NVIDIA说AI军备竞赛不拼芯片拼教育——转身把DGX GB300装进了海军研究生院

AI军备竞赛，买芯片就够了吗？

过去两年，五角大楼在AI上的叙事主线是：买更多GPU，建更大的数据中心，签更大的云合同。

JWCC（联合作战云能力）合同总额90亿美元。各军种都在跑AI试点。国会听证会上，"AI就绪"成了固定话术。

但NVIDIA这次选择了一个完全不同的切口：不卖给五角大楼一个数据中心，而是送一台超级计算机给一所学校。

蒙特雷海军研究生院（Naval Postgraduate School，NPS）不是作战指挥部，不是研究实验室，不是采购办公室。它是一所研究生院。它的"产品"不是武器系统，是人——每年毕业数百名中坚军官，回到舰队、陆战队和联合部队，带着硕士学位和真实世界里练出来的技术判断力。

这次部署在挑战一个默认假设：国防AI的优势来自硬件规模。NVIDIA用行动给出了另一个答案——来自用硬件的人。

NVIDIA创始人兼CEO黄仁勋（Jensen Huang）在现场对学员说："我们的国家依赖在前线作战的男男女女。对你们来说，没有什么比信息和洞察更有价值——及时的信息和洞察，以及理解其影响和后果。我想不到比这更重要的事。"

他特地补了一句给非计算机专业的人："我给各位最重要的建议是：去接触这项技术。它没有你们想的那么难，因为从第一性原理出发，技术应该随着时间的推移变得越来越聪明。"

36+72：一台超级计算机，1500名军官学员

2026年7月22日，黄仁勋走进加州蒙特雷的海军研究生院，为一台DGX GB300 AI超级计算机剪彩。

这是美国军方第一台DGX GB300。它安装在NPS校园内，以NVIDIA Mission Control软件运行，面向1500多名在校学员和600名教员开放——不通过云端，不经过外包，直连校园网络。

这台机器的配置：36颗Grace CPU加72颗Blackwell Ultra GPU，整合为一套可扩展系统。计算、存储、网络、软件耦合设计，插上电就能跑。

用途清单：基础模型训练、AI推理、高保真度模拟。覆盖领域：天气预报、网络安全、海洋建模、灾害韧性与应急响应规划。每一项都与国防直接挂钩。

美军印太司令部司令、海军上将Samuel J. Paparo在发言中把这个部署放在军事现代化的框架里："在实现绝对的决策优势时，我们必须利用数据、计算和人机融合，比任何对手更快地观察、判断、决策、行动、评估、学习和调整。当我们把这些能力连接到空间、传感器和网络中，我们的作战优势不是简单地加法增长，而是复合产生压倒性的联合效果。"

36颗Grace CPU配72颗Blackwell Ultra，这台机器为什么必须留在校园里

DGX GB300的架构本身不难理解：36颗NVIDIA Grace CPU搭配72颗Blackwell Ultra GPU，通过NVLink高速互联，整合进一套可扩展的单机柜系统。NVIDIA Mission Control软件层负责调度、监控和资源管理。

但这套系统最关键的决策不是芯片配比。是在租不如买、买不如送的逻辑里，选择把机器直接放在蒙特雷校园，而不是接入某个云端集群。

NPS首席信息官Trenton Hancock说得很直白："初期我们需要谨慎管理需求。但这套系统真正给我们的，是探索更复杂的真实世界问题的能力——尤其是那些与作战舰队每天面临的挑战镜像的问题。"

底层逻辑是三条：主权、延迟、教育。

主权——天气建模、网络攻防、灾害响应模拟涉及的数据即使不涉密，也高度敏感。把模型训练数据传到公有云上跑，在军方语境下不是效率问题，是合规风险。

延迟——数字孪生导航需要实时渲染和推理。NPS与MITRE合作，基于NVIDIA Omniverse库搭建了一套高保真数字孪生框架，用于模拟不确定条件下的导航和决策。这类工作负载对往返延迟敏感，本地计算是最优解。

教育——DGX GB300不是锁在机房里仅供研究员排队申请的稀缺资源。NVIDIA同步扩展了Deep Learning Institute的覆盖面，把教学工具包交到各院系教员手里，让AI课程穿越计算机系边界，渗入空间作战、海洋科学、系统工程等专业。换句话说，这不是买一台计算机做研究，是用一台计算机造一个AI原生的教学环境。

基础设施背后站着一组行业伙伴。DDN提供高性能数据基础设施，负责AI工作负载的数据访问、管理和扩展。VAST Data贡献统一数据平台，打通边缘、核心和云端的安全数据管理。Vertiv交付机柜、冷却和供电，并支持安装调试和流体管理。三者拼在一起，构成了一个完整的国防级GB300部署样板。

NPS的研究版图已经铺开。过去几年，学校以黑客马拉松的节奏推进自主系统、海洋研究和作战规划——hackathon产出直接变论文，论文直接变作战推演输入。研究人员用AI建模海洋状态、预测大气变化、构建复杂环境的数字孪生。这台DGX GB300上场后，这些负载不必再排队等外部算力。

Hancock这样收束："真正的价值在于加速数据到作战效果的转化——缩短学习、适应和在支持海军力量时做出更好决策所需的时间。"

从CRADA到剪彩：一场酝酿两年的国防AI联姻

这件事的起点不在2026年7月22日的剪彩仪式上。起点在2024年12月。

当时NVIDIA与NPS签署了一项合作研发协议（CRADA），在蒙特雷校园建立NVIDIA AI技术中心。那是一个承诺——把AI计算、课程和工具带进这所美国海军的研究生院。22个月后，这个承诺变成了一台DGX GB300实体机。

NPS不是一所普通的大学。它成立于1909年，是一所海军指挥部，专门培养现役军官和盟国伙伴。学生是中坚军官——带着作战经验入学，毕业后直接回到舰队、陆战队、联合部队承担更高的指挥职责。NPS校长、退役海军中将Ann E. Rondeau在仪式上说："持久的优势从来不只靠技术本身，而是靠有智慧、有判断力的领导者——先威慑冲突，必要时决战决胜。"

到场的人物阵容说明了这件事的规格。黄仁勋亲赴蒙特雷。Paparo上将——他自己就是NPS校友——全程参与。还有NPS基金会主席Hank Plain。

捐赠路径绕过了传统国防采购周期：NVIDIA把DGX GB300捐给NPS基金会，由基金会安装在校内，同时附带研究项目经费。

NPS在计算领域的历史让这件事更有纵深感。1953年，NPS购入第一台电子数字计算机。1960年，西摩·克雷的世界第一台全固态超级计算机CDC 1604——序列号1——被送进NPS。那台机器支撑了数值天气预报和海洋预报的前沿研究。NPS还是ARPANET最早节点之一，计算机科学先驱Gary Kildall在这里写出了世界上第一个微机磁盘操作系统CP/M。

NPS杰出荣誉教授Peter Denning——计算机科学和互联网演进中的关键人物——说："NPS一直处于计算创新的前沿。与NVIDIA的合作延续了这一传统，为AI和机器学习创造新的突破机会。"

今天这台DGX GB300的任务，和六十年前那台CDC 1604的任务在本质上没有区别：把最先进的算力交到需要用它来解决最紧迫问题的人手里。

国防AI的第三条路：不租云端，不建数据中心

美国军方AI算力的供给，目前主要有两条路。

第一条路：公有云。通过JWCC等合同，把AI负载跑在AWS、Azure、Google Cloud或Oracle Cloud上。好处是弹性，问题是敏感数据和延迟敏感负载受限。

第二条路：建数据中心。国防部自建HPC中心——如工程研发中心（ERDC）和陆军研究实验室超算中心——提供大规模算力。但这类资源以科研项目制分配，申请周期长，离教学场景远。

NVIDIA在NPS开辟了第三条路：把最先进的算力直接嵌进教学现场。

这条路有三个不可替代的优势。第一，学员不是"申请GPU小时数"的远程用户，而是可以物理接触到硬件的使用者——你可以走到机柜前看它的布线，理解它的散热要求，再回来写代码。第二，教员可以直接把AI实验嵌入课程，不用为每一门课申请外部算力。第三，NPS学员毕业后返回舰队，带走的不只是使用AI工具的经验，还包括搭建和驾驭AI基础设施的经验。

这条路有没有局限性？有。单台DGX GB300的算力天花板是固定的。但Hancock的策略是"不要用满，要管好"——初期控制需求，把最复杂的真实问题喂进去，让质量决定节奏，而不是数量。

在军方AI教育的版图里，空军理工学院（AFIT）和西点军校也在推进AI课程，但NPS是目前唯一一家拥有专用DGX GB300硬件资源的。这个窗口期能持续多久，取决于其他军种跟进的速度，也取决于NPS能不能在这段时间里跑出足够大的差距。

最稀缺的不是GPU小时数

Paparo上将对台下的学员说了一段话，值得全文引述："你们中的许多人将在AI赋能的环境中指挥。信息将以闪电般的速度流动，压缩响应时间。我们的优势将来自像你们这样的领导者——能使用技术更快地观察、理解、决策和行动，同时做出机器无法提供的判断、运用经验和发挥领导力。这种教育正在NPS发生。"

Paparo本人是NPS校友。他的话里有一个判断：技术提供速度，但在压缩到极限的时间窗口里，做出正确决策的是人，不是模型。

黄仁勋提供了对称的另一半。让非计算机专业的军官"去接触"AI，不是因为它简单，而是因为"不接触"的风险已经大于"接触不好"的风险。一个不会写Python的海军少校，如果他从没碰过训练流程，他就没办法判断一个AI推荐是可靠的情报还是统计噪音。

NPS的历史上有一个精准的类比。1960年，CDC 1604来到校园时，也没有人指望每个军官都变成数值分析专家。但那些在蒙特雷碰过CDC 1604的人，后来成了塑造冷战技术格局的决策者。

今天这件事的逻辑是一样的。DGX GB300不是答案，是提问的工具。

关于国防AI，最稀缺的从来不是GPU小时数。是坐在GPU前面的人。

参考链接：

本文由 AREX Agent 基于一手来源（NVIDIA官方推文、NVIDIA官方博客、NPS官方新闻稿）及公开信息生成。内容仅供行业参考，不代表任何机构立场。