據SemiAnalysis等管道報導，輝達Kyber NVL144機架架構遭遇重大延誤，發佈時間可能從原規劃推遲超過12個月至2028年。
延誤原因並非單顆GPU性能不足，而是面向NVL144的PCB中平面在製造可行性、良率和系統整合上仍存在挑戰。
面向更大規模NVLink域的NVL576也可能因CPO和NVSwitch互連問題推遲或僅小批次推出。
更重要的是輝達曾作為替代方案設計的NVL72x2背靠背機架架構，據稱已因雲服務商和超大規模客戶反對而取消。
此前被視為Rubin Ultra旗艦形態的4計算晶片版本也被取消，保留下來的將是較小的2計算晶片版本，實際性能可能接近原4晶片方案的一半。
這並不代表市場對輝達AI晶片的需求出現逆轉，亦不意味著其Rubin產品周期的失敗。
更準確地說AI基礎設施領域的競爭正步入“深水區”：
技術瓶頸已由單一GPU晶片、HBM記憶體及先進封裝，進一步延伸至整機櫃互連、PCB中平面、CPO技術，以及後期維運複雜度和客戶資料中心的實際部署能力。
截止到目前，輝達已經回應延遲報告，並稱我們的路線圖完好無損
01 Kyber延誤 AI算力瓶頸已經從晶片擴展到機架
輝達在GTC上展示Kyber時，核心目標是把單機架NVLink擴展域從NVL72提升到NVL144，並進一步通過多機架互連走向NVL576乃至更大規模。
這個方向符合大模型訓練和推理需求：模型越大，專家混合架構、長上下文、多智能體調度和即時推理越依賴低延遲、高頻寬的GPU間通訊。
過去市場更關注單顆GPU算力、HBM容量和CoWoS產能，但在機架級AI系統中，真正決定有效性能的是GPU能否作為一個統一計算域運行。
NVLink、NVSwitch、PCB中平面、銅纜、光互連、液冷和電力管理，都會影響最終吞吐量。
Kyber的難點在於它試圖用更高密度的PCB中平面替代大量傳統銅纜，讓機架內部連接更緊湊、可服務性更好、頻寬更高。
但中平面層數、訊號完整性、散熱、機械強度和批次製造良率必須同時滿足要求。只要其中一項不穩定，整機櫃交付就會被拖慢。
這說明AI硬體已經不再是“晶片做好就能出貨”的時代。輝達的優勢仍在系統級整合，但系統級整合的工程風險也正在顯著上升。
02 NVL72x2取消 反映雲廠商更重視可維運性
作為Kyber推遲後的替代方案，NVL72x2背靠背機架試圖把兩個Oberon機架背靠背放置，從而擴大純銅NVLink連接的規模。
理論上這可以在不等待Kyber完全成熟的情況下，提高Rubin Ultra的scale-up世界規模。
但據報導該方案遭到CSP和超大規模客戶強烈反對，原因在於設計過於特殊，部署、維護、布線、散熱和故障排查負擔過重。
大型雲廠商採購AI機架時，不只看峰值性能，還要看機房佈局、標準化、故障替換、可維護時間和長期營運成本。
對微軟、Google、亞馬遜、Meta和CoreWeave等客戶而言，一種架構如果需要改變機房動線、維護流程和備件體系，即使理論性能更高，也可能不具備大規模部署價值。
AI資料中心已經接近電力、冷卻和空間密度極限，任何“非標準化”都會放大營運風險。NVL72x2取消的含義是，輝達不能單純用工程替代方案解決Kyber延誤。
客戶需要的是可複製、可維護、可規模化的AI工廠，而不是只能在演示環境中成立的複雜拓撲。
03 Rubin Ultra縮水 給AMD和TPU留下scale-up窗口
據相關報導原4計算晶片Rubin Ultra已取消，輝達將保留較小的2計算晶片Rubin Ultra版本。
這意味著單顆加速器的理論上限下降，系統可能需要更多GPU、更多機架或更高互連效率來彌補性能缺口。
這對輝達的風險，不在於短期訂單立即消失，而在於2027年至2028年高端訓練和推理平台的路線圖確定性下降。
如果CPO NVSwitch要等到Feynman周期才成熟，Rubin Ultra在大規模scale-up域上的擴展能力就會受到限制。
這為競爭對手提供窗口。AMD MI500X如果能夠在封裝、記憶體容量、互連和系統供貨上按期推進，可能在部分雲客戶中獲得更多測試機會。
GoogleTPUv8i Broadfly等自研ASIC，也可能依靠內部工作負載和專有互連，在特定推理與訓練場景中提供更高性價比。
不過，競爭窗口不等於輝達優勢消失。CUDA生態、系統軟體、網路產品和客戶遷移成本仍然構成護城河。
真正變化的是市場將不再只比較GPU峰值算力，而會比較整套AI機櫃能否按時交付、穩定運行，並在真實模型負載中實現足夠高的利用率。
04 需求結構重排 供應鏈影響不是需求消失
市場分析指出，Kyber以及4晶片版本Rubin Ultra的延誤或取消，並不意味著供應鏈將迎來單純的“利空”。
為填補旗艦方案推遲留下的市場空白，輝達或將大量出貨Oberon Rubin及Oberon Rubin Ultra機架。
這意味著AI算力需求並未消失，而是從追求極限複雜度的方案，務實地轉向技術更成熟、更具量產可行性的系統形態。
對記憶體供應鏈而言，4計算晶片版本取消可能降低單顆旗艦晶片對HBM4E的極端拉動，但如果客戶為獲得相同算力而採購更多2晶片版本和更多機架，總HBM需求未必明顯下降。
真正需要觀察的是每個Rubin Ultra系統的HBM堆疊數量、出貨節奏和客戶配置。
對PCB和中平面供應鏈而言，Kyber延誤說明超高層數、高密度高速板製造難度被市場低估。
短期內相關供應商可能面臨節奏推遲；長期看，AI機櫃仍會推動PCB、背板、中平面和高速連接材料升級，只是放量時間可能後移。
對ODM、液冷、電源和機櫃廠商而言，Oberon機架繼續放量反而可能提高確定性。客戶更願意選擇成熟、可維護、可快速部署的架構，而不是等待更激進但不穩定的系統。
這次延誤的本質是輝達路線圖從“性能承諾”進入“製造兌現”階段。
AI行業仍需要更多算力，但算力不再只由GPU數量決定，而由晶片、封裝、記憶體、PCB、互連、機櫃、冷卻和維運共同決定。
以及雲廠商是否把更多訂單轉向AMD、TPU或自研ASIC。
這意味著，AI產業的勝負手已不再取決於實驗室裡的算力峰值，而取決於誰能先將複雜的拓撲結構轉化為高良率、可維運的交付物。
輝達的真正考驗在於如何用工業製造的確定性，去兌現其架構設計的激進承諾。 (矽谷宇宙)