新“核彈”要等明年，舊“核彈”還能戰

與往年一樣，今年的英偉達同樣帶來了全新的計算芯片——Blackwell Ultra和“期貨”芯片Rubin。其中，Blackwell Ultra實際上是Blackwell的升級版，已經開始接受預訂，在性能與帶寬等方面對比前代都有所升級，并且適配最新的NVlink技術，擁有更高的帶寬和速度。

圖源：英偉達

雖然在大會上并沒有公布GB300的價格，但是參考GB200的售價來看，新芯片的價格顯然不會便宜，而且英偉達貌似暫時并不打算單獨出售顯卡，目前還是以機柜的方式進行整套銷售，不過和昂貴的芯片相比，機柜其他配件的價格倒也顯得“微不足道”了。

從英偉達公布的參數來看，Blackwell Ultra的顯存從192GB升級為288GB，而在NVL72狀態下（72顆芯片互聯）AI性能是GB200的1.5倍。老實說這個數據遠不如從Hopper架構跳到Blackwell架構時驚艷，而且官方給出的數據里對整體性能提升也是“語焉不詳”，只是著重提到FP4推理性能提高50%。

而且從官網給出的數據對比來看，FP4推理性能的提升與FP64和INT8的推理性能被砍掉有關，前者從296 TFLOPS直接掉到10 TFLOPS，后者則是從72 PFLOPS掉到僅剩2 PFLOPS，省下來的算力資源都被塞到了FP4里。

圖源：英偉達

顯然，高精度的推理和訓練已經逐漸被拋棄，以FP8、FP4為主的低精度訓練正在成為主流。其實這里面也有不少DeepSeek的功勞，前段時間開源的一系列技術中就包括“如何在FP8低精度下保證訓練和推理命中率”的相關方案，也正是靠著這套方案，DeepSeek的訓練成本和推理成本才會遠低于其他AI企業。

不過目前來看，通過降低精度來提高算力效率的路也差不多走到頭了，FP4再往下的精度就很難確保效率和成本都滿足需求了，為了糾正錯誤所需要付出的資源可能超過在更高精度下訓練的成本。

雖然算力提升幅度存疑，但是顯存的增長卻是實打實的，特別是推理模型大行其道的當下，AI推理和訓練對帶寬的要求遠比以前更高。所以GB300的銷量還是很可觀的，據黃仁勛透露，亞馬遜、 微軟等企業已經提前下了360萬顆Blackwell Ultra芯片的訂單，將進一步拓展他們位于全球各地的AI算力中心。

聊完Blackwell Ultra，再來看看“期貨”芯片Rubin，這才是英偉達真正的下一代芯片，單芯片的FP4性能提升到25 PFLOPS，而完整的Rubin是雙芯片設計，所以實際FP4性能高達50 PFLOPS，是Blackwell Ultra的三倍以上。此外，顯存也升級為HBM4，雖然容量仍然是288GB，但是帶寬從8TB/s升級到13TB/s，在NVlink狀態下吞吐量高達260TB/s，是前代的兩倍。

圖源：英偉達

而且Rubin支持NVL144，也就是單個機柜最高可串聯144顆芯片，提供高達3.6EF的FP4算力或1.2 EF的FP8算力。作為對比，NVL72的Blackwell Ultra只有1.1EF的FP4算力，FP8算力更是只有0.36 EF，差距非常明顯。

除了Rubin外，英偉達這次也直接把Rubin Ultra一起展示了，最高支持NVL576，擁有15 EF的FP4算力和5EF的FP8算力，性能是GB300 NVL72的14倍，單組芯片配備1TB的HBM4e內存，顯存帶寬高達4.6PB/s，NVlink 7將為其提供高達1.5PB/s的帶寬速度。

圖源：英偉達

雖然數據看起來非常嚇人，不過單從算力來看基本上沒有多少增長，因為Rubin Ultra就是兩個Rubin組合在一起而已（Blackwell的GB200也是如此），所以最主要的升級還是新的NVlink和顯存。

雖然Rubin架構的參數很誘人，但是最快也要等到2026年下半年才會開始出貨，而Rubin Ultra更是要等到2027年下半年，你可以理解為英偉達直接把未來兩年的更新計劃提前透了底，估計也是為了提振市場對英偉達的信心。

至于2028年才會上市的“Feynman”，就單純只有一個名字了，更多的信息并沒有公開，只能說英偉達是懂得畫餅的?？傮w來說，Blackwell Ultra雖然不如此前猜測的那樣提升巨大，但是也更契合當下的AI模型訓練和推理需求，隨著Blackwell Ultra的陸續普及，全球算力規模估計會迎來新一輪的暴漲。

DeepSeek讓英偉達“賣得越多，賺得越多”

雖然新芯片的發布關注度很高，不過最有意思的還是老黃的新金句：“買得越多、賺得越多”，普羅大眾是否認可這個觀點尚且不談，反正四大云服務器運營商是認可了，這也是英偉達“賣得越多，賺得越多”。

這讓我不禁想起前段時間隨著DeepSeek的爆火，一度有著很高討論度的話題“AI不再需要英偉達顯卡”，現在看來，市場給出了這個問題的答案：“AI或許不再獨鐘于英偉達顯卡，但是我們現在需要更多的算力了。”而按下這場算力競賽加速鍵的企業，或許正是DeepSeek。

在今年的演講里，DeepSeek的出場率相當高，直接取代了去年的主角ChatGPT，黃仁勛也用DeepSeek來解釋為什么AI算力需求不僅沒有下降，反而在增長。作為范例與DeepSeek對比的是LLama 3，一個傳統的AI大模型，在回答同一個問題時，LLama只用了不到500 Token就輸出了回答，而DeepSeek則是用了高達8559 Token來輸出答案。

圖源：英偉達

結果是顯而易見的，LLama給出了錯誤答案，而DeepSeek則答對了，為了避免大家覺得DeepSeek-R1用671B的參數量“欺負”只有70B參數量的LLama，演示視頻還貼心地備注“活躍參數37B”的字樣。這也是DeepSeek-R1這類稀疏型AI大模型的特點，雖然參數量龐大，但是每次實際調用的參數量并不算多，甚至會比傳統AI大模型更少。

不過，即使活躍參數量僅為37B，DeepSeek所使用的Token量也遠超LLama，因為DeepSeek是推理模型，在輸出實際答案前會先進行多輪思考，并且在得到結果后會主動進行驗證，只有確定答案符合標準后才進行實際的回答輸出。

隨著DeepSeek將自己的優化過程和深度學習方案開源，許多AI模型都開始引入類似的長思考鏈步驟，雖然讓回答的質量比以前高了很多，但是對算力的需求也與日俱增，如果不是DeepSeek公布了全套的優化方案，恐怕大多數AI公司的虧損要翻一倍不止。

以目前的形勢來看，推理模型淘汰傳統AI模型已經沒有懸念了，這也意味著即使后續的AI模型及推理過程優化更進一步，想要滿足更大參數規模和更復雜的推理所需要的算力資源仍然是個天文數字。而在算力性能上，英偉達仍然是斷崖式領先的存在，即使DeepSeek證明了繞過英偉達顯卡也能確保推理效率，但是英偉達還是多數廠商的首選。

圖源：英偉達

這也是為什么在DeepSeek爆火導致英偉達股價暴跌后，黃仁勛接受采訪時卻表示DeepSeek其實是利好英偉達，并非“死鴨子嘴硬”，而是看到了DeepSeek所采用的稀疏架構推理模型方案背后對算力的恐怖需求。

黃仁勛認為，長思維鏈所帶來的效果顯而易見，沒有AI企業可以拒絕這樣的誘惑。但是隨著AI模型的參數量進一步增長，當這個數字達到萬億、數萬億后，算力效率的重要性將更加凸顯。因為算力效率直接決定Token輸出速度，如果你的Token輸出速度太慢，那么用戶可能要半天才能得到自己想要的答案，他們會抱怨并直接轉投其他AI的懷抱。

想要高效且高質量的為用戶提供AI服務，那么只有堆高算力規模，并且用上最新的英偉達芯片行業技術（黃仁勛的原話），才能讓企業在競爭里領先對手且吸引用戶加入。而且，隨著算力規模的上升，效率增長的同時也會促使成本下降，讓企業能夠從每一次用戶訪問中獲得更高的利潤，也就是黃仁勛所說的“買得越多，賺得越多”。

圖源：英偉達

為了幫助企業實現這個目標，英偉達還發布了Dynamo，并將其稱為“AI工廠的操作系統”，借助這個系統的整合優化可以將計算機的Token生成效率成倍提高，解決Token生成速度不足的問題。

英偉達的終極野望：要做AI的超級工廠？

在英偉達的設想中，未來的計算機將不再是軟件的運行基礎，Token將成為軟件及一切服務的根基，而計算機則變成生產Token的工廠，也就是“AI工廠”，能夠以流水線的方式生產AI模型。

簡單來說，AI工廠可以根據用戶輸入的需求，全自動化的訓練一個專屬AI模型，這個AI模型或許參數規模不大，但是卻針對你的需求進行特化訓練，其效果絲毫不比大參數量的通用模型差，也就是做到AI模型的“千人千面”。

圖源：英偉達

不得不說，這是一個非常誘人的未來，不過背后所需要的AI基礎設施覆蓋率和算力規模也是相當的恐怖，恐怕需要全世界全行業都深度參與其中才能搭建出整套系統的雛形。

或許正是考慮到這一點，英偉達宣布將把Dynamo系統開源，支持PyTorch、SGLang、NVIDIA TensorRT-LLM和vLLM等多種框架，方便各個企業針對自己的AI工廠進行優化和調整。

自從DeepSeek掀開AI領域的開源浪潮后，越來越多的AI企業也意識到了開源的重要性，并加入開源陣營中，DeepSeek掀起的浪潮注定不會停歇，這場AI革命的序幕才剛剛拉開。

回顧英偉達的GTC 2025大會，你會發現硬件不再是唯一的核心內容，英偉達正在著手構建一個全新的智能生態，在這個生態里算力是一切的基礎，只要大家都認可并共同致力于維護這個生態，那么在算力性能上具有優勢的英偉達自然也就高枕無憂了。