7月22日新闻，，，在GTC 2026正式宣布之后，，，英伟达（NVIDIA）克日首次完整果真了Rubin AI GPU架构的手艺细节。。。。。。作为下一代AI数据中心平台的焦点盘算芯片，，，Rubin不但肩负着接替Blackwell的使命，，，也将成为未来Agentic AI（智能体AI）时代的主要算力基础。。。。。。

凭证英伟达宣布的数据，，，相比Blackwell架构，，，Rubin在单位能耗下的Agentic AI推理吞吐量提升最高可达10倍。。。。。。这一性能跃升主要来自三项要害架构立异：全新增强版Tensor Core（张量焦点）、 新一代HBM4高带宽内存子系统、第三代Transformer Engine（Transformer引擎）。。。。。。

接纳双裸片设计，，，集成3360亿颗晶体管

Rubin GPU接纳台积电（TSMC）3nm N3P制程工艺制造，，，由两颗抵达光罩尺寸上限（Reticle Limit）的GPU裸片组成，，，并通过英伟达自研的NV-HBI（High-Bandwidth Interface）高速互连手艺封装为一颗完整GPU。。。。。。

整个Rubin GPU共集成约3360亿颗晶体管，，，较Blackwell GB300增添约62%，，，也是现在业内集成度最高的AI GPU之一。。。。。。

从架构来看，，，每颗Rubin GPU包括：8个GPC（Graphics Processing Cluster，，，图形处理集群）、224个SM（Streaming Multiprocessor，，，流式多处理器）、896个Tensor Core（张量焦点）。。。。。。

凭证平均盘算，，，每个GPC约拥有28个SM和112个Tensor Core。。。。。。不过从官方框图来看，，，Rubin现实上接纳了两种差别设置的GPC，，，一种集成30个SM，，，另一种集成26个SM。。。。。。

每颗裸片内部包括4个GPC，，，同时毗连：大容量漫衍式L2 Cache、Gigathread Engine、4组HBM4内存控制器（每裸片4096-bit）和NVLink接口。。。。。。

别的，，，Rubin还集成了：

PCIe Gen6控制器，，，用于毗连主机CPU
；；；；

第六代NVLink IO，，，可提供最高3600GB/s GPU互连带宽
；；；；

MIG（Multi-Instance GPU）控制器，，，实现GPU资源切分
；；；；

NVDEC视频解码单位
；；；；

基于TEE-I/O（Trusted Execution Environment）的Confidential Computing（神秘盘算）能力，，，可包管AI事情流中数据静态、传输及运行历程中的清静。。。。。。

首次接纳HBM4，，，带宽高达22TB/s

内存子系统是Rubin最大的升级之一。。。。。。Rubin首次接纳HBM4高带宽内存，，，共设置8组12-Hi堆叠，，，总容量抵达288GB。。。。。。

详细来看，，，8组12-Hi HBM4，，，每组容量36GB，，，单颗DRAM容量3GB，，，总容量288GB，，，整体峰值带宽抵达22TB/s，，，是现在英伟达最快的HBM内存方案。。。。。。相比Blackwell约8TB/s带宽，，，Rubin实现约2.8倍提升。。。。。。

与此同时，，，Rubin还配备升级版Tensor Memory Accelerator（TMA），，，进一步优化GPU内部重大数据搬运效率。。。。。。

整个数据传输系统包括：

HBM4：22TB/s

NVLink 6：GPU之间3600GB/s

NVLink-C2C：CPU-GPU之间1800GB/s

PCIe Gen6 x16：256GB/s

HBM4显著提升Token天生效率

随着大语言模子参数一直增添，，，模子推理越来越受到内存带脱期制。。。。。。英伟达体现，，，现在AI推理普遍面临更长Context窗口、更大的KV Cache、更高并发Token天生。。。。。。HBM4的大带宽可有用解决上述瓶颈。。。。。。

详细而言，，，容量提升意味着，，，可容纳更大模子常驻显存、支持更长上下文窗口、支持更大的KV Cache、提高推理并发能力、镌汰KV Cache外存交流。。。。。。

带宽提升则意味着，，，提高Token逐个天生阶段的数据供应速率、阻止Tensor Core期待数据、提高GPU使用率。。。。。。

别的，，，升级后的TMA及内存局部性优化战略，，，可进一步提高重大数据结构下的有用带宽使用率。。。。。。

英伟达体现，，，HBM4使Rubin能够支持未来多万亿参数模子、更长上下文推理以及高并发Agentic AI事情负载。。。。。。

全新Tensor Memory Accelerator优化MoE模子推理

针对现在普遍应用的MoE（Mixture of Experts，，，混淆专家）模子，，，Rubin进一步增强了Tensor Memory Accelerator（TMA）。。。。。。

随着MoE模子专家数目一直增添，，，专家权重的数据定位与搬运成为新的性能瓶颈。。。。。。

新版TMA通过优化形貌符（Descriptor）治理机制，，，可更高效地定位和调理专家权重，，，镌汰数据搬运开销。。。。。。

同时，，，Rubin新增Inline Descriptor支持，，，使多个Tensor共享统一形貌信息，，，仅需在运行历程中动态修改内存地点、Stride等参数即可完成调理。。。。。。

英伟达体现，，，这一刷新可使MoE模子在专家数目进一步增添后仍坚持较高扩展效率，，，并将更多GPU盘算资源用于推理盘算，，，从而提升整体吞吐能力。。。。。。

Tensor Core吞吐翻倍，，，Transformer推理进一步加速

Rubin另一项焦点升级来自Tensor Core。。。。。。新版Tensor Core单个时钟周期可处理的数据量翻倍，，，其主要通过扩大Tensor盘算中的K维数据处理能力实现。。。。。。

以矩阵乘法（GEMM）为例：在Blackwell上需要执行4轮K循环，，，而Rubin仅需2轮即可完成相同盘算。。。。。。这不但提升盘算吞吐，，，也降低了Kernel调理延迟。。。。。。与此同时，，，Rubin进一步优化了Transformer中的Attention盘算流程。。。。。。

据官方先容，，，其接纳Activation Sparsity（激活希罕）连系Adaptive Compression（自顺应压缩）手艺，，，可将Attention Score压缩为结构化2:4希罕名堂，，，仅生涯非零数据及对应元数据。。。。。。

这样既镌汰Attention Score写入与存储开销，，，也降低后续Attention盘算的数据传输量，，，同时坚持最终输出仍为标准Dense名堂，，，无需修改模子结构。。。。。。

别的，，，Rubin还提升了Softmax及指数运算（Exponential）性能。。。。。。

差别精度下盘算能力提升如下：

FP32吞吐抵达GB300水平，，，是GB200的2倍
；；；；

BF16/FP16吞吐相比GB200提升4倍，，，相比GB300提升2倍。。。。。。

更低Kernel延迟，，，更适合Agentic AI推理

Rubin还增强了GPU内部Kernel之间的调理协同能力。。。。。。古板GPU通常需要期待上一阶段Kernel所有完成后再启动下一阶段盘算，，，而Rubin允许后续Kernel在所需输入数据准备完成后即可提前启动。。。。。。

这样能够镌汰GPU空闲时间、提高差别Kernel执行重叠度、提升流水线使用率。。。。。。英伟达以为，，，这关于Agentic AI推理尤为主要。。。。。。

由于Agentic AI使命通常需要模子逐步天生Token，，，各Kernel之间保存一连依赖关系，，，Kernel间延迟将直接影响单用户Token天生速率（Tokens/s）。。。。。。

DSX MaxLPS进一步优化AI数据中心能效

除了GPU自己，，，Rubin平台也针对数据中心能效举行了大宗优化。。。。。。

以Vera Rubin NVL72系统为例，，，其新增了Dynamic Power Steering（动态功率调理）和Intelligent Power Smoothing（智能功率平滑）。。。。。。系统通过集成储能？
？？，，，可吸收GPU瞬时功率波动。。。。。。

英伟达体现，，，相较上一代平台平均功耗降低约10%，，，50毫秒峰值功耗降低约20%。。。。。。从而使整个AI服务器能够更稳固运行于最大功率区间，，，提高整体Token输出效率。。。。。。

别的，，，英伟达还推出DSX OS操作系统，，，其中集成DSX MaxLPS，，，可统一治理GPU、机柜、液冷系统以及AI事情负载，，，实现调理、生命周期治理及康健状态自动化。。。。。。

官方数据显示，，，在相同供电预算下，，，DSX MaxLPS可支持安排约40%更多GPU资源，，，从而进一步提升AI数据中心整体算力密度和推理吞吐能力。。。。。。

从3360亿颗晶体管的双裸片设计，，，到首次引入HBM4内存、增强版Tensor Core、第三代Transformer Engine，，，以及围绕MoE模子、Agentic AI推理和数据中心能效所举行的一系列架构优化，，，Rubin代表着英伟达AI GPU的一次周全升级。。。。。。

可以看出，，，相较于Blackwell主要面向大模子训练和通用推理，，，Rubin的设计重点已经显着转向以智能体（Agentic AI）为代表的新一代AI应用场景，，，通过提升Token天生效率、降低推理延迟、优化内存带宽使用率及提高单位能耗算力输出，，，为未来更大规模、更高并发、更长上下文的大模子安排涤讪硬件基础。。。。。。

编辑：芯智讯-浪客剑

二是精准排查整治。。。。。。进一步聚焦高层公共修建、老旧高层修建、正在维修刷新且有职员栖身使用的高层修建，，，进一步聚焦局部施工、外墙保温、消防设施、清静疏散、油烟管道、值班值守等方面的问题隐患，，，强化现场羁系，，，增强隐患排查的专业性和羁系执法的穿透力。。。。。。对重大火灾隐患，，，挂牌督办、实地督导、强力整改。。。。。。 -->