AI COMPUTE · TECH BRIEFING
从 B300 到 Rubin144
AI 算力架构演进与产业博弈
原理细节 · 卡脖子关键 · 黄仁勋事件影响
Blackwell Ultra → Vera Rubin | 单卡 → 144 卡超节点
科普解读 · 2026 年 11 月
算力科普产业链分析事件影响
配图来源:NVIDIA 官方 / 网络公开资料
01 · PRODUCT LANDSCAPE
先看清版图:五类产品尺度
"B300""HGX B300""NVL72""NVL144"并不是同一个东西——它们分属不同产品尺度,不能只按性能高低排成一条线。
从单卡到 AI 工厂
尺度1 单卡:如 RTX / B300,裸芯片计算底座
尺度2 计算模块:HGX B300,8 卡底板,OEM 组装整机
尺度3 机架系统:NVL72,72 GPU 液冷机架、统一 NVLink 域
尺度4/5 工厂级:SuperPOD / DSX POD,多机柜集群交付
四条任务分支
个人与本地 AI
GeForce RTX 50 / DGX Spark
专业工作站与企业 AI
RTX PRO 5000–6000 / RTX PRO Server
数据中心训练与推理
H100/H200 → B200/B300 → Rubin
机器人与汽车
Jetson Thor / DRIVE Thor
同为 Blackwell 架构,显存、互联、功耗、驱动与支持截然不同——"架构相同,不等于产品相同"。
配图来源: network public / 略懂AI的Asher
02 · BLACKWELL ULTRA
B300:为推理规模化而生的卡
B300 不是"更强一点的 B200",而是针对推理负载的定向强化。
显存与容量
单卡 288GB HBM3e,8 卡共 2.3TB
单卡带宽最高 8TB/s,长上下文与大模型更从容
算力与互联
8 卡 FP4 推理 144 PFLOPS
第五代 NVLink:1.8TB/s / GPU
和上一代相比
相较 DGX B200,稠密 FP4 性能约 1.5×,Attention 性能约 2×
面向 AI Factory / 推理时代优化,更适合大模型与 Agent
关键理解:B300 是面向 AI 工厂的核心生产设备,不是普通显卡。新增算力几乎全部落在低精度推理与注意力路径上。
配图来源:一图拆解 B300 / 略懂AI的Asher
03 · VERA RUBIN
Rubin:面向智能体时代的重构
Rubin 用更新的 HBM4 与第六代 NVLink,把"计算密度 → 实际吞吐"整体打通。
单卡规格
288GB HBM4 / 19.2TB/s 内存带宽
3TB/s NVLink 6 互联
3360 亿晶体管、224 SM、896 Tensor Core
推理 / 训练算力
稀疏 FP4 50 PFLOPS,稠密训练 17.5 PFLOPS
稠密 FP4 训练 35 PFLOPS
第三代 Transformer Engine 动态适配精度
系统侧:NVL72 机架
72 块 Rubin GPU + 36 颗 Vera CPU,20.7TB HBM4 总内存
1400TB/s 内存带宽(总计)、216TB/s NVLink 总带宽
官方口径:HGX Rubin NVL8 相比 HGX B200,token 工厂吞吐最高 10×,训练所需 GPU 减少 4×。(项目性能,可能变动)
配图来源:昇腾 950DT vs Vera Rubin 深度对比 / 网络公开资料
04 · GENERATION GAP
代际跃迁:B300 → Rubin
从 Blackwell Ultra 到 Rubin,不只是"更快",而是内存、互联、系统同步升级。
内存系统升级
HBM3e → HBM4,容量与带宽同步跃升
显存带宽提升带动长上下文与 MoE 推理效率
互联能力升级
NVLink 5 → NVLink 6,单卡 1.8 → 3.6TB/s
CPU 协同:Grace → Vera(88 自定义 Olympus 核)
规模对比
GB300 NVL72:72 GPU,稠密 FP4 约 1080 PFLOPS
Vera Rubin NVL144:144 GPU,单机架算力较 GB300 NVL72 提升约 3.3×
Rubin Ultra NVL576(规划):576 GPU、1TB HBM4e,较 GB300 NVL72 提升约 14×
对比必须统一口径:稀疏 vs 稠密、单卡 vs 整机、标称 vs 实测不可混谈——这是读参数表最容易踩的坑。
配图来源:GB300 / Vera Rubin 性能提升解析 / 网络公开资料
05 · RACK SCALE
从 NVL72 到 NVL144:机架就是计算机
144 颗 GPU 不是"两台 72 卡拼起来"。真正的跃迁发生在机架级系统。
GB200 NVL72(当前基线)
72 颗 Blackwell + 36 颗 Grace
机柜内总带宽 130TB/s、总显存约 13.4TB
9 个 NVLink Switch 托架、全液冷回路
Vera Rubin 144-GPU(下一代)
两个 NVL72 组成 144 GPU + 72 Vera CPU
20.7TB HBM4、216TB/s 第六代 NVLink 总带宽
ConnectX-9 SuperNIC + BlueField-4 DPU
关键技术演进
Blackwell → Rubin;Grace → Vera;HBM3E → HBM4;NVLink 5 → 6
数据流:模型输入 → CPU 调度 → GPU 并行 → 机内 NVLink → 跨机 Scale-out → 存储
注意:公开资料中"Rubin 144-GPU"常指两个 NVL72 组成的规模示意,并非官方单柜 NVL144 交付规格;引用时需说明口径。
配图来源:NVIDIA GB200 NVL72 与 Vera Rubin 144-GPU 方案详细拆解
06 · BOTTLENECKS (1/2)
卡脖子关键:算力墙与内存墙
AI 算力是系统工程。任何一环短板,都会让"标称算力"变成纸面数字。
① 算力墙 先进制程 / EUV
7nm 以下高度依赖 EUV 光刻机且对华禁售。DUV 多重曝光使生产时间约为台积电的 2–3 倍、成本高 40–50%,良率爬坡缓慢。国产 AI 芯片产能紧张,2026 年供给缺口约 18–39 万台。
② 内存墙 HBM
算力每 2 年约 3 倍,内存年增速不足 20%,"等数据"耗时超 30%。HBM 是当前最紧供给瓶颈:国内 HBM2e 已量产,HBM3/3e 仍在突破,扩产周期 2–4 年。GPU 决定 AI 跑多快,内存决定 AI 走多远。
为什么参数越做越大?
大模型权重、KV Cache、激活值都要放在显存里——装不下就得拆卡,拆卡就要更强的互联
从 H100 的 80GB 到 B300 的 288GB,单卡显存 3 年增长 3.6 倍,仍追不上模型膨胀
图中历代 GPU 的显存与核心参数对比,直观展示"内存墙"如何逐年累积。
配图来源:英伟达历代 GPU 核心与显存参数对比 / 网络公开资料
07 · BOTTLENECKS (2/2)
另四堵墙:封装、通信、功耗、生态
③ 封装墙 CoWoS
台积电 CoWoS 产能全球主导,2026 年缺口约 20–30%、订单排至 2028 年;国内 2.5D 已量产,3D 堆叠与 HBM 集成良率仍是卡点。
④ 通信墙 互联 / 光模块
万卡集群通信耗时占 30–50%。国产光模块整机全球领先,但高速光芯片、磷化铟衬底依赖进口;CPO 规模商用要到 2028 年后。
⑤ 功耗 / 散热墙 液冷
机柜功率从几十 kW 迈向 MW 级,风冷触及物理极限——B300 单卡 1400W,液冷成为必选项。国产液冷方案成熟,短板在 800V 高压供电与碳化硅器件。
⑥ 生态墙 CUDA
十余年算子库、工具链与开发者社区,是最宽护城河。国产芯片迁移适配成本高,实际利用率(MFU)可能远低于标称。
突围逻辑:Chiplet 芯粒 + 超节点集群 + 异构调度,用系统能力补单点差距。光模块整机、液冷、PCB、服务器整机已是国产长板。
配图来源:英伟达历代 GPU 显存带宽对比 / 网络公开资料
08 · FACTS & IMPACT
黄仁勋事件:真相与市场影响
事实澄清:截至 2026-11-18,黄仁勋并未辞职。11 月 8 日他发内部信承认婚外情并道歉;董事会启动独立调查(独董委员会 + 外部法律顾问),但公司发言人明确表示——继续担任 CEO,履职不中断。"可能被免职"只是分析师基于调查结果的推测。
市场冲击(已发生)
11 月 9 日股价收跌 4.27% 至 178.67 美元,市值缩水约 1930 亿美元
此前一个月股价已累计下跌近 20%
收盘后遭股东集体诉讼,指控未充分披露潜在风险
结构性风险(被重定价)
关键人物风险:60 名直接下属、无明确接班人
章程允许董事会在有理由或无理由情况下解职 CEO
持股约 3.58%,其中约 8.01 亿股为夫妻共同持有
对 B300 / Rubin144 路线的影响
短期基本不变:Q2 FY2027 营收 962 亿美元(同比 +106%),数据中心 890 亿(+117%),云业务未完成订单超 2 万亿美元
长期看治理折价:领导层不确定性可能推高融资成本、延缓大客户决策,并影响政企市场信任
来源:英伟达官网、澎湃新闻、中新经纬、路透社等公开报道(2026-11-08 至 11-10)。仅作事实梳理,不构成投资建议。
09 · TAKEAWAYS
三点启示
1
从"堆算力"到"提利用率"
B300 用低精度与注意力加速,Rubin 用 HBM4 与 NVLink 6——竞争焦点已从单卡峰值转向推理效率、显存带宽与集群协同。
2
卡脖子是链条战,不是单点战
EUV、HBM、CoWoS、光互联、液冷、CUDA 六堵墙环环相扣。机会不在成熟制程重复堆料,而在先进封装、HBM、高速互联、算力软件生态这些卡点上凿开裂缝。
3
技术领先也要治理稳健
当一家公司的战略与形象高度绑定个人,关键人物风险会直接反映在市值与客户信心上。技术与治理,是 AI 时代的两条腿。
资料来源:NVIDIA 官网 HGX 规格、NVIDIA 开发者博客、网络公开资料整理。数据以官方发布为准。
配图来源:一张卡为什么会长成一座工厂·五种产品尺度
1 / 10