英伟达喊话行业：每瓦性能 GB300 是 Hopper 的 25 倍

7 月 14 日，NVIDIA 通过官方博客和推特发布了一篇技术檄文，直指 AI 基础设施竞赛的核心规则已经改变：电力，而非芯片产能，才是 AI 工厂的真正瓶颈。在 DeepSeek V4 Pro 上，GB300 NVL72 每瓦性能达到上一代 Hopper 的 25 倍。博客发布 24 小时内，推文获得 304 次点赞、近 5 万次浏览，引发投资圈和工程圈同时热议。

五句话读完这篇博客

25 倍：GB300 NVL72 在 DeepSeek V4 Pro 推理上，每瓦性能为 Hopper 的 25 倍；GLM5.1 上 20 倍，Kimi K2.6 上 10 倍。数据来源为 SemiAnalysis InferenceX。
60% 定律：典型 AI 工厂中，从电网拉进来的电只有约 60% 转化为有效 AI 工作，其余耗散在冷却和机架级损耗中。
40% 增量：NVIDIA DSX MaxLPS 电力管理软件通过实时功率调度、温水液冷和功率转向技术，在同一电力预算内可多塞进 40% 的 GPU。
软件月增 5 倍：仅在 DeepSeek V4 一个模型上，同一套硬件通过软件栈优化（TensorRT LLM、Dynamo、SGLang、vLLM），单月内每瓦性能提升了 5 倍。
已量产验证：Anthropic、OpenAI、SpaceXAI 已在 Blackwell NVL72 上跑推理；CoreWeave、Perplexity、Fireworks AI 等推理服务商也已部署。

电力成了新的硅

NVIDIA 这篇博客的标题直白到近乎挑衅——"Why Performance per Watt Is the Ultimate Metric for AI Infrastructure Efficiency"。文章署名 Shruti Koparkar，开篇第一句就是结论："Power is AI infrastructure's inescapable constraint."

这个判断的背景是 AI 推理正在从"偶尔用一下"变成"持续烧钱"。Agentic AI 的兴起意味着每次用户查询背后是数十甚至数百次模型调用，Token 消耗量暴涨。在一个电力配额锁死的数据中心里，谁能从每一度电里挤出更多 Token，谁就决定了收入和利润的上限。

NVIDIA 给出的框架是：每瓦性能不是一个可以被刷分的 benchmark，它只取决于真实生产环境中的表现。这个说法显然在暗指那些拿单卡峰值 FLOPS 做文章的竞争对手——在 72 GPU 域规模的 MoE 推理场景下，单卡跑分和数据中心真实吞吐之间隔着巨大的鸿沟。

博客引用了 SemiAnalysis InferenceX 的三组数据，全部基于开源前沿模型在 GB300 NVL72 与 Hopper 代之间的对比：

DeepSeek V4 Pro：每瓦性能提升最高 25 倍
GLM5.1：每瓦性能提升最高 20 倍
Kimi K2.6（专为长程 Agentic 任务设计）：每瓦性能提升最高 10 倍

NVIDIA 特意强调这些数据使用了 Pareto 曲线而非单点对比——不同工作负载需要不同的操作点（有的优化延迟，有的优化吞吐和成本），用 Pareto 前沿来展示更有说服力。同时提供了 DynoSim 工具，让客户在花 GPU 时之前就能找到自己工作负载的最优点。

全栈协同设计为什么能垒这么高

博客花了大量篇幅解释一个概念：codesign（协同设计）。NVIDIA 想说的是，GB300 NVL72 的每瓦性能优势不是靠某一项黑科技砸出来的，而是从硅到软件的每一层都为推理吞吐做了定向优化，而且这些优化会叠加。

NVLink Switch 是最核心的一块拼图。Hopper 时代的 GPU 域是 8 卡，而 Blackwell 是 72 卡——域规模大了 9 倍。对于 MoE 模型推理，更大的 GPU 域意味着 expert 分布更均匀、跨卡通信开销更低。NVLink Switch 已经演进到第六代（Vera Rubin 将继续使用），NVIDIA 强调它不是从通用网络设备改造而来，而是为 AI 工作负载原生设计，支持 SHARP（在交换机内直接完成集合通信计算），从 GPU 上卸掉了一部分工作。

软件栈是另一个杠杆。NVIDIA 的推理软件组合——Dynamo 分布式推理框架和 TensorRT LLM——配合开源方案 SGLang 和 vLLM，支持 NVFP4 量化、分离式推理（disaggregated serving）、大规模 expert 并行、KV 感知路由和 KV cache 卸载。这些技术单独拿出来每一项也许只提升 20%-30%，但叠加起来的乘积效应是惊人的。最直观的例证来自博客中不起眼的一句话：在 DeepSeek V4 上，同一套硬件通过软件优化，单月内每瓦性能提升了 5 倍。

电力管理则直接触及数据中心的物理极限。NVIDIA 的 DSX MaxLPS 软件能在 GPU 和机架之间实时调度功率，支持温水液冷，并用"功率转向"（power steering）技术在电力预算不变的前提下挤出更多性能。NVIDIA 声称这能让运营商在同一电力配额下运行多达 40% 更多的 GPU——在水冷和功率调度做到极致之前，从电网到 GPU 的有效利用率只有约 60%。

谁在用？生产环境才是硬道理

博客的后半段转向客户举证，这是全篇最有说服力的部分。

Anthropic 和 OpenAI 两家最顶尖的 AI 实验室，已经在 Blackwell NVL72 上跑推理。SpaceXAI 也在名单中。这三个名字放在一起，意味着当前最强的基础模型——Claude、GPT 系列、以及 Elon Musk 旗下的 xAI 模型——底层跑的已经是 Blackwell 的机架。

推理服务商一侧，CoreWeave 在 GB300 NVL72 上部署了 Kimi K2.6，配合 NVFP4 量化和 EAGLE3 推测解码来最大化推理性能。Perplexity 在 GB200 NVL72 上跑 Qwen3 235B 和 Qwen3.5-397B-A17B，服务每日数百万次搜索查询，对延迟和可靠性的要求与消费级产品持平。Fireworks AI 在 Blackwell 上部署 GLM 5.2，客户包括 Cursor 和 Factory AI。

NVIDIA 把这个叫做"accumulated production experience"——机架级系统在单节点部署中遇不到的故障模式，只有在几个月的真实流量冲刷下才能积累起运维手册。博客的潜台词是：竞争对手就算纸面参数追上来，软件和运维层面的差距需要以年为单位追赶。

竞争对手不会坐等

NVIDIA 这篇博客发布的时间点很值得玩味。距离 GTC Berlin（10 月 20-22 日）还有三个月，届时 Vera Rubin 平台将正式亮相，新一轮每瓦性能的数字会再次刷新。

这本质上是一次"提前设定评分标准"的操作。如果行业接受"每瓦 Token 数"作为 AI 工厂的核心 KPI，那么 NVIDIA 全栈协同设计的优势就会在每一次代际更替中复利累积。从 Blackwell 到 Vera Rubin，从 NVLink Switch 第六代到第七代，这个飞轮很难被单点突破。

但挑战者并非没有。AMD 的 MI400 系列同样在追求推理场景的每瓦性能；Google 的 TPU v8 在自家生态内拥有软硬协同的自由度；AWS 的 Trainium 在 Anthropic 的 Claude 训练中已经证明了替代能力。更重要的是，博客中提到的所有基准测试都来自 NVIDIA 自己优化过的软件栈和 SemiAnalysis 的测试环境——在生产环境中由第三方独立复现的数据，才是真正的试金石。

另一个值得注意的张力来自软件本身。同一套硬件单月内每瓦性能提升 5 倍，这既是 NVIDIA 软件团队执行力的证明，也意味着今天的数字只是一个快速移动的快照。客户在做 Capex 决策时，需要判断的是"我买下这批 GB300 之后 18 个月的实际表现"，而不是博客中今天的数字。

电决定一切的时代开始了

NVIDIA 这篇博客真正在说的，不是 GB300 比 Hopper 强了多少倍，而是 AI 基础设施的竞赛规则已经不可逆地变了。

过去十年，半导体行业围绕"摩尔定律"组织叙事——每 18 个月晶体管密度翻倍。过去三年，叙事变成了"Scaling Law"——模型越大越聪明。而现在，NVIDIA 想设定的新叙事是：电力是唯一不可谈判的约束条件，而全栈协同设计是突破这个约束的唯一路径。

如果这个叙事成立，那么 AI 芯片的竞争就不再是"谁的 FLOPS 更高"，而是"谁的平台能从每一度电里榨出更多智能"。在这个维度上，垂直整合越深的玩家越占便宜。NVIDIA 不仅在做芯片，还在做互联、做冷却、做调度软件、做推理框架——它想把整个 AI 工厂变成一个端到端的"黑箱"，客户只需要输入电力预算和 Token 需求。

博客最后一句意味深长："This accumulated production experience, built across generations of frontier models and real-world deployments, is what gives NVIDIA Vera Rubin its head start." 翻译过来就是：等 Vera Rubin 出来的时候，差距只会更大。

参考链接：

转载声明：本文由 AREX Agent 基于公开信息自动生成，仅供信息参考，不构成投资建议。