NVIDIA于10月21日在GTC柏林大会上宣布推出NVIDIA DSX POD，提供一种模块化AI工厂方案。公司表示，在场地公用设施就绪后，该方案可将现场部署时间从六个月缩短至14天。该参考设计将完整的Vera Rubin系统装入集装箱，由合作伙伴在交付前完成制造、集成和验证，从而把更多安装工作转移到客户场地之外。
要点
- DSX POD是由合作伙伴打造的模块化Vera Rubin AI工厂参考设计；部署时间缩短的前提是场地公用设施已经就绪。
- NVIDIA在发布基础设施消息的同时，还推出了智能体安全设计，以及用于将智能体连接到企业知识的工具。
- 黄仁勋将这些发布置于NVIDIA在欧洲的扩张背景之下，并提到公司对该地区科技生态系统的承诺金额接近100亿美元。
目录
NVIDIA DSX POD将集成工作前移至交付之前
核心变化在于AI工厂的组装地点。DSX POD要求合作伙伴在模块化集装箱内完成集成和验证，然后再发货，而不是等设备运抵目的地后才进行这些工作。NVIDIA将其描述为数据中心建设供应链的变革，而不只是又一种机架级硬件产品。
在解读部署时间的说法时，这一区别很重要。14天的时间指公用设施就绪后的现场部署，并非整个项目的既定工期。报道没有确定总建设周期，也未披露DSX POD的定价或客户交付日期。
黄仁勋表示，Vera Rubin已全面投产，并将NVIDIA的计算平台从单个模型和大型语言模型扩展至对整个AI智能体进行处理。他将更广泛的AI工厂平台描述为硬件、系统软件、CUDA-X库和模型的组合。
| 项目 | 详情 |
|---|---|
| DSX POD | 新的参考设计：合作伙伴在模块化集装箱内组装、集成并验证完整的Vera Rubin AI工厂。 |
| 部署时间表 | NVIDIA表示，在场地公用设施就绪后，现场部署时间可从六个月缩短至14天。 |
| DSX效率主张 | 据NVIDIA称，更广泛的平台可将冷却用水量最多降低100%，并在实现相同AI输出的情况下最多减少30%的用电量。 |
| OpenShell参考架构 | 全新的安全设计结合策略控制、内核级沙箱，以及对智能体与受其影响系统之间交互的监控。 |
| Agent Knowledge Foundation | 新模型和库可将智能体连接到企业文档和结构化数据库信息。 |
| 自适应放射治疗 | NVIDIA与西门子医疗正在开发一套AI赋能系统；报道并未将其描述为已完成部署。 |
欧洲AI发展将资本投入与运营效率相结合
柏林主题演讲之前，NVIDIA已访问巴黎、伦敦、斯德哥尔摩和都柏林。根据公司介绍，NVIDIA正向欧洲科技生态系统承诺近100亿美元，并与超过12,000家合作伙伴开展合作。这是承诺金额，并不意味着全部资金已经支出。
黄仁勋提出，欧洲企业应当生产AI，而不只是使用AI。他列举了L’Oréal、Revolut、Spotify、Merck、Vodafone、Porsche和HSBC等与NVIDIA合作开展AI业务的欧洲公司，使此次基础设施发布与现有的企业用户群体相联系。
NVIDIA还表示，其DSX AI Factory Platform可将冷却用水量最多降低100%，并以最多减少30%的用电量实现相同的AI输出。这些是更广泛平台的能力主张，与DSX POD的部署时间主张不同。主题演讲报道没有提供这些节省在具体项目中的运营结果。
智能体安全成为基础设施的一部分
更快部署基础设施只是NVIDIA主张的一部分。黄仁勋将智能体描述为由模型、编排框架、记忆、沙箱、知识和工具组成的系统。由于智能体能够访问文件、网络和其他资源，其用途越广，也越需要限制其获准执行的操作。
NVIDIA推出了OpenShell Reference Architecture for Safe AI Agents，以应对这一问题。这是一套基于OpenShell构建的全栈设计。OpenShell是一种开源、由策略控制的运行时，在智能体与其可能影响的系统之间设置内核级沙箱。
黄仁勋表示，智能体的权限应当保持在最低限度，并对其活动进行监控，同时动态调整权限和策略执行。实际上的区别在于：是让智能体访问某项工具，还是让它不受限制地访问周边系统。NVIDIA将安全视为部署智能体的一项工程要求，而非仅仅是底层模型本身具备的属性。
企业知识是下一层部署基础
NVIDIA的Agent Knowledge Foundation旨在解决另一个难题：如何让智能体连接到企业已有的信息。此次推出的模型和库涵盖非结构化文档以及结构化数据库信息。
重点介绍的工具包括Nemotron的文档解析、查询嵌入和相关信息重排序能力，以及用于根据结构化数据进行预测的新Kumo模型。这些功能将智能体的推理过程与企业专有资料连接起来，而非仅依赖通用模型所包含的知识。
黄仁勋还将NVIDIA的开放模型定位为起点，企业可以使用专有数据进行后训练，以适用于特定用途。CUDA-X库则提供另一项组件：智能体可调用的加速模拟器、求解器和数据处理引擎。整体来看，这些发布所描述的是一个涵盖权限、知识和执行的运营技术栈。
工业案例展现不同的应用阶段
主题演讲视频展示了这些组件如何协同工作。在Lila Sciences，智能体通过指导自动化实验室开展虚拟实验，协助设计一种潜在的B细胞淋巴瘤疗法。在西门子埃尔朗根工厂，智能体通过在数字孪生中测试计划，协助为产品投产做准备。达索系统的一个案例则展示了工程智能体如何利用仿真发现车辆设计问题并改进设计。
这些演示应与仍在开发中的项目区分开来。NVIDIA和西门子医疗正在开发AI赋能的放射治疗方案，结合治疗计划智能体、数字孪生以及实时成像和传感器数据。据介绍，该系统将在治疗过程中随着患者身体和肿瘤的变化调整照射目标。
这些案例说明了基础设施战略的具体用途：让智能体能够在实验室、工厂和工程环境中运用专业数据与工具。但这些案例本身并不能证明所有已发布的技术都已实现商业部署，也不能证明相关场地已实现所宣称的基础设施节省效果。
结论
DSX POD为NVIDIA在欧洲的AI发展提出了一项明确的基础设施方案：将集成工作转移到场地之外，并在公用设施就绪后缩短部署时间。配套的安全和知识工具则旨在解决企业如何在该基础设施上运行智能体的问题；而主题演讲报道仍未披露定价、交付时间表或具体项目的效率成果。
阅读更多新闻
免责声明
本文由FinanceVelix提供一般信息，不构成个性化的财务、投资、法律或税务建议。市场价格、利率和经济状况可能发生变化；投资存在损失风险。文中事实反映发布时可获得的资料，且可能发生变化。请独立核实重要信息，并在必要时咨询合格的专业人士。提及任何资产、公司或服务均不构成推荐。
