--- title: "GPT-6 Astra 用了 10 万颗 GPU，黄仁勋说下一批还有 40 万颗..." type: "Topics" locale: "zh-CN" url: "https://longbridge.com/zh-CN/topics/43787077.md" description: "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..." datetime: "2026-09-07T11:34:38.000Z" locales: - [en](https://longbridge.com/en/topics/43787077.md) - [zh-CN](https://longbridge.com/zh-CN/topics/43787077.md) - [zh-HK](https://longbridge.com/zh-HK/topics/43787077.md) author: "[潘驴邓晓闲缺一](https://longbridge.com/zh-CN/profiles/27015735.md)" generator: "portal-rs" --- # 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。 ### 相关股票 - [MSFT.US](https://longbridge.com/zh-CN/quote/MSFT.US.md) - [ORCL.US](https://longbridge.com/zh-CN/quote/ORCL.US.md) - [NVDA.US](https://longbridge.com/zh-CN/quote/NVDA.US.md) - [ORCL-D.US](https://longbridge.com/zh-CN/quote/ORCL-D.US.md) - [AVGO.US](https://longbridge.com/zh-CN/quote/AVGO.US.md) - [ORCX.US](https://longbridge.com/zh-CN/quote/ORCX.US.md) - [ORCU.US](https://longbridge.com/zh-CN/quote/ORCU.US.md) - [ORCS.US](https://longbridge.com/zh-CN/quote/ORCS.US.md) - [MSFD.US](https://longbridge.com/zh-CN/quote/MSFD.US.md) - [MSFU.US](https://longbridge.com/zh-CN/quote/MSFU.US.md) --- > **免责声明: 本文仅供参考，不构成任何投资建议。**