全球人工智能算力芯片龙头英伟达周二宣布，推出专为长上下文工作负载设计的专用 GPU Rubin CPX，用于翻倍提升当前 AI 推理运算的工作效率，特别是编程、视频生成等需要超长上下文窗口的应用。

英伟达 CEO 黄仁勋表示，CPX 是首款专为需要一次性处理大量知识（数百万级别 tokens），并进行人工智能推理的模型而构建的芯片。

需要说明的是，Rubin 就是英伟达将在明年发售的下一代顶级算力芯片，所以基于 Rubin 的 CPX 预计也要到 2026 年底出货。下一代英伟达旗舰 AI 服务器的全称叫做 NVIDIA Vera Rubin NVL144 CPX ——集成 36 个 Vera CPU、144 块 Rubin GPU 和 144 块 Rubin CPX GPU。

（NVIDIA Vera Rubin NVL144 CPX 机架与托盘，来源：公司博客）

英伟达透露，搭载 Rubin CPX 的 Rubin 机架在处理大上下文窗口时的性能，能比当前旗舰机架 GB300 NVL72 高出最多 6.5 倍。

据悉，下一代旗舰机架将提供 8exaFLOPs 的 NVFP4 算力，比 GB300 NVL72 高出 7.5 倍。同时单个机架就能提供 100TB 的高速内存和 1.7PB/s 的内存带宽。

言归正传，英伟达之所以要在 Rubin GPU 边上再配一块 Rubin CPX GPU，自然是为了显著提升数据中心的算力效率——用户购买英伟达的芯片将能赚到更多的钱。英伟达表示，部署价值 1 亿美元的新芯片，将能为客户带来 50 亿美元的收入。

为何需要不同的 GPU？

作为行业首创之举，英伟达的新品在硬件层面上分拆了人工智能推理的计算负载。

英伟达介绍称，推理过程包括两个截然不同的阶段：上下文阶段与生成阶段，两者对基础设施的要求本质上完全不同。

上下文阶段属于计算受限（compute-bound），需要高吞吐量的处理能力来摄取并分析大量输入数据，从而生成首个输出 token。相反，生成阶段则属于内存带宽受限（memory bandwidth-bound），依赖高速的内存传输和高带宽互联（如 NVLink），以维持逐个 token 的输出性能。

当前顶级的 GPU 都是为了内存和网络限制的生成阶段设计，配备昂贵的 HBM 内存，然而在解码阶段并不需要这些内存。因此，通过分离式处理这两个阶段，并针对性地优化计算与内存资源，将显著提升算力的利用率。

据悉，Rubin CPX 专门针对 " 数百万 tokens" 级别的长上下文性能进行优化，具备 30petaFLOPs 的 NVFP4 算力、128GB GDDR7 内存。

英伟达估计，大约有 20% 的 AI 应用会 " 坐等 " 首个 token 出现。例如解码 10 万行代码可能需要 5-10 分钟。而多帧、多秒的视频，预处理和逐帧嵌入会迅速增加延迟，这也是为什么当前的视频大模型通常仅用于制作短片。

英伟达计划以两种形式提供 Rubin CPX，一种是与 Vera Rubin 装在同一个托盘上。对于已经下单 NVL144 的用户，英伟达也会单独出售一整个机架的 CPX 芯片，数量正好匹配 Rubin 机架。