29 篇博文 含有标签「GPU」

按照IT行业的老经验，服务器硬件三年折旧归零。但H100正在改写这条铁律：机龄一年半到两年半的二手卡仍能保住原价的四分之三以上，2026年甚至出现了挂牌交易的机构化二手市场。AI芯片为何成了科技史上罕见的"硬通货"？

一条反常的价格曲线​

先看数据。多家渠道2026年的报价显示：二手H100 80GB单卡价格大致稳定在1.2万至2.2万美元区间，视成色与渠道而异；英国经销商Servnet报告称，2023年底卖约4万美元的H100如今二手市场成交在1.2万至2.2万美元。硬件金融公司Mercatus追踪的残值曲线显示，机龄18至30个月的H100仍保留75%至85%的价值，60个月后才降至25%至35%的底部区间。

对比之下，消费级显卡在下一代发布后12个月内通常贬值40%到50%。更反常的是租金与售价的背离：据Silicon Data等机构研究，H100按小时计的市场租赁价已从2023年峰值的7至10美元跌至2至4美元，但一年期合约租金却从2025年10月的1.70美元/小时涨到2026年3月的2.35美元/小时——零散供给在跌价，锁定型需求在涨价。

指标	2023至2024年峰值	2026年现状
H100单卡全新价格	炒至最高约5万美元	约2.5万至4万美元
H100单卡二手价格	尚无活跃市场	约1.2万至2.2万美元
小时租金（现货）	7至10美元	2至4美元
一年期合约租金	约1.7美元/小时	约2.35美元/小时
18至30个月残值率	无数据	75%至85%

硬通货的三重支撑​

H100保值的第一重支撑是推理经济学。大模型推理对算力的要求低于训练，H100跑推理的单位token成本依然划算，二手买家买的是"每token成本"而非"峰值性能"，这为旧卡创造了长尾需求。第二重是供给端：Blackwell虽在放量，但HBM与先进封装持续受限，新旧交替被拉长，H100大规模退役的时点不断后移。第三重是稀缺的合规供给——据英国《金融时报》援引中国芯片贸易商的报道，一台美国零售约40万美元的DGX B300服务器在中国市场成交价一度超过800万元人民币，同款硬件因法律可及性不同而出现数倍价差，套利需求外溢抬高了全球二手价格。

从灰色交易到机构化市场​

2026年7月，一个面向企业级客户的二手、翻新与富余算力交易平台正式开放，挂牌覆盖H100、H200、B200、A100、L40S等多代产品，询价量从数百台到数万台不等。这标志着二手GPU从零散的电商与拍卖，走向有报价、有质保分层（翻新机较未测试机溢价15%到25%）的机构化市场。与此同时，超过200亿美元的算力抵押贷款依赖残值假设——二级市场给出的可观测价格，让贷款方第一次能用真实数据校准折旧模型。

研判：保值是周期现象，不是永恒规律​

必须清醒地看到，H100的保值建立在"下一代产能受限、推理需求爆发"两个暂时条件上。行业共识是：一旦Rubin世代在2026年底至2027年大规模铺开，H100二手价将再承压10%到20%，残值曲线终会走向传统IT设备的归宿。但这段插曲的产业意义深远：它证明了当算力成为生产资料，GPU就从"设备"变成了"资产类目"，拥有租金、残值、证券化与抵押融资的完整金融属性。对采购方而言，现在的关键是时机——在下一代广泛可用前，H100仍是最抗跌的算力资产。

vLLM 早已不只是"NVIDIA 专属"的推理引擎。随着硬件插件化 RFC 落地，AMD、昇腾、TPU 都有了官方或社区维护的后端，但各家成熟度差异悬殊。本文按硬件路线梳理适配矩阵与部署要点。

主流硬件后端适配矩阵​

硬件路线	接入方式	关键依赖	成熟度评估
NVIDIA CUDA	内置后端，开箱即用	CUDA 12.x + 主线 PyTorch	最高，特性首发地
AMD ROCm	内置支持（Docker 镜像分发）	ROCm 6.x + PyTorch ROCm 版	较高，主流模型覆盖
华为昇腾	vllm-ascend 硬件插件	CANN 8.0 以上 + torch-npu	快速追赶，2025 年完成 V1 引擎适配
Intel Xeon CPU	内置 CPU 后端	AVX-512 / AMX	稳定，适合中小模型与降本场景

需要提醒的是，vllm-ascend 从 2025 年 2 月立项后保持了约两周一个版本的节奏，v0.7.3 实现核心加速特性支持，v0.9.1 引入大规模专家并行（EP），v0.11.0 显著提升稳定性，社区反馈显示互联网、银行、运营商场景已有规模化生产落地。版本号与 vLLM 本体严格对齐，升级时必须成对更新。

NVIDIA 路线的调参要点​

在 H100/A100 上，vLLM 默认配置已经不错，但仍有几个高频调整项：

1. gpu-memory-utilization：默认 0.9，多进程共享一张卡或多卡跑多模型时建议压到 0.8 左右，避免 OOM 后进程被杀。
2. max-model-len 与 max-num-seqs：上下文长度直接决定 KV Cache 预留显存，生产环境不要盲目拉到模型上限，按业务 P99 输入长度加余量设置。
3. chunked prefill 与 prefix caching：新版默认开启，长输入场景收益明显；RAG 类应用务必确认前缀缓存生效。
4. 量化方案：FP8 适合 Hopper 及以上，AWQ/GPTQ 适合消费级卡与老卡，选型前先跑精度评测再上量。

昇腾与 AMD 路线的现实​

昇腾路线要求 CANN 8.0 以上、torch-npu 与 vLLM 版本严格匹配，官方推荐通过容器镜像部署以规避环境漂移。Atlas 800I A2 系列是当前插件的主战场，DeepSeek、Qwen、GLM 等主流开源模型均已覆盖，PD 分离（Prefill/Decode 分离）与专家并行也在持续增强。

AMD 路线则相对简单，官方 Docker 镜像内置 ROCm 支持，MI300X 凭借 192GB 显存在 70B 级稠密模型上可以单卡部署，省去张量并行带来的通信开销。但部分自定义算子和投机解码特性更新会比 CUDA 路线滞后一至两个版本，上线前要针对目标模型跑完整回归测试。

实操建议​

1. 用容器镜像锁定版本组合，不要在生产机器上直接 pip 安装三件套（vLLM、torch、底层驱动栈）。
2. 换硬件或升级版本时，先在预发环境跑官方精度评测脚本，再压测吞吐与时延曲线。
3. 关注 vllm-ascend 与 ROCm 后端的 Release Note，特性差距在缩小，但"最新特性"往往只在 CUDA 路线可用。
4. 混合集群建议统一 OpenAI 兼容 API 层，让业务侧对硬件无感，方便后续按成本迁移。

语音是所有 AI 推理场景里"单路最便宜、体验最挑剔"的一类：模型小到一张入门卡就能跑，但用户对延迟的容忍度以百毫秒计。选型的核心不是买多大的卡，而是把延迟预算分配对。

一、ASR 侧：Whisper 家族的显存与速度账​

Whisper 各型号的显存需求很友好：large-v3（1.55B 参数）FP16 约 3GB、INT8 约 1.5GB；large-v3-turbo（809M）FP16 约 2GB；蒸馏版 distil-large-v3 约 1.5GB，速度约为原版 6 倍。实测数据（faster-whisper 加 CTranslate2、INT8、单流）显示：RTX 3060 12GB 跑 large-v3 实时率约 10 至 12 倍，4090 达 40 至 50 倍，5090 达 55 至 65 倍。实时率（RTF）越高，单卡能承载的并发转写路数越多。

选型要点：中文与多语种业务建议 large-v3 或 turbo（蒸馏版在小语种和噪音场景的错误率上升明显）；电话客服场景 16kHz 采样即可，音频前处理加 VAD 静音裁剪能减少约一半的计算量。

二、TTS 侧：从"能听"到"克隆"的显存阶梯​

TTS 的显存跨度比 ASR 大得多：轻量方案（Kokoro 82M、Piper 类）不足 1GB，甚至可以纯 CPU 运行；中量级（Qwen3-TTS 1.7B 类）约 4GB；高表达力与音色克隆方案（Step-Audio 7B 级、Chatterbox、XTTS v2）约 3 至 8GB；旗舰级方案则要 12 至 17GB。完整语音对话管线（STT 加 LLM 加 TTS 三模型常驻）的典型显存账是 10 至 16GB——这意味着一张 16 至 24GB 的卡就能承载单机完整语音助手。

并发规模	业务形态	推荐配置	预算区间	关键指标
10 路以内	门店助手、智能音箱 demo	RTX 5060 Ti 16GB 或 4090 单卡	0.6 万至 2 万元	端到端低于 500 毫秒
30 至 100 路	中小客服中心、会议转写 SaaS	双卡 4090 或单卡 A100 40GB 服务器	5 万至 20 万元	转写排队低于 200 毫秒
300 至 1000 路	大型外呼平台、实时字幕服务	8 卡 A800 或 H100 集群加流式调度	60 万至 240 万元	按路数横向扩容，P95 延迟稳定
信创合规场景	政企呼叫中心	Atlas 300I Duo 推理卡集群	单卡约 2 万至 4 万元	满足国产化验收，低功耗高密度

三、延迟预算怎么分配​

实时语音对话的端到端目标通常是低于 500 至 800 毫秒，一个可参考的分配：VAD 判停约 200 毫秒、ASR 增量转写约 100 毫秒、LLM 首 token 约 150 毫秒、TTS 首音频约 100 毫秒。优化优先级最高的三件事：用 turbo 或蒸馏版 Whisper 替代 large-v3（速度差 6 倍，精度损失可控）、ASR 与 TTS 用 INT8 量化、LLM 输出流式喂给 TTS 而非等全句。这三条做完，多数管线能在消费级硬件上摸到实时门槛，不必上高端卡。

另一个常被忽略的点是语音流的话音活动率：典型对话中每人只占 40% 至 50% 的时间，100 路并发通话在任一瞬间活跃的转写任务只有四五十路。按"名义并发乘 0.45"估算算力，能省下接近一半的采购量——但外呼机器人是例外，它的静音模式更规律，活动率要单独实测。

四、结尾建议​

语音 AI 服务的硬件决策顺序：先定延迟指标（决定单卡承载路数），再按并发规模定卡的数量，最后才看要不要更好的单卡。中小规模场景的默认答案是单张 16 至 24GB 消费卡承载 10 路完整语音管线，随业务增长横向加卡，比一开始买大机灵活得多。两点最后提醒：一是 ASR 加 TTS 加 LLM 同卡混布时，务必给各模型设显存预留与常驻策略，避免运行中被逐出显存造成数秒级卡顿；二是语音业务对成本极其敏感，月利用率长期低于三成时，2 至 4 元/小时的消费卡租赁比自建更划算。

从"国产兼容显卡"到"硬件光追+AI生成式渲染"，摩尔线程正在完成一次技术范式层面的跃迁——而AI算力与游戏GPU的双线并进，让这次跃迁有了更厚实的商业底座。

"庐山"来了：15倍渲染、50倍光追、64倍AI​

2026年9月3日，摩尔线程在半年度业绩说明会上介绍了下一代高性能图形渲染芯片规划：基于**"花港"架构的新一代GPU——"庐山"**，预计实现三大性能跃升：

• 3A游戏渲染性能提升15倍
• 光线追踪性能提升50倍
• AI性能提升64倍

官方计划于2026年底推出"庐山"芯片（上市时间以官方发布为准）。这三个数字放在一起，勾勒出的不是一次常规的代际迭代，而是一次"重写底座"式的升级：光追50倍意味着硬件光追从"支持"走向"实用"，AI性能64倍则预示着AI能力将从图形附庸升级为核心卖点。

两大核心渲染技术​

"庐山"的性能跃升背后，是两项核心渲染技术支撑：

其一是实时光线追踪。"庐山"基于花港架构设计了硬件光线追踪加速引擎，并支持DirectX Raytracing（DXR）。此前国产GPU普遍通过软件手段或有限硬件支持来兼容光追，而专用加速引擎+DXR支持的组合，意味着"庐山"将具备与主流游戏引擎光追管线对接的能力——这是3A游戏生态的门票。

其二是AI生成式渲染AGR。摩尔线程推出全自研的MTAGR 1.0技术，推动渲染范式"从计算走向生成"。传统光栅化渲染是逐像素计算的暴力美学，而生成式渲染借助AI模型直接生成画面细节，用更少的算力换更高的画质与帧率。NVIDIA的DLSS、AMD的FSR已验证了AI超分路径的价值，MTAGR 1.0则是国产GPU在渲染范式变革上的主动跟进——且选择直接押注"生成"而非仅仅"超分"。

双线并进：游戏GPU与AI算力​

"庐山"的故事不止于游戏。摩尔线程2026年的商业化进展呈现出游戏与AI算力两条腿走路的格局：

时间	事件	意义
此前	登陆科创板上市	打开资本通道，支撑高研发投入
9月3日	半年度业绩说明会公布"庐山"规划	图形GPU技术路线图明确
9月19日（报道）	京东云与摩尔线程合作万卡级集群部署上线	国产GPU万卡集群规模化落地
9月23-27日	数贸会（杭州）展示AI智算卡、万卡级集群	展示"模型训练工厂/词元生产工厂/智能体生产工厂"

在杭州数贸会上，摩尔线程展示的产品覆盖云-边-端全场景：AI智算卡、万卡级集群，以及面向大模型生命周期的"模型训练工厂""词元生产工厂""智能体生产工厂"。这套叙事与京东云万卡集群的落地相互印证——摩尔线程的AI算力业务已经从"卖卡"进入"卖集群、卖工厂"的深水区。

技术跃迁的深层逻辑​

回顾国产GPU的发展路径，第一代产品的核心命题是"兼容"——让Linux桌面、办公软件、视频播放跑起来；而"庐山"的命题变成了"范式"——硬件光追对接主流3A管线、AGR参与全球渲染范式变革、AI性能面向大模型时代。从跟随式兼容到范式级参与，这是国产GPU厂商第一次在图形技术方向上与国际一线站在同一条起跑线附近。

AI性能提升64倍的目标也值得放在行业背景下解读：图形与AI本就同源，硬件光追引擎与AI算力单元共享大量基础能力。"庐山"把AI性能提升作为核心指标，说明花港架构在设计之初就为图形+AI双重负载做了统一规划。

小结​

"庐山"GPU承载着摩尔线程的三重跨越：技术上，从软件兼容走向硬件光追与MTAGR 1.0生成式渲染的范式创新；产品上，从单一显卡走向云-边-端全栈布局；商业上，从科创板上市到京东云万卡集群落地，AI算力与游戏GPU双线并进。3A渲染15倍、光追50倍、AI性能64倍的目标能否兑现，要等2026年底产品揭晓（以官方发布为准），但方向已经清晰：国产GPU不再满足于"能用"，而是开始追求"领先"。

过去三年，整个 AI 硬件故事都是"训练"：谁有最多 H100、谁能把十万卡连成集群。这场竞赛基本尘埃落定——NVIDIA 赢了。但下一战场"推理"正在完全不同的规则下开打：衡量标准不是峰值 FLOPS，而是 cost-per-token（每 token 成本）、时延与功耗。2026 年，推理芯片第一次在规模上压倒训练，成为 AI 加速器的主战场。

---

1. 推理成为主战场：80%–90% 的算力花在推理上​

训练一个大模型要花数亿美元——一次。但模型上线后，它要日复一日回答数十亿次查询。一个热门消费级模型可能需要上万颗加速器 7×24 小时运行才能跟上需求。因此：

• 推理约占一个模型生命周期算力的 80%–90%；
• 推理芯片将占 2026 年约 $400B AI 加速器市场的 60%–70%，而 2023 年这一比例仅约 40%；
• 推理芯片增速（预计年增 52.7%）显著高于训练芯片（28.4%），推理侧算力需求占比 2026 年首次超过训练侧，达 54%（约 $1010B）。

推理的经济学很直接：训练成本被摊销到微不足道，推理成本成为整张账单。每降低 1% 推理成本，都直接流向利润——对 OpenAI 这种推理流量达 hyperscale 体量的公司，Half 的账单是后面跟着一堆零的数字。

---

2. 市场规模：结构性增长拐点已至​

市场	2026 规模	增速	备注
全球推理专用芯片	$412.7B	+38.4%	较训练芯片增速高 14.2 pct
中国推理专用芯片	$118.6B（占全球 28.7%）	+44.1%	亚太增速最强单一市场
全球 AI 训练/推理芯片（含 GPU/NPU）	突破 $1850B	+40.2%	GPU 占约 62%

中国市场国产化替代加速，国产推理芯片出货占比达 34.6%，较 2025 年提升 9.8 pct。

---

3. 技术路线份额反转：GPU 放缓，ASIC 飙升​

路线	2026 出货份额	趋势
GPU	52.6%	仍居首，但增速放缓至 22.7%
ASIC 定制芯片	41.3%	从 2022 年 17.8% 大幅攀升
FPGA	稳定	特定低时延场景

GPU 凭借生态成熟度仍是主力，但 NPU/ASIC 在能效比上已实现对同代 GPU 1.8 倍的优势，推动其在边缘与端侧采用率快速攀升。专为推理优化的 ASIC 出货量预计达 1150 万颗，单位成本较 GPU 降低约 35%。

---

4. 五大流派混战​

流派	代表产品	核心优势	适用场景
通用 GPU	NVIDIA Rubin / B200 / H200	生态成熟、训推一体	前沿训练 + 高交互推理
LPU（语言处理单元）	Groq LPU	极低时延、确定性吞吐	实时对话、高并发推理
TPU（推理专用）	Google TPU 8i（Zebrafish）	288GB HBM、384MB 片上 SRAM、ICI 19.2 Tb/s	Google 规模化推理
自研 ASIC	OpenAI Jalapeño、微软 Maia 200、Meta MTIA	针对自家模型剪掉通用性税，cost/token 降 ~50%	hyperscaler 自有负载
风冷推理卡	Intel Crescent Island	350W 风冷、480GB LPDDR5X、tokens/watt	成本敏感中长尾推理

OpenAI 与博通合作的 Jalapeño 目标将推理 token 成本较通用 GPU 栈降低约 50%——这是第五个加入"自研推理芯片俱乐部"的成员（前有 Google TPU、亚马逊 Inferentia/Trainium、微软 Maia、Meta MTIA）。

---

5. 核心指标转向：cost-per-token 与 tokens/watt​

推理竞赛与训练竞赛的根本不同在于切换成本低：

• 训练需要 10 万卡集群 + NVLink + CUDA，迁移成本极高；
• 推理在端点层面" embarrassingly parallel"——不需要百万卡集群，一个能快速便宜出 token 的节点即可，per-endpoint 可替换。

这意味着 NVIDIA 的三道护城河（最快硅、NVLink 扩展、CUDA）在推理侧都不再绝对。当最大的 AI 买家（OpenAI）开始把 GPU 当作"可选项之一"，GPU 溢价就开始消蚀——定价权依赖稀缺性，而自研芯片从两个方向同时攻击稀缺性：既减少商户芯片需求，又给买家一个可信的谈判外部选项。

---

6. 边缘与端侧爆发：长尾化信号​

需求端呈现显著长尾化与碎片化：

场景	2026 需求规模	增速
云端推理	$198.2B（占 48%）	+24.5%（放缓）
边缘推理	$126.5B（占 30.7%）	+52.3%
端侧推理	$88.0B（占 21.3%）	+68.9%
智能驾驶推理	$67.3B	+58.2%
工业质检 / 机器人推理	$42.1B	+63.7%

推理负载的时延敏感性与功耗约束正在重塑芯片架构设计优先级——这也解释了为何 Crescent Island 这类"风冷大显存"方案能找到生存空间。

相关链接​

• Hot Chips 2026 全景总结
• 云巨头自研芯片浪潮
• NVIDIA Rubin 规格页
• Intel Crescent Island 规格页

参考资料​

• Inference Chips vs Training Chips - ValueAdd VC
• 全球及中国推理专用芯片行业发展深度洞察研究报告(2026) - IIM
• 2026年全球AI训练/推理芯片市场及趋势咨询报告 - IIM
• Custom AI inference silicon: why OpenAI built Jalapeño - nexi.fund

---

本文基于 2026 年公开市场研究、券商报告与行业分析整理。市场规模与份额为第三方机构测算，口径不一，仅供参考。

2026年6月6日 —— COMPUTEX 2026 昨日在台北圆满闭幕。本届展会以"AI Together"为主题，创下 1500+ 参展商、6000 展位的历史纪录。NVIDIA、Intel、AMD 三巨头在 AI PC 领域的正面交锋成为本届最大看点。

1. NVIDIA RTX Spark：六月正式上市，$1,399 起​

NVIDIA 与联发科合作的 RTX Spark 超级芯片在 COMPUTEX 发布后不到一周即确认上市时间表：

关键信息	详情
首发 OEM	华硕、戴尔、惠普、联想、微软 Surface、微星
上市时间	2026 年秋季
起步价	尚未公布（外界推测 $3,000-4,000）
核心配置	Arm CPU（最多 20 核）+ Blackwell GPU（6144 CUDA）
统一内存	128GB LPDDR5X（300 GB/s）
模型容量	可运行 1,200 亿参数 模型，最长 100 万 token 上下文

市场反应：AMD/Intel/Qualcomm 股价受压，分析认为 RTX Spark 将从三个方向重塑市场——Windows AI PC、Creator 工作站、边缘推理节点。

---

2. Intel 18A 全面投产：Clearwater Forest + Crescent Island​

Intel CEO 陈立武首次在 COMPUTEX 发表主题演讲，带来两项关键更新：

Clearwater Forest（至强 6+）​

• 288 核 Darkmont 架构
• 首款 Intel 18A 工艺数据中心 CPU
• Foveros Direct 3D 封装
• 已全面投产

Crescent Island AI GPU​

• 480GB LPDDR5x 显存
• 350W 风冷 PCIe 形态
• 原生 FP4 支持，专攻智能体推理
• 2026 H2 出货

陈立武表示："当 AI 迈向智能体时代，CPU 正重返现代 AI 基础设施的中心。"

---

3. AMD Ryzen AI 400 系列出货中​

AMD 在 COMPUTEX 上展示了 Ryzen AI 400 系列（Zen 5 + Zen 5C 混合架构 + XDNA2 NPU）：

• NPU 算力 60 TOPS，x86 最高
• 7 款消费级型号 + 商用 PRO 系列
• 多家 OEM 已上市或即将发布
• 7 月将举办 Advancing AI 2026 峰会（旧金山）

---

4. 国产芯片持续发力​

厂商	产品	状态
华为	昇腾 950PR/950DT	已量产，自研 HBM 突破
寒武纪	MLU690	2 PFLOPS FP8，开始出货
摩尔线程	MTT S5000	1000 TFLOPS 参数公开

---

5. AI PC 元年：三家巨头路线图对比​

维度	NVIDIA RTX Spark	Intel Clearwater Forest + Crescent Island	AMD Ryzen AI 400
CPU 核心	20 核 Grace (Arm)	288 核 Darkmont (x86)	最高 12 核 Zen5+5C
GPU/NPU	Blackwell GPU	Crescent Island (独立 GPU)	XDNA2 NPU (60 TOPS)
AI 算力	1 PFLOPS	TBD	60 TOPS NPU
目标	个人 AI Agent	数据中心+AI PC 双线	Copilot+ PC
工艺	TSMC 4NP	Intel 18A	TSMC 4nm
上市	2026-06	2026 H2	已上市

---

本周算力圈速览（6/1-6/6）​

日期	事件
6/1	NVIDIA GTC Taipei：RTX Spark、Vera Rubin 量产、DGX Station for Windows
6/1	Intel 发布 Crescent Island、Clearwater Forest
6/2	COMPUTEX 正式开幕，"AI Together"主题
6/5	COMPUTEX 闭幕，1500+ 展商创纪录
6/6	RTX Spark 确认六月上市 $1,399 起

---

数据来源：COMPUTEX Daily、腾讯新闻、凤凰科技、雪球、The Silicon Review。

2026 年 6 月 1 日，中国台北 —— 在 Computex 2026 开幕主题演讲中，NVIDIA CEO 黄仁勋正式发布了 RTX Spark 超级芯片，标志着 NVIDIA 正式进入由 Intel、AMD、Qualcomm 和 Apple 主导的个人电脑处理器市场。

RTX Spark：个人 AI 计算机的"心脏"​

RTX Spark 由 NVIDIA 与 联发科（MediaTek） 合作开发，采用 20 核 Grace CPU + Blackwell RTX GPU 的异构封装，配备 6144 个 CUDA 核心。AI 算力达到 1 PFLOPS（千万亿次浮点运算），这意味着个人电脑首次拥有与数据中心级 H100 GPU 相当的计算能力。

参数	RTX Spark
CPU	20 核 Grace（联发科合作，Arm 架构）
GPU	Blackwell RTX（6144 CUDA 核心）
AI 算力	1 PFLOPS
目标	个人 AI Agent，本地 LLM 推理
首发 OEM	华硕、戴尔、惠普、联想、微软 Surface、微星
上市时间	2026 年秋季
形式	笔记本 SoC + 紧凑型桌面主机

黄仁勋的"全栈 AI"战略​

RTX Spark 的发布是 NVIDIA "全栈 AI" 战略的关键一步。黄仁勋在演讲中表示："AI 不应该只在云端运行。每个人的电脑都应该拥有运行 AI 代理的能力。"

RTX Spark 让 NVIDIA 从数据中心 GPU 垄断者转变为个人计算市场的全面竞争者。消息发布后，AMD、Intel 和 Qualcomm 的股价应声下跌。

对市场的影响​

• Intel：个人电脑 AI 处理器业务面临直接威胁
• AMD：Ryzen AI 系列需要应对同级别竞争
• Qualcomm：Snapdragon X Elite 的 Copilot+ PC 定位被挑战
• Apple：M 系列芯片不再是唯一的高性能 AI PC 选项

Vera Rubin 平台进入大规模量产​

在同一场演讲中，黄仁勋还宣布 NVIDIA Vera Rubin 平台已进入全面量产阶段。Rubin R200 采用 6 芯片 CoWoS-L 封装（1× Vera CPU + 2× Rubin GPU die + I/O/HBM die），配备 288GB HBM4、22 TB/s 带宽、50 PFLOPS FP4 算力（稀疏）。

Rubin NVL72 机柜（72 颗 Rubin GPU + 36 颗 Vera CPU）将于 2026 H2 开始出货。

CompuTex 2026 其他看点​

• AMD：展示了 MI350 系列（192GB HBM3e，5 PFLOPS FP8 dense），6 月正式上市
• Intel：Jaguar Shores 首次公开
• Qualcomm：AI 200 / 300 系列推理卡路线图更新
• 国产 AI 芯片展区：华为、寒武纪、摩尔线程等展示最新产品

行业意义​

RTX Spark 的发布意味着 AI 算力不再局限于数据中心。个人开发者、设计师、研究人员将能在本地运行以往需要云端 GPU 的大模型任务，这可能会重新定义个人 AI 计算的市场格局。

Vera Rubin 的量产则进一步巩固了 NVIDIA 在数据中心 AI 训练领域的绝对领先地位。两条产品线共同构成 NVIDIA "云端训练 + 个人推理" 的全栈 AI 计算版图。

---

本报道基于 2026 年 6 月 1 日 Computex 2026 / GTC Taipei 的 NVIDIA 官方发布信息。

AI 加速芯片领域有三大主流架构：GPU、NPU 和 TPU。再加上近年出现的 LPU（语言处理器），很多开发者搞不清它们之间的区别。

本文从架构设计理念、生态成熟度、实际性能表现、部署成本四个维度进行对比。

AI 加速卡市场在 2025 年已经变得前所未有的丰富。从 NVIDIA 的 Blackwell 到华为的昇腾 910B，从 Google 的 TPU v6 到 Groq 的 LPU，开发者面对的选择比以往任何时候都多。

但这既是好事，也是难题——选错了卡，要么多花冤枉钱，要么性能不达标。

本文从实际工作负载出发，帮你梳理选型逻辑。