文 | 新眸，作者 | 李小東
英偉達沒有在CES 2026上發(fā)布任何新的顯卡。
取而代之的，黃仁勛用近兩個小時，詳細闡述了一個名為Vera Rubin的全新AI超算架構(gòu)，以及一組足以改寫行業(yè)規(guī)則的數(shù)字：
在Rubin上運行AI推理，吞吐量提升十倍，訓(xùn)練萬億參數(shù)模型所需的GPU數(shù)量，可以減少到上一代Blackwell的四分之一，而每個token的成本降至十分之一。
這件事可能埋了個信號。
它或許預(yù)示，在傳統(tǒng)消費級GPU這條線上，通過制程和架構(gòu)微迭代帶來的性能提升，其邊際效應(yīng)正在減弱，或者說，已不足以支撐一個激動人心的發(fā)布會。
以下是我們就此事的一些思考。
關(guān)于沒有新顯卡與Rubin的商業(yè)模式
理解Rubin，關(guān)鍵在于轉(zhuǎn)變視角。
它不是一個更快的GPU，你可以把它視為一套極度垂直整合的AI計算系統(tǒng)。英偉達設(shè)計了六顆功能各異、但深度耦合的專用芯片去進行打包：
Vera CPU（負責(zé)AI數(shù)據(jù)流調(diào)度）、Rubin GPU（核心算力單元）、NVLink 6（超高帶寬內(nèi)部互聯(lián)）、ConnectX-9 SuperNIC（AI專用網(wǎng)絡(luò)）、BlueField-4 DPU（卸載存儲與安全任務(wù)）、Spectrum-6以太網(wǎng)交換芯片。
六塊芯片協(xié)同工作，目標(biāo)是將整個數(shù)據(jù)中心機柜整合為一臺無縫的“巨型AI計算機”。
Rubin解決的，是系統(tǒng)規(guī)模化的難題，不是單顆芯片的性能極限。讓算力的堆疊，從“手工組裝賽車引擎”變?yōu)?ldquo;標(biāo)準(zhǔn)化汽車工廠流水線”，至于帶來的效率提升和成本下降，是系統(tǒng)級優(yōu)化的必然結(jié)果。
這種模式，確實與谷歌通過TPU及其互聯(lián)技術(shù)打造自家AI基礎(chǔ)設(shè)施的思路異曲同工。英偉達的Rubin，正是面向那些與谷歌有相似需求的客戶——即需要處理海量Token、訓(xùn)練和運行萬億參數(shù)模型的超大規(guī)模AI廠商或云服務(wù)商。
對比英偉達在這之前的商業(yè)模式，有一些從“賣鏟子”到“賣生產(chǎn)力車間” 的商業(yè)模式的轉(zhuǎn)向。它帶來的性能提升（如10倍推理吞吐）和成本下降（1/10的Token成本），是這種專用化、系統(tǒng)級優(yōu)化所能釋放的潛力。
但它的限制也在于此。
Rubin的威力只有在處理其預(yù)設(shè)的、高度并行化的AI計算負載時才能完全釋放。對于圖形渲染、通用科學(xué)計算或小規(guī)模模型推理等場景，其復(fù)雜性和成本可能并不劃算。它瞄準(zhǔn)的是一個龐大但特定的“主航道”市場。
關(guān)于對現(xiàn)有AI硬件生態(tài)的沖擊
Rubin的出現(xiàn)，會不會讓“囤積高端GPU”作為核心競爭力的時代，開始進入倒計時？
如果說，Rubin真的能夠達到市場普及，隨之而來就要面對一些尷尬情況：
對于第一波靠買賣或租賃算力（如H100集群）的廠商，他們的商業(yè)模式將承受巨大壓力。當(dāng)新一代系統(tǒng)能以低得多的單位成本提供推理服務(wù)時，舊有集群的性價比優(yōu)勢會迅速喪失，除非他們能快速升級到新架構(gòu)。
而對于那些早期投入巨資自建GPU集群的AI公司，他們的處境更為微妙。這些硬件資產(chǎn)短期內(nèi)不會報廢，依然能用于研發(fā)和現(xiàn)有服務(wù)。
但問題在于未來的競爭維度。
當(dāng)新入場的玩家可以憑借Rubin級別的廉價算力，輕松獲得與你相當(dāng)?shù)耐评砟芰r，你之前用巨額資本構(gòu)筑的算力壁壘，戰(zhàn)略價值就會急劇縮水。競爭將更快地、更徹底地轉(zhuǎn)向模型算法本身的優(yōu)越性、數(shù)據(jù)的獨特性和閉環(huán)，以及產(chǎn)品與市場的契合度。
英偉達自身的角色，也會因此在演變。它確實在向“AI時代的高通”靠攏，即提供核心的、標(biāo)準(zhǔn)化的計算模塊。但Rubin所展現(xiàn)的集成度，又比手機SoC復(fù)雜得多，更接近于提供一整套參考設(shè)計和系統(tǒng)解決方案。
未來，如果其超算架構(gòu)（如DGX SuperPOD）以云服務(wù)形式被大規(guī)模交付，那么它還將附加一層“運營商”的屬性，直接向終端用戶輸出AI算力服務(wù)。
關(guān)于Token平價時代的窗口期問題
Rubin所承諾的“平價推理時代”，其窗口期的長短，取決于兩個關(guān)鍵變量：Rubin的銷量爬坡速度，以及現(xiàn)有巨頭模型能力的迭代速度。
如果Rubin能在2026年下半年如期規(guī)模上市，并快速被主要云廠商（如AWS、Azure、GCP）部署，那么這個“平價算力”的接入點就會迅速普及。
窗口期可能并不長。在這段時間里，存量公司必須完成從“依賴硬件規(guī)模”到“依賴軟件和生態(tài)優(yōu)勢”的關(guān)鍵轉(zhuǎn)型。
具體來說，他們可能需要：利用現(xiàn)有算力優(yōu)勢，加速訓(xùn)練出具有代際差異的模型，建立足夠高的算法壁壘；將業(yè)務(wù)迅速與具體商業(yè)場景深度綁定，形成數(shù)據(jù)閉環(huán)和客戶粘性，讓算力成本不再是決定性因素；積極探索基于現(xiàn)有模型的創(chuàng)新應(yīng)用和生態(tài)，在平價算力浪潮到來前，占據(jù)用戶心智和市場份額。
當(dāng)大家獲取先進算力的成本拉平時，那些僅靠算力堆砌而無獨特技術(shù)或產(chǎn)品護城河的公司，優(yōu)勢可能很快蒸發(fā)。
關(guān)于AI泡沫與下一代種子選手
需要注意的是，Rubin的大規(guī)模投入，是為AI商業(yè)價值的全面實現(xiàn)，拆除了最大的成本和規(guī)模障礙，但它本身并不能自動創(chuàng)造價值。
簡單來說，解決的是“成本可不可行”問題，而不是“需求存不存在”問題。
AI泡沫論常質(zhì)疑的是：天價訓(xùn)練成本能否產(chǎn)生與之匹配的商業(yè)價值？Rubin將成本打下來，實際上是大幅降低了驗證商業(yè)價值的門檻。
更多的創(chuàng)業(yè)團隊可以用可承受的成本，去測試更激進、更復(fù)雜的AI想法。因此，接下來的邏輯不是泡沫破裂，行業(yè)可能正從依靠資本堆砌的蠻力階段，進入一個更健康、更依賴創(chuàng)新而非資本的篩選階段。
最先能有效利用Rubin級別算力的創(chuàng)業(yè)者，未必是現(xiàn)在資金最雄厚的，但一定是對AI原生應(yīng)用有最深洞察、最能發(fā)揮廉價推理潛力的團隊。他們可能是下一代“殺手級應(yīng)用”的種子選手。
從這個角度來看，長遠一些，以往算力的天價成本導(dǎo)致只有少數(shù)玩家能入場，他們的故事建立在“我有稀缺算力”的基礎(chǔ)上，商業(yè)價值驗證被推遲。
Rubin之后的新邏輯是，算力門檻驟降，入場玩家會激增。當(dāng)然，這可能會導(dǎo)致大量同質(zhì)化應(yīng)用涌現(xiàn)，市場競爭會瞬間變得極為殘酷。因為許多僅僅依靠“我有AI功能”的應(yīng)用將迅速失去價值，因為它們無法在成本相近的情況下提供獨特優(yōu)勢。
真正的價值創(chuàng)造者（擁有獨特數(shù)據(jù)、精妙算法、深刻行業(yè)洞察的團隊）會脫穎而出，而裸泳者會更快暴露。所以，Rubin的到來可能并不意味著泡沫結(jié)束，恰恰是一輪更劇烈的淘汰賽開始。
關(guān)于不推新顯卡的深層原因
作為天才銷售大師的黃仁勛，在這次CES全球大會上沒有推銷顯卡，這件事本身是很值得討論的，我們甚至可以合理猜測，在半導(dǎo)體物理邊界下，已經(jīng)逼近創(chuàng)新極限？
在傳統(tǒng)GPU的晶體管微縮競賽中，持續(xù)實現(xiàn)代際性能飛躍的難度確實在增加。與此同時，AI數(shù)據(jù)中心市場的增長曲線和利潤空間，已經(jīng)形成了絕對的戰(zhàn)略引力。
在先進封裝、HBM內(nèi)存等產(chǎn)能可能依然全局緊張的背景下，英偉達選擇將資源（研發(fā)、產(chǎn)能、市場聲量）絕對優(yōu)先地投入到?jīng)Q定其未來的AI基礎(chǔ)設(shè)施戰(zhàn)場，有一定的必然性。
另一方面，在過去一年里，英偉達的行業(yè)統(tǒng)治地位或多活動受到不少挑戰(zhàn)，尤其是來源于谷歌這類科技公司的一些顛覆。
在缺乏制程紅利或架構(gòu)顛覆性突破的情況下，匆忙推出小幅升級的產(chǎn)品，反而可能打亂市場節(jié)奏、影響現(xiàn)有產(chǎn)品線（如RTX 40系）的銷售。英偉達有資本選擇等待一個更合適的發(fā)布時機。
更實際的問題
拋開以上，還有兩個非常實際的問題：一是從現(xiàn)有架構(gòu)遷移到Rubin的更新成本與收益是否匹配；二是新架構(gòu)下硬件必然會存在的穩(wěn)定性與魯棒性風(fēng)險。
對于從業(yè)者來說，從Blackwell或更早架構(gòu)遷移到Rubin，遠不止一次簡單的硬件采購。
最典型的例子，集成六種尖端芯片、采用全液冷設(shè)計的Rubin系統(tǒng)，其單機柜或單托盤的價格必然極其昂貴，會顯著高于當(dāng)前一代系統(tǒng)。
還有他們的計算邏輯，客戶不會單純?yōu)榱水?dāng)前的算力付費，他們要購買一張通往下一代AI成本結(jié)構(gòu)的門票。核心比較指標(biāo)非“總擁有成本（TCO）”，而是 “單位智能成本（Cost Per Intelligence）”——即處理每萬億token、訓(xùn)練每個萬億參數(shù)模型的綜合開銷。
那劃不劃得來呢？對于極度稀缺、高速迭代的前沿模型研發(fā)（如追求AGI的實驗室）和超大規(guī)模AI云服務(wù)商來說，答案很可能是肯定的。
即便硬件單價高，但若能將其服務(wù)的天量Token推理成本降低一個數(shù)量級，或在競品之前以數(shù)月時間優(yōu)勢推出更強大的模型，這筆投資就能在極短時間內(nèi)通過市場領(lǐng)先地位和更低的運營成本收回。這是為生存和領(lǐng)先而戰(zhàn)。
除了這些，還有遷移與適配的隱性成本。比如，Rubin的NVFP4張量核心、新的內(nèi)存層次（如由BlueField-4驅(qū)動的上下文存儲平臺）以及CPU-GPU協(xié)同模式，都需要對現(xiàn)有的深度學(xué)習(xí)框架、模型架構(gòu)和調(diào)度軟件進行深度優(yōu)化，甚至重寫部分代碼。這需要投入大量工程師時間和驗證成本。
決策者還要考慮什么時候回本，比如：
基于Rubin更低廉的Token成本，自己的業(yè)務(wù)量（推理請求、模型訓(xùn)練任務(wù)）將增長多少？新架構(gòu)帶來的能效提升，能節(jié)省多少電力成本？與“維持舊系統(tǒng)，但承擔(dān)更高邊際成本和逐漸喪失競爭力”的路徑相比，提前投資Rubin的凈現(xiàn)值（NPV）是否為正？
對于大多數(shù)企業(yè)，這個平衡點可能不會立即到來。
另一方面，關(guān)于穩(wěn)定性與魯棒性，是這種系統(tǒng)級極致創(chuàng)新的天然反面。
對于任一硬件工藝，復(fù)雜度激增必然帶來故障點的擴散。傳統(tǒng)的GPU集群有一兩個出現(xiàn)問題，任務(wù)可遷移解決。但Rubin是一個超級有機體，內(nèi)部（Vera CPU、Rubin GPU、NVLink 6、DPU、超級網(wǎng)卡）精密耦合，任何一個關(guān)鍵部件的異常，都可能影響整個系統(tǒng)的協(xié)同效率。
對于工程師來說，故障診斷難度大概率也會上升。當(dāng)性能問題或錯誤出現(xiàn)時，排查的根源可能是硬件（六種芯片中的任何一種）、固件、驅(qū)動、互聯(lián)協(xié)議或系統(tǒng)軟件中的任何一環(huán)。這種深度集成使得傳統(tǒng)“分而治之”的調(diào)試方法變得異常困難。
我們也注意到，針對這幾個風(fēng)險，老黃在演講中回應(yīng)了幾項特性，如全鏈路機密計算與加密、徹底重新設(shè)計的供電與冷卻、通過DPU實現(xiàn)“卸載”與“隔離”。
只不過，無論設(shè)計多么精妙，一套如此復(fù)雜的新系統(tǒng)，也必須經(jīng)過大規(guī)模、長時間、多樣化實際工作負載的淬火才能得到驗證。
按照以往的經(jīng)驗，早期采用者將不可避免地承擔(dān)“共同測試者”的角色，與英偉達一同發(fā)現(xiàn)并解決那些在實驗室中無法預(yù)見的問題。
這個過程可能需要更長時間。
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論