Blackwell 和 Rubin 是什么？看懂英伟达 AI 芯片产品迭代

英伟达的 AI 芯片发布之所以会被云计算公司、AI 实验室、服务器厂商和资本市场同时盯着，有三个原因。

一是成本。AI 模型的训练与推理开支极高，如果新一代芯片能提高算力、显存容量、网络带宽和能效，就可能直接降低客户建设集群的账单。二是节奏。英伟达的迭代速度较快，客户不能只算当前这一代划不划算，还要判断下一代什么时候量产、什么时候进入云服务。三是形态。英伟达卖的是一整套平台，架构一换，往往连带一串更新。

• 计算与显存。GPU 加速卡更新，HBM 显存规格同步换代。
• 互联与网络。NVLink 升级，InfiniBand 或以太网设备也要跟着匹配。
• 整机与散热。AI 服务器与整机柜重做，电力和液冷系统需要重新规划。
• 软件。CUDA、推理框架与集群管理软件都要适配新平台。

所以受影响的远不止芯片供应商，还包括服务器 OEM 与 ODM、网络设备厂商、数据中心运营商和 AI 应用公司。每发布一代新架构，整个 AI 基础设施就可能进入新一轮采购窗口。

Hopper 是生成式 AI 爆发前后最重要的一代数据中心 GPU 架构，代表产品是 H100 与 H200。其中 H100 成了大语言模型训练与推理基础设施的标志性产品，被大量云服务商和 AI 公司规模化使用。

Hopper 的价值在于，它把 GPU 从传统高性能计算设备进一步推向了大规模 AI 训练市场：提高深度学习训练速度、加速 Transformer 模型、支持更高效的混合精度计算，并让数百乃至数千颗 GPU 组成训练集群成为常态。从这一代开始，市场普遍意识到 AI 竞争不只取决于算法和数据，还取决于背后的算力设施。

H200 与 H100 的差别主要落在显存上。H200 在 Hopper 架构基础上提升了显存容量与带宽，更适合大模型推理和高显存需求场景。对语言模型来说，显存要装的东西比想象中多：模型参数之外，还有中间激活值、KV Cache、上下文数据、并行计算所需的临时数据，以及多个用户请求的推理状态。模型和上下文越长，显存容量与带宽就越直接地决定系统吞吐。

Hopper 建立了英伟达在 AI 训练设施上的主导地位，但也暴露了新问题：当模型从训练走向大规模商业推理，系统需要的推理效率、单 Token 成本和网络扩展能力，都比训练时代更高。这为下一代的出现铺了路。

Blackwell 的代表产品包括 B100、B200，以及基于它的 GB200 系统。如果说 Hopper 的重点是帮客户把大模型训出来，Blackwell 的重点之一，是让这些模型能在生产环境里高效跑起来。

差别来自工作负载的性质。训练通常是阶段性的，一个模型训完就告一段落；推理却是持续发生的——只要用户还在发请求，数据中心就得一直开着。随着聊天机器人、AI Agent、代码助手和企业 Copilot 铺开，推理请求量不断累积，客户的关注点也随之变化：每秒生成多少 Token、每瓦电力生成多少 Token、每个请求的延迟、单个 Token 的基础设施成本、能同时服务多少用户。

Blackwell 的升级也顺着这些瓶颈展开。它延续并强化了 Transformer Engine，用于优化 Transformer 模型中的矩阵运算和注意力机制；同时加强了低精度计算能力，包括 FP4 等格式——更紧凑的格式能减轻显存带宽压力、提高矩阵计算吞吐，从而在相同硬件预算下跑更大的模型。互联方面，Blackwell 通过新一代 NVLink 提升多 GPU 协同能力：大模型训练与推理需要频繁同步参数、激活值和 KV Cache，GPU 之间越快，集群整体效率越高。

这一代还推动了 Grace Blackwell 这类 CPU 与 GPU 的组合平台：Grace CPU 负责数据处理与任务调度，Blackwell GPU 负责大规模并行计算，NVLink 负责三者之间的数据交换，网络负责集群扩展，软件负责调度与推理优化。英伟达的目标是让客户买走一整套已经协同调优过的计算平台，而不是单独一颗 B200。

Blackwell Ultra 是 Blackwell 架构的强化版本，代表产品包括 B300、GB300 等。它的升级方向集中在几个地方：更大容量的 HBM3e 显存、更高的显存带宽、更高的计算吞吐、更强的多 GPU 互联，以及更适合大模型推理的整机柜设计。

它的商业价值在于时间差。在 Vera Rubin 大规模普及之前，客户对更高算力和更低推理成本的需求并不会停下来，Ultra 版本接住的正是这一段需求。

对英伟达自己来说，这个位置也很有用：它能延长当前架构的销售周期、提高现有平台的性能上限、满足客户对大显存的要求，并在客户等待下一代架构的间隙继续带来订单，同时平滑新旧产品之间的供应链过渡。

对客户而言，Ultra 提供了更灵活的选项。已经部署 Blackwell 的客户，升级到 Ultra 往往比整体迁移到全新平台更容易——服务器设计、软件环境、网络架构和运维体系在一定程度上可以延续。所以它的定位是提高 Blackwell 平台的上限，而不是取代 Blackwell。

Vera Rubin 是 Blackwell 之后的新一代平台。需要注意，它不只是一个 GPU 型号，而是一整套组合，至少包括：Rubin GPU、Vera CPU、NVLink 6 交换、ConnectX-9 SuperNIC、BlueField-4 DPU、Spectrum-X 以太网交换，以及 Groq 3 LPU——后者是英伟达为这个平台配套的推理加速器，用于满足智能体系统对低延迟和大上下文的要求。

英伟达把这些芯片组合成功能不同的机架，再让它们作为一个整体运行。这也是它与早期 GPU 产品最明显的区别：不再是一张卡，而是一套多芯片、多机架协同的 AI 工厂平台。

Rubin GPU 的设计重点与 Agentic AI、长上下文推理紧密相关。官方规格显示，单颗 Rubin GPU 可配置最高 288 GB HBM4 显存、峰值显存带宽 22 TB/s，采用第三代 Transformer Engine，并通过第六代 NVLink 提供每颗 GPU 3.6 TB/s 的带宽。整套 Vera Rubin NVL72 把 72 颗 Rubin GPU 与 36 颗 Vera CPU 连成一个计算域，机架汇总的 HBM4 容量达到 20.7 TB，机架内 NVLink 6 的 scale-up 带宽为 260 TB/s。

为什么这些数字对 Agentic AI 特别重要？因为这类系统要连续完成多步推理：分析任务、规划步骤、查询数据库、调用工具、运行代码、检查中间结果、再重新推理，最后才给出答案。整个过程会产生大量连续推理请求，并持续访问模型权重、KV Cache 和上下文数据。显存越大，能放下的模型、上下文和 KV Cache 就越多；带宽越高，GPU 越容易保持高利用率；NVLink 越快，跨 GPU 交换中间结果时的等待就越少。配套的存储与网络设备，则负责把这些上下文数据当作专门的基础设施来管理。

节奏方面，英伟达在 2026 年年中宣布 Vera Rubin 进入全面生产，系统出货从下半年开始；据公开报道，7 月已有 NVL72 机架交付给 Google Cloud、微软和 Oracle Cloud。这些系统由英伟达超过 80 家全球合作伙伴组成的供应链生产，戴尔、HPE、联想、超微等系统厂商参与其中。

把四代放在一起，分工比较清楚：

但产品世代之间的关系并不是简单替换。在真实市场里，几代架构常常同时存在：Hopper 继续服务现有训练集群，Blackwell 承担当前的大规模训练与推理，Blackwell Ultra 满足高端客户的升级需求，Vera Rubin 则开始进入新一轮 AI 工厂建设。这也是为什么英伟达的产品周期会同时影响新客户和老客户。

一代新产品从发布到放量，通常会走完四个阶段：先是大客户测试样机与开发环境；接着服务器厂商、ODM 和数据中心运营商准备电力、散热、网络与机架方案；然后供应链扩产、云服务商把新平台部署进数据中心；最后大客户扩大集群规模，带动 GPU、网络、系统与软件同时放量。

等上一代产品进入成熟期，英伟达会用 Ultra 版本延续需求，同时准备下一代架构，为新的资本开支周期铺路。整套节奏串起来，就是一条产品阶梯。这条阶梯如何变成具体的收入结构，在前一篇里拆过。

这也解释了为什么迭代速度本身会成为竞争力：如果产品更新太慢，客户要么等更久，要么转向其他供应商。对云服务商和 AI 公司来说，算力上线的速度直接关系到业务进度。

对企业和服务器采购者来说，判断产品处在生命周期的哪个阶段，比只对比型号更有意义：需要成熟稳定、生态完善的方案时，Hopper 仍可能适合部分现有项目；要建当前主流的大模型训练与推理集群，Blackwell 仍是重要选择；已部署 Blackwell 并希望提升显存与推理效率的，可以考虑 Ultra 这样的渐进升级；而计划建面向 Agentic AI 与长上下文的基础设施，则更适合从 Vera Rubin 这一代看起。

具体评估时，建议重点核对这几项：

• 产品形态与来源。是单卡、服务器还是整机柜；是否为原厂产品，能否提供序列号、配置清单与交付证明。
• 显存与互联。HBM 的容量与类型，GPU 之间采用什么互联方式，是否包含 CPU、网卡、交换机和 DPU。
• 配套设施。机房的电力容量与液冷系统能否匹配新平台的功耗和散热要求。
• 交付与支持。服务器厂商是否有成熟的整机柜交付经验，售后、备件与软件支持能否跟上。

把这几层想清楚，会发现英伟达的产品迭代从来不只是芯片性能的问题。每一代新平台，实际上都在重新设计 AI 数据中心的计算、网络、能源与运营方式——客户要看的，是这一代平台能不能帮自己用更低的成本训练更大的模型、处理更多推理请求、缩短算力上线周期——而不是一颗芯片快了多少。从产品节奏看，这条路线可以概括成一句话：Hopper 打基础，Blackwell 做规模化，Blackwell Ultra 延长增长，Vera Rubin 面向 Agentic AI 开启新周期。