Nvidia วางตำแหน่ง Vera Rubin ให้เป็น “โรงงาน AI” (AI factory) แบบครบวงจรระดับแร็ก มากกว่าจะเป็นเพียงการเปิดตัว GPU รุ่นใหม่ แพลตฟอร์มนี้รวม GPU, CPU, เครือข่ายแบบเชื่อมต่อภายในและระหว่างแร็ก, DPU รวมถึงซอฟต์แวร์จัดการพลังงาน เพื่อเพิ่มปริมาณงาน Agentic AI ที่ทำได้ต่อหน่วยพลังงาน และลดต้นทุนการให้บริการโมเดล

อย่างไรก็ตาม ตัวเลขประสิทธิภาพสำคัญที่ Nvidia นำเสนอเป็น คำกล่าวอ้างจากการทดสอบที่ได้รับการสนับสนุนโดยผู้ผลิต ไม่ใช่ผลการตรวจสอบแบบอิสระหรือการทดสอบที่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ 8

Vera Rubin NVL72 รวมอะไรไว้ในหนึ่งแร็ก

Vera Rubin NVL72 เป็นระบบระบายความร้อนด้วยของเหลวที่รวมส่วนประกอบหลักไว้ด้วยกัน ได้แก่

• Rubin GPU จำนวน 72 ตัว
• Vera CPU จำนวน 36 ตัว
• ConnectX-9 SuperNIC สำหรับการสื่อสารความเร็วสูง
• BlueField-4 DPU สำหรับประมวลผลและจัดการเส้นทางข้อมูล
• สวิตช์ NVIDIA NVLink รุ่นที่ 6

ระบบถูกออกแบบให้ GPU ทั้ง 72 ตัวทำงานเสมือนเป็นคอมพิวเตอร์ขนาดใหญ่เครื่องเดียวในโดเมนแบบ Scale-up ขณะที่การเชื่อมต่อออกไปยังแร็กอื่นใช้ Quantum-X800 InfiniBand หรือ Spectrum-X Ethernet 36

แนวคิดสำคัญของ Nvidia คือการออกแบบทั้งระบบร่วมกันตั้งแต่ชิป เซิร์ฟเวอร์ เครือข่าย ซอฟต์แวร์ ไปจนถึงการใช้พลังงาน เพื่อให้เหมาะกับงาน AI ที่ต้องทำงานต่อเนื่องและมีการโต้ตอบหลายขั้นตอน

Nvidia อ้างประสิทธิภาพเหนือ GB300 สูงสุด 30 เท่าต่อเมกะวัตต์

Nvidia ระบุว่า Vera Rubin NVL72 ให้ปริมาณงานสำหรับ Agentic AI ต่อเมกะวัตต์สูงสุด 30 เท่าเมื่อเทียบกับ GB300 NVL72 และลดต้นทุนต่อโทเค็นได้สูงสุด 35 เท่า ในการเปรียบเทียบที่อ้างถึง 89

สำหรับ Rubin โดยรวม Nvidia ยังเคยระบุว่าสามารถลดต้นทุนโทเค็นในการอนุมานได้สูงสุด 10 เท่าเมื่อเทียบกับ Blackwell 11

ตัวเลขเหล่านี้ควรอ่านเป็นผลลัพธ์ที่ขึ้นอยู่กับรูปแบบงาน โมเดล การตั้งค่าระบบ และเป้าหมายด้านความเร็วในการตอบสนอง ไม่ควรตีความว่าเป็นราคาการให้บริการ AI ที่ใช้ได้กับทุกกรณี

AgentX และ DeepSeek V4 Pro วัดอะไร

การทดสอบดังกล่าวใช้ AgentX ของ SemiAnalysis ซึ่งจำลองเซสชันเขียนโค้ดโดย AI ในลักษณะใกล้เคียงงานจริง โดยยังคงองค์ประกอบอย่างการเพิ่มขึ้นของบริบท การเรียกใช้เครื่องมือ และการสร้างผู้ช่วยย่อย (sub-agent) เอาไว้ 8

Nvidia ใช้ DeepSeek V4 Pro เป็นโมเดลในการทดสอบที่ถูกอ้างถึง 89

งานลักษณะนี้แตกต่างจากคำถามแบบถาม-ตอบครั้งเดียว เพราะตัว AI อาจต้องวางแผนหลายรอบ เรียกใช้เครื่องมือ รันโค้ด ดึงข้อมูล ประสานงานระหว่างกระบวนการ และตอบกลับแบบโต้ตอบต่อเนื่อง ดังนั้นประสิทธิภาพจึงไม่ได้ขึ้นอยู่กับจำนวน FLOPS ของ GPU เท่านั้น แต่ยังเกี่ยวข้องกับกำลังประมวลผลของ CPU แบนด์วิดท์หน่วยความจำ และประสิทธิภาพของเครือข่ายด้วย

แล้วเทียบกับ Hopper ได้เท่าไร

ข้อมูลที่มีอยู่ในแหล่งอ้างอิงนี้รองรับการเปรียบเทียบกับ GB300 แต่ยังไม่มีตัวเลขจากแหล่งข้อมูลหลักที่เปรียบเทียบกับ Hopper โดยตรงในเงื่อนไขเดียวกัน จึงยังไม่ควรสรุปตัวคูณประสิทธิภาพของ Vera Rubin เหนือ Hopper แบบเจาะจง

เช่นเดียวกัน ยังไม่มีตัวเลขดอลลาร์ต่อการประมวลผลหนึ่งล้านโทเค็นที่เผยแพร่อย่างตรวจสอบได้ในข้อมูลชุดนี้ ตัวเลข “ต้นทุนต่อโทเค็น” ที่ Nvidia อ้างเป็นการเปรียบเทียบเชิงสัมพัทธ์จากเวิร์กโหลดและการกำหนดค่าที่ระบุ ไม่ใช่ราคากลางสำหรับผู้ให้บริการทุกราย

เหตุผลที่ Agentic AI ใช้โทเค็นมากกว่าการสนทนาทั่วไปก็เพราะกระบวนการทำงานมีการคิดแบบวนซ้ำและเรียกใช้เครื่องมือหลายครั้ง โดย Nvidia อ้างข้อมูลจาก OpenRouter ว่างานลักษณะนี้อาจใช้โทเค็นมากกว่าคำขอแชตทั่วไป 15 เท่า แต่ตัวเลขดังกล่าวไม่ควรนำไปใช้แทนการคำนวณต้นทุนของทุกระบบโดยอัตโนมัติ

DSX MaxLPS: เปลี่ยนเป้าหมายจากพลังประมวลผลสูงสุดเป็นโทเค็นต่อไฟฟ้า

Nvidia นำเสนอ DSX เป็นแนวทางออกแบบ AI factory ตั้งแต่ชิป ระบบ ซอฟต์แวร์ อาคารสถานที่ และเทคโนโลยีจากพันธมิตร โดยมี DSX MaxLPS เป็นซอฟต์แวร์ที่มุ่งเพิ่มจำนวนโทเค็นที่ประมวลผลได้ต่อเมกะวัตต์ เพื่อลดต้นทุนต่อโทเค็น 1215

แนวคิดนี้ต่างจากการพยายามใช้อุปกรณ์ให้ทำงานที่กำลังสูงสุดตลอดเวลา เพราะเป้าหมายคือการจัดสรรพลังงานให้ทั้งโรงงาน AI ทำงานได้คุ้มค่าที่สุด เมื่อข้อจำกัดของศูนย์ข้อมูลอยู่ที่ไฟฟ้า ระบบจ่ายไฟ หรือการระบายความร้อน การเพิ่ม “ปริมาณงานที่มีประโยชน์ต่อเมกะวัตต์” อาจสำคัญไม่แพ้การเพิ่มความเร็วสูงสุดของชิปแต่ละตัว 182021

Vera CPU สร้างมาสำหรับงานเบื้องหลังของ AI Agent

Nvidia เรียก Vera ว่า CPU ที่ออกแบบมาสำหรับยุค Agentic AI โดยเป็นซีพียูแบบกำหนดเองที่เข้ากันได้กับชุดคำสั่ง Armv9.2 มีรายละเอียดหลักดังนี้

• Olympus core จำนวน 88 คอร์
• 176 เธรด ด้วยเทคโนโลยี Spatial Multithreading
• หน่วยความจำ LPDDR5X แบบ SOCAMM2
• แบนด์วิดท์หน่วยความจำรวมสูงสุด 1.2 TB/s หรือสูงสุด 14 GB/s ต่อคอร์
• Unified L3 cache ขนาด 164 MB
• Scalable Coherency Fabric รุ่นที่ 2 พร้อมแบนด์วิดท์แบบ bisection สูงสุด 3.4 TB/s 278

Vera ไม่ได้มีหน้าที่เพียงรันโปรแกรมทั่วไป แต่เน้นงาน CPU ที่อยู่รอบกระบวนการอนุมาน เช่น การจัดการข้อมูล การประสานงาน การดึงข้อมูล การเรียกใช้เครื่องมือ การรันโค้ดในสภาพแวดล้อมแยกส่วน และการจำลองสถานการณ์ 210

เมื่อเทียบกับ Grace Nvidia ระบุว่า Vera มีแบนด์วิดท์หน่วยความจำสูงกว่า 2.4 เท่า ความจุหน่วยความจำมากกว่า 3 เท่า และมีแบนด์วิดท์ NVLink-C2C สำหรับการทำงานร่วมกันระหว่าง CPU กับ GPU เพิ่มขึ้นเป็น 2 เท่า 1

Scale-In อยู่ตรงไหนในเครือข่ายของ Nvidia

คำว่า Scale-In ในบริบทนี้หมายถึงการเชื่อมต่อส่วนประกอบภายในระบบให้ทำงานเป็นคอมพิวเตอร์ขนาดใหญ่เครื่องเดียว หรือมักเรียกในความหมายใกล้เคียงว่า Scale-up โดย Nvidia แบ่งบทบาทของเครือข่ายออกเป็น 3 ระดับ

1. Scale-in หรือ Scale-up ภายในแร็ก — NVLink 6 เชื่อม GPU ทั้ง 72 ตัวให้ทำงานเป็นโดเมนเดียว Nvidia ระบุแบนด์วิดท์แบบสองทิศทางระหว่าง GPU สูงสุด 3.6 TB/s ต่อ GPU และแบนด์วิดท์รวมระดับแร็ก 260 TB/s 3
2. Scale-out ระหว่างแร็ก — Quantum-X800 InfiniBand และ Spectrum-X Ethernet เชื่อมแร็กหลายชุดเข้าด้วยกันเป็นคลัสเตอร์ขนาดใหญ่ 3
3. การถ่ายโอนภาระด้านข้อมูลและโครงสร้างพื้นฐาน — ConnectX-9 และ BlueField-4 รับผิดชอบงานด้านเครือข่าย พื้นที่จัดเก็บข้อมูล ความปลอดภัย และเส้นทางข้อมูล เพื่อไม่ให้ GPU ต้องรับภาระเหล่านี้ทั้งหมด 36

นอกจากนี้ NVLink-C2C ยังเชื่อม Vera CPU กับ GPU ด้วยแบนด์วิดท์แบบ coherent สูงสุด 1.8 TB/s ซึ่ง Nvidia ระบุว่าสูงกว่า PCIe Gen6 ถึง 7 เท่า

ความร่วมมือกับ SpaceXAI และแผน Starmind

Nvidia ระบุว่า SpaceXAI จะนำ Vera CPU ไปใช้เร่งงาน Agentic AI รุ่นถัดไป และขยายโครงสร้างพื้นฐานเบื้องหลัง Grok บนแพลตฟอร์ม Vera Rubin ขณะที่บริษัทมุ่งสู่ขีดความสามารถด้านการประมวลผลระดับกิกะวัตต์ 10

ทั้งสองฝ่ายยังมีแผนต่อยอดสถาปัตยกรรมนี้ไปยังโครงการประมวลผลในวงโคจร Starmind โดยดาวเทียมรุ่นแรกมีแผนใช้ระบบ Vera Rubin NVL72 ที่ได้รับการปรับให้เหมาะกับสภาพแวดล้อมอวกาศ 1014

จุดสำคัญคือ นี่เป็น แผนการติดตั้งที่ประกาศไว้ ยังไม่ใช่หลักฐานว่ามีศูนย์ข้อมูล AI ในวงโคจรที่เปิดใช้งานอยู่แล้ว และแหล่งข้อมูลที่มีอยู่ยังไม่ได้ยืนยันตารางการปล่อยหรือรายละเอียดการปฏิบัติงานทั้งหมด

ความหมายต่ออุตสาหกรรม AI และสถานะการแข่งขันของ Nvidia

หากตัวเลขประสิทธิภาพของ Nvidia สามารถเกิดขึ้นได้ในการใช้งานจริงของลูกค้า ผลประโยชน์หลักของ Vera Rubin จะไม่ใช่แค่การรันโมเดลได้เร็วขึ้น แต่คือการทำงานของ AI Agent ที่มีประโยชน์ได้มากขึ้นภายใต้ข้อจำกัดด้านพลังงานเท่าเดิม ซึ่งอาจช่วยลดต้นทุนไฟฟ้า การระบายความร้อน เครือข่าย และเงินลงทุนต่อโทเค็นที่สร้างขึ้น

การเปิดตัวครั้งนี้ยังสะท้อนว่า Nvidia กำลังขยายพื้นที่การแข่งขันจาก GPU ไปสู่หลายส่วนพร้อมกัน ได้แก่

• CPU Arm แบบออกแบบเอง
• ระบบ CPU–GPU ที่ใช้หน่วยความจำร่วมกันอย่างสอดคล้อง
• เครือข่ายระดับแร็ก
• DPU และการถ่ายโอนภาระด้านข้อมูล
• ซอฟต์แวร์สำหรับควบคุมและบริหาร AI factory

การรวมทุกชั้นไว้ในสถาปัตยกรรมเดียวอาจทำให้ Nvidia มีจุดแข็งเหนือคู่แข่งด้าน GPU และผู้ผลิต CPU แบบดั้งเดิม เพราะลูกค้าได้รับระบบที่ออกแบบและปรับแต่งร่วมกันตั้งแต่ชิปถึงซอฟต์แวร์ แต่ในอีกด้านหนึ่ง แนวทางนี้ก็อาจเพิ่มการพึ่งพาสถาปัตยกรรม เครื่องมือ และระบบนิเวศของ Nvidia มากขึ้นเช่นกัน

Nvidia วางตำแหน่ง Vera Rubin ให้เป็น “โรงงาน AI” (AI factory) แบบครบวงจรระดับแร็ก มากกว่าจะเป็นเพียงการเปิดตัว GPU รุ่นใหม่ แพลตฟอร์มนี้รวม GPU, CPU, เครือข่ายแบบเชื่อมต่อภายในและระหว่างแร็ก, DPU รวมถึงซอฟต์แวร์จัดการพลังงาน เพื่อเพิ่มปริมาณงาน Agentic AI ที่ทำได้ต่อหน่วยพลังงาน และลดต้นทุนการให้บริการโมเดล

อย่างไรก็ตาม ตัวเลขประสิทธิภาพสำคัญที่ Nvidia นำเสนอเป็น คำกล่าวอ้างจากการทดสอบที่ได้รับการสนับสนุนโดยผู้ผลิต ไม่ใช่ผลการตรวจสอบแบบอิสระหรือการทดสอบที่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ 8

Vera Rubin NVL72 รวมอะไรไว้ในหนึ่งแร็ก

Vera Rubin NVL72 เป็นระบบระบายความร้อนด้วยของเหลวที่รวมส่วนประกอบหลักไว้ด้วยกัน ได้แก่

• Rubin GPU จำนวน 72 ตัว
• Vera CPU จำนวน 36 ตัว
• ConnectX-9 SuperNIC สำหรับการสื่อสารความเร็วสูง
• BlueField-4 DPU สำหรับประมวลผลและจัดการเส้นทางข้อมูล
• สวิตช์ NVIDIA NVLink รุ่นที่ 6

ระบบถูกออกแบบให้ GPU ทั้ง 72 ตัวทำงานเสมือนเป็นคอมพิวเตอร์ขนาดใหญ่เครื่องเดียวในโดเมนแบบ Scale-up ขณะที่การเชื่อมต่อออกไปยังแร็กอื่นใช้ Quantum-X800 InfiniBand หรือ Spectrum-X Ethernet 36

แนวคิดสำคัญของ Nvidia คือการออกแบบทั้งระบบร่วมกันตั้งแต่ชิป เซิร์ฟเวอร์ เครือข่าย ซอฟต์แวร์ ไปจนถึงการใช้พลังงาน เพื่อให้เหมาะกับงาน AI ที่ต้องทำงานต่อเนื่องและมีการโต้ตอบหลายขั้นตอน

Nvidia อ้างประสิทธิภาพเหนือ GB300 สูงสุด 30 เท่าต่อเมกะวัตต์

Nvidia ระบุว่า Vera Rubin NVL72 ให้ปริมาณงานสำหรับ Agentic AI ต่อเมกะวัตต์สูงสุด 30 เท่าเมื่อเทียบกับ GB300 NVL72 และลดต้นทุนต่อโทเค็นได้สูงสุด 35 เท่า ในการเปรียบเทียบที่อ้างถึง 89

สำหรับ Rubin โดยรวม Nvidia ยังเคยระบุว่าสามารถลดต้นทุนโทเค็นในการอนุมานได้สูงสุด 10 เท่าเมื่อเทียบกับ Blackwell 11

ตัวเลขเหล่านี้ควรอ่านเป็นผลลัพธ์ที่ขึ้นอยู่กับรูปแบบงาน โมเดล การตั้งค่าระบบ และเป้าหมายด้านความเร็วในการตอบสนอง ไม่ควรตีความว่าเป็นราคาการให้บริการ AI ที่ใช้ได้กับทุกกรณี

AgentX และ DeepSeek V4 Pro วัดอะไร

การทดสอบดังกล่าวใช้ AgentX ของ SemiAnalysis ซึ่งจำลองเซสชันเขียนโค้ดโดย AI ในลักษณะใกล้เคียงงานจริง โดยยังคงองค์ประกอบอย่างการเพิ่มขึ้นของบริบท การเรียกใช้เครื่องมือ และการสร้างผู้ช่วยย่อย (sub-agent) เอาไว้ 8

Nvidia ใช้ DeepSeek V4 Pro เป็นโมเดลในการทดสอบที่ถูกอ้างถึง 89

งานลักษณะนี้แตกต่างจากคำถามแบบถาม-ตอบครั้งเดียว เพราะตัว AI อาจต้องวางแผนหลายรอบ เรียกใช้เครื่องมือ รันโค้ด ดึงข้อมูล ประสานงานระหว่างกระบวนการ และตอบกลับแบบโต้ตอบต่อเนื่อง ดังนั้นประสิทธิภาพจึงไม่ได้ขึ้นอยู่กับจำนวน FLOPS ของ GPU เท่านั้น แต่ยังเกี่ยวข้องกับกำลังประมวลผลของ CPU แบนด์วิดท์หน่วยความจำ และประสิทธิภาพของเครือข่ายด้วย

แล้วเทียบกับ Hopper ได้เท่าไร

ข้อมูลที่มีอยู่ในแหล่งอ้างอิงนี้รองรับการเปรียบเทียบกับ GB300 แต่ยังไม่มีตัวเลขจากแหล่งข้อมูลหลักที่เปรียบเทียบกับ Hopper โดยตรงในเงื่อนไขเดียวกัน จึงยังไม่ควรสรุปตัวคูณประสิทธิภาพของ Vera Rubin เหนือ Hopper แบบเจาะจง

เช่นเดียวกัน ยังไม่มีตัวเลขดอลลาร์ต่อการประมวลผลหนึ่งล้านโทเค็นที่เผยแพร่อย่างตรวจสอบได้ในข้อมูลชุดนี้ ตัวเลข “ต้นทุนต่อโทเค็น” ที่ Nvidia อ้างเป็นการเปรียบเทียบเชิงสัมพัทธ์จากเวิร์กโหลดและการกำหนดค่าที่ระบุ ไม่ใช่ราคากลางสำหรับผู้ให้บริการทุกราย

เหตุผลที่ Agentic AI ใช้โทเค็นมากกว่าการสนทนาทั่วไปก็เพราะกระบวนการทำงานมีการคิดแบบวนซ้ำและเรียกใช้เครื่องมือหลายครั้ง โดย Nvidia อ้างข้อมูลจาก OpenRouter ว่างานลักษณะนี้อาจใช้โทเค็นมากกว่าคำขอแชตทั่วไป 15 เท่า แต่ตัวเลขดังกล่าวไม่ควรนำไปใช้แทนการคำนวณต้นทุนของทุกระบบโดยอัตโนมัติ

DSX MaxLPS: เปลี่ยนเป้าหมายจากพลังประมวลผลสูงสุดเป็นโทเค็นต่อไฟฟ้า

Nvidia นำเสนอ DSX เป็นแนวทางออกแบบ AI factory ตั้งแต่ชิป ระบบ ซอฟต์แวร์ อาคารสถานที่ และเทคโนโลยีจากพันธมิตร โดยมี DSX MaxLPS เป็นซอฟต์แวร์ที่มุ่งเพิ่มจำนวนโทเค็นที่ประมวลผลได้ต่อเมกะวัตต์ เพื่อลดต้นทุนต่อโทเค็น 1215

แนวคิดนี้ต่างจากการพยายามใช้อุปกรณ์ให้ทำงานที่กำลังสูงสุดตลอดเวลา เพราะเป้าหมายคือการจัดสรรพลังงานให้ทั้งโรงงาน AI ทำงานได้คุ้มค่าที่สุด เมื่อข้อจำกัดของศูนย์ข้อมูลอยู่ที่ไฟฟ้า ระบบจ่ายไฟ หรือการระบายความร้อน การเพิ่ม “ปริมาณงานที่มีประโยชน์ต่อเมกะวัตต์” อาจสำคัญไม่แพ้การเพิ่มความเร็วสูงสุดของชิปแต่ละตัว 182021

Vera CPU สร้างมาสำหรับงานเบื้องหลังของ AI Agent

Nvidia เรียก Vera ว่า CPU ที่ออกแบบมาสำหรับยุค Agentic AI โดยเป็นซีพียูแบบกำหนดเองที่เข้ากันได้กับชุดคำสั่ง Armv9.2 มีรายละเอียดหลักดังนี้

• Olympus core จำนวน 88 คอร์
• 176 เธรด ด้วยเทคโนโลยี Spatial Multithreading
• หน่วยความจำ LPDDR5X แบบ SOCAMM2
• แบนด์วิดท์หน่วยความจำรวมสูงสุด 1.2 TB/s หรือสูงสุด 14 GB/s ต่อคอร์
• Unified L3 cache ขนาด 164 MB
• Scalable Coherency Fabric รุ่นที่ 2 พร้อมแบนด์วิดท์แบบ bisection สูงสุด 3.4 TB/s 278

Vera ไม่ได้มีหน้าที่เพียงรันโปรแกรมทั่วไป แต่เน้นงาน CPU ที่อยู่รอบกระบวนการอนุมาน เช่น การจัดการข้อมูล การประสานงาน การดึงข้อมูล การเรียกใช้เครื่องมือ การรันโค้ดในสภาพแวดล้อมแยกส่วน และการจำลองสถานการณ์ 210

เมื่อเทียบกับ Grace Nvidia ระบุว่า Vera มีแบนด์วิดท์หน่วยความจำสูงกว่า 2.4 เท่า ความจุหน่วยความจำมากกว่า 3 เท่า และมีแบนด์วิดท์ NVLink-C2C สำหรับการทำงานร่วมกันระหว่าง CPU กับ GPU เพิ่มขึ้นเป็น 2 เท่า 1

Scale-In อยู่ตรงไหนในเครือข่ายของ Nvidia

คำว่า Scale-In ในบริบทนี้หมายถึงการเชื่อมต่อส่วนประกอบภายในระบบให้ทำงานเป็นคอมพิวเตอร์ขนาดใหญ่เครื่องเดียว หรือมักเรียกในความหมายใกล้เคียงว่า Scale-up โดย Nvidia แบ่งบทบาทของเครือข่ายออกเป็น 3 ระดับ

1. Scale-in หรือ Scale-up ภายในแร็ก — NVLink 6 เชื่อม GPU ทั้ง 72 ตัวให้ทำงานเป็นโดเมนเดียว Nvidia ระบุแบนด์วิดท์แบบสองทิศทางระหว่าง GPU สูงสุด 3.6 TB/s ต่อ GPU และแบนด์วิดท์รวมระดับแร็ก 260 TB/s 3
2. Scale-out ระหว่างแร็ก — Quantum-X800 InfiniBand และ Spectrum-X Ethernet เชื่อมแร็กหลายชุดเข้าด้วยกันเป็นคลัสเตอร์ขนาดใหญ่ 3
3. การถ่ายโอนภาระด้านข้อมูลและโครงสร้างพื้นฐาน — ConnectX-9 และ BlueField-4 รับผิดชอบงานด้านเครือข่าย พื้นที่จัดเก็บข้อมูล ความปลอดภัย และเส้นทางข้อมูล เพื่อไม่ให้ GPU ต้องรับภาระเหล่านี้ทั้งหมด 36

นอกจากนี้ NVLink-C2C ยังเชื่อม Vera CPU กับ GPU ด้วยแบนด์วิดท์แบบ coherent สูงสุด 1.8 TB/s ซึ่ง Nvidia ระบุว่าสูงกว่า PCIe Gen6 ถึง 7 เท่า

ความร่วมมือกับ SpaceXAI และแผน Starmind

Nvidia ระบุว่า SpaceXAI จะนำ Vera CPU ไปใช้เร่งงาน Agentic AI รุ่นถัดไป และขยายโครงสร้างพื้นฐานเบื้องหลัง Grok บนแพลตฟอร์ม Vera Rubin ขณะที่บริษัทมุ่งสู่ขีดความสามารถด้านการประมวลผลระดับกิกะวัตต์ 10

ทั้งสองฝ่ายยังมีแผนต่อยอดสถาปัตยกรรมนี้ไปยังโครงการประมวลผลในวงโคจร Starmind โดยดาวเทียมรุ่นแรกมีแผนใช้ระบบ Vera Rubin NVL72 ที่ได้รับการปรับให้เหมาะกับสภาพแวดล้อมอวกาศ 1014

จุดสำคัญคือ นี่เป็น แผนการติดตั้งที่ประกาศไว้ ยังไม่ใช่หลักฐานว่ามีศูนย์ข้อมูล AI ในวงโคจรที่เปิดใช้งานอยู่แล้ว และแหล่งข้อมูลที่มีอยู่ยังไม่ได้ยืนยันตารางการปล่อยหรือรายละเอียดการปฏิบัติงานทั้งหมด

ความหมายต่ออุตสาหกรรม AI และสถานะการแข่งขันของ Nvidia

หากตัวเลขประสิทธิภาพของ Nvidia สามารถเกิดขึ้นได้ในการใช้งานจริงของลูกค้า ผลประโยชน์หลักของ Vera Rubin จะไม่ใช่แค่การรันโมเดลได้เร็วขึ้น แต่คือการทำงานของ AI Agent ที่มีประโยชน์ได้มากขึ้นภายใต้ข้อจำกัดด้านพลังงานเท่าเดิม ซึ่งอาจช่วยลดต้นทุนไฟฟ้า การระบายความร้อน เครือข่าย และเงินลงทุนต่อโทเค็นที่สร้างขึ้น

การเปิดตัวครั้งนี้ยังสะท้อนว่า Nvidia กำลังขยายพื้นที่การแข่งขันจาก GPU ไปสู่หลายส่วนพร้อมกัน ได้แก่

• CPU Arm แบบออกแบบเอง
• ระบบ CPU–GPU ที่ใช้หน่วยความจำร่วมกันอย่างสอดคล้อง
• เครือข่ายระดับแร็ก
• DPU และการถ่ายโอนภาระด้านข้อมูล
• ซอฟต์แวร์สำหรับควบคุมและบริหาร AI factory

การรวมทุกชั้นไว้ในสถาปัตยกรรมเดียวอาจทำให้ Nvidia มีจุดแข็งเหนือคู่แข่งด้าน GPU และผู้ผลิต CPU แบบดั้งเดิม เพราะลูกค้าได้รับระบบที่ออกแบบและปรับแต่งร่วมกันตั้งแต่ชิปถึงซอฟต์แวร์ แต่ในอีกด้านหนึ่ง แนวทางนี้ก็อาจเพิ่มการพึ่งพาสถาปัตยกรรม เครื่องมือ และระบบนิเวศของ Nvidia มากขึ้นเช่นกัน