AI工厂的价值要在实际产出中兑现。对算力运营方来说，集群能够稳定承载生产负载、持续输出token，才是投资回收的起点。但在实际建设中，算力交付的节奏往往受制于基础设施集成，而不是芯片本身。一座大规模AI集群从立项到投产通常需要半年以上，其中大量时间消耗在设备进场之后的现场集成环节。
英伟达在GTC柏林大会上给出了新的交付方案。公司发布DSX POD参考设计，将一座基于Vera Rubin平台的完整AI工厂交由合作伙伴在模块化集装箱内完成建造和验证，整机运抵现场后仅需对接场地的电力、冷却与网络接口。在场地公用设施就绪的前提下，部署周期可由传统方式的约六个月缩短至最少十四天。
图1：GTC柏林大会现场，黄仁勋发布Vera Rubin DSX POD
一、DSX POD的定位：以集装箱为单位交付的AI工厂
DSX POD的定位需要放在英伟达交付体系演进的背景下理解。此前英伟达对外交付的主体经历了从芯片、加速卡到整机柜系统的变化，GB200、GB300以及Vera Rubin都属于机架级产品。交付颗粒度虽然不断放大，但整机柜进场之后仍需完成上架、跨柜布线以及供电和冷却的对接，现场工作量依旧可观。
DSX POD将交付颗粒度进一步提升。它本身不是一台设备，而是一套面向完整AI工厂的参考设计，载体为标准模块化集装箱。集装箱内部的计算系统、网络设备、跨柜线缆、机架级配电和液冷管路，均由合作伙伴在制造环节安装到位，并完成功能验证。设备运抵客户现场后，需要处理的只是与场地电力、设施用水、冷却和网络的接口连接，随后即可投入模型运行。
该设计延续了英伟达DSX基础设施平台的整体思路，同时具有独立的架构特征。它要求在专用集装箱内完成系统集成和验证之后再行运输，合作伙伴在发货前完成机柜间的布线、电气接线、管路连接和功能验证。这部分工作与客户侧的场地准备可以并行，不必占用同一条时间路径。
按照公布的计划，DSX POD将于2027年初通过全球合作伙伴网络开始交付。初期面向的是大规模、绿地建设并采用液冷的AI基础设施，主要客户包括英伟达云合作伙伴以及其他需要大规模建设算力的机构。对于不同的部署需求，传统建筑方式和其他模块化方案仍然适用，DSX POD并不意在覆盖全部建设场景。
二、部署周期缩短的来源：现场集成工序的前移
传统模式下，大规模AI集群的现场建设是一条环节较多的串行链条。设备到货之后，机柜需要逐一就位，机柜之间要布设数据线、电源线和网络光纤，液冷管路需要连接，机架级配电需要配置，之后逐台上电、分段测试。这些工序对现场专业人力的依赖程度较高，且工序之间存在先后约束，某一环节延迟会直接影响后续工作。现场作业本身也容易出现接头或线缆问题，排查往往耗时较长。
DSX POD的处理方式，是将这部分对现场环境和专业人力依赖最重的集成工作前移到制造工厂。
首先改变的是作业环境。工厂内的集成属于标准化的产线作业，不受现场空间和临时调度的影响，机柜间的布线、接线和接管在受控环境中完成，质量与一致性更有保障。
更关键的是工程组织方式的变化。传统模式下，场地建设与设备集成在时间上前后衔接，场地未就绪时，已完成集成的设备也无法进场。DSX POD将两件事分开处理，客户进行场地准备的同时，合作伙伴在工厂内同步建造和调试集装箱，两条线并行推进，最终在现场汇合。原本串行的时间因此被压缩为并行。
此外，测试环节也相应前移。传统模式下，系统级问题通常要到现场联调阶段才暴露，此时返工成本较高。DSX POD在出厂前完成功能验证，问题在工厂内解决，现场仅保留接口对接，减少了现场调试和返工。
部署速度与经济性的关联正体现在这里。首次产出token的时间，决定了一座新AI工厂何时开始承载生产负载。部署周期由六个月降至十四天，运营方可以更早地将基础设施投入使用，算力服务于客户的时间相应提前。
图2：DSX POD模块化集装箱外观
三、集装箱内部的系统构成：Vera Rubin POD的五类机架
DSX POD是交付形态，集装箱内部提供算力的是Vera Rubin系统。一座完整的Vera Rubin POD由多种机架级系统协同组成，整体规模约为40个机架，包含1152颗Rubin GPU，并配套相应的CPU、网络与存储。它并非同类机柜的简单复制，而是将智能体场景下不同负载所需的专用机架组合为一台逻辑统一的AI超级计算机。
核心计算由Vera Rubin NVL72承担。该机架在一个机柜内集成72颗Rubin GPU和36颗Vera CPU，通过第六代NVLink铜质背板连接，在逻辑上作为一个统一的计算域运行。它对应AI的几类扩展规律，覆盖预训练、训练后处理、测试时扩展和智能体扩展，并针对混合专家模型路由以及推理中计算密集的上下文阶段进行了优化。
低延迟推理由专门的推理机架承担。以Groq 3 LPX为代表，单机架部署256颗语言处理单元，采用以SRAM为主的存储架构。它与配备大容量HBM的Rubin GPU配合，分别处理对交互延迟敏感和对吞吐量敏感的负载，从而缓解长上下文场景下高交互速度与高吞吐难以兼顾的问题。
Vera CPU机架提供智能体所需的CPU侧能力。单机架可高密度集成最多256颗Vera CPU，采用液冷设计，为智能体提供可扩展的沙箱环境，用于大规模执行、测试和验证来自计算机架的结果，同时承载强化学习所需的环境。
BlueField-4 STX机架承载AI原生的上下文内存存储。它将推理中的KV缓存视为一类可在多轮对话、多个会话和多个智能体之间复用的共享数据，将其卸载到专用高带宽存储层，从而跨整个POD扩展GPU的上下文容量。
网络连接由Spectrum-6 SPX机架负责。该机架可配置Spectrum-X以太网或Quantum InfiniBand交换机，承担机架间的东西向与南北向流量，将整个POD连接为统一系统。其新一代交换机单芯片带宽达到102.4Tb/s，并引入共封装光学替代可插拔光模块。
上述机架能够协同工作，依托的是第三代MGX机架架构。这一代架构大量采用基于PCB的连接，计算托盘和NVLink交换托盘实现了无缆、无软管、无风扇设计，模块化程度和可维护性均有提升。机架背部为高度模块化的背板，由若干预先集成并验证的铜缆盒组成，将每个托盘连接为整体。以Vera Rubin NVL72为例，重新设计后的计算托盘使装配时间由接近两小时缩短至约五分钟，装配与维护效率的改善较为明显。
图3：Vera Rubin POD五类机架
四、设施层面的约束与设计：液冷、供电与水耗
AI工厂的规模从兆瓦级走向吉瓦级之后，实际能够部署的算力更多取决于电力、冷却和水等设施条件，而不是芯片数量。DSX POD在这一层面进行了系统性设计。
液冷方面，第三代MGX机架普遍按45摄氏度的温水进水温度设计，可实现完全液冷。较高的进水温度具有实际意义，它使数据中心在多数气候条件下能够利用环境空气和闭式干冷器完成冷却，减少对压缩机制冷的依赖，从而降低冷却能耗，将更多电力留给计算。机架内部采用新的托盘歧管、机架级歧管和液冷母线，冷却液多为去离子水或丙二醇基液体，在闭环系统中可长期使用，维护量较小。
供电方面，针对AI系统功耗持续上升的趋势，传统供电链路转换级数较多，分配损耗较大。英伟达引入800V直流供电架构，通过减少转换环节和降低分配损耗支撑未来兆瓦级系统。机架层面还配置了智能电源平滑机制，由于训练和推理负载会产生较大的功率波动，直接作用于电网和配电系统会形成冲击，MGX机架在机架级设置储能电容，负载突增时由电容补充电力，负载骤降时为电容充电，使电网侧功率曲线保持平缓。新一代机架级储能较上一代明显增加，峰值电流需求可降低约四分之一。
水耗方面，英伟达在GTC柏林表示，DSX AI工厂平台可将冷却用水量降至接近零，并在产出相同的前提下减少最多约30%的能耗。这一结果来自温水液冷、干冷器和闭环冷却的共同作用，传统数据中心对蒸发冷却和补水的依赖随之降低。
软件层面由DSX MaxLPS承接。它在固定功率预算内对GPU、机架和负载各层级的电力进行动态管理，结合策略控制、负载编排和高保真遥测，优化每兆瓦电力的token产出，进而降低单位token成本。这与按静态峰值功率预留容量的传统做法不同，后者默认所有负载长期处于峰值，导致电力闲置。动态调配能够释放这部分搁浅的电力，在相同功率预算内容纳更多算力。
五、DSX平台：贯通设计、仿真与运营的软件体系
DSX POD能够以标准化方式复制，依托的是完整的DSX平台。该平台将AI工厂的设计、仿真和运营统一起来，覆盖从电网、设施、芯片到基础设施软件的完整技术栈，目标是在既定电力和设施条件下获得更多有效产出。
平台的设计环节由DSX参考设计承担，它提供分代且经过验证的AI工厂架构，覆盖计算、网络、存储、设施基础设施和硬件集群，相当于一套从芯片到电网的建设依据。
DSX Sim提供仿真能力，由一组仿真技术和合作伙伴工具构成，帮助建设者在动工前识别瓶颈、验证跨系统的权衡，并在部署后对比预期与实际表现。配合数字孪生，建设者可以在投入资金之前先在虚拟环境中完成整座工厂的运行验证。
运营环节由DSX OS负责。作为平台的运营层，它以开源和模块化方式提供生命周期管理、运行时一致性、健康自动化、弹性和多租户运营能力，支撑AI工厂的大规模运行。
DSX Flex负责工厂与电网之间的连接。它接收负荷削减、需求响应和电价事件等电网信号，据此动态调整负载，并在电网供电、现场可再生能源和储能之间进行编排，实现混合能源管理。
DSX Exchange则提供IT与OT之间的数据通道。它在计算、网络、能源、电力和冷却设备之间建立安全、可扩展的数据连接，使设施基础设施、数字孪生和运营智能体能够实时协同。
整体来看，这套体系的逻辑是在设计阶段通过参考设计和仿真确定方案，在交付阶段通过工厂预制实现快速落地，在运营阶段通过操作系统和电力编排持续优化效率。DSX POD是这一方法在物理交付层面的具体实现。
六、产业链分析：预制模块化数据中心的价值环节
DSX POD对应的是预制模块化数据中心这一细分方向，其产业链结构与传统现场建设存在明显差异。
架构与标准层由英伟达主导，负责定义DSX POD的参考设计、集群系统底座和验证标准，将计算、网络、存储、供电和冷却整合为可复制的架构，并完成集群系统级的开发、测试与验证。
制造与集成层由ODM和服务器厂商承担，按照参考设计完成集装箱内机架制造、设备集成、布线、接管和功能验证，将设计转化为可交付的实体。这一层的核心能力在于规模化的工厂集成以及对质量和交付周期的控制。
设施与关键设备层由供电、配电、液冷和集装箱方案提供商构成，提供集装箱本体、机架级配电、储能设备、液冷CDU以及热管理和机房接口，决定了集装箱在电力和冷却上的承载能力。
现场与运营层则包括场地土建、公用设施准备、现场接口对接以及后续的运营维护。
与传统模式相比，价值分配在这一链条中发生了迁移，更多价值由现场施工环节转向工厂内的标准化集成和设施级关键设备。进入DSX POD生态并符合参考设计要求的供应商，实际上纳入了一套标准化交付体系，其产品可随集装箱的批量复制而被规模化采用。英伟达也设置了相应的合格验证标识，用于识别符合DSX参考设计要求的解决方案。
七、主要企业分析：DSX POD交付生态的参与者
DSX POD的交付依赖全球生态，英伟达公布的合作伙伴涵盖服务器ODM、整机厂商和设施设备商。以下选取十家具有代表性的企业，说明其在体系中的角色与能力。
戴尔科技是核心服务器与整机厂商之一，依托企业级服务器、AI基础设施和数据中心集成的产品线，承担集装箱内计算系统的制造与集成，在企业级AI工厂交付中承担主要工作。
慧与（HPE）以机架级AI系统和数据中心服务能力参与，已推出基于英伟达平台的整机柜AI系统，在大型液冷环境的设计、集成和服务方面积累较深，负责AI工厂的系统构建与后续支持。
联想作为计算与基础设施合作伙伴参与，提供AI服务器和整机柜方案，并具备自研液冷技术体系，在集装箱内计算系统集成和散热方案上能力完整，能够衔接设备与设施两个层面。
富士康旗下鸿佰（Ingrasys）是头部ODM，依托大规模制造和机架级系统集成能力，承担集装箱内服务器与机架的制造、集成和预装，是AI工厂标准化、规模化交付的重要制造方。
广达云（QCT）作为云基础设施ODM参与，提供云计算服务器、机架和集成方案，面向云厂商的大规模部署需求，在工厂预制和集装箱级集成方面具有成熟经验。
纬创作为ODM合作伙伴参与，承担服务器制造与系统集成，依托数据中心硬件和AI服务器领域的产能，服务于DSX POD的批量交付。
施耐德电气是设施与供电设备的核心供应商，提供配电、能源管理、机柜和冷却基础设施，在集装箱内电力分配、能源管理以及IT与OT融合方面承担关键角色。
维谛（Vertiv）作为数据中心基础设施供应商参与，提供热管理、液冷、配电和模块化数据中心方案，在集装箱级冷却和电力设施上产品组合完整，支撑高密算力部署。
伊顿（Eaton）作为电力管理设备商参与，提供配电、UPS和电能质量解决方案，在集装箱内电力保护、分配和机架级供电方面提供支撑，保障高负载下的供电稳定。
台达作为电源与能源基础设施供应商参与，提供服务器电源、配电和热管理方案，在高效电源转换和机架级供电领域积累较深，满足AI工厂的电力承载需求。
除上述企业外，公布的合作伙伴还包括Anduril、Armada、Bull、Crusoe、DayOne、技嘉、和硕等，分别在整机制造、集装箱方案、能源和前沿部署等环节承担相应职能，共同构成全球交付网络。
八、技术演进方向：交付颗粒度上移与设施能力强化
将DSX POD置于英伟达算力交付的演进过程中，可以观察到一条明确的主线，即交付颗粒度的持续上移。
早期的交付单位是芯片和加速卡，由客户完成服务器集成。之后扩展到整机和服务器，再到GB200、GB300、Vera Rubin这类整机柜系统，计算、网络和供电在机架层面实现整合。DSX POD则将多个机架连同设施级供电和冷却一并装入集装箱，交付单位由单台设备、单个机架扩展为可整体发货的工厂单元。
与颗粒度上移同步的是集成工作的前移。原本由客户在现场完成的集成，逐步由厂商和生态伙伴在工厂内标准化承接，现场作业比重持续下降，交付的可预测性随之提高。
设施层面的演进方向同样清晰。液冷由可选配置趋于标配，进水温度由低温转向温水，冷却方式由依赖压缩机制冷转向更多利用自然冷源。供电由低压、多转换环节转向更高电压、更少损耗的直流架构，并通过机架级储能平抑波动。水耗则借助闭环和干冷方案持续降低。
运营层面，AI工厂正在由被动的设备集合转变为可统一编排、可与电网互动的基础设施，电力、冷却和负载在统一软件层协同，数字孪生和运营智能体介入日常运维。这些方向共同指向单位电力和单位设施所能承载算力的提升，以及新增算力交付时间的缩短。
DSX POD的落地表明，AI基础设施的竞争已经从单芯片性能延伸至整座工厂的交付效率。当算力成为需要持续、大规模供给的生产能力，能否快速且可预测地完成AI工厂建设，本身就是基础设施能力的组成部分。
英伟达这套方案的核心，是将原本依赖现场和专业人力、且环节串行的集成工作转入工厂，转化为标准化、可重复并与场地准备并行的产线作业，同时通过温水液冷、高压直流和机架级储能解决设施层面的约束。由六个月到十四天的变化，对应着交付方式、价值分配和产业链结构的调整。
对产业而言，这一方案为算力扩张提供了更标准化的路径，也使预制模块化、设施级供电与液冷环节在AI产业链中的位置进一步凸显。随着2027年初交付节点临近，这种集装箱化的AI工厂将在真实的大规模部署中接受检验。（完）
免责声明：本文仅用于芯片半导体领域的技术研究与行业分析，不构成任何投资建议，亦不作为任何投资决策的参考依据。文中信息均基于公开渠道的官方与权威资料整理，具体数据以官方或权威发布信息为准。
张星河
每天一份高质量研报，持续聚焦芯片半导体、AI基础设施、AI智能硬件、具身智能、光通信等硬科技方面的行业研究、产业链分析与技术拆解。欢迎您的关注！