「我們很早就觀察到，AI其實是一種製造業。」
最近，在柏林舉行的GTC大會主題演講上，老黃（NVIDIA 創始人、CEO黃仁勛）這樣定義了AI。在他看來，數據中心生產的是Token，本質上是一座「AI工廠」。
他用「五層蛋糕」來描述這條產線：「可以把AI看作一個五層蛋糕。能源驅動先進的電腦，這些電腦組成AI工廠，AI工廠生產Token。」這五層自下而上，分別是能源、晶片、基礎設施、模型和應用，上層能做多大，取決於下層能給多少。
過去幾年，評估AI算力的框架，主要圍繞單顆晶片展開，看峰值算力、HBM容量和互連頻寬。晶片越強，集群越強，在訓練規模快速擴張的階段，這個邏輯基本成立。
然而，AI工廠的規模已經進入GW級。按照老黃的估算，一座1GW的AI工廠，土地、電力、廠房、計算、網路、儲存和冷卻合計，投資約500億美元，建成後每年可帶來約400億美元的收入。
投入如此之大，時間就成了最貴的變量，投產每晚一個季度，運營商就少收約100億美元。
「100億美元的收入，足以讓任何人焦慮。」老黃說。
而AI工廠恰恰很難按時投產，在機房內部，伺服器、交換機、線纜和液冷管路都要運到現場，再逐一安裝、布線、調試，這個過程通常需要6個月左右。在機房外部，項目還要排隊等待電網接入，等待用水審批。
也正是在這樣的背景下，「AI是製造業」這句話有了具體的含義。
評價一座AI工廠，除了每MW電力能產出多少Token，還要看設備進場後多少天能產出第一個Token。前者是效率，後者是交付，兩者共同決定這座工廠能否盈利。
那麼，當衡量標準從單顆晶片轉向整條產線，只優化晶片便不夠了。製造業提高效率，靠的是三件事：在工廠里預製標準件，按需調度能源，在出廠前完成檢驗。對應到AI工廠，就是把現場施工搬進車間，把固定預留的電力變成動態分配，把安全檢查從事後補救變成事前強制。
而老黃在柏林的發布，都能對應到這三件事。
只不過，NVIDIA想預製的，不只是一台伺服器，而是一座AI工廠；想調度的，不只是機房裡的電，還包括機房外的電網；想檢驗的，也從晶片一路延伸到了智能體、汽車和機器人。
01 DSX POD的預製邏輯， 把工期從「月」縮短到「天」
要把現場施工搬進車間，首先需要弄清現場施工為何如此緩慢。
現場施工緩慢的根源，在於AI伺服器形態的變化。過去的通用伺服器都是獨立整機，運抵機房、裝入機櫃，接通電源和網路即可運行。
AI伺服器則不同，為了讓幾十顆GPU像一顆更大的GPU那樣協同工作，NVIDIA將整個機架設計成了一台電腦。
Vera Rubin NVL72就是這樣一套機架級系統，72顆GPU通過NVLink銅纜背板連成一體，整機採用液冷。在柏林，老黃宣布：「Vera Rubin已經全面投產。」
由於機架內部的線纜和管路布置得極為密集，難以在現場組裝，NVL72一直是在工廠完成組裝和測試後，再整機運往機房。
然而，機架只是AI工廠的一個單元，機架之間的橫向擴展網路、供電線路和冷卻管路，仍然需要在現場逐一連接。以7個NVL72機架為例，機架之間的Spectrum-X網路線纜就長達17km。
線纜和管路越多，接錯與滲漏的風險就越高，而且這類問題往往要到全部安裝完成、進入聯調階段才會暴露。一旦返工，整個工期都要隨之後移。
為了避免現場返工，DSX POD把NVL72在單個機架上的做法擴展到了一組機架，將機架之間的布線、通水、通電和聯調，也從機房現場轉移到了工廠車間。問題在出廠前就被發現和解決，現場需要處理的工作隨之大幅減少。
具體而言，DSX POD是一套Vera Rubin AI工廠參考設計，合作夥伴在模組化集裝箱中放入7個Vera Rubin NVL72機架，並在出廠前完成機架間布線、配線、布管和功能驗證。一個集裝箱內約有1000萬個零部件，重約28t，其中僅NVLink銅纜就有約3萬根，總長約20km。
集裝箱運抵現場後，只需完成吊裝、互聯、驗證和最終的燒機測試。與此同時，現場在平整場地、建設變電站的過程中，車間也在同步進行布線和測試，原本串行的工序轉為並行，總工期隨之縮短。
按照NVIDIA公布的數據，在場地準備就緒的前提下，部署時間可以從6個月縮短至最短14天，設備運抵後到產出Token的時間，也可以從4至5個月縮短至1個月左右。
「AI工廠在開始產出Token時創造價值，而不是在施工完成時。」老黃說。
不過，硬體安裝完成並不意味著工廠能夠立即產出Token，因為GPU集群的軟體棧層層疊加，核心、驅動、容器運行時和Kubernetes算子之間，任何一處版本不匹配，都可能引發難以復現的故障。
為此，NVIDIA在DSX OS中開源了AI Cluster Runtime（AICR），其工作流依次分為採集、配方生成、打包、部署和驗證幾個環節。AICR先採集EKS、GKE或裸金屬集群的環境資訊，再通過手動輸入或自動發現，生成一份聲明式的配方文件，其中寫明了約束條件、組件版本和驗證項。
配方隨後被打包成部署包，並附上簽名證明，以保證軟體供應鏈的完整性，再交由ArgoCD、Helm等現有的GitOps或持續部署工具完成部署，最後進行就緒性、部署、性能和一致性驗證。相同的輸入始終得到相同的部署結果，軟體也就和硬體一樣，在出廠前完成了「預製」。
集裝箱能在車間提前造好，前提是晶片供應充足。
為此，NVIDIA在柏林同步宣布了供應鏈擴產，其中擴產幅度最大的是光互連，原因在於集群規模越大，機架之間的距離越遠，對光纖傳輸的依賴也就越強。
傳統可插拔光模組與交換晶片之間隔著一段較長的電走線，高速信號在走線上不斷衰減，需要額外的重定時電路來補償。共封裝光學（CPO）則把光引擎直接封裝在交換晶片旁邊，電通道縮短之後，補償電路減少，功耗也隨之降低。
02 從「剛性負荷」到「可調度負荷」，DSX加速AI工廠與電網協同
除了工期，AI工廠建成之後每天消耗的大量電力和冷卻用水，同樣是運營商必須解決的問題，而電和水正對應著五層蛋糕最底層的能源。
電和水之所以密切相關，是因為GPU消耗的電能幾乎全部轉化為熱量，而目前大量數據中心依靠冷卻塔蒸發水來散熱，AI工廠用電越多，蒸發的水量也就越大。
為了減少蒸發散熱，Vera Rubin支持100%液冷，冷卻液溫度最高可達45°C，相當於ASHRAE液冷水溫分級中W45等級的上限。
冷卻液溫度之所以關鍵，與乾冷器的工作原理有關。乾冷器與汽車散熱器類似，水在密閉管路中循環，由風扇吹過散熱片帶走熱量，整個過程不消耗水。
但是，乾冷器只能將水冷卻到比室外氣溫高幾度的水平，因此，允許的供水溫度越高，全年僅依靠乾冷器、無需啟用冷卻塔的時間就越長。
按照NVIDIA的估算，在2GW規模下，乾冷器方案相比冷卻塔方案每天可節約5400萬升水，約相當於18萬戶家庭的日用水量。
除了用水，用電同樣存在優化空間。數據中心通常按設備銘牌功率預留電力，但伺服器很少同時達到峰值，預留的電力往往無法充分利用。
在大模型推理中，這部分餘量更為明顯，因為推理分為預填充（Prefill）和解碼（Decode）兩個階段。預填充需要一次性處理整段輸入，計算密集，功耗較高；解碼逐個生成Token，主要受記憶體頻寬限制，功耗較低。
兩個階段交替進行，整機功耗也隨之頻繁波動，DSX MaxLPS的作用正是利用這部分餘量。通過實時監測每塊GPU、每個機架的功耗，並按負載類型把富餘電力重新分配給需要的計算單元，從而在總功率預算不變的前提下，運行更多的計算任務。
在產出同樣多Token的前提下，MaxLPS最多可以減少30%的用電。在雲服務商Lambda基於HGX B200的概念驗證中，固定功率預算下集群的Token吞吐量提升了24%，Nscale在冰島的4個GB300 NVL72機架上，推理吞吐量提升了49%。
機房內部的電力得到優化後，下一步是與機房外部的電網協同。電網的發電和輸電能力，是按照一年中負荷最高的少數時段規劃建設的，如果大型用戶能在這些時段適度降低用電，電網就能釋放出容量，接入更多負荷。
DSX Flex就是為這種配合設計的標準接口。電網運營商通過DSX Flex API直接向數據中心發送信號，數據中心據此降低負載，或將部分任務延後執行。
在與英國國家電網等機構的早期試驗中，Blackwell Ultra集群在模擬電網事件期間把功耗降低了最多40%，關鍵業務照常運行。對電網公司而言，這樣一座能在高峰時段主動降載的數據中心，顯然比必須24小時滿功率供電的數據中心更容易獲得接入批准，在電網容量緊張的地區，這直接影響項目排隊併網的時間。
電、水、熱和場地之間相互關聯，任何一處調整都會影響其他環節，因此最好在動工之前通過仿真完成推演。NVIDIA在GitHub上開源的Omniverse DSX Blueprint，就基於DSX參考設計，為一座50英畝的園區構建了數字孿生。
在這套工作流中，廠商的CAD模型先被轉換成OpenUSD幾何體並完成校驗，再掛上供電、冷卻和接口等元數據，成為「仿真就緒」（SimReady）的AI工廠資產。這些資產與企業的PLM數據一起裝配，進入AI工廠數字孿生（AIF-DT），並與網路、電網、熱、場地和電氣五類仿真聯動。
其中，熱仿真用來計算熱通道里的氣流和溫度分布，代理模型則用AI近似替代耗時的物理仿真，讓工程師在調整機架配置後能更快看到結果。
03 從沙箱到DPU：NVIDIA給智能體劃出「軟硬」兩道權限邊界
除了AI工廠的建設和供能，工廠產出的Token最終流向何處、被用於何種任務？
在企業場景下，智能體消的耗Token越來越多，而智能體不僅回答問題，還會調用工具、讀寫數據、訪問內部系統，一旦出錯，後果遠比回答錯誤嚴重。
老黃在演講中提醒：「智能體有多大用處，取決於你給它多少訪問權限。」
權限越寬鬆，智能體的能力越強，但被惡意利用時造成的損失也越大。比如，攻擊者可以把指令藏進智能體會讀取的網頁、郵件或文檔，模型讀到這些內容時，就可能把其中的指令當作任務執行。
對大模型而言，數據和指令都是文本，難以在模型內部徹底區分，因此僅依靠模型本身，無法約束智能體的行為。OpenShell參考架構的思路，是在模型外部增設一道強制檢查，並把這道檢查從軟體一直做到硬體。
「AI能力與安全必須同步前進。」老黃表示。
在軟體層，OpenShell採用控制面與數據面分離的架構，網關（Gateway）作為控制面，負責API服務、策略證明、狀態儲存和沙箱調度；運行時作為數據面，把智能體當作不可信負載（Untrusted Workload），放在網路隔離的容器或虛擬機沙箱中運行。
沙箱的默認規則是拒絕所有出站連接，唯一的出口是Supervisor，策略評估、憑證解析、DNS和代理都在Supervisor中完成。智能體無法獲取真實憑證，只有發往已批准地址的請求，才會被附上憑證。
除了一次訪問都要檢查，檢查規則本身的修改也需要把關。當智能體通過policy.local提出新的權限申請時，網關中的Policy Prover會通過形式化驗證（Formal Verification），推導出此次改動開放了哪些新權限。
例如，帶著憑證訪問一台新主機，或者調用一個新的API方法，都屬於需要關注的改動。這類存在風險的改動須經人工審批，Supervisor才會重新加載策略。
具體到每一次網路請求，智能體進程發起的TCP或DNS請求會先被沙箱識別出發起程序，再經由Unix socket、TCP或vsock組成的沙箱協議，送到可信側的隔離後端核驗進程身份。
隨後，策略執行模組逐項檢查目標地址、發起請求的二進制程序、七層（應用層）規則和憑證，只有全部通過，連接才能到達上游服務，其餘出站流量一律拒絕。
老黃介紹說：「OpenShell以Apache 2.0協議開源，可以在智能體運行的任何地方使用，從邊緣到雲端，只需兩條命令就能部署。」
不過，軟體設計得再嚴密，終究運行在主機之上，主機一旦被攻破，檢查機制也可能被繞過，因此NVIDIA將最後一道防線交由硬體實現。在柏林發布的參考架構中，Vera Rubin NVL72負責訓練和推理；Vera CPU運行執行框架和工具調用；BlueField-4 DPU則運行NVIDIA Sentry，在帶外監測智能體與模型之間的流量。
DPU擁有獨立的處理器和記憶體，與主機相互隔離，即使主機側軟體出現問題，DPU上的策略依然能夠執行，智能體一旦越界，ms級時間內就會被隔離。
老黃的總結是：「智能體在Rubin上思考，在Vera上行動，在BlueField上接受治理。」
04 物理AI「ChatGPT時刻」前，NVIDIA造好了的「參考平台」
智能體出錯，損失的是數據；物理AI一旦出錯，則可能危及人的安全，因此在汽車和機器人領域，出廠前的檢驗顯得更為關鍵。
「Robotaxi是機器人與物理AI的第一個大眾市場應用。」老黃說。
汽車也是物理AI最先走向規模化的領域。為了讓車企無需從零構建自動駕駛系統，NVIDIA推出了面向L2到L4級車輛的參考平台Hyperion，其標準配置為14個攝影機、9個毫米波雷達、3個雷射雷達和雙GPU系統。
不過，有了標準化的硬體，車端還需要能夠實時運行的模型。NVIDIA此前發布的Alpamayo 2 Super，是一個340億參數的視覺-語言-動作（VLA）模型，自車運動歷史、多攝影機影片和導航指令等輸入，會先由各自的編碼器轉換成運動、視覺和語言Token，再送入320億參數的Cosmos 3 Super推理主幹。
在此基礎上，推理主幹先生成一段「因果鏈」（Chain-of-Causation）推理文本，解釋為什麼要這樣駕駛，再由20億參數的擴散動作專家（Action Expert）採樣出未來的行駛軌跡。
除了軌跡，同一個模型還能輸出視覺問答（VQA）、元動作和2D視覺定位結果。
然而，340億參數的Alpamayo 2 Super對顯示記憶體和算力的要求很高，難以直接部署在車端。為此，NVIDIA這次推出了只有20億參數的Alpamayo 2 Edge，它可以在車載晶片DRIVE AGX Thor上以10Hz運行，即每100ms完成一次場景理解和運動規劃。
模型能夠裝進車裡之後，安全論證隨之成為新的難題，而且端到端模型的能力越強，論證的難度就越大。傳統功能安全關注的是硬體或軟體失效後的應對，SOTIF（預期功能安全，ISO 21448）關注的，則是系統並未失效，卻因感知或決策能力不足而導致的風險。
神經網路的問題大多屬於後一類，尤其是訓練數據中很少出現的長尾場景，幾乎無法窮舉。針對長尾場景帶來的風險，NVIDIA新發布的Halos SAFE開放了NCAP、DCAS和SOTIF相關的測試用例，並藉助Cosmos和Omniverse NuRec生成大量新場景。
同時，Halos SAFE還把仿真、軟體在環（SIL）、硬體在環（HIL）、道路測試和車隊監測串聯起來，形成一套可以逐項追溯的測試記錄，為車企和認證機構提供安全論證的依據。
從Hyperion到Halos SAFE，NVIDIA在汽車上採用的是「參考平台加前置檢驗」的做法，而這套做法如今也被用到了人形機器人上。由於人形機器人的硬體門檻很高，許多研究團隊需要先投入大量時間研製硬體，才能開始訓練模型，因此NVIDIA與慕尼黑的Agile Robots合作，推出了參考人形機器人Agile ONE SN。
Agile ONE SN「身高」1.40m，重40kg，軀體有31個自由度，每隻靈巧手另有20個自由度，搭載算力為2070 FP4 TFLOPS的Jetson Thor和128GB統一記憶體。按照計劃，這台機器人將於2027年初以預裝整機的形式提供。
不過，硬體就緒之後，研究團隊面臨的更大難題是訓練數據，因為真實操作數據採集成本高、數量少，而仿真數據又與真實世界存在差異。Isaac GR00T公開的參考工作流，正是為了解決這個問題而設計的。
在數據生成環節，人類遙操作採集的真實數據，會經GR00T Mimic擴增成大量合成運動數據，Cosmos世界模型和GR00T Dreams則生成「神經軌跡」，補充真實世界難以採集的場景。隨後，這些真實數據與合成數據被用於在RTX PRO Server或B300上後訓練GR00T N基礎模型。
訓練完成後，模型先在Isaac Sim中進行軟體在環測試，再進行硬體在環測試，最後才部署到機器人搭載的Jetson Thor上。其中任何一個環節精度不達標，都要返回數據生成環節補充數據，這與汽車領域的Halos SAFE一樣，都是把檢驗放在部署之前。
「機器人的ChatGPT時刻正在快速到來。」老黃在柏林這樣說。
在此背景下，NVIDIA這次拿出的，是一台可以買到的參考整機，以及一套從採集數據、訓練、仿真測試到實機部署的完整流程。
05 寫在最後
回到開篇我們提到的「三件事」，DSX POD將施工轉移至車間，DSX MaxLPS和Flex將電力從固定預留改為動態調度，OpenShell參考架構和Halos SAFE則把檢驗前移至部署之前。
三者採用的，都是製造業的方法。
這些發布還有一個共同點，它們都是參考設計。
NVIDIA不建數據中心，不造車，也不造機器人，卻為五層蛋糕的每一層寫好了規格、接口和驗證方法，再交由合作夥伴製造。
NVIDIA的角色，也由此從晶片供應商，延伸為AI工廠建造與驗證標準的制定者。
「要參與AI經濟，你不會只想消費AI，你會想生產AI。」就像老黃這樣。
在他看來，未來或許每一家公司都將成為AI公司。而誰能將設備進場到產出Token的時間從數月縮短至數周，誰就能更早收回那500億美元的投資。
