NVIDIA开放Vera Rubin架构加速AI工厂

NVIDIA在OCP全球峰会上把Vera Rubin机架级架构的核心设计捐给了开放计算项目，这标志着AI工厂的竞争焦点正从单卡性能转向系统级标准制定权。

这一动作的实质是：NVIDIA不再仅仅卖GPU，而是试图让整个AI基础设施的物理层——机架、供电、冷却、网络——都围绕自己的参考设计形成事实标准。当AI工厂从兆瓦级走向吉瓦级，谁定义了机架的物理规格，谁就定义了整个产业链的制造节奏。

MGX 1.2：把AI工厂变成可复制的工业品

NVIDIA通过MGX架构向OCP贡献了第三代AI数据中心参考设计，具体到Vera Rubin这一代，更新后的MGX 1.2规范增加了几个关键能力：机架级盲插液冷、可互操作的机架级互连基础设施、以及专为更高功率AI系统设计的液冷5,000A母线。同时新增原生19英寸设备支持和更高密度机架设计。

这些技术细节指向一个核心问题：当单机架功率密度逼近250kW，传统数据中心的供电和散热架构已经彻底失效。5,000A母线意味着什么？意味着一个机架消耗的电流相当于一个小型工业设施的用电量。盲插液冷意味着运维人员不需要手动连接冷却管路，机架推入即可完成液冷回路对接——这是从“工程现场施工”到“工厂预制、现场即插即用”的转变。

架构支持高达250kW的机架部署，同时简化可维护性、部署和基础设施复用。

对系统集成商和代工厂而言，MGX 1.2的意义在于：他们不需要再为每个超大规模客户单独设计机架，而是可以基于一个公开规范批量制造。这直接压缩了从设计到量产的周期，也降低了中小型AI云厂商进入的门槛——他们可以买“标准AI工厂机架”，而不是从头定制。

Vera CPU机架：为智能体时代准备的第二轨

NVIDIA同时发布了Vera CPU机架设计规范，这是MGX架构从加速计算向通用计算场景的延伸。Vera Rubin NVL72面向大规模训练和推理，而Vera CPU机架则专门针对工具调用、编排和沙箱执行——也就是AI智能体与应用程序、数据和服务实时交互的场景。

这个区分非常重要。训练和推理是GPU密集型任务，但智能体时代的负载特征是：大量轻量级的、事件驱动的、需要快速上下文的CPU侧操作。如果所有负载都跑在GPU上，成本结构会崩溃。Vera CPU机架共享同一套机架级设计原则——计算、网络、供电、冷却统一为模块化平台——意味着客户可以在同一个物理基础设施里混布GPU机架和CPU机架，共享供电和冷却回路。

Vera CPU机架建立在第三代NVIDIA MGX机架架构之上，共享将计算、网络、供电和冷却统一为通用模块化平台的同一套机架级设计原则。

这步棋的深层意图是：NVIDIA要把智能体AI的整个执行栈都锁在自己的硬件生态里。工具调用和编排如果跑在NVIDIA的CPU机架上，与GPU机架的互连延迟和调度协同就是原生优化的，第三方CPU方案很难在系统层面竞争。

DSX OS开源：把AI工厂的“操作系统”交出去

NVIDIA扩展了DSX OS，开源了四个关键组件：NVIDIA Config Manager（大规模自动化交换机配置）、NVIDIA Cluster Readiness Engine（用真实负载模拟压测GPU集群，在训练开始前保证硬件健康）、NVIDIA Rack Management Service（把机架作为一等单元进行固件管理）、以及Cluster API Provider for NVIDIA Infrastructure Controller（把裸金属部署从数天压缩到数小时）。

这些组件来自NVIDIA运营DGX Cloud的实战经验。开源它们意味着什么？意味着云厂商和软件合作伙伴可以把AI工厂的运维能力直接集成到自己的多租户平台里。NVIDIA不直接运营所有AI工厂，但它希望所有AI工厂的运维逻辑都跑在DSX OS的框架上。

Cluster Readiness Engine解决的是一个非常具体的痛点：大规模GPU训练任务经常因为某块GPU或某条链路的问题而崩溃，浪费数小时甚至数天的训练时间。用真实工作负载模拟来提前验证硬件健康，这个思路是把“故障发现”从训练过程中前移到部署阶段。对动辄数千卡集群的运营商来说，这直接转化为可用训练时间的提升。

开放标准：从社区规范到运行系统的直线

NVIDIA联合AMD、Google和Meta发布了Open Data Center Specification v0.7，定义了下一代AI工厂设施设计的统一蓝图——从供电架构到冷却基础设施到物理布局。同时，Google、Meta、Microsoft和NVIDIA联合发布了OCP Grid Resilience Specification，规定大规模AI基础设施在电网扰动期间的行为：保持连接、自动响应、在不到两秒内恢复到接近满负载。

电网韧性这个点值得单独拆解。当单个AI工厂的功率达到吉瓦级，它对电网的影响已经相当于一个中型城市的工业负荷。如果AI工厂在电网波动时直接脱网，会造成电网的连锁不稳定；如果它不能快速恢复，则意味着巨大的算力闲置。两秒内恢复满负载是一个极其激进的指标——传统数据中心的UPS切换和负载恢复通常在分钟级。这要求AI工厂的供电架构从设计之初就内置对电网信号的实时响应能力。

对于正在建设Vera Rubin AI工厂的运营商来说，现在有一条从开放社区标准到运行系统的直线。

这句话的潜台词是：NVIDIA的DSX参考设计与这些开放规范兼容，所以运营商可以放心地按照OCP标准建厂，同时确保与NVIDIA的硬件和软件栈无缝对接。开放标准在这里扮演的角色是降低采用NVIDIA方案的心理门槛和集成风险——标准是开放的，但最完整的实现是NVIDIA的。

网络与光互连：400Gb/s模块和Falcon Transport

NVIDIA和Cisco宣布了Ultra-Dense Small Form Factor Pluggable (USFP)标准，这是业界首个面向400Gb/s网络的模块。同时，NVIDIA和Google宣布未来的ConnectX-10 SuperNIC和BlueField DPU将支持Falcon Transport。Meta和NVIDIA则在Spectrum-X Ethernet SuperNIC和Spectrum-6上推进开放AI网络。

网络是AI工厂的循环系统。400Gb/s的USFP模块意味着在同样的面板密度下，网络带宽可以翻倍——这对动辄需要数千个节点全互连的大规模训练集群至关重要。Falcon Transport在ConnectX-10和BlueField上的支持，则指向更高效的RDMA传输和更低的CPU开销。这些网络层的进步直接决定了tokens-per-watt这个NVIDIA反复强调的指标——每瓦电力能产出多少AI token。

所以呢：标准即权力

把所有这些发布放在一起看，NVIDIA在OCP上的动作可以概括为一句话：把AI工厂的物理层和运维层标准化，然后让这些标准围绕自己的参考设计旋转。

对行业的影响是分层的。对超大规模云厂商——Google、Meta、Microsoft——他们参与标准制定，获得的是供应链多元化和成本可控性。对中小型AI云厂商和主权AI项目——他们获得的是“开箱即用”的AI工厂蓝图，不需要从零设计供电和冷却。对设备制造商和代工厂——他们获得的是一个明确的制造目标，可以提前备产。

对NVIDIA的竞争对手——AMD、Intel以及自研芯片的云厂商——开放标准是一把双刃剑。标准本身是开放的，但最完整、最先验证的实现是NVIDIA的DSX。当运营商按照OCP规范建厂时，他们发现NVIDIA的机架、网络和软件栈是“原生兼容”的，而其他方案需要额外适配。标准的开放性降低了NVIDIA方案的采用阻力，同时提高了竞争对手的集成成本。

开放标准正在帮助行业更快、更高效、更可靠地扩展AI基础设施。

这句话由NVIDIA来说，含义是：我们定义什么是“开放”，我们提供最完整的“实现”，你们按照这个标准建，就是在建NVIDIA的AI工厂。从芯片到机架到电网接口到运维软件，Vera Rubin时代的竞争已经不再是单点性能的竞争，而是整个物理基础设施标准体系的竞争。NVIDIA正在把护城河从硅片延伸到母线、冷却管路和电网响应协议。