机柜即产品：AI 芯片竞争单位从「单卡」变「整柜」
· 阅读需 3 分钟
看 AI 芯片市场的老习惯是看「出货量多少颗 GPU」。2026 年，这个指标正在失效——头部玩家的竞争单位已经变成整座机柜，单卡参数表不再是决策的充分依据。
一、各家机柜产品一览
| 厂商 | 机柜/超节点 | 关键口径 |
|---|---|---|
| NVIDIA | Vera Rubin NVL72 | 2026 H2 规模交付，Q4 放量确认 |
| AMD | Helios（MI450） | OpenAI/Meta/微软/Oracle 站点初始系统已运行 |
| 华为 | Atlas 950/960 超节点 | Atlas 950 已发布；960 超节点 9 月官宣 |
| 天数智芯 | 天垓 IXL144 | 单柜 144 GPU、10.1TB 汇聚内存，工博会首展 |
| Meta | MTIA 机架 | 与 MI455X 机架、TPU Pod 并行的组合 |
二、为什么竞争单位必须放大
大模型训练的本质是「把几千颗芯片变成一台计算机」。单卡再强，卡间互联带宽与拓扑直径上不去，集群有效算力就会坍缩：
- Scale-up 域决定能跑多大的模型：NVL72 把 72 颗芯片连成一个统一内存域；超节点路线（华为 CloudMatrix、天数 IXL144）则用更多卡数换互联规模
- 每瓦有效算力取代每卡峰值算力成为核心指标：1,800W 的 Rubin R200 与 950W 的 Maia 300，比的是整个机架的 Token 吞吐与功耗比
- 液冷与供电成为交付约束：吉瓦级数据中心的建设周期里，风冷机柜与液冷机柜的部署密度差一个量级
三、瓶颈扩散链
机柜化把瓶颈从芯片扩散到整条供应链：
芯片 → HBM/封装(CoWoS-L) → 互联(铜缆/光) → 交换机 → 供电(PSU/母排) → 散热(液冷) → 机房(电力/空间)
这正是 2026 年存储涨价、封装紧缺、光模块缺货同时发生的底层原因——任何单一环节的产能都是整柜交付的瓶颈。
四、选型方法论的变化
- 以机柜为报价单位：单卡价格已无意义，问「每机柜交付价 + 每机柜功耗 + 有效 Token 吞吐」
- 互联架构先于芯片选型：Scale-up 域大小决定模型规模上限，先定组网再看卡
- 供应链要逐环节核：交期不是芯片厂说了算，封装、HBM、光模块、液冷任何一环都可能拖半年
- 用 TCO 口径横向比：把机柜价、功耗、PUE、折现统一进模型——这正是本站 TCO 计算器的设计初衷
延伸阅读：超节点时代的选型框架 · 工博会超节点观察 · 完整对比表