英伟达聚焦AI超算，传统显卡或成历史？

在2026年的CES展会上，英伟达并未发布任何新型显卡。

取而代之的是，黄仁勋用近两个小时的时间，详细阐述了一个名为Vera Rubin的全新AI超算架构，以及一组足以颠覆行业的数字：

在Rubin上运行AI推理，吞吐量提升十倍，训练万亿参数模型所需的GPU数量减少到上一代Blackwell的四分之一，每个token的成本降至十分之一。

这一举动或许预示着，通过制程和架构微迭代来提升传统消费级GPU性能的方式，其边际效应正在减弱。

以下是我们对此的一些思考。

无新显卡与Rubin的商业模式转变

要理解Rubin，关键在于转换视角。

它并非更快的GPU，而是一套高度垂直整合的AI计算系统。英伟达为此设计了六颗功能各异但深度耦合的专用芯片：

Vera CPU（负责AI数据流调度）、Rubin GPU（核心算力单元）、NVLink 6（超高带宽内部互联）、ConnectX-9 SuperNIC（AI专用网络）、BlueField-4 DPU（卸载存储与安全任务）、Spectrum-6以太网交换芯片。

六块芯片协同工作，旨在将整个数据中心机柜整合为一台无缝的“巨型AI计算机”。

Rubin解决的是系统规模化的难题，而非单颗芯片的性能极限。它让算力的堆叠从“手工组装赛车引擎”变为“标准化汽车工厂流水线”，从而带来效率提升和成本下降。

这种模式与谷歌通过TPU及其互联技术打造自家AI基础设施的思路相似。英伟达的Rubin面向的是与谷歌有相似需求的客户——即需要处理海量Token、训练和运行万亿参数模型的超大规模AI厂商或云服务商。

与之前的商业模式相比，这是一种从“卖铲子”到“卖生产力车间”的转变。它带来的性能提升（如10倍推理吞吐）和成本下降（1/10的Token成本），是这种专用化、系统级优化所能释放的潜力。

然而，Rubin的威力只有在处理其预设的、高度并行化的AI计算负载时才能完全释放。对于图形渲染、通用科学计算或小规模模型推理等场景，其复杂性和成本可能并不划算。它瞄准的是一个庞大但特定的“主航道”市场。

对现有AI硬件生态的冲击

Rubin的出现，是否会让“囤积高端GPU”作为核心竞争力的时代进入倒计时？

如果Rubin能够普及，那么对于第一波靠买卖或租赁算力（如H100集群）的厂商来说，他们的商业模式将承受巨大压力。当新一代系统能以低得多的单位成本提供推理服务时，旧有集群的性价比优势会迅速丧失。

而对于那些早期投入巨资自建GPU集群的AI公司来说，他们的处境更为微妙。这些硬件资产短期内不会报废，依然能用于研发和现有服务。

但问题在于未来的竞争维度。

当新入场的玩家可以凭借Rubin级别的廉价算力轻松获得与你相当的推理能力时，你之前用巨额资本构筑的算力壁垒的战略价值就会急剧缩水。竞争将更快地、更彻底地转向模型算法本身的优越性、数据的独特性和闭环，以及产品与市场的契合度。

关于Token平价时代的窗口期

Rubin所承诺的“平价推理时代”，其窗口期的长短取决于两个关键变量：Rubin的销量爬坡速度以及现有巨头模型能力的迭代速度。

如果Rubin能在2026年下半年如期规模上市并迅速被主要云厂商部署，那么这个“平价算力”的接入点就会迅速普及。

窗口期可能并不长。在这段时间里，存量公司必须完成从“依赖硬件规模”到“依赖软件和生态优势”的关键转型。

关于AI泡沫与下一代种子选手

需要注意的是，尽管Rubin的大规模投入为AI商业价值的全面实现拆除了成本和规模障碍，但它本身并不能自动创造价值。

简单来说，它解决的是“成本可不可行”问题，而非“需求存不存在”问题。

AI泡沫论常质疑的是：天价训练成本能否产生与之匹配的商业价值？Rubin将成本打下来，实际上是大幅降低了验证商业价值的门槛。

关于不推新显卡的深层原因

黄仁勋作为天才销售大师，在CES全球大会上没有推销显卡这一事实本身就值得讨论。我们甚至可以合理猜测，在半导体物理边界下，是否已经逼近创新极限？

在传统GPU的晶体管微缩竞赛中，持续实现代际性能飞跃的难度确实在增加。与此同时，AI数据中心市场的增长曲线和利润空间形成了绝对的战略引力。

更实际的问题

除了以上讨论，还有两个非常实际的问题：一是从现有架构迁移到Rubin的更新成本与收益是否匹配；二是新架构下硬件必然会存在的稳定性与鲁棒性风险。

对于从业者来说，从Blackwell或更早架构迁移到Rubin远不止一次简单的硬件采购。