Vera Rubin 是什么：不只是一颗 GPU
NVIDIA Vera Rubin 不是一个单纯的 GPU 迭代。它是 NVIDIA 面向 Agentic AI 时代的完整计算平台，包含三个核心组件：
| 组件 | 名称 | 定位 | 制程 |
|---|---|---|---|
| CPU | Vera | AI 专用 ARM CPU | 3nm (TSMC N3E) |
| GPU | RTX Spark | 消费级/工作站 GPU | 3nm (TSMC N3E) |
| 数据中心 GPU | DGX Spark | 数据中心级 AI 加速器 | 3nm (TSMC N3P) |
这三者的组合构成了从 PC 到数据中心的完整产品线。NVIDIA 不再只是卖 GPU——它在卖一套以 AI 为中心的计算架构。
Vera CPU：NVIDIA 的 ARM 野心
Vera 是 NVIDIA 自研的 ARM 架构 CPU，采用 3nm 工艺，这是 NVIDIA 首次大规模进入 CPU 市场。
关键规格
| 指标 | Vera CPU | Apple M5 | Qualcomm X Elite Gen 3 |
|---|---|---|---|
| 制程 | 3nm (N3E) | 3nm (N3P) | 3nm (N3E) |
| 核心数 | 12P + 8E (20 核) | 10P + 8E (18 核) | 12P + 8E (20 核) |
| 最大频率 | 4.2 GHz | 4.05 GHz | 4.3 GHz |
| L3 缓存 | 64 MB | 48 MB | 42 MB |
| 内存带宽 | 256 GB/s (LPDDR5X-8533) | 286 GB/s (LPDDR5X-10667) | 136 GB/s |
| AI 加速 | NVDLA 3.0 (INT8 120 TOPS) | Neural Engine (INT8 38 TOPS) | Hexagon NPU (INT8 45 TOPS) |
| TDP | 35-65W | 20-40W | 15-45W |
Vera 的差异化在于AI 加速能力——120 TOPS 的 INT8 算力远超竞品，这使得在 CPU 侧就能运行小型 AI 模型（<7B 参数），无需 GPU 介入。
为什么 NVIDIA 要做 CPU
NVIDIA 进入 CPU 市场的逻辑很清晰：
- Agentic AI 需要异构计算：Agent 工作流中，逻辑控制/序列规划在 CPU 上运行，模型推理在 GPU 上运行，两者需要紧密协作。分开采购 Intel CPU + NVIDIA GPU 的方案在延迟和带宽上都有损耗
- 打破 Wintel 垄断：PC 市场被 Intel+Windows 联盟垄断 30 年。AI PC 时代，NVIDIA 看到了用 ARM CPU + NVIDIA GPU 重新定义 PC 架构的机会
- 垂直整合：从 CPU 到 GPU 到系统软件 (CUDA/DriverOS)，NVIDIA 想做 AI 时代的 Apple
RTX Spark + DGX Spark：GPU 产品线
RTX Spark（消费级/工作站）
| 指标 | RTX Spark 4090 | RTX 5090 (上一代) |
|---|---|---|
| 制程 | 3nm (N3E) | 4nm (TSMC 4N) |
| 晶体管数 | 82B | 92.2B |
| CUDA 核心 | 18432 | 21760 |
| 显存 | 32GB GDDR7 | 32GB GDDR7 |
| 显存带宽 | 1.5 TB/s | 1.8 TB/s |
| FP32 算力 | 82 TFLOPS | 105 TFLOPS |
| FP4 算力 | 820 TOPS | 420 TOPS |
| TDP | 250W | 575W |
| 本地模型支持 | 70B (INT4) | 70B (INT4) |
RTX Spark 的核心改进不是传统图形性能（实际上 FP32 算力低于 5090），而是 AI 推理效率——FP4 算力翻倍，TDP 几乎减半。这是一颗为本地 AI 推理优化的 GPU，不是为游戏优化的。
DGX Spark（数据中心级）
| 指标 | DGX Spark | H200 (上一代) |
|---|---|---|
| 制程 | 3nm (N3P) | 4nm (TSMC 4N) |
| 显存 | 288GB HBM4 | 141GB HBM3e |
| 显存带宽 | 13 TB/s | 4.8 TB/s |
| FP8 算力 | 40 PFLOPS | 19.8 PFLOPS |
| FP4 算力 | 80 PFLOPS | 39.6 PFLOPS |
| 互联 | NVLink 5 (1.8 TB/s) | NVLink 4 (0.9 TB/s) |
| 功耗 | 700W | 700W |
288GB HBM4 和 13 TB/s 带宽意味着 DGX Spark 可以在单卡上运行 1T+ 参数模型，而无需多卡并行。这对于 Agent 应用极为关键——多卡并行的通信开销在 Agent 场景中会被放大（因为 Agent 的每次工具调用都需要模型推理）。
3nm 制程的意义
从 4nm 到 3nm 不是简单的小幅迭代：
| 指标 | 4nm (N4) | 3nm (N3E) | 提升 |
|---|---|---|---|
| 晶体管密度 | ~136 MTr/mm² | ~175 MTr/mm² | +29% |
| 性能 (同功耗) | 基准 | +18% | +18% |
| 功耗 (同性能) | 基准 | -32% | -32% |
对于 AI 芯片，3nm 的最大价值在于能效比——同样的算力，功耗降低 32%。在数据中心场景，这意味着每瓦特能跑更多的推理请求；在 PC 场景，这意味着笔记本也能跑本地大模型。
PC 芯片市场：与 Wintel 的正面竞争
NVIDIA Vera + RTX Spark 的组合直接挑战了 Intel + Windows 的 PC 芯片联盟：
| 维度 | Wintel (Intel+Windows) | NVDA (Vera+RTX Spark+Linux/Windows) |
|---|---|---|
| CPU 架构 | x86 | ARM |
| AI 加速 | NPU (较弱) | GPU + CPU NVDLA (全栈) |
| 本地模型能力 | 7B (勉强) | 70B (流畅) |
| 生态 | 30 年 x86 软件库 | ARM 生态 (通过 Prism 转译) |
| 目标市场 | 通用 PC | AI 开发者/创作者 PC |
NVIDIA 的赌注是：AI PC 不是营销概念，而是真实需求。开发者需要在本地跑 70B 模型做原型验证，创作者需要本地 AI 加速做内容生成。这些需求 x86+NPU 架构无法满足。
风险在于 ARM 生态的软件兼容性。虽然 Windows 11 的 Prism 转译层已经能运行大部分 x86 应用，但性能损耗 15-25% 对于游戏和专业软件仍是障碍。
OpenAI 和 Anthropic：首批客户
据供应链消息，OpenAI 和 Anthropic 已签署 DGX Spark 采购协议：
| 客户 | 采购量 (估) | 用途 |
|---|---|---|
| OpenAI | ~12000 颗 | GPT-6 训练 + 推理集群 |
| Anthropic | ~8000 颗 | Claude 下一代模型训练 |
| Meta | ~15000 颗 | Llama 5 训练 |
| xAI | ~6000 颗 | Grok 4 训练 |
| Microsoft | ~20000 颗 | Azure AI 云服务 |
DGX Spark 的订单已经排到 2027 年 Q1。NVIDIA 在 AI 芯片市场的地位在短期内难以撼动——竞争对手 (AMD MI400, Google TPU v7) 在性能上可能接近，但在软件生态 (CUDA) 上差距巨大。
投资视角：NVIDIA 的平台化战略
Vera Rubin 标志着 NVIDIA 从「GPU 公司」向「AI 计算平台公司」的转型完成：
- 芯片层：CPU + GPU + 互联 (NVLink)
- 系统层：DGX 工作站/服务器
- 软件层：CUDA + DriverOS + TensorRT
- 应用层：NIM 微服务 + NeMo 框架
每一层都锁定客户，每一层都产生收入。这种垂直整合的战略与 Apple 在消费电子领域的做法如出一辙——区别在于 NVIDIA 锁定的是企业 AI 市场，利润率更高，转换成本更大。
对于投资者，关键问题是：Vera Rubin 的产能能否满足需求？3nm 产能受限于 TSMC，NVIDIA 需要与 Apple 竞争晶圆分配。如果产能不足，竞争对手 (AMD, Google) 可能会趁机抢占市场份额。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。