Rubin架构开启AI新纪元：CES 2026的算力革命

2026年1月，拉斯维加斯国际消费电子展（CES 2026）如期而至。作为全球科技产业的“风向标”，本次展会聚焦AI、机器人、智能驾驶等前沿领域，而英伟达CEO黄仁勋长达90分钟的主题演讲，无疑成为整场展会的焦点。

演讲中，黄仁勋正式宣布新一代AI超级计算平台——Vera Rubin（以下简称“Rubin平台”）进入全面量产阶段，标志着AI算力基础设施正式迈入Rubin时代。

与上一代Blackwell平台相比，Rubin架构通过六芯片协同设计、存储-互联-散热全链路革新，实现了算力性能的指数级跃升。其FP4推理算力达到50PFLOPS，训练算力达到35PFLOPS，分别是Blackwell平台的5倍和3.5倍。

更重要的是，Rubin平台并非单纯的芯片性能迭代，而是通过对存储架构、互联技术、散热方案的系统性重构，旨在破解AI大模型训练与推理过程中的算力瓶颈、带宽限制与能耗困境，为Agent AI、Physical AI（机器人/智驾）等下一代AI应用提供了核心支撑。

从产业影响来看，Rubin架构的落地将引发全球AI供应链的重构浪潮。
* 存储领域，KV缓存需求激增推动SSD进入“AI级”增量周期；
* 互联领域，CPO（共封装光学）技术凭借低功耗、高集成优势加速替代传统光模块；
* 液冷领域，100%常温液冷方案的规模化应用，推动散热产业从“辅助配套”向“核心竞争力”转型。

据测算，仅Rubin平台带动的存储、互联、液冷三大核心供应链市场，未来3-5年将形成超百万亿的市场空间，成为全球硬科技产业的新增长引擎。

本文将基于行业研报核心数据，结合CES 2026展会披露信息及行业最新动态，从Rubin架构核心技术革新出发，深度解析存储、互联、液冷三大供应链的变化逻辑、技术路径与产业机遇，同时预判全球AI算力基础设施的发展趋势。

第一章 Rubin架构全景解析：六芯片协同的算力重构

1.1 架构设计核心逻辑：从“单一算力提升”到“系统效能优化”

英伟达在AI算力领域的持续领先，核心在于其“软硬件协同、全栈生态构建”的战略布局。从Pascal、Volta到Blackwell，英伟达每一代架构升级均围绕“算力密度提升”展开。而Rubin架构的突破在于，首次将设计重心从“单一芯片性能”转向“集群系统效能”，通过六款核心芯片的协同设计，构建了“算力-存储-互联-管控”一体化的超级计算平台。

黄仁勋在CES 2026演讲中强调：“如果我们不做协同设计，即便在每年提升1.6倍晶体管数量的最好情况下，也难以获得巨大的性能提升。” 这一理念贯穿Rubin架构设计全程——通过NVFP4精度优化、芯片间高速互联、存储分层管理、散热方案革新的全链路协同，Rubin平台将AI推理token成本降低10倍，训练混合专家模型（MoE）所需GPU数量减少4倍，实现了“性能提升”与“成本优化”的双重突破。

从架构层级来看，Rubin平台分为三个核心层面：算力核心层（Rubin GPU+Vera CPU）、互联传输层（ConnectX-9 NIC+NVLink 6 Switch+Spectrum-X CPO Switch）、存储管控层（BlueField-4 DPU+Context Memory平台），再搭配100%常温液冷散热系统，形成了从单一芯片到集群整机的全维度优化。

1.2 六款核心芯片参数解析：性能跃升的底层支撑

Rubin平台的核心竞争力，源于六款定制化芯片的性能突破与协同适配。每款芯片均针对AI算力场景的特定需求设计，既实现了单一性能的极致提升，又通过标准化接口实现了跨芯片的高效协同。

1.2.1 Rubin GPU：算力性能的核心引擎

作为Rubin平台的核心算力单元，Rubin GPU搭载第三代Transformer引擎，采用NVFP4（4位浮点数格式）精度优化技术，在损失可控精度的前提下实现了吞吐量的指数级提升。

根据英伟达披露的数据，Rubin GPU的FP4推理算力达到50PFLOPS，是上一代Blackwell GPU的5倍；FP4训练算力达到35PFLOPS，是Blackwell的3.5倍。

在硬件配置上，Rubin GPU集成3360亿个晶体管，是Blackwell的1.6倍；搭配HBM4内存，带宽达到22TB/s，为Blackwell的2.8倍，大幅缓解了“算力快于带宽”的瓶颈问题。

值得注意的是，Rubin GPU并非单纯追求参数跃升，而是通过硬件层面的精度优化，适配Agent AI、Physical AI等下一代AI应用的需求——这类应用既需要高强度算力支撑，又对成本控制、能耗效率有严格要求，NVFP4精度技术恰好实现了“性能-成本-能耗”的平衡。

1.2.2 Vera CPU：算力协同的管控中枢

Vera CPU作为Rubin平台的中央处理单元，主要负责集群系统的资源调度、任务分配与协同管控，与Rubin GPU形成“算力互补、协同高效”的格局。不同于传统CPU聚焦通用计算，Vera CPU针对AI集群场景进行了定制化优化，支持多GPU、多DPU的协同调度，能够根据任务需求动态分配算力资源，最大化集群整体效能。

结合行业披露信息，Vera CPU采用模块化设计，支持与Rubin GPU、BlueField-4 DPU的无缝衔接，通过NVLink 6接口实现与GPU的高速数据交互，带宽达到3.6TB/s，确保了管控指令与运算数据的低延迟传输。在大规模集群场景中，Vera CPU能够实现576颗GPU的统一调度，为DGX SuperPOD等超级计算系统提供核心支撑。

1.2.3 ConnectX-9 NIC：单机柜内的高速互联接口

ConnectX-9超级网卡（NIC）是Rubin平台单机柜内芯片互联的核心组件，集成230亿个晶体管，支持800GB/s以太网传输速率，为GPU与GPU、GPU与DPU之间的高速数据交互提供保障。

根据研报数据，每个Rubin compute tray（计算托盘）包含4颗GPU，对应8颗800G ConnectX-9网卡，由此实现每颗GPU 1.6T的横向扩展带宽，确保单机柜内多GPU协同运算时的数据传输需求。

与上一代ConnectX-8相比，ConnectX-9在功耗控制与集成度上实现了显著提升，支持CPO技术适配，能够与Spectrum-X CPO Switch形成协同，为跨机柜互联提供接口支撑。同时，ConnectX-9具备智能流量管控功能，能够优先传输AI运算核心数据，降低延迟、提升带宽利用率，适配大模型训练中的海量数据交互场景。

1.2.4 BlueField-4 DPU：存储与网络的管控核心

BlueField-4 DPU（数据处理单元）是Rubin平台存储架构革新的关键组件，集成1260亿个晶体管，其网络能力、计算能力和内存带宽分别是上一代BlueField-3的2倍、6倍和3倍。

不同于传统DPU聚焦网络卸载，BlueField-4 DPU新增了“KV缓存上下文内存存储管理”功能，能够高效管控机架内的SSD存储资源，为AI推理过程中的上下文数据提供实时调度支撑。

从功能定位来看，BlueField-4 DPU扮演着“存储控制器+网络交换机”的双重角色：一方面，通过管理Context Memory平台的SSD资源，解决HBM内存无法满足KV缓存需求的痛点；另一方面，通过与ConnectX-9 NIC、Spectrum-X CPO Switch的协同，实现存储数据与运算单元的低延迟传输，构建“存储-算力-互联”一体化的数据流闭环。

1.2.5 NVLink 6 Switch：机柜内GPU协同的核心纽带

NVLink 6交换机是Rubin平台机柜内GPU“全对全”（all to all）互联的核心组件，通过铜缆（非AEC）连接实现3.6TB/s的双向带宽，确保机柜内576颗GPU之间的高速数据交互。

与上一代NVLink 5相比，NVLink 6在带宽提升30%的同时，降低了20%的功耗，适配100%液冷环境下的能耗控制需求。

在架构设计上，NVLink 6 Switch采用模块化布局，支持GPU的灵活扩展，每个交换机模块可连接多个GPU托盘，实现机柜内GPU资源的动态组网。同时，NVLink 6与Vera CPU协同，能够根据运算任务需求调整互联拓扑，最大化带宽利用率，为MoE模型训练等需要多GPU协同的场景提供支撑。

1.2.6 Spectrum-X CPO Switch：跨机柜互联的核心枢纽

Spectrum-X CPO交换机是Rubin平台跨机柜横向扩展（scale-out）互联的核心组件，集成3520亿个晶体管，支持102.4Tb/s的交换容量，能够实现16个GPU机柜的高速互联。

该交换机最大的技术突破在于采用CPO共封装光学技术，将光引擎与交换芯片集成在同一基板上，大幅降低了信号传输损耗与延迟，同时减少了光模块的使用量。

与传统以太网交换机相比，Spectrum-X CPO Switch在带宽密度、功耗效率上实现了质的飞跃：其单端口带宽达到1.6T，功耗较传统方案降低30%以上；通过CPO技术的集成，实现了跨机柜互联的低延迟传输，为大规模AI集群提供了稳定的互联支撑。在Rubin集群中，8个Spectrum-X CPO交换机机柜可实现1152颗GPU的统一互联，构建起超大规模算力集群。

1.3 Rubin集群系统：从芯片到整机的效能最大化

Rubin架构的终极价值，在于通过集群系统的整合，实现“1+1>2”的系统效能提升。

英伟达在CES 2026上展示了典型的Rubin集群方案：包含16个Vera Rubin机柜（共1152颗Rubin GPU），通过8个Spectrum-X CPO交换机机柜实现跨机柜互联；每个机柜内部包含多个计算托盘、存储托盘与NVLink交换机托盘，形成“算力-存储-互联”一体化的单机柜单元。

更值得关注的是，Rubin集群首次采用“SSD存储机柜直连GPU”的架构设计，打破了传统“存储-服务器- GPU”的三级架构，通过BlueField-4 DPU实现存储与GPU的直接交互，大幅降低了上下文数据的访问延迟。同时，100%常温液冷方案的应用，解决了大规模集群的散热难题，使机柜功耗密度提升至新高度，为集群效能最大化提供了保障。

英伟达透露，基于Rubin架构的DGX SuperPOD超级计算系统将于2026年下半年上市，该系统整合8个Rubin NVL72机架中的576颗GPU，其NVFP4推理算力达到3.6EFLOPS、训练算力达到2.5EFLOPS，分别是上一代Blackwell DGX SuperPOD的5倍和3.5倍。首批采用Rubin平台的客户包括AWS、谷歌云、微软等云服务提供商，以及Anthropic、OpenAI、xAI等AI实验室，标志着Rubin架构已进入商业化落地阶段。

第二章 存储供应链：SSD需求暴增，架构革新开启增量周期

2.1 存储架构革新背景：HBM瓶颈与KV缓存需求激增

随着AI大模型向多模态、大参数量方向演进，推理过程中的上下文数据存储需求呈现爆发式增长。大语言模型（LLM）推理时，需要将对话历史、中间计算结果等上下文数据存储在高速缓存中，即KV缓存（Key-Value Cache），而KV缓存的容量与访问速度直接决定了推理延迟与并发性能。

在此前的AI算力平台中，KV缓存主要依赖GPU自带的HBM内存存储，但随着模型参数量从千亿级向万亿级突破，KV缓存所需存储空间呈指数级增长，HBM内存已难以满足需求。以GPT-4模型为例，单次长对话场景下的KV缓存容量可达数十TB，而单颗GPU的HBM容量通常在128GB-256GB之间，即便通过多GPU协同，也无法覆盖大规模KV缓存的存储需求，成为制约AI推理性能的核心瓶颈。

针对这一痛点，英伟达在Rubin架构中开创性地推出“Context Memory平台+SSD存储机柜直连GPU”的存储架构，通过BlueField-4 DPU的管控，将KV缓存存储从HBM内存扩展至SSD存储，构建“高速度HBM+大容量SSD”的分层存储体系，既满足了KV缓存的低延迟访问需求，又通过SSD的大容量特性突破了存储容量限制，实现了存储性能与容量的平衡。

2.2 存储架构核心设计：Context Memory平台与SSD集群配置

Rubin架构的存储系统以Context Memory平台为核心，由BlueField-4 DPU、SSD托盘（SSD tray）、存储机柜组成，实现与GPU集群的无缝衔接。根据相关研报数据，其具体配置与运行逻辑如下：

2.2.1 集群级存储配置：GPU与SSD的精准配比

在Rubin集群中，存储资源与GPU算力实现严格的配比设计：每个由576颗GPU组成的集群，对应16层Context Memory平台（即16个SSD托盘），每层SSD托盘包含4颗BlueField-4 DPU芯片，每颗DPU对应150TB SSD存储容量。由此计算得出：每层SSD托盘的总存储容量为4×150TB=600TB，16层托盘的总存储容量为16×600TB=9600TB（9.6PB）。

按单集群576颗GPU计算，单颗GPU对应的额外SSD存储容量为9600TB÷576=16.6TB，这一配比远超传统AI平台的存储配置——上一代Blackwell平台单颗GPU对应的SSD容量仅为2-3TB，Rubin平台的存储需求增长了5倍以上。这一配比设计，能够完全覆盖大模型推理时的KV缓存需求，确保上下文数据的实时存储与调度。

2.2.2 DPU管控逻辑：KV缓存的高效调度核心

BlueField-4 DPU在存储系统中扮演着“大脑”的角色，负责KV缓存的分配、调度与优化。

其核心管控逻辑分为三个层面：
一是缓存分层管理，将热点KV数据存储在HBM内存中，非热点数据迁移至SSD存储，通过动态调度实现“高速度+大容量”的平衡；
二是并行访问优化，每颗DPU对应150TB SSD，通过多通道并行技术，实现SSD存储的高带宽访问，确保KV缓存数据的低延迟读取；
三是故障冗余设计，多颗DPU实现负载均衡与故障备份，避免单一DPU故障导致存储系统瘫痪。

从技术特性来看，BlueField-4 DPU的64核Grace CPU与ConnectX-9网卡的集成，为存储与GPU的高速交互提供了支撑——DPU通过ConnectX-9网卡与GPU实现1.6T带宽的直接连接，数据传输延迟较传统架构降低50%以上，完全满足AI推理时的实时性需求。同时，DPU的算力提升（较上一代提升6倍），能够实现KV缓存的实时压缩、解压与加密，进一步优化存储效率与数据安全性。

2.2.3 存储拓扑优化：直连架构打破性能瓶颈

Rubin平台的存储架构最大突破在于“SSD存储机柜直连GPU”，打破了传统架构中“存储-服务器- GPU”的三级传输链路。

在传统架构中，GPU访问SSD数据需要经过服务器主板的中转，传输延迟高、带宽受限。而Rubin架构中，SSD托盘通过BlueField-4 DPU直接连接至GPU的ConnectX-9网卡，形成“SSD-DPU-GPU”的二级传输链路，大幅缩短了数据传输路径。

这种直连架构的优势在大规模集群场景中尤为明显：当576颗GPU同时访问KV缓存数据时，直连架构能够实现并行传输，总带宽达到576×1.6T=921.6T，远超传统架构的带宽上限。同时，传输延迟从传统架构的数百微秒降低至数十微秒，确保了大模型推理时的流畅性，为Agent AI等需要实时交互的应用提供了支撑。

2.3 供应链影响：SSD需求爆发与产业格局重构

Rubin架构的存储方案革新，将直接引发全球SSD市场的需求爆发，同时推动SSD产业向“AI级”方向升级，从技术规格、产能分配到竞争格局，均将迎来深刻变化。

2.3.1 需求规模测算：百万PB级SSD增量市场

结合英伟达Rubin平台的量产计划与行业需求，可对SSD增量市场规模进行测算。根据英伟达披露，Rubin平台将于2026年下半年实现规模化交付，预计2026年出货量达到10万台GPU集群（按单集群576颗GPU计算，对应GPU总量5.76亿颗），2027年出货量增长至25万台集群，2028年出货量达到40万台集群。

按单集群对应9.6PB SSD存储容量计算：
* 2026年：Rubin平台带动的SSD需求为 10万台 × 9.6PB = 96万PB。
* 2027年：需求为 25万台 × 9.6PB = 240万PB。
* 2028年：需求为 40万台 × 9.6PB = 384万PB。

若考虑到AWS、谷歌云、微软等云服务提供商的额外采购需求，以及AI实验室的定制化集群建设，预计2026-2028年全球AI级SSD市场规模将分别达到120万PB、300万PB、480万PB，三年累计需求超900万PB。

从市场价值来看，当前AI级SSD（企业级高耐久性、高带宽产品）的单价约为每TB 200美元。按此计算：
* 2026年：Rubin平台带动的SSD市场价值为 96万PB × 1000TB/PB × 200美元/TB = 1.92万亿美元。
* 2028年：市场价值将达到 384万PB × 1000TB/PB × 200美元/TB = 7.68万亿美元。

2.3.2 技术升级方向：AI级SSD的核心指标要求

Rubin平台对SSD的技术要求远超传统企业级SSD，推动SSD产业向“高带宽、高耐久性、低延迟、大容量”方向升级，核心技术指标要求如下：

1. 带宽性能：单颗SSD的连续读取带宽需达到4GB/s以上，随机读取IOPS需达到100万以上，以满足KV缓存的高速访问需求。
2. 耐久性：由于KV缓存的写入频率极高，SSD的DWPD需达到10以上，使用寿命需超过5年，远超传统企业级SSD的3 DWPD标准。
3. 延迟控制：SSD的读取延迟需低于100微秒，需通过NVMe 2.0协议、3D NAND TLC/QLC技术的优化，实现低延迟响应。
4. 容量密度：单块SSD的容量需达到15TB以上，通过堆叠封装技术提升容量密度，减少SSD托盘的占用空间。

为满足这些需求，SSD厂商将加速技术研发：
* 接口协议：NVMe 2.0协议将成为主流，支持更高的带宽与更低的延迟。
* 存储介质：3D NAND的堆叠层数将从目前的232层提升至300层以上，QLC NAND将成为AI级SSD的主流介质。
* 控制器技术：多核控制器、DRAM缓存优化将成为研发重点，以提升SSD的并发处理能力。

2.3.3 供应链格局变化：头部厂商与细分领域机会

当前全球SSD市场主要由三星、SK海力士、美光科技、铠侠、西部数据等头部厂商主导，合计市场份额超过80%。Rubin平台的需求爆发，将进一步强化头部厂商的竞争优势，同时为细分领域企业带来机会。

• 核心供应商：三星、SK海力士、美光科技凭借在3D NAND、控制器技术上的优势，有望成为Rubin平台SSD的核心供应商。这些厂商同时具备HBM、NAND Flash的产能优势，能够实现“存储介质-SSD成品”的一体化供应。例如，SK海力士已获得英伟达的HBM4订单，同时其企业级SSD产品已通过英伟达认证，有望成为核心供应商之一。
• 细分领域机会：SSD控制器、缓存芯片、封装测试等环节将迎来增量机会。
  • 控制器：慧荣科技、群联电子等厂商已推出支持NVMe 2.0协议的高带宽控制器，有望进入英伟达供应链。
  • 缓存芯片：DDR5缓存芯片的需求将随AI级SSD增长而提升，三星、美光科技等厂商将受益。
  • 封装测试：长电科技、通富微电等企业具备大规模封装测试能力，能够满足AI级SSD的高可靠性封装需求。

2.3.4 行业协同效应：存储与AI算力的深度绑定

Rubin架构的存储方案，标志着存储产业与AI算力产业进入深度绑定阶段。传统存储产业的发展主要依托PC、服务器等消费级与企业级市场，而AI算力的爆发为存储产业带来了全新的增长曲线。

同时，存储技术的升级也将反向推动AI大模型的发展——更大容量、更低延迟的存储方案，能够支撑参数量更大、交互性更强的AI模型，加速Agent AI、Physical AI的落地。

从行业趋势来看，存储厂商与AI算力厂商的协同合作将日益紧密。例如，英伟达已与三星、SK海力士等厂商联合研发AI级SSD，针对Rubin平台的需求优化技术参数；存储厂商也在积极布局AI存储解决方案，推出定制化产品。这种协同效应将推动存储产业从“通用型”向“AI定制型”转型，形成新的产业生态。

第三章 互联供应链：CPO技术主导，光模块产业迎来重构

3.1 互联技术革新背景：AI集群的带宽需求与传统方案瓶颈

随着AI集群规模的不断扩大，芯片间、机柜间的互联带宽需求呈指数级增长。OpenAI测算显示，全球AI训练算力需求每3.4个月翻一番，2012年以来已增长超500000倍，对数据中心的互联能力带来了前所未有的挑战。

在Rubin集群中，1152颗GPU需要实现全对全互联，单集群的总互联带宽需求达到数千TB/s，传统互联方案已难以满足。

传统AI平台采用“可插拔光模块+TOR/Leaf交换机”的互联方案，存在三大瓶颈：
1. 带宽密度不足：传统可插拔光模块的单端口带宽最高为800G，难以支撑1.6T及以上的高速互联需求。
2. 功耗与成本过高：每颗GPU需搭配多颗光模块，导致集群互联的功耗占比超过30%，同时光模块的采购成本居高不下。
3. 信号损耗较大：电信号通过PCB走线传输至光模块时，会产生显著的信号衰减与延迟，影响互联性能。

为破解这些瓶颈，英伟达在Rubin架构中采用CPO（共封装光学）技术作为跨机柜互联的核心方案，通过“光引擎与交换芯片共封装”的设计，实现了互联带宽、功耗、成本的全方位优化。

3.2 CPO技术核心原理与Rubin平台应用方案

3.2.1 CPO技术原理：从“可插拔”到“共封装”的革新

CPO技术的核心在于将光引擎（包括激光器、光探测器、调制器等光学组件）与交换芯片通过先进的封装技术集成在同一基板上，实现“电-光”信号的近距离转换。

与传统可插拔光模块方案相比，CPO技术的优势主要体现在三个方面：
* 缩短信号传输距离，降低损耗与延迟：传统方案中，电信号从交换芯片传输至光模块需经过数厘米的PCB走线，而CPO方案将传输距离缩短至毫米级，大幅减少了信号在传输过程中的衰减、失真与延迟。测试数据显示，CPO方案的信号延迟较传统方案降低60%以上，信号损耗降低50%以上。

[[IMAGE_X]]

3.2.2 Rubin平台CPO互联方案设计与性能优势

英伟达在Rubin集群中采用了“8个CPO交换机机柜+16个GPU机柜”的互联拓扑，以实现跨机柜的高速横向扩展。其具体方案设计与性能优势体现在以下几个方面：

拓扑结构：16个Vera Rubin GPU机柜（每柜72颗GPU，共1152颗）围绕8个Spectrum-X CPO交换机机柜布局。每个CPO交换机机柜连接2个GPU机柜，通过CPO光引擎直接与每个GPU机柜中Compute tray的ConnectX-9网卡1.6T端口互联，形成“全互联”拓扑。这种结构确保了任意两颗GPU之间的通信延迟一致，并实现了带宽的负载均衡。

光模块配比优化：CPO方案显著降低了光模块用量。在传统2层组网方案中，Rubin GPU与1.6T光模块的配比为1:4；3层组网方案则升至1:6。而CPO方案通过光引擎与交换机的共封装，将这一配比降至1:1，光模块用量减少75%以上。以1152颗GPU计算，传统方案需4608颗1.6T光模块，而CPO方案仅需1152颗，大幅降低了硬件成本与功耗。

带宽与延迟性能：CPO方案在带宽与延迟上实现显著提升。每颗Rubin GPU通过ConnectX-9网卡获得1.6T的跨机柜互联带宽，与传统方案持平；但传输延迟从传统方案的200微秒降低至50微秒以下。同时，机柜间互联的总带宽达到25.6T（16个机柜 × 1.6T/机柜），满足大规模集群的高速数据交互需求。此外，机柜内的scale-up互联仍采用铜缆连接NVLink 6 Switch，实现3.6TB/s的GPU全对全双向带宽，与跨机柜CPO互联形成互补，构建了“机柜内高带宽+机柜间低延迟”的全链路互联体系。

3.2.3 CPO技术在Rubin平台中的适配与优化

为适配Rubin平台的算力需求，英伟达对CPO技术进行了针对性优化，主要体现在三个方面：

1. 与ConnectX-9网卡协同：ConnectX-9网卡支持CPO光引擎的接口协议，能够实现与Spectrum-X CPO交换机的无缝衔接，确保带宽与延迟性能最大化。
2. 热管理适配：CPO模块与100%常温液冷系统协同，通过液冷方案为光引擎与交换芯片高效降温，解决了CPO模块的散热难题，确保长期稳定运行。
3. 冗余设计：每个CPO交换机机柜配备冗余的光引擎与交换芯片，避免单一组件故障导致互联中断，提升了集群的整体可靠性。

3.3 供应链影响：CPO技术推动产业升级与格局重塑

Rubin平台对CPO技术的规模化应用，将成为CPO产业从“技术研发”向“商业化落地”的关键转折点，推动光模块、交换机、光学组件等产业链环节的技术升级与格局重塑。

3.3.1 光模块产业：从可插拔向CPO转型，技术壁垒提升

CPO技术的普及将对传统可插拔光模块产业形成冲击，同时推动光模块厂商向CPO光引擎转型，行业技术壁垒显著提升。

• 技术趋势：CPO光引擎将向“高带宽、高集成、低功耗”方向发展。单端口带宽将从1.6T向3.2T、6.4T升级；集成度将进一步提升，实现多端口光引擎的单基板集成；通过硅光技术、低温共烧陶瓷（LTCC）封装等技术的应用，功耗将持续降低。
• 竞争格局：具备硅光技术、先进封装技术与供应链整合能力的厂商将占据优势。
  • 国际厂商中，博通、英特尔、思科等已布局多年。博通已向客户交付集成8个6.4Tbps硅光子学光学引擎的51.2T CPO以太网交换机，有望成为Rubin平台CPO交换机的核心供应商。
  • 国内厂商中，光迅科技、中际旭创、天孚通信等正在加速研发。光迅科技已实现CPO模块的样品交付，有望通过合作认证进入供应链体系。

3.3.2 交换机产业：CPO成为高端AI交换机的标配

Rubin平台的应用将推动高端AI交换机向CPO化转型。与传统交换机相比，CPO交换机的核心差异在于“光引擎与交换芯片的共封装”，需要厂商具备芯片设计、光引擎集成、封装测试等全链条能力。

• 英伟达自身的Spectrum-X CPO交换机将凭借与Rubin平台的协同优势，占据高端AI交换机市场的主导地位。
• 博通、思科、迈络思等厂商也在加速CPO交换机的研发与量产。博通的Tomahawk5系列交换芯片已支持CPO集成，思科预计CPO的试用部署将与51.2Tb交换周期同步。
• 国内厂商中，华为、新华三已推出CPO交换机原型机，正在与AI算力厂商开展合作测试。

3.3.3 光学组件产业：硅光技术迎来规模化应用机遇

CPO技术的落地将带动硅光芯片、光探测器、调制器等光学组件的需求增长，其中硅光技术将迎来规模化应用机遇。硅光技术通过在硅衬底上集成光学组件，实现了器件的小型化、低成本与高集成，与CPO需求高度契合。

• 目前，硅光芯片的良率仍是核心瓶颈（例如台积电的硅光晶圆良率约为65%），导致CPO模块生产成本较高。
• 随着Rubin平台的规模化需求，硅光芯片厂商将加速技术迭代以提升良率、降低成本。
  • 国际厂商中，英特尔、GlobalFoundries在硅光技术领域具备深厚积累。
  • 国内厂商中，中芯国际、华虹半导体正在布局硅光晶圆制造，仕佳光子、长光华芯等在硅光芯片设计与制造环节具备竞争力。

3.3.4 CPO产业的挑战与长期发展趋势

尽管优势显著，当前CPO产业仍面临三大挑战：

1. 技术成熟度不足：硅光晶圆良率偏低；CPO模块端到端的耦合损耗波动（±2dB）远高于可插拔模块（±0.5dB），影响传输性能。
2. 运维成本较高：CPO模块不支持热插拔，故障维修难度大，平均修复时间可达72小时，对数据中心运维能力要求更高。
3. 行业标准混乱：COBO、OIF、OpenEye等多个标准阵营并存，封装尺寸、供电规范、热管理方案差异较大，增加了设备商的研发与适配成本。

从长期发展趋势看，这些挑战将随着技术迭代与行业协同逐步解决：
* 预计未来3-5年，硅光芯片良率将提升至85%以上，耦合损耗波动控制在±1dB以内。
* 运维方案将通过冗余设计、远程监控等技术优化，缩短故障修复时间。
* 行业标准将逐步统一，形成主流技术规范。

随着问题的解决，CPO技术将从AI集群向通用数据中心、云计算中心渗透，成为下一代互联技术的主流，带动万亿级市场空间的爆发。

第四章 液冷供应链：常温液冷规模化落地，散热产业迎来质变

4.1 液冷技术革新背景：AI集群的功耗困境与风冷极限

随着AI芯片算力密度的持续提升，服务器与集群的功耗呈指数级增长，散热已成为制约AI算力基础设施发展的核心瓶颈。Rubin GPU的算力较上一代提升5倍，单颗GPU的功耗达到800W以上，单机柜的功耗密度突破100kW，远超传统风冷技术的散热能力。

4.2 Rubin平台常温液冷方案
技术突破与系统设计

4.2.1 核心技术突破：45°C常温液冷与无冷水机设计

Rubin平台的液冷方案最大突破在于“45°C常温液冷+无冷水机设计”，打破了传统液冷方案对低温冷却液与冷水机的依赖，实现了散热系统的简化与高效化。

传统液冷方案通常采用20-30°C的低温冷却液，需要通过冷水机将自来水降温，能耗高、系统复杂；而Rubin平台采用45°C的常温冷却液，无需冷水机，仅通过L2A风冷机将冷却液降温至30°C，再循环至机柜进行散热。

这一设计的核心优势在于：
一是降低系统能耗，L2A风冷机的功耗仅为传统冷水机的1/5，散热系统的总能耗降低60%以上；
二是简化系统架构，减少了冷水机、冷却塔等设备，降低了机房建设成本与占地面积；
三是提升可靠性，减少了设备数量，降低了故障点，同时常温冷却液避免了低温对管道与密封件的损伤，延长了系统使用寿命。

4.2.2 散热系统核心组件与设计参数

Rubin平台的液冷系统由水冷板、冷却液、循环管道、L2A风冷机、温度控制系统等核心组件组成，具体设计参数与运行逻辑如下：

水冷板是热量传导的核心组件，Rubin平台采用镀金/镀锌微通道冷板，通过微通道结构增大冷却液与芯片的接触面积，提升散热效率。与传统冷板相比，微通道冷板的散热系数提升3倍以上，能够快速带走GPU、CPU等核心芯片产生的热量。同时，镀金/镀锌工艺提升了冷板的耐腐蚀性能与导热效率，延长了使用寿命，但也导致成本上升——单块水冷板的价格达到500美元以上，每个Rubin机柜包含72颗GPU及配套芯片，冷板总价值量超过3万美元。

冷却液采用专用氟化液或去离子水，具备高导热性、低粘度、无腐蚀性等特性。其中，氟化液的散热性能更优，能够适应更高的功耗密度，同时具备绝缘性，可直接与芯片接触，实现直接液冷；去离子水的成本较低，适用于间接液冷方案。Rubin平台根据不同组件的散热需求，采用“直接液冷+间接液冷”的混合方式：GPU、CPU等核心芯片采用直接液冷，通过水冷板与芯片直接接触散热；其他辅助组件采用间接液冷，通过冷却液管道间接传导热量。

循环系统采用“机柜内循环+机房级循环”的双循环设计：
* 机柜内循环通过水泵驱动冷却液流经水冷板，吸收热量后温度升至45°C；
* 随后冷却液进入机房级循环管道，流经L2A风冷机降温至30°C，再返回机柜内循环，形成闭环。

温度控制系统通过传感器实时监测冷却液温度与芯片温度，动态调整水泵转速与L2A风冷机功率，确保芯片温度稳定在85°C以下，保障运行稳定性。

4.2.3 液冷方案与Rubin架构的协同优化

Rubin平台的液冷方案与架构设计实现了深度协同，主要体现在三个方面：
一是与CPO模块的散热协同，CPO模块的光引擎与交换芯片集成度高、功耗密度大，液冷系统通过专用水冷板为CPO模块散热，避免了光学组件因高温导致的性能衰减；
二是与机柜布局的协同，液冷管道采用模块化设计，与GPU托盘、存储托盘的布局相适配，减少了空间占用，同时便于安装与维护；
三是与能耗控制的协同，液冷系统与Vera CPU的资源调度功能协同，根据GPU的运算负载动态调整散热功率，进一步降低能耗——当GPU处于低负载状态时，降低冷却液循环速度与风冷机功率，实现能耗优化。

4.3 供应链影响
液冷产业迎来规模化爆发与技术升级

Rubin平台100%常温液冷方案的规模化应用，将推动液冷产业从“小众细分”向“主流标配”转型，带动水冷板、冷却液、循环系统、温控设备等产业链环节的需求爆发，同时推动技术升级与格局重构。

4.3.1 市场规模测算：千亿级液冷市场加速形成

结合Rubin平台的量产计划与AI数据中心的建设需求，可对液冷市场规模进行测算：预计2026年Rubin平台带动的液冷系统需求为10万台机柜，2027年达到25万台，2028年达到40万台。按每个机柜液冷系统价值量3万美元计算，2026年市场规模为30亿美元，2027年为75亿美元，2028年为120亿美元。

若考虑到其他AI算力厂商（如AMD、英特尔、华为）的液冷需求，以及传统数据中心的液冷改造需求，全球AI液冷市场规模将进一步扩大。行业分析预计，2024-2029年中国液冷服务器市场复合增长率将达到46.8%，2029年市场规模将达到162亿美元，全球市场规模有望突破300亿美元。长期来看，随着液冷技术向通用数据中心、云计算中心、边缘计算中心渗透，市场规模将突破千亿级美元。

4.3.2 核心产业链环节：技术升级与机会分布

液冷产业链分为上游（核心组件）、中游（系统集成）、下游（应用场景）三个环节，每个环节均将迎来技术升级与需求增长，具体机会分布如下：

上游核心组件环节，水冷板、冷却液、水泵、传感器等产品需求爆发，技术升级方向明确。
* 水冷板方面，微通道结构、镀金/镀锌工艺将成为主流，厂商需提升精密加工能力与成本控制能力，核心供应商包括CoolIT、Asetek等国际厂商，以及高澜股份、同飞股份、英维克等国内厂商。
* 冷却液方面，氟化液因散热性能优，需求增长最快，3M退出氟化液市场后，国内厂商如巨化股份、三美股份等有望填补市场空白，同时去离子水、矿物油等冷却液厂商也将受益。
* 水泵与传感器方面，需满足低噪音、高可靠性、精准控制的需求，国内厂商如凯泉泵业、汇川技术等具备竞争力。

中游系统集成环节，厂商需具备“组件选型+方案设计+安装调试+运维服务”的全链条能力，与AI算力厂商开展深度合作，定制化开发液冷方案。国际厂商中，IBM、戴尔已推出AI专用液冷系统；国内厂商中，英维克、曙光数创、网宿科技等具备液冷系统集成能力，已参与国内大型AI数据中心的建设，有望通过与英伟达的合作进入Rubin平台供应链。

下游应用场景环节，除了AI数据中心，液冷技术还将向机器人、光伏储能、智驾等领域渗透。例如，机器人的高功耗芯片与紧凑空间需求，适配液冷散热方案；光伏储能电站的逆变器、储能电池等设备，通过液冷技术提升散热效率与使用寿命。这些场景的需求增长，将进一步扩大液冷市场的规模。

4.3.3 产业竞争格局：国内厂商的机遇与挑战

当前全球液冷市场仍由CoolIT、Asetek、IBM等国际厂商主导高端市场，国内厂商主要聚焦中低端市场。但随着Rubin平台的规模化落地，国内厂商迎来弯道超车的机遇，核心优势体现在三个方面：
一是产能优势，国内厂商扩产积极，能够满足大规模交付需求；
二是成本优势，水冷板、冷却液等产品的价格较国际厂商低20%-30%；
三是响应速度快，能够快速响应定制化需求，优化方案设计与产品参数。

同时，国内厂商也面临一定挑战：
一是核心技术差距，在微通道冷板的精密加工、氟化液的纯度控制等方面，与国际厂商仍存在差距；
二是认证壁垒，进入英伟达供应链需要通过严格的技术认证与可靠性测试；
三是品牌影响力不足，国际云服务提供商与AI实验室更倾向于选择国际品牌的液冷系统。

未来，国内厂商需通过技术研发、合作认证、产业链协同等方式突破壁垒。

一方面，加大研发投入，提升核心技术水平，与高校、科研机构合作开展微通道技术、冷却液配方等领域的研发；

另一方面，积极与英伟达、AMD等厂商开展合作，参与定制化方案开发，通过认证进入供应链；

同时，加强产业链协同，与上游组件厂商、下游应用厂商形成合作，构建完整的液冷产业生态。

第五章 百万亿市场空间预判与产业发展趋势

5.1 市场空间全景测算

存储、互联、液冷的增量机遇

Rubin架构的落地将带动存储、互联、液冷三大核心供应链的爆发式增长，结合行业需求与技术迭代趋势，我们对未来3-5年的市场空间进行全景测算，预计三大板块累计市场空间将突破百万亿人民币，具体如下：

存储板块：按2026-2028年Rubin平台带动的SSD需求分别为120万PB、300万PB、480万PB，每TB SSD价格200美元计算，三年市场规模分别为2.4万亿美元、6万亿美元、9.6万亿美元，累计18万亿美元（约合130万亿人民币）。若考虑到2029-2030年的需求增长，存储板块市场空间将突破200万亿人民币。

互联板块：CPO光引擎、交换机、光学组件等环节的市场规模将随Rubin平台的量产快速增长。预计2026-2028年，CPO相关市场规模分别为500亿美元、1200亿美元、2000亿美元，累计3700亿美元（约合2.6万亿人民币）。长期来看，随着CPO技术向通用数据中心渗透，市场空间将突破10万亿美元（约合70万亿人民币）。

液冷板块：2026-2028年市场规模分别为30亿美元、75亿美元、120亿美元，累计225亿美元（约合1.6万亿人民币）。2029-2030年，随着应用场景的拓展，市场规模将突破500亿美元（约合3.6万亿人民币），长期有望达到千亿级美元规模。

综合来看，Rubin架构带动的三大核心供应链，未来3-5年累计市场空间将突破150万亿人民币，长期将达到300万亿人民币以上，成为全球硬科技产业的核心增长引擎。

关注“鲸栖”小程序，掌握最新AI资讯