GPT-6 Astra 用了 10 万颗 GPU，黄仁勋说下一批还有 40 万颗...

9 月 6 日，黄仁勋在 X 上回应 OpenAI 最新发布的 GPT-6 Astra 时，给出了两个比模型跑分更值得关注的数字：Astra 使用了约10 万颗以上 NVIDIA Grace Blackwell 级 GPU完成训练，“下一阶段还有40 万颗 GPU 上线”。

OpenAI 披露的信息与这组数字可以相互印证。公司研究副总裁 Aidan Clark 在 Astra 发布时表示，这是 OpenAI 迄今规模最大的预训练任务，也是首次在得州 Stargate 使用超过 10 万颗 GPU进行预训练；OpenAI 总裁 Greg Brockman 随后也确认，这是公司第一次完成超过 10 万 GPU 规模的 training run。

值得追踪的地方，是训练规模跨过 10 万卡之后，基础设施的约束条件开始变化。GPU 仍然是价值量最高的设备，但一个训练任务要同时组织十万颗 GPU，机架内互连、机架间网络、电力和液冷都会直接参与决定有效算力。

一、10 万卡的基础单元，是 72 颗 GPU 组成的一个机架

GB200 NVL72 的设计逻辑，是先把 72 颗 Blackwell GPU 组织成一个高速 NVLink 域。一套 NVL72 拥有72 颗 Blackwell GPU、36 颗 Grace CPU、13.4TB HBM3E 显存和 130TB/s NVLink 带宽。NVIDIA 将其定义为 rack-scale 液冷系统，72 颗 GPU 能够在同一个 NVLink 域内工作。

这一层解决的是 Scale-up，即把机架内部尽可能做成一个高带宽计算单元。问题出现在机架之外。如果按 72 GPU/柜粗略折算，超过 10 万颗 GPU 意味着上千个 NVL72 级计算域需要同时参与一项训练任务。单柜内部拥有 130TB/s NVLink 带宽，不代表几千个机架之间天然能够高效协同。

对于同步预训练而言，只要部分链路明显变慢，其他 GPU 就可能进入等待。集群规模越大，尾部延迟和故障的机会成本越高。

二、OpenAI 为什么为 10 万卡重新设计网络

OpenAI 今年公开的 MRC——多路径可靠连接（Multipath Reliable Connection）——直接对应这一问题。OpenAI 披露，一次大模型训练步骤可能包含数百万次数据传输。网络拥塞、链路抖动和设备故障会使部分数据迟到，并沿同步训练链条向整个集群传导。

MRC 首先改变了网络的组织方式。一张 800Gb/s 网络接口可以被拆成 8 条 100Gb/s 链路，分别连接 8 个网络平面。这样，一个原本拥有 64 个 800G 端口的交换机，在 100G 粒度下可以连接 512 个端口。

OpenAI 给出的工程结果是：约 13.1 万颗 GPU，可以只使用两层交换网络完成互联。传统 800Gb/s 架构做到类似规模通常需要三到四层交换网络。层数减少，对应的是更少的设备、更低的功耗、更少的故障点和更多可用路径。

这组数字和 Astra 恰好落在同一个数量级：Astra 预训练规模已经超过 10 万颗 GPU，而 MRC 两层网络的设计能力约为 13.1 万颗 GPU。

OpenAI 目前已经把 MRC 部署到公司最大的 NVIDIA GB200 超级计算机中，包括 Oracle OCI 的 Abilene 和 Microsoft Fairwater，并明确表示已经利用NVIDIA 和 Broadcom 硬件训练过多个 OpenAI 模型。十万卡之后，Scale-out 网络已经进入训练效率函数：GPU 买回来以后，网络能否让它持续工作，会直接影响整个集群的有效算力。

三、Abilene 已经进入实际训练负载

Abilene 是这轮算力扩张最具代表性的物理资产之一。2025 年 6 月，Oracle 开始向 Abilene 交付首批 NVIDIA GB200 机架；OpenAI 随后开始在这里运行早期训练和推理任务。OpenAI 此后确认，Abilene 已经承担前沿模型训练，站点运行在 Oracle Cloud Infrastructure 上，并使用 NVIDIA GB200 系统。

Oracle 目前披露的 Abilene 园区包括8 栋建筑、1,100 英亩土地和 400 万平方英尺建筑面积，并采用闭环、非蒸发式液冷系统。

这类园区和传统云数据中心的工作方式正在出现差异。传统数据中心主要运行大量彼此相对独立的工作负载；十万卡 AI 训练需要把 GPU、网卡、交换机、存储、供电和冷却系统组织成一个高度同步的大型系统。到了这个尺度，数据中心本身开始具备超级计算机的属性。

四、Fairwater 把扩张继续推向多站点

单个园区仍然存在物理边界。Microsoft 的 Fairwater 给出了另一条路线：不再要求所有计算资源都集中在一个数据中心，而是通过专用网络把多个站点连接起来。

Atlanta Fairwater 已经投入运行，并与 Wisconsin Fairwater 以及微软其他 AI 基础设施连接。Microsoft 称，Fairwater 采用能够连接数十万颗 NVIDIA GB200 和 GB300 GPU的单一扁平网络，同时通过专用 AI 广域网把多个站点组织成一套更大的 AI superfactory。

Microsoft 对这套架构的描述很直接：一个 AI 训练任务可以由一个网络中的多个站点共同支撑。其 AI WAN 把不同代际的超级计算机连接起来，并通过跨区域光纤进一步组合站点。

AI 训练基础设施由此形成三层：机架内 Scale-up → 园区内 Scale-out → 跨园区 Multi-site。

方向已经足够清楚：10 万卡不再是规划中的规模，数十万卡正在成为下一阶段 AI 超算设计的目标区间。

五、从 10 万颗到 40 万颗 GPU，首先遇到的是几百兆瓦

把 GPU 数量换算成物理基础设施，量级会更加直观。NVIDIA 目前给出的 GB200 NVL72 设计机架功率约为120kW。如果仅用于量级测算，全部按照 72 GPU/柜、120kW/柜折算：

10 万颗 GPU 约对应1,389 柜、167MW机架功率；40 万颗 GPU 约对应5,556 柜、667MW；如果把现有 10 万和下一阶段 40 万简单相加，50 万颗 GPU 对应约 6,944 个等效 NVL72 机架，机架设计功率约 833MW。

这不是对未来站点实际功耗的预测。40 万颗 GPU 的具体型号尚未披露，后续也可能包含 GB300 或其他平台。但机械换算已经足以展示数量级：几十万颗 GPU 对应的是数百兆瓦级的机架负载。

而机架功率并不等于整个数据中心的电力需求。园区还需要配电、冷却、网络、存储以及其他辅助系统。因此，GPU 数量继续增加以后，部署约束会自然向外传导。

六、十万卡以后，AI CapEx 开始沿着 GPU 向外扩散

NVIDIA 依然掌握最核心的价值量。GB200 NVL72 本身已经把 Blackwell GPU、Grace CPU、NVLink、NVSwitch 以及液冷机架组织成完整系统；跨机架层面，NVIDIA 还拥有 ConnectX、Spectrum-X 和 InfiniBand 等产品。相比过去单纯统计 GPU 数量，rack-scale 架构意味着GPU 增长与每颗 GPU 对应的系统级价值量同步增加。

网络是第二层。OpenAI 已经明确把 Broadcom 硬件用于 MRC 训练环境。十万卡同步训练对尾部延迟、故障恢复和网络路径的要求提高后，交换芯片、网卡和交换机的经济价值来自一个很直接的逻辑：它们决定昂贵 GPU 的有效利用率。

再往外是电力和液冷。GB200 NVL72 设计功率已经达到约 120kW/柜；Microsoft 披露 Fairwater 的高密度机架可以达到约 140kW，并依赖设施级闭环液冷。资本开支链最终会落到几个可以持续跟踪的指标：GPU 交付量、网络端口与交换容量、单柜功率密度、数据中心新增兆瓦数，以及液冷和电力设备的实际交付周期。

七、Astra 留下的核心信号，是 Scaling 仍然在消耗更大的基础设施

从产业链角度，更值得记录的是一件事：OpenAI 已经完成了一次超过 10 万颗 GPU 的真实预训练任务。这意味着十万卡集群已经从行业路线图进入模型训练现场。

与此同时，MRC 在解决 10 万卡网络问题，Fairwater 在解决数十万卡和跨站点问题，Abilene 正在把大规模 GPU、电力和液冷转化成实际训练资源。

如果下一批 40 万颗 GPU 陆续上线，AI 基础设施投资的观察框架也需要跟着改变。只盯 GPU 出货已经不够。下一轮需要一起跟踪的是：每颗 GPU 背后需要多少网络、电力、液冷和数据中心资产，以及这些基础设施能否跟上 GPU 的交付节奏。

资料来源：OpenAI、NVIDIA、Microsoft、Oracle 公开资料；Jensen Huang X 公开帖文。文中机架与功率换算仅用于量级分析。仅供学习参考，不构成投资建议。