买英伟达股票之前，要看懂 GPU、CPU、NVLink 和 AI 数据中心

先说结论：英伟达在 AI 数据中心里卖的不是一件商品，而是五个层级——计算、编排、机架内互联、机架间网络，以及把前四样装成一座可运行系统的能力。这五层各自解决不同的问题，也各自计价。

这五层同时增长的原因不复杂。当一座 AI 数据中心的规模从几块 GPU 扩到几万块，瓶颈会依次出现在不同的地方：先是算力不够，然后是内存带宽不够，接着是 GPU 之间的互联不够快，再然后是机架之间传不动数据，最后是整个系统没人帮你装起来、跑起来。

每一层瓶颈，对应一类产品。下面逐个看。

GPU 是英伟达的根基，也是 AI 数据中心里最贵的单一部件。

它在数据中心里干两类活：训练——用大量数据反复调整模型参数；推理——用训好的模型生成输出。这两类活对算力的需求是叠加的，不是互相替代的。大模型从单纯的文本生成走到今天的推理模型、智能体和测试时计算，每一步都在往上加负载。

当前主力架构是 Blackwell，采用第二代 Transformer Engine，配合 Tensor Core 加速大语言模型和混合专家模型（MoE）的训练与推理。在 MLPerf Training 6.0 这一轮基准测试中，Blackwell 平台在全部七项基准里都取得了最快的训练时间，也是唯一在全部基准都提交结果的平台；在 Artificial Analysis 的 AgentPerf——业界首个智能体 AI 基础设施基准——首轮结果里，GB300 NVL72 每兆瓦可支持的并发智能体数量达到上一代的 20 倍。

下一代平台 Vera Rubin 接着往上走，继续提升训练、推理与智能体工作负载的效率，已从 8 月起量产出货。

GPU 负责高密度计算，但 AI 工作负载不全是计算。模型推理之前的编排、工具调用、代码执行、数据分析和长上下文状态管理，这些活由 CPU 干。

英伟达为这一层准备了 Vera CPU。它搭载 88 颗定制的 Olympus 核心——NVIDIA 专为智能体 AI 与强化学习这类控制密集、对延迟敏感的工作设计的 CPU 核心，配 LPDDR5X 内存，带宽最高 1.2 TB/s；通过 NVLink-C2C 与 GPU 之间还能做到 1.8 TB/s 的一致性互联带宽。

它的意义可以用一个数字说明：官方给出的沙盒工作负载性能，是主流 x86 CPU 的 1.8 倍。在智能体的推理循环里，CPU 要查 SQLite、编译生成的代码、跑 Python 工具链、用正则解析输出——每一步慢一点，GPU 就多等一会。CPU 快一点，等待就少一点。

Vera 现已全面投产。首批系统已交付给 Anthropic、OpenAI、Oracle Cloud Infrastructure 和 SpaceXAI；OCI 等云服务商在计划大规模部署。它同时充当 Vera Rubin 平台的主机 CPU，也能作为独立的 CPU 服务器单独部署。

模型变大之后，单块 GPU 的算力和显存都不够用，得把多块 GPU 连起来协同工作。干这件事的是 NVLink——英伟达的 GPU 间高速互联技术。

第六代 NVLink 给每块 GPU 提供 3.6 TB/s 的双向带宽，是上一代的 2 倍，也是 PCIe Gen6 的 14 倍以上。

比速度本身更重要的，是它能连成什么规模。Vera Rubin NVL72 用 all-to-all 拓扑把 72 块 GPU 连成一个整体，机架级总带宽达到 260 TB/s，整个机架可以当作一台加速器来用，最高提供 3.6 exaFLOPS 的 AI 算力。对混合专家模型来说这一点尤其关键——这类模型需要 GPU 之间频繁做全对全通信，带宽和延迟直接决定它跑不跑得起来。

第六代 NVLink Switch 还加了控制平面弹性、部分装机机架可继续运行、交换机托盘热插拔这些运维功能。机架越贵，停机代价越高，这些功能的分量也就越重。

NVLink 解决的是一个机架内 72 块 GPU 的互联。当一座 AI 数据中心要部署几万甚至几十万块 GPU，机架之间的数据传输就交给网络。

英伟达在这一层有两条路线：Spectrum-X 以太网，面向 AI 工厂设计的以太网架构，Q2 FY2027 收入同比增长 2.6 倍，同期网络业务整体创下季度纪录；以及新一代的 Spectrum-6 交换机系统，支持可插拔与共封装光学器件，作为 Vera Rubin 平台的一部分部署在各地的吉瓦级 AI 工厂中。

这里有个容易被忽略的差别：传统数据中心的网络是”连接服务器的管道”，AI 数据中心的网络是”计算的一部分”。集群越大，网络对整体性能的影响越直接——它不再是买 GPU 时顺手配的附件，而是一项独立且持续增长的采购。

把 GPU、CPU、NVLink 和网络凑齐，还不等于能跑。英伟达在这之上还有一层——把这些部件装成可运行系统的方案。

• Vera Rubin NVL72。72 块 GPU 组成的机架级系统，是 AI 工厂的基本构建单元。
• DSX 平台。面向 AI 工厂的参考设计平台，帮基础设施建造者加速投产、提升每兆瓦的 token 吞吐。
• DGX SuperPOD。交钥匙式 AI 超级计算机方案，用于最严苛的大规模训练与推理。
• DGX Station。官方称其为”终极桌面 AI 超级计算机”，用于在本地开发和运行智能体。

这一层的买家正在变多。据官方披露，欧洲正在开发 35 台 AI／HPC 超级计算机、覆盖 23 个国家；日本在 7 月宣布建设全球首个面向物理 AI 的国家级 AI 基础设施，由 Noetra 建设、经济产业省支持，规划 140 兆瓦容量、13,750 颗 Vera CPU 与 27,500 颗 Rubin GPU，架构基于 DSX 平台；韩国方面，NAVER 在 GAK Sejong 建设、从 55 兆瓦起步并计划扩展到吉瓦级，SK 电讯也在建吉瓦级 AI 工厂。

需求不再只来自超大规模云厂商。国家级与主权项目的加入，意味着这座市场的买家结构本身也在变宽。

把上面五层归拢一下，英伟达卖给一座 AI 数据中心的东西是三样：

• 计算。GPU 做训练和推理，CPU 做编排与数据处理。
• 互联。NVLink 连机架内的 GPU，网络连机架间的 GPU。
• 系统。把前两样组装成一座能跑起来的 AI 工厂。

当一座数据中心的规模从几块 GPU 扩到几万块，这三层的需求是同时往上走的。英伟达的产品线覆盖了全部三层——这就是”它不只对应 GPU 这个单品”的具体含义。

回到开头的那个数字：890 亿美元的数据中心收入里，GPU 是主体，但网络、CPU 和系统已经不是零头。知道了这五层各自是什么、解决什么问题，再看它下一代产品会带来什么变化时，看的就是几个具体部件，不再是一个抽象概念。

如果你想接着了解交易这只股票本身涉及的账户与操作，可以看英伟达股票怎么买那篇；想先建立研究一只美股的方法，可以看研究一家美股公司：先别急着看涨跌。