NVIDIA Rubin CPX：当GPU巨头开始认真玩ASIC游戏

黄仁勋这次不只是在做GPU了，他要把整个AI芯片市场重新洗牌。8 EFLOPs的算力怪兽，直接对标博通ASIC，这背后是NVIDIA对AI基础设施的全面重新定义。

老实说，看到NVIDIA Vera Rubin NVL144 CPX这个数字时，我第一反应是："老黄又疯了"。但仔细一想，这可能是AI芯片战争中最关键的一步棋。

从GPU到CPX：NVIDIA的"降维打击"

2025年9月10日，NVIDIA发布了Rubin CPX架构。这个数字本身就让人头皮发麻：36个Vera CPU、144块Rubin GPU、144块Rubin CPX GPU，提供8 EFLOPs的NVFP4算力。

等等，8 EFLOPs是什么概念？这相当于8×10¹⁸次浮点运算每秒。对比一下，上一代的GB300 NVL72只有约1.07 EFLOPs，这意味着Rubin CPX的性能提升了7.5倍。

但更关键的是那个"CPX"后缀。CPX代表什么？Custom Processing eXtension。这不再是传统的GPU，而是NVIDIA向ASIC领域发起的直接挑战。

为什么ASIC如此重要？

在AI训练和推理领域，ASIC（专用集成电路）一直是GPU的潜在威胁。像博通这样的公司，为Google、Amazon等云巨头定制ASIC芯片，在特定工作负载上能达到比GPU更高的能效比。

传统上，NVIDIA的优势在于通用性——CUDA生态让开发者能在一套硬件上做各种AI任务。但ASIC的威胁在于：当你的工作负载足够固定时，专用芯片的效率优势会越来越明显。

Rubin CPX的出现，标志着NVIDIA的战略转变："既然你们要做ASIC，那我就做更好的ASIC"。

技术细节里的魔鬼

让我们拆解一下这个架构：

1. Vera CPU：36个CPU核心，这不再是传统的x86或ARM，而是NVIDIA自研的CPU架构。这意味着NVIDIA正在构建完整的计算栈。

2. Rubin GPU：144块标准GPU，延续NVIDIA的GPU传统，但采用了新一代架构。

3. Rubin CPX GPU：这才是真正的杀手锏。144块专用加速器，针对特定AI工作负载优化。

NVFP4这个精度格式也值得关注。FP4（4位浮点）是比FP8更激进的量化方案，能在保持模型精度的同时大幅降低内存占用和计算需求。

与博通的正面交锋

博通在ASIC领域已经深耕多年，为云服务商提供定制芯片。但NVIDIA这次带着完整的软件生态杀入战场：

• CUDA生态：数百万开发者已经熟悉的环境
• NVIDIA AI Enterprise：企业级AI软件栈
• DGX SuperPOD：完整的AI基础设施解决方案

博通的ASIC可能在某些指标上领先，但NVIDIA提供的是端到端的解决方案。对于企业客户来说，这不仅仅是买芯片，而是买整个AI能力。

对AI工程化的影响

作为工程师，我们关心的是实际落地。Rubin CPX的出现意味着：

成本结构将发生变化：8 EFLOPs的算力意味着训练大模型的时间可能缩短到原来的几分之一。但更重要的是，FP4精度可能让推理成本大幅下降。

模型部署的灵活性：有了CPX加速器，我们可以在同一套硬件上运行不同类型的模型，每个模型都能获得接近ASIC的性能。

软件栈的挑战：新的硬件需要新的软件优化。NVIDIA的NVFP4支持如何？现有的PyTorch、TensorFlow框架需要多少适配工作？

老黄的"狂想"与"现实"

黄仁勋一直有个梦想：让NVIDIA成为AI时代的"计算平台"。Rubin CPX是这个梦想的最新体现。

但现实是，这个市场正在变得拥挤。除了博通，还有AMD、Intel、Google TPU、AWS Inferentia等竞争者。每个玩家都在寻找自己的定位。

Rubin CPX的发布告诉我们：NVIDIA不满足于只做GPU供应商。他们要成为AI基础设施的完整解决方案提供商。

留给我们的思考

当我们还在争论GPU vs ASIC时，NVIDIA已经给出了答案：两者都要。

但问题是，这种垂直整合的策略真的能成功吗？企业会愿意被"锁定"在NVIDIA的生态里吗？还是说，他们会继续寻求多供应商策略来保持议价能力？

更关键的是，对于开发者来说，这意味着什么？我们需要学习新的编程模型吗？现有的AI工作流需要怎样调整？

如果你正在构建AI系统，现在是时候重新评估你的硬件策略了。是继续拥抱通用GPU，还是开始考虑专用加速器？或者，像NVIDIA建议的那样：两者兼得？

关键字： NVIDIA Rubin, AI芯片, ASIC竞争, 8 EFLOPs, NVFP4, AI基础设施, GPU架构, 博通, AI硬件, 算力革命