AI工厂开箱即用，英伟达Vera Rubin DSX POD开始给AI加速了

把AI工厂装进集装箱，像台式机那般通电做简单调试后就能用，NVIDIA打算让AI数据中心也能像我们常见的PC那般轻松的开箱即用。就在刚刚结束的NVIDIA GTC柏林站上，黄仁勋上台发布Vera Rubin DSX POD全栈模块化AI工厂参考架构，这是一套基于Vera Rubin平台的完整AI工厂参考设计，由合作伙伴在模块化集装箱内建造，交付前完成系统集成与验证。

这意味着计算、网络、布线、机架级供电和液冷的集成安装从现场挪回工厂，现场只剩接电、接冷却、接网络，部署时间从6个月缩短至最快14天，真的有点PC的味道。正因为如此，黄仁勋也在现场喊出了"The Container is the AI Factory"（集装箱即 AI 工厂）的口号，而Vera Rubin已进入全面量产阶段，计算平台从处理模型/大语言模型扩展到处理整个AI智能体。也意味着AI的普适速度可能要比我们想象中的更快。

一套Vera Rubin DSX POD由七个液冷计算机架组成，通过约17公里Spectrum-X线缆互连，采用800V直流供电及配套冷却，并在工厂完成集成、布线和测试后以可运输集装箱交付，进而完成14天内完成AI工厂交付使用，这个过程不含前期场地准备及配套基建。

其中DSX MaxLPS被称为端到端控制闭环，动态调配电力匹配工作负载，相同token产出下最高省电30%，也可让运营商用现有电力容量支撑更多GPU。DSX Flex负责连接AI工厂与电网，按电价、供电条件和需求响应信号调节负载，协调电网、现场可再生能源与储能。早期测试中，Blackwell Ultra集群在模拟电网事件下负荷最高降40%，关键负载保持运行。

冷却系统采用闭环液冷和室外干式冷却器协同工作，冷却液循环吸热后经大型散热器向空气放热，替代传统冷却塔蒸发耗水。测试端，Hugging Face则上线SimReady Central Library，用于验证的电力/冷却设备数字模型，配合DSX Sim先仿真再施工，另外DSX OS 新增三个开发者预览组件，包括网络自动配置、机架级设备管理、GPU集群上线前验证与故障定位。

五层AI经济框架起效

五层蛋糕（five-layer cake）的叙事主线在这场发布会上依然奏效，即围绕能源（Energy）、算力/芯片（Chips/Compute）、AI 工厂/基础设施（AI Factory/Infrastructure）、模型（Models）、应用（Applications）展开。而在这个框架下，欧莱雅、Revolut、Spotify、默克、沃达丰、Zara、保时捷、雀巢、汇丰等欧洲公司都已经展开了与英伟达的合作。

在五层蛋糕最底部的能源层，黄仁勋将其定义为AI基础设施的第一性原理，智能是实时生成的，电力就必须实时产生，每个token背后都是电子流动、热量管理与能量转化，能源决定了系统能产出多少智能。

西门子能源、施耐德电气等欧洲能源企业无疑是欧洲的本土玩家，当前建设一座1吉瓦数据中心的总成本约500亿美元，涵盖土地、电力接入、建筑、计算设备、存储和冷却。这时候能源即变成了约束条件。

这里英伟达侧给出的解法则是DSX平台的两组能效指标，DSX MaxLPS软件通过机房电力分配优化，可将每token功耗最高降低30%，闭环液冷配合干式冷却在2吉瓦规模下冷却用水接近零、每日节水约5400万升。

第二层蛋糕：算力/芯片（Chips/Compute），处理器负责把能源大规模、高效率地转化为计算。这一层的进步决定 AI 的扩展速度和智能的成本。这里是英伟达的专属领域，随着Vera Rubin全面量产，海量的AI算力将会很快投向市场。

第三层蛋糕：AI 工厂/基础设施（AI Factory/Infrastructure）。英伟达把土地、电力输送、冷却、建筑、网络，以及把数万台处理器编排成一台机器的系统。并表示它们不是用来存储信息的，而是用来制造智能的。其中DSX POD集装箱式AI工厂可以将部署6个月压缩到14天，并且英伟达计划对欧洲生态投入近100亿美元。

第四层蛋糕是模型（Models）把计算转化为可用的智能。在GTC柏林站上，这个描述有了更具体的描述，即AI工厂从运行其上的模型中生成token和数字智能，通过伟达的开源模型矩阵Nemotron、Cosmos、GR00T、Alpamayo、Ising、Earth-2，欧洲模型公司Mistral、法律AI公司Legora、翻译工具DeepL等已经有了快速的模型层起步能力。

第五层蛋糕是应用（Applications），这是经济价值创造的顶层，例如自动驾驶汽车是具身于机器的 AI 应用，人形机器人是具身于身体的AI应用。同一套技术栈，不同的产出。无论是开场介绍的欧莱雅、Spotify、保时捷、雀巢，还是后半场的西门子埃尔兰根工厂的智能体、西门子医疗自适应放疗、Hyperion汽车生态，都得益于NVIDIA最终的应用产品。

在现场，黄仁勋还展示了刚刚发布的RTX Spark笔记本，表示对比2016年送给OpenAI的 DGX-1，这台笔记本同样可以实现1 petaflop，前者是需要2个人抬上楼，后者轻到老黄单手就可以拿起。

OpenShell企业级参考架构

前段时间被提及的OpenShell企业级参考架构在GTC上被详细阐述。黄仁勋把智能体拆解为五要素，即模型、Harness、沙箱、知识、工具，而这些要素最重要的是确保智能体安全。

这里有着明确的软硬件分工，Vera Rubin负责模型推理，Vera CPU承载智能体运行框架与工具调用，OpenShell软件提供隔离与权限边界，BlueField-4 DPU上跑NVIDIA Sentry安全框架持续监测行为。让智能体在Rubin上思考、在Vera上行动、在BlueField上接受管控。智能体试图越界时，Sentry可毫秒级隔离并停止其运行。

在兼容性上，OpenShell支持 Linux、Kubernetes、Windows，延伸至 DGX Spark/DGX Station 等本地边缘系统，可运行Anthropic、OpenAI、Google、Meta等公司模型构建的智能体，也意味着英伟达的安全架构把竞品模型也纳入支持范围。

目前已经有超过100家合作伙伴参加到OpenShell企业级参考架构中，同SAP计划与 Joule Studio运行时集成，ServiceNow用自身治理平台制定权限、由OpenShell执行约束。

另一个值得注意的是NVIDIA Kumo结构化数据模型与Agent Toolkit扩展。Kumo开放模型家族面向表格、关系型数据库和时间序列数据，支持预测、风险评分、异常检测。其中Kumo Tabular和Kumo Relational可用带标签样本做上下文学习，单次前向计算完成预测，省掉针对每项任务的特征工程和单独训练。

Agent Knowledge Foundation让智能体接入企业现有数据，以减少数据迁移，配套Auto-Ontology自动本体库把数据库原始字段和表关系映射为客户、订单等业务概念。Nemotron Retriever负责检索，OpenShell管权限，NemoClaw提供专门化智能体的参考架构与分步优化方案。用黄仁勋的原话来说，“最终让这些智能体变成超级智能体的，是你让它们接入公司的知识。”

做AI的生产者

GTC现场自然也少不了机器人、汽车与医疗。现场展示的Agile ONE SN由德国Agile Robots 发布，基于Isaac GR00T和Jetson Thor打造，身高1.40米、重40千克，本体31个自由度，另配两只 20自由度的五指灵巧手，单臂负载3千克，带摄像头、激光雷达，未来计划集成Halos安全栈，然后2027年初推出，目标是把仿真到真机的配置工作从数周缩至数天。

在软件层面，Isaac Lab 3.0正式可用，集成多GPU训练，并且计入Newton、PhysX物理引擎，新开源运行框架Isaac OS连接模型、传感器、控制系统与硬件，支持实时运行。数据层面使用了SimReady Central Library用于仿真模拟，Human 1M数据集提供多样化人类活动、同步三视角视频、三维手部追踪。基于DGX Station的GR00T强化学习、灵巧操作训练、Cosmos世界模型后训练的开源工作流，也对机器人的训练提供了大力请的经验。

目前ABB和KUKA开始用仿真做系统验证与工厂模拟，Sereact通过GR00T＋Cosmos训练货物操作，丰田物料搬运欧洲与SoftServe用 Omniverse＋Isaac Sim开发自主搬运方案。

自动驾驶领域，欧洲出行平台Bolt选用Alpamayo Stack做 Robotaxi，计划获监管批准后 2027年在马德里开始真实道路数据采集，目标是推动至少2.5万辆基于Hyperion的L4级 Lucid车辆在欧洲落地，德国为后续重点市场。

现场推出的全新自动驾驶模型Alpamayo 2 Edge拥有20亿参数，针对DRIVE AGX Thor车载平台优化，用于理解路况和规划车辆运动，设计运行频率每秒10次。Halos SAFE安全评估框架则把仿真、软硬件测试、道路测试和车队监控串成可追溯的安全证据链。Cosmos生成驾驶场景数据。最后，英伟达与Uber共建自动驾驶数据工厂，保时捷用相关工具把车队数据转成训练素材与仿真场景。沃尔沃将采用Hyperion＋Alpamayo Stack的方案。大众商用车、JLR、奔驰下一代车型兼容Hyperion。

医疗领域，新模型RFD4-Proteina是与华盛顿大学蛋白质设计研究所联合推出的开源蛋白质设计模型，按目标分子、约束条件和评分生成候选蛋白质。NVIDIA表示在蛋白质结合、小分子结合、酶支架、DNA 结合四项基准测试中均优于基线，从希望实现的功能出发，让 AI 寻找可能满足要求的蛋白质结构。

另外西门子医疗自适应放疗，提供了智能体辅助治疗规划、患者专属模拟和机器人控制。目前多家企业正用BioNeMo开发连接药物设计、自动化实验和数据分析的科学智能体。

黄仁勋认为，未来欧洲将拥有10万个基站代表约100吉瓦的分布式数据中心容量，未来基站将通过AI做无线电感知与波束赋形，升级为分布式AI基础设施，通信网络在传输数据的同时承担AI计算。MGX 2U与4U两种Aerial RAN Computer配置应运而生，目的是让无线网络处理与AI计算共享集中式基站设施，现在的合作方包括英国电信、德国电信、芬兰Elisa，以及诺基亚。NVIDIA与诺基亚合作已经8年，现在已经在T-Mobile网络中完成首次商用通话，换而言之，现在 CUDA 也能打电话了。

“要参与AI经济，你不能只做AI的消费者，要做AI的生产者。”黄仁勋这么说道。这场柏林 keynote，他把这句话落成了两条具体的线。一条向下，用DSX POD把AI工厂的部署从半年压缩到14天，让生产AI的门槛一降再降。另一条向上，用Kumo、OpenShell和Isaac、Alpamayo工具链，把企业的数据、工厂和车辆都接入这条生产线上。当集装箱都能变成AI工厂，所谓新工业革命，拼的或许不再是谁拥有最强的模型，而是谁先把自己的行业变成智能的生产者。