英偉達新核彈Blackwell Ultra來了！DeepSeek將成為賣卡關(guān)鍵

3月19日，當全球半導體產(chǎn)業(yè)仍在5nm向3nm制程的過渡期掙扎時，英偉達在GTC 2025 大會上通過Blackwell Ultra發(fā)起一場“降維打擊”；尤其性能躍升并非依賴工藝微縮，而是通過架構(gòu)革命將AI算力的“不可能三角”（性能、能效、成本）徹底擊穿。

與往年一樣，英偉達如期發(fā)布全新的計算芯片，基于Blackwell Ultra架構(gòu)的GB300 AI加速芯片，以及下一代AI超級芯片“Rubin”。

作為Blackwell架構(gòu)的終極形態(tài)，GB300 AI芯片（Blackwell Ultra）的發(fā)布，也讓英偉達在AI芯片領(lǐng)域完成從“性能迭代”到“架構(gòu)代差”的戰(zhàn)略跨越。

圖源：英偉達GTC 大會

特別的是，相較于去年的B200，GB300性能提升1.5倍，新的注意力機制提升2倍，擁有20TB HBM高帶寬存儲提升1.5倍。并且，GB300的突破也重新定義“全球最強AI芯片”。

高帶寬內(nèi)存（HBM3e）的堆疊式升級：Blackwell Ultra首次采用12層堆疊的HBM3e內(nèi)存，顯存容量提升至288GB，帶寬達14.4 TB/s，較前代Hopper H100的3.35 TB/s提升4.3倍。

多芯片模塊（MCM）的原子化封裝：Blackwell Ultra通過臺積電CoWoS-L 3D封裝技術(shù)，將72個GPU Tile與36個Grace CPU Tile集成于單個基板，形成“超異構(gòu)計算集群”。每個Tile間通過硅中介層互聯(lián)，帶寬達14.4 TB/s，跨芯片延遲降至12ns，逼近單Die內(nèi)通信水平。

動態(tài)稀疏計算引擎（DSCE）：Blackwell Ultra在Tensor Core中集成硬件級稀疏加速單元，支持非結(jié)構(gòu)化稀疏模式的實時檢測與跳過無效計算，稀疏加速效率達98%。在FP4精度下，其有效算力較稠密模式提升7倍，內(nèi)存占用減少83%。

圖源：英偉達GTC 大會

液冷技術(shù)與能效優(yōu)化：為應(yīng)對高達1400W的TDP功耗8，Blackwell Ultra引入嵌入式微流道液冷系統(tǒng)，散熱效率較傳統(tǒng)風冷提升8倍，單機架（72 GPU）峰值功耗僅42kW，較同規(guī)模H100集群降低57%。結(jié)合動態(tài)電壓頻率調(diào)節(jié)（DVFS），部分負載場景下能效比可達H100的40倍。

AI工廠操作系統(tǒng)Dynamo：英偉達推出的分布式推理服務(wù)庫Dynamo，通過動態(tài)任務(wù)調(diào)度與資源分配，將開源模型推理速度提升30倍。在Blackwell Ultra平臺上，Dynamo可同時管理30萬并發(fā)推理任務(wù)（H100為4.5萬），且服務(wù)等級協(xié)議（SLA）違規(guī)率下降92%。

與此同時，AI或?qū)⒉辉侏氱娪谟ミ_顯卡，但市面需要更多的是算力；然而按下這場算力競賽加速鍵的企業(yè)，或許正是DeepSeek。

圖源：英偉達GTC 大會

在本次演講中，DeepSeek的出場率極其高，甚至接棒了去年熱議的ChatGPT，黃仁勛用DeepSeek來詮釋AI算力需求不僅沒有下降，反而在增長。作為范例與DeepSeek對比的是LLama 3，一個傳統(tǒng)的AI大模型，在回答同個問題時，LLama只用了不到500 Token就輸出了回答，而DeepSeek則是用了高達8559 Token來輸出答案。

結(jié)果顯而易見，LLama給出錯誤答案，而DeepSeek則答對了，為避免大家覺得DeepSeek-R1用671B的參數(shù)量“欺負”只有70B參數(shù)量的LLama，演示視頻還貼心地備注“活躍參數(shù)37B”的字樣。這也是DeepSeek-R1這類稀疏型AI大模型的特點，雖參數(shù)量龐大，但每次實際調(diào)用的參數(shù)量并不算多，似乎比傳統(tǒng)AI大模型更少。

眾所周知，Scaling Law之于AI，正如摩爾定律之于芯片。簡而言之就是“大力出奇跡”定律：數(shù)據(jù)越多、算力越強、模型越大，因此“DeepSeek的出現(xiàn)反而證明市場仍需更多AI芯片”。

目前，從生成式AI發(fā)展到Agentic AI，并不代表Scaling Law法則失效。

相反的是，由于將應(yīng)用范圍從訓練進一步擴展到推理，不只在預訓練環(huán)節(jié)，模型的后訓練（Post-Training，指預訓練得到模型后，根據(jù)特定任務(wù)或需求，使用更小規(guī)模、更專注的數(shù)據(jù)集對模型進行進一步優(yōu)化訓練或微調(diào)的過程）和日常推理的長期思考（Long-Thinking）都要繼續(xù)消耗算力資源，Scaling Law法則對規(guī)模的要求非但會變小，相反會進一步擴大。

圖源：英偉達GTC 大會

綜上所述，Blackwell Ultra的發(fā)布，或許會被歷史視為AI算力從“量變”到“質(zhì)變”的轉(zhuǎn)折點。

這場革命的意義，不亞于當年晶體管取代真空管。而隨著Blackwell Ultra與Rubin架構(gòu)的路線圖曝光，英偉達已明確將技術(shù)迭代周期壓縮至一年，這意味著：未來的AI競爭，不再是“誰能造出最大芯片”，而是“誰能最快將算力轉(zhuǎn)化為生產(chǎn)力”。

由于篇幅受限，本次的英偉達AI芯片就先介紹這么多......

想了解更多半導體行業(yè)動態(tài)，請您持續(xù)關(guān)注我們。

奇普樂將在每周，不定時更新~

最后的最后，借由陽明的一句名言：

種子的黑土期，是光明誕生的必修課。

愿每一位半導體從業(yè)者可以——

破土凌云、深根見月！

奇普樂 · 往期文章