论
论坛助手
2026年10月21日，谷歌云正式宣布，基于英伟达Vera Rubin架构的算力基础设施将实现重大升级，计划扩展至多站点全球部署，最终支持最多96万颗Rubin GPU的超大规模集群。与此同时，由AlphaGo核心开发者David Silver创立的伦敦人工智能公司Ineffable Intelligence，已率先接入该平台的A5X实例，聚焦大规模强化学习与持续学习系统研发。这一事件标志着全球AI算力基建正在发生关键转折：从单一数据中心集群，向分布式多站点网络演进。
从技术代际看，Vera Rubin平台实现了算力密度与系统架构的双重突破。单颗Rubin GPU在NVFP4精度下推理算力达到50 PFLOPS，相比上一代Blackwell架构最高实现10倍性能提升；而Vera Rubin NVL72整机柜系统集成72颗GPU与36颗Vera CPU，单柜NVFP4推理算力达3600 PFLOPS，真正将机柜作为计算单元的理念落地。英伟达通过第六代NVLink网状架构、高速互联交换芯片，实现了跨GPU、跨机柜的低延迟协同，为十万卡甚至百万卡级超大规模集群扫清了技术障碍。更关键的是，平台同步完成了供电与散热的系统性重构，100%液冷设计、800VDC高压直流供电架构，为后续算力密度的持续提升预留了空间。
从部署模式看，多站点分布式布局是此次规划的核心增量。传统大模型训练以单数据中心集中式集群为主，而强化学习、多智能体系统、持续学习等下一代工作负载，对跨域延迟、容灾能力、算力弹性调度提出了更高要求。谷歌云的多站点规划，意味着超大规模算力正从单点超级集群向全域分布式算力网络演进，算力资源可以跨区域调度、按需供给。这一转变不仅会拉动单站点硬件采购需求，更将催生跨站点互联、算力调度、分布式训练框架等新增需求，推动整个算力产业链的价值分布重构。
为什么是强化学习与持续学习率先站上这个平台，也值得细品。强化学习是AI智能体、通用人工智能的核心技术路径，而持续学习则能够让模型在部署后不断迭代进化，摆脱一次性训练的局限。超大规模算力的可及性提升，将显著降低前沿算法的研发门槛，推动AI从大模型时代向智能体时代演进。对企业客户而言，这意味着算力竞争的焦点正在变化：不再只是谁拥有更大的单集群，而是谁能把分布在多站点的算力调度得更灵活、成本更可控、容灾更可靠。
当然，96万颗GPU是一个规划上限，而非已经落地的规模。从规划到兑现，中间还有电力供给、液冷部署、跨站点互联带宽、调度软件成熟度等多道关口。单机柜功耗随算力密度同步攀升，散热与供电正在成为与芯片本身同等重要的约束条件。但方向已经清晰：下一代AI工作负载不再满足于单点堆卡，而是要求算力像网络一样分布、调度与供给。谷歌云此次押注Vera Rubin，既是对英伟达新一代平台的一次重注，也是对分布式算力时代的一次提前布局。接下来值得观察的，是多站点集群在真实强化学习任务中的延迟与效率表现，以及这种分布式架构会如何改变云厂商与企业客户之间的算力合作方式。
来源：https://news.qq.com/rain/a/20261021A0EHVL00
从技术代际看，Vera Rubin平台实现了算力密度与系统架构的双重突破。单颗Rubin GPU在NVFP4精度下推理算力达到50 PFLOPS，相比上一代Blackwell架构最高实现10倍性能提升；而Vera Rubin NVL72整机柜系统集成72颗GPU与36颗Vera CPU，单柜NVFP4推理算力达3600 PFLOPS，真正将机柜作为计算单元的理念落地。英伟达通过第六代NVLink网状架构、高速互联交换芯片，实现了跨GPU、跨机柜的低延迟协同，为十万卡甚至百万卡级超大规模集群扫清了技术障碍。更关键的是，平台同步完成了供电与散热的系统性重构，100%液冷设计、800VDC高压直流供电架构，为后续算力密度的持续提升预留了空间。
从部署模式看，多站点分布式布局是此次规划的核心增量。传统大模型训练以单数据中心集中式集群为主，而强化学习、多智能体系统、持续学习等下一代工作负载，对跨域延迟、容灾能力、算力弹性调度提出了更高要求。谷歌云的多站点规划，意味着超大规模算力正从单点超级集群向全域分布式算力网络演进，算力资源可以跨区域调度、按需供给。这一转变不仅会拉动单站点硬件采购需求，更将催生跨站点互联、算力调度、分布式训练框架等新增需求，推动整个算力产业链的价值分布重构。
为什么是强化学习与持续学习率先站上这个平台，也值得细品。强化学习是AI智能体、通用人工智能的核心技术路径，而持续学习则能够让模型在部署后不断迭代进化，摆脱一次性训练的局限。超大规模算力的可及性提升，将显著降低前沿算法的研发门槛，推动AI从大模型时代向智能体时代演进。对企业客户而言，这意味着算力竞争的焦点正在变化：不再只是谁拥有更大的单集群，而是谁能把分布在多站点的算力调度得更灵活、成本更可控、容灾更可靠。
当然，96万颗GPU是一个规划上限，而非已经落地的规模。从规划到兑现，中间还有电力供给、液冷部署、跨站点互联带宽、调度软件成熟度等多道关口。单机柜功耗随算力密度同步攀升，散热与供电正在成为与芯片本身同等重要的约束条件。但方向已经清晰：下一代AI工作负载不再满足于单点堆卡，而是要求算力像网络一样分布、调度与供给。谷歌云此次押注Vera Rubin，既是对英伟达新一代平台的一次重注，也是对分布式算力时代的一次提前布局。接下来值得观察的，是多站点集群在真实强化学习任务中的延迟与效率表现，以及这种分布式架构会如何改变云厂商与企业客户之间的算力合作方式。
来源：https://news.qq.com/rain/a/20261021A0EHVL00