設計，採用“胖計算、瘦頻寬”的理念，使用GDDR7來最大化算力利用率。2）生成階段：此階段頻寬密集（Bandwidth-Intensive），每個Token的生成都極度依賴記憶體訪問速度。該任務由標準的、配備高頻寬記憶體（HBM）的Rubin GPU（如R200）承擔，確保低延遲輸出。通過這種專用化分工，解耦推理架構實現了對計算和記憶體資源的精準調配，從根本上解決了傳統同構架構的效率天花板問題。Rubin CPX的解耦推理架構在處理流程、硬體瓶頸和記憶體策略上，與以GB300為代表的傳統同構架構形成了鮮明對比，其專用化設計帶來了革命性優勢。*註：由FinGPT Agent作表，原表請登錄AlphaEngine（3）Rubin CPX的關鍵性能參數Rubin CPX作為NVIDIA首款專為海量上下文AI推理設計的CUDA GPU，其單晶片及其組成的Vera Rubin NVL144 CPX平台在算力、記憶體、功耗及成本效益上均實現了對現有架構的顛覆性突破。以下是其核心技術規格與上一代旗艦GB300 NVL72的量化對比分析：*註：由FinGPT Agent作表，原表請登錄AlphaEngine從經濟效益的角度來看，Rubin CPX相比上一代架構，將帶來以下幾點變化：性能與成本的極致最佳化：Rubin CPX通過採用單片式設計，成功規避了當前先進封裝領域面臨的CoWoS產能瓶頸，這不僅保障了其在2026年的規模化量產能力，更帶來了顯著的成本優勢。其生產成本僅為同期旗艦訓練晶片R200的25%，卻能實現其60%的計算能力。同時，選用成本較HBM低50%以上的GDDR7視訊記憶體，進一步強化了其在推理市場的經濟性。平台級性能的指數級躍升：Vera Rubin NVL144 CPX平台通過異構協同，將AI性能推向了前所未有的8 EFLOPS（NVFP4精度），相較於上一代GB300 NVL72系統實現了7.5倍的性能飛躍。特別是在大模型推理的關鍵瓶頸——注意力機制處理上，其速度提升了3倍，這意味著處理百萬token級長上下文的效率和可行性得到了根本性改善。卓越的投資回報：基於其顛覆性的性能和成本結構，Rubin CPX展現出極高的經濟效益。據測算，在規模化營運下，其投資回報率（ROI）可高達30至50倍。具體而言，每1億美元的資本投入，預計可產生高達50億美元的token服務收益，這為資料中心和雲服務商提供了極具吸引力的TCO（總擁有成本）模型，預示著其將快速滲透至長上下文推理市場。（4）Rubin CPX對AI全產業鏈的深遠影響Rubin CPX的推出對AI產業鏈帶來了全方位的技術革新，催生了大量投資機遇，這裡我從“資料中心與液冷”、“PCB及原材料”、“AI應用”這三個角度展開。1）資料中心與液冷：Rubin CPX正強力推動伺服器架構向高密度、模組化的分解式設計（Disaggregated Design）演進，重塑AI計算基礎設施。其核心體現於Vera Rubin NVL144 CPX平台，該平台在單機架內實現了144個 Rubin CPX、144個Rubin GPU和36個Vera CPU的超高密度整合，樹立了行業算力密度的新標竿。這種分解式架構通過硬體專用化，將推理流程中計算密集的上下文處理（Prefill）與記憶體頻寬密集的生成（Decoding）階段分離，分別由CPX和標準Rubin GPU高效執行，實現了計算資源的精準匹配與利用率最大化。與此同時，Rubin CPX單晶片高達800W的功耗對資料中心的散熱與電源系統構成了嚴峻挑戰，傳統風冷方案已無法滿足散熱需求，這使得先進液冷技術（如直接液體冷卻DLC）的規模化普及成為必然趨勢，以確保系統穩定運行並最佳化能源效率（PUE）。巨大的單機架功耗需求也倒逼電源管理系統向更高效率和更高功率密度演進。這不僅涉及伺服器內部的電源架構，也涵蓋了從機架配電單元（PDU）到整個資料中心供電鏈路的全面升級，以支援未來AI叢集的龐大能源消耗。2）PCB及上游原材料：Rubin CPX技術規格的躍升正驅動上游關鍵材料需求的確定性放量。為滿足PCIe Gen 6等高速訊號傳輸的完整性要求，M9等級的超低損耗覆銅板材料已成為剛性需求。產業鏈向上游追溯，為實現超低損耗目標，石英布、 HVLP（極低輪廓）銅箔等高端材料的應用將從利基市場走向規模化普及。此外，承載Rubin CPX晶片本身的PCB預計將採用HDI（高密度互連）技術，進一步提升了PCB的設計複雜度和製造門檻，並帶來純粹的增量市場。這一趨勢已在頭部廠商的資本支出計畫中得到印證。以臻鼎為代表的PCB龍頭廠商規劃在2025-2026年投入的資本支出中，高達50%將明確用於高 階AI伺服器PCB的產能擴張，為即將到來的材料需求激增提前佈局。3）下游AI應用Rubin CPX將對AI應用帶來深遠的影響。首先，超長上下文將成為“標配”。128 GB GDDR7 + 30 PFLOPS NVFP4 的專用算力，讓單卡即可一次性載入 >1 M token 的程式碼或 1 小時視訊，無需再靠分片、滑動窗口等“折中”方案，直接把“整庫級”程式碼理解、長視訊連貫生成推向實用。其次，推理成本驟降，催生新商業模式。與旗艦 GB300 NVL72 相比，同樣長上下文任務性能最高提升 6.5 倍，而硬體成本更低（GDDR7 替代昂貴 HBM）。根據輝達官方測算，1 億美元新裝置可帶來 50 億美元 token 收益，ROI 達 30–50 倍，為 SaaS 平台按“百萬 token 幾分錢”收費提供了利潤空間。再次，“整庫級”AI 應用將成為主流。比如在Coding領域，Cursor、Magic等已計畫把整倉程式碼塞進模型，實現跨檔案重構、庫級問答，程式設計助手從“補全”升級為“架構師”。在視訊領域，Runway 等可在單卡完成 60 min 1080p 視訊生成，無需分段，保證情節、角色一致性。在科研/法律/金融等領域，百萬級 token 的論文、判例、財報一次性載入，多步推理即可在分鐘級完成，長文深度問答、自動研報進入可商用階段。一輪新的AI技術革命，正在滾滾而來。 (Alpha Engineer)

9月10日輝達又放AI計算大招，推出專為長上下文推理和視頻生成應用設計的新型專用GPU——NVIDIA Rubin CPX。Rubin CPX基於NVIDIA Rubin架構建構，採用經濟高效的單晶片設計，配備128GB GDDR7記憶體，採用NVFP4精度，並經過最佳化，算力可達30PFLOPS，能夠為AI推理任務，尤其是長上下文處理（超過100萬個token）和視訊生成，提供了遠超現有系統的性能和token收益。與輝達GB300 NVL72系統相比，這款專用GPU還提供了3倍更快的注意力機制，從而提升了AI模型處理更長上下文序列的能力，而且速度不會降低。Rubin CPX與全新NVIDIA Vera Rubin NVL144 CPX平台中的輝達Vera CPU和Rubin GPU協同工作，進行生成階段處理，形成一個完整的高性能分解式服務解決方案。Vera Rubin NVL144 CPX平台可在單機架整合144張Rubin CPX GPU、144張Rubin GPU、36張Vera CPU，提供8EFLOPS的AI性能（NVFP4精度）和100TB的快速記憶體，記憶體頻寬達到1.7PB/s。其AI性能是輝達Vera Rubin NVL144平台的2倍多，是基於Blackwell Ultra的GB300 NVL72機架式系統的7.5倍。從液冷視角來看，NVL144CPX平台整合的Rubin晶片數量更多，單伺服器整合8塊Rubin晶片，對冷板和UQD的需求將會成倍增長，同時對於高功率的CDU需求也會上升。輝達首席財務官科萊特·克雷斯 (Collette Cress) 表示，公司代號為 Rubin 的下一代資料中心級 GPU 和代號為 Vera 的 CPU 已完成流片並進入“晶圓廠”生產階段，這意味著它們的晶片目前由台積電 (TSMC) 生產。該公告表明，輝達面向 AI 的下一代資料中心平台有望於 2026 年推出。科萊特·克雷斯 (Collette Kress) 在公司與財務分析師和投資者的財報電話會議上表示：“Rubin 平台的晶片已投入生產。Vera CPU、Rubin GPU、CX9 Super NIC、NVLink 144 縱向擴展交換機、Spectrum X 橫向擴展和橫向擴展交換機，以及（用於共封裝光學器件的）矽光子處理器。Rubin 平台仍按計畫於明年實現量產。”該晶圓廠擁有 Rubin NVL144 機架規模平台的所有晶片，表明它們已經通過了重要的流片階段，Nvidia 目前正在實驗室中等待它們，以驗證它們是否符合其性能、功耗、成本和其他目標。 (零氪1+1)

效率最高可達現有旗艦機架的7.5倍。輝達於9月9日正式發佈了一款專為處理海量上下文而打造的新型GPU——NVIDIA Rubin CPX，旨在“以前所未有的速度和效率，賦能百萬級Token的軟體編碼、生成式視訊等複雜AI任務。”這款專用處理器將與NVIDIA Vera CPU及下一代Rubin GPU協同工作，共同構成全新的NVIDIA Vera Rubin NVL144 CPX整合平台。該平台在單個機櫃內即可提供高達8 exaflops的AI算力，性能是當前NVIDIA GB300 NVL72系統的7.5倍，並配備100TB高速記憶體和每秒1.7 PB的記憶體頻寬，為AI推理設定了全新基準。NVIDIA創始人兼首席執行官黃仁勳在發佈會上表示：“Vera Rubin平台將標誌著AI計算前沿的又一次飛躍。正如RTX徹底改變了圖形和物理AI，Rubin CPX是首款專為海量上下文AI打造的CUDA GPU，在這種場景下，模型可以一次性對數百萬token的知識進行推理。”為解決推理瓶頸而生：分解式推理架構與專用加速輝達表示，推理已成為人工智慧複雜性的新前沿。現代模型正演變為能夠進行多步推理、擁有持久記憶體和長上下文的智能體系統，使其能夠處理軟體開發、視訊生成和深度研究等領域的複雜任務。這些工作負載對基礎設施提出了前所未有的要求，在計算、記憶體和網路方面引入了新的挑戰，需要我們從根本上重新思考如何擴展和最佳化推理。在這些挑戰中，為特定類別的工作負載處理海量上下文變得日益關鍵。例如，在軟體開發中，AI系統必須對整個程式碼庫進行推理，維護跨檔案的依賴關係，並理解程式碼倉庫等級的結構——這正將編碼助手從自動補全工具轉變為智能協作者。同樣，長視訊和研究應用要求在數百萬token中保持持續的連貫性和記憶。這些需求正在挑戰當前基礎設施所能支援的極限。輝達認為，AI推理主要分為兩個階段：上下文階段（Context Phase）和生成階段（Generation Phase）。前者是計算密集型，需要高吞吐量處理海量輸入資料；後者是記憶體頻寬密集型，依賴高速資料傳輸逐個生成token。為最佳化效率，NVIDIA採用了“分解式推理”架構，將兩個階段交由最適合的硬體獨立處理。而NVIDIA Rubin CPX正是為加速計算密集的“上下文階段”而設計的專用解決方案。它採用高成本效益的單片式晶片設計，提供高達30 petaflops的NVFP4精度算力，配備128GB GDDR7記憶體，並將注意力（attention）功能速度提升至GB300 NVL72的三倍。此外，它還在單晶片上整合了視訊編解碼器和長上下文推理處理功能，極大地提升了視訊搜尋、高畫質視訊生成等應用的性能。NVIDIA指出，通過這種專用硬體，企業能夠以前所未有的規模創造價值，預計每投入1億美元資本，即可帶來高達50億美元的token收入。行業領導者積極擁抱，軟體生態全面支援新平台已獲得行業創新者的廣泛關注。AI程式碼編輯器開發商Cursor表示，Rubin CPX將帶來“閃電般的程式碼生成速度”，改變軟體開發模式。生成式AI公司Runway認為，新平台是“性能上的一次重大飛躍”，將幫助創作者在視訊工作中獲得前所未有的速度與真實感。致力於軟體工程自動化的AI研究公司Magic也指出，Rubin CPX能極大地加速其處理億級token上下文模型的計算工作負載。Rubin CPX將得到NVIDIA AI技術堆疊的全面支援，包括可高效擴展AI推理的NVIDIA Dynamo平台、NVIDIA Nemotron多模態模型系列以及包含NIM微服務的NVIDIA AI Enterprise企業級軟體平台。NVIDIA Rubin CPX平台預計將於2026年底正式上市。GB300 NVL72系統基準最新測試結果公佈在發佈未來架構的同時，NVIDIA於9月9日公佈的最新MLPerf Inference v5.1行業基準測試結果中，再次彰顯了其在當前AI推理領域的領導地位。本輪測試中，NVIDIA首次提交了基於全新Blackwell Ultra架構（通過GB300 NVL72系統）的成績，並立即刷新了所有新增基準測試的性能記錄，包括Llama 3.1 405B和Whisper等。尤其是在處理高達6710億參數的混合專家模型DeepSeek-R1時，Blackwell Ultra的單GPU性能達到了上一代Hopper架構的約5倍，實現了巨大的性能飛躍。這一成就得益於NVIDIA的全端最佳化能力，包括：廣泛應用NVFP4四位浮點格式進行加速、通過TensorRT-LLM等軟體庫實現先進的模型和KV快取量化，以及為複雜模型開發的全新平行技術。 (半導體產業縱橫)