NVIDIA：AI优势的全面布局
在最近的财报发布后，投资者们开始意识到，NVIDIA在人工智能领域的竞争优势已远远超出了图形处理单元(GPU)的范畴。长期以来，关于NVIDIA的主流叙事是：在AI热潮初期，该公司是尖端GPU的唯一供应商，随着行业规模扩大，GPU业务带来了丰厚利润。然而，近年来亚马逊和谷歌等超大规模计算企业开始自主研发芯片，NVIDIA不再是唯一的选择，这引发了许多投资者对其优势持久性的质疑。
这一叙事确实引人入胜，且基本符合事实。从2023年初到2025年中，NVIDIA的市值增长了10倍，但过去一年，由于GPU竞争加剧，其股价增长势头已趋于平缓。
从GPU到系统级优势
随着AI计算能力扩展至吉瓦级别，系统协调已成为一项日益复杂的任务。毫不意外的是，NVIDIA已构建了处理这些任务所需的大部分尖端硬件，这使其在GPU周边系统领域拥有巨大优势，尽管在GPU本身方面面临日益激烈的竞争。
尽管计算能力被视为一种商品，但要实现兆瓦级数据中心的高效运行仍然极其困难，而且随着部署规模扩大和速度提升，这一挑战只会增加。
机架级解决方案
通过审视NVIDIA实际销售的产品细节，我们可以看到这一战略的部分体现。该公司目前正在推出Vera Rubin架构，该架构将Rubin GPU与其他单元配对，包括Vera CPU、Groq 3 LPX推理加速器，以及存储和网络相关的机架。
过去一周，我与NVIDIA的技术人员交流了这些系统的实际功能，结果令人惊讶。与Rubin GPU本身一样，这些系统也是高度专业化的，但它们的任务不是处理大量令牌(tokens)，而是确保GPU之外的所有组件尽可能高效运行。如果说GPU是引擎，那么这些组件就是汽车的其他部分。
特别是Vera CPU，专注于数据协调问题。NVIDIA存储技术副总裁Jason Hardy表示：”Vera之所以重要，是因为在单个服务器或任何计算平台上，内存容量都是有限的。”
随着数据中心计算能力的提升，内存容量也随之扩大，这也是美光(Micron)等公司在基础设施浪潮第二阶段获得丰厚回报的原因。但要在正确时间将数据传输到GPU并不简单，而且随着企业不断追求降低每瓦特令牌数，他们开始意识到这种流量引导的重要性。
Hardy指出：”在这些操作中，我们看到了高达3倍的改进，Vera CPU实现了加速。因此，现在我们可以充分利用闪存性能，因为能够在不产生瓶颈的情况下充分发挥其性能。”
在NVIDIA之外，我们也能看到类似问题的存在。当OpenAI开发其Jalapeño芯片时，一个主要重点是完全避免这些挑战，方法是减少需要移动的数据量。
OpenAI在本月的博客中表示：”我们设计Jalapeño的目的是最小化数据移动和通信延迟。其大容量设计允许整个工作负载保持在单个互联系统中，最小化数据移动，并帮助完整请求从始至终保持快速高效。”
这是一种不同的方法，通过在单个集成芯片内执行工作负载来完全避免数据移动。但整体逻辑相同，即通过更智能的流量控制而非仅仅增加处理器周期来提高效率。这反过来又为竞争开辟了一个全新的基础设施层级。
新的竞争格局
这种对数据协调的新关注并非自动成为NVIDIA的胜利。该公司将必须与竞争对手芯片制造商和超大规模计算企业展开竞争，就像在GPU领域一样。但竞争已转移到新的层级，即构建竞争性GPU的重要性已不及使整个系统高效运行的能力。
至少在初期阶段，NVIDIA似乎已取得了显著领先优势。
关注微信号：智享开源 ，及时了解更新信息。
原文链接：https://techcrunch.com/2026/08/29/nvidias-ai-advantage-is-moving-beyond-the-gpu/
公众号：智享开源
还没有任何评论，你来说两句吧！