AI GPU机柜纵剖第一篇：从GB300到Rubin，GPU机柜如何变成可上线算力资产

目 录

1、核心判断：GPU 不是交付单位，GPU 机柜才是

2、研究总纲：从芯片到可计费算力的九道闸门

3、GB300：一台 GPU 机柜已经是一个小型超级计算机

4、Rubin：从 Blackwell Ultra 机柜走向六芯片协同的 AI Factory

5、有效算力模型：从 GPU 到收入，中间至少有七层折扣

6、HBM 与 CoWoS：GPU 机柜的第一道有效产能折扣

7、机柜内互连：72 颗 GPU 能不能像一个系统工作

8、机柜外网络：有效算力利用率的第二定价层

9、液冷：高功率 GPU 机柜的准入门槛

10、电源：从成本件变成算力上线的前置瓶颈

11、ODM/OEM：低毛利组装外衣下的机柜交付权

12、数据中心上线和软件：最后一公里决定 CapEx 回报

13、公司和环节排序：先买瓶颈，再买兑现

14、财务验真：从订单到现金流，要看五张表

15、证伪清单：什么时候 GPU 机柜主线需要降权

16、季度跟踪表：每季按同一张表打分

17、最终判断：GB300/Rubin 让算力链从“买 GPU”进入“交付 GPU 机柜”

数据口径与来源

AI GPU机柜纵剖第一篇：从GB300到Rubin，GPU机柜如何变成可上线算力资产

GB300 和 Rubin 之后，AI 算力的最小投资分母不再是 GPU 颗数，而是可上线 GPU 机柜。GPU 是名义算力，HBM 和 CoWoS 是近端带宽，NVLink 与网络决定利用率，液冷和电源决定物理可运行，ODM/OEM 决定交付速度，数据中心和软件决定最终可计费收入。真正值得重估的公司，不是所有 AI 服务器概念股，而是能把 GPU 供给折成有效算力资产、并且能被季度财务验证的瓶颈环节。

1、核心判断：GPU 不是交付单位，GPU 机柜才是

AI 硬件研究最容易犯的错，是把 GPU 出货直接等同于算力交付。H100 时代，这种简化还能勉强解释一部分行情；到了 GB200、GB300 和 Vera Rubin，已经不够用了。云厂商买到 GPU 并不等于获得可售算力，GPU 还要穿过 HBM、先进封装、ABF 基板、主板、背板、NVLink、NIC/DPU、液冷、电源、机柜组装、系统测试、数据中心接电接水、集群网络、调度软件和运维系统，才会变成训练吞吐、推理实例、tokens 和云收入。

这就是新系列要研究的对象：GPU 机柜不是 GPU 外壳，而是把昂贵芯片折成可上线、可计费、可维护算力资产的系统工程。

这句话有三层含义。

第一，GPU 机柜是有效算力的第一层折扣。名义 GPU 供给越贵，客户越不能接受它在等待 HBM、等待 CoWoS、等待液冷、等待电力、等待网络、等待现场调试里空转。机柜上线率会直接影响云厂商的资本开支回报。

第二，GPU 机柜是产业链价值量的重新分配器。过去市场把钱主要给 GPU、HBM 和先进封装；但 GB300/Rubin 之后，液冷、电源、连接器、AEC/背板、高端 PCB/CCL、ODM/OEM、数据中心电气和软件运维会一起进入定价表。它们不一定有 GPU 那样的毛利率，却决定 GPU 能不能变成收入。

第三，GPU 机柜是公司排序的重估坐标。不能再只问“谁受益 AI 服务器”，而要问五个更具体的问题：谁定义平台，谁拿到客户可用带宽，谁控制机柜内互连，谁解决高功率物理瓶颈，谁把整机柜交到客户机房并通过验证。

本篇回到原始投行研报和公开平台资料以后，最重要的修正是：GPU 机柜已经不是远期想象，而是 2026 年进入月度出货、季度收入、毛利率和现金流验证的现实变量。摩根士丹利、瑞银、高盛、杰富瑞、小摩等不同口径指向同一个结论：GB200/GB300 NVL72 的 rack 出货正在成为 ODM 财务的主驱动，Rubin/Rubin Ultra 会继续提高液冷、电源、800V DC、NVLink 与整柜测试的复杂度，真正的投资问题已经从“谁有 AI 服务器订单”切换成“谁能把整柜交付并上线”。

这张表把研究对象从“谁有 AI 服务器订单”改成“谁能减少 GPU 到收入之间的折扣”。这也是 AI PCB、网络互连和数据中心物理瓶颈可以被放回同一条主线的原因：它们不是彼此抢题，而是在 GPU 机柜这条纵轴上承担不同闸门。

数据中心物理拐点 — 美银 Rubin Ultra 3.5kW、液冷 3000 倍能效与 800V 直流电量产表

先进封装三足共振进入 2027 价差期 — 欣兴电子 ABF 缺口 35%、联发科 TPU 协调芯片放量、CoWoS 满载万字全解

AI 网络三重验证：Lumentum、Astera、Arista 财报深度解读 — 光互连、PCIe Fabric 与以太网交换系统一起进入瓶颈定价

2、研究总纲：从芯片到可计费算力的九道闸门

GPU 机柜纵向研究不是把产业链横向再排一遍，而是顺着算力形成过程往下拆。一个模型训练任务或推理服务并不关心某个环节的概念热不热，它关心的是 GPU 是否拿得到数据、GPU 之间是否连得起来、机柜是否能散热、机柜是否能上电、网络是否稳定、软件是否能调度、客户是否能计费。

这个总纲决定了写法。GPU 机柜不是“从 NVIDIA 开始，最后补几段液冷和电源”，而是每一道闸门都可能成为短期瓶颈。短期看 GB300，瓶颈集中在液冷、电源、ODM 交付、机柜内外网络和数据中心上线；中期看 Rubin，瓶颈会进一步推向 HBM4、NVLink 6、ConnectX-9、CPO、1.6T 网络、功率密度和更复杂的整机柜测试。

这也是为什么新系列要独立出来。PCB 系列已经把材料、板厂、设备和现金流写透，网络互连系列已经把 1.6T/3.2T、InfiniBand、AI Ethernet 和 NVLink Fusion 写透；GPU 机柜系列要做的是把这些环节重新放进一台机柜里，回答它们在“有效算力”这个总目标下的优先级。

3、GB300：一台 GPU 机柜已经是一个小型超级计算机

GB300 NVL72 的关键不是“72 颗 GPU”这个数字，而是它把 72 颗 Blackwell Ultra GPU、36 颗 Grace CPU、NVLink、ConnectX-8、DPU、液冷、电源和管理软件放在一个 rack-scale 系统里。NVIDIA 官方规格显示，GB300 NVL72 配置 72 颗 Blackwell Ultra GPU 和 36 颗 Grace CPU，rack 内 NVLink 带宽为 130 TB/s，fast memory 为 37 TB，其中 GPU memory 为 20 TB，CPU memory 为 17 TB LPDDR5X，CPU core count 为 2,592 个 Arm Neoverse V2 cores。ConnectX-8 SuperNIC 为每颗 GPU 提供 800 Gb/s 网络连接，可接 Quantum-X800 InfiniBand 或 Spectrum-X Ethernet。

如果只看这些参数，很容易把 GB300 写成“更强的 GPU 服务器”。但 NVIDIA 参考架构里还有几个更重要的系统信息：GB300 NVL72 采用液冷 MGX 架构；9 个 NVSwitch tray 支撑 72 颗 GPU 全 non-blocking P2P 连接；集成 tray 级和 rack 级液体泄漏检测；8 个 33 kW power shelf，每个 power shelf 有 6 个 5.5 kW PSU；满 rack 最高约 142 kW；compute tray 作为基本模块，每 tray 包含 4 颗 Blackwell Ultra GPU 和 2 颗 Grace CPU。

这些信息说明，GB300 已经不是传统服务器意义上的“节点集合”，而是一台由多个 tray、多个 switch tray、多个 power shelf、液冷水路、网络接口和管理软件组成的 rack-scale AI machine。

Microsoft Azure 的 GB300 集群给了真实部署样本。Azure 宣布面向 OpenAI workload 的大规模 GB300 NVL72 生产集群，超过 4,600 颗 NVIDIA GB300 NVL72 Blackwell Ultra GPU；每个 rack 有 18 个 VM、72 颗 Blackwell Ultra GPU、36 颗 Grace CPU、每 GPU 800 Gb/s 跨 rack scale-out 带宽、rack 内 130 TB/s NVLink、37 TB fast memory，最高 1,440 PFLOPS FP4 Tensor Core performance。更关键的是，Azure 公开强调，前沿 AI 基础设施需要把 computing、memory、networking、datacenters、cooling 和 power 作为统一系统重构。

这句话的投资含义很硬：云厂商真正采购和部署的是一套统一系统，不是单独采购 GPU 后再找人装进机箱。GB300 的订单能不能转成收入，要看数据中心电力、冷却、网络、系统软件和机柜预验证是否一起到位。

CoreWeave 的部署样本从另一个角度验证了同一件事。CoreWeave 与 Dell、Switch、Vertiv 协作部署 GB300 NVL72，软件栈包含 Kubernetes、Slurm on Kubernetes、观测能力和 Rack LifeCycle Controller。也就是说，新型 AI 云厂商的核心能力不是“拿到 GPU”这么简单，而是把 Dell 的服务器系统、Switch 的数据中心基础设施、Vertiv 的电力和冷却、自己的云原生软件栈组合成客户可用平台。

更关键的是，卖方月度 tracker 已经把 GB200/GB300 NVL72 机柜从“未来订单”拉回到“当月出货”。摩根士丹利在 2026 年 4 月的大中华技术硬件报告中，预计 2026 年 GB200/GB300 NVL72 rack 出货为 7-8 万柜，较 2025 年约 2.9 万柜实现 100% 以上增长；2026 年 3 月行业 GB200/GB300 rack output 约 8,500 柜，环比增长 34%。同一份报告还特别提醒，实际交到终端客户的数据可能低于 tracker 中的 rack equivalent，因为纬创的 compute tray L10 等效数量还没有扣除 L11 整柜组装和测试时间。这一点非常重要：L10 出货强，不等于 L11 上线强。

瑞银的广达报告与上述 tracker 相互印证。广达的收入弹性来自 NVL72 机柜放量，但利润率压力也来自同一个方向：高 ASP 的 AI rack 和 memory pass-through 会把收入做大，同时稀释表观毛利率。因此 ODM 的主线不是“收入越高越好”，而是“收入增长能不能穿过毛利率和现金流验真”。

4、Rubin：从 Blackwell Ultra 机柜走向六芯片协同的 AI Factory

如果说 GB300 是 Blackwell Ultra 把 GPU 机柜推到真实部署阶段，Vera Rubin 则把 GPU 机柜进一步升级为六芯片协同的 AI factory 单元。NVIDIA 官方口径显示，Vera Rubin NVL72 集成 72 颗 Rubin GPU、36 颗 Vera CPU、NVLink 6、ConnectX-9 SuperNIC 和 BlueField-4 DPU。技术博客把 Vera Rubin 平台拆成 Vera CPU、Rubin GPU、NVLink 6 switch、ConnectX-9、BlueField-4 DPU、Spectrum-6 Ethernet switch 等芯片。

这组信息对投资最重要的不是单点性能，而是架构方向。Rubin 不再只是“下一代 GPU”，而是把 CPU、GPU、scale-up、scale-out、DPU、安全、存储卸载和 Ethernet 交换放进同一套系统设计。它的核心变化是：GPU 机柜里的每一层连接都在变快，也都在变贵。

Vera Rubin compute tray 的公开口径也很关键：每 tray 约 200 PFLOPS NVFP4 AI performance、14.4 TB/s NVLink 6 bandwidth、2 TB fast memory、BlueField DPU 800 Gb/s、ConnectX-9 每 GPU 1.6 Tb/s SuperNIC bandwidth，并且是完全液冷设计。NVLink 6 switch tray 则用于把多个 compute tray 变成一个 rack-scale accelerator。

Rubin 时代的最大变化，是 GPU 机柜的价值不再只被 GPU 性能解释。HBM4、NVLink 6、ConnectX-9、BlueField-4、Spectrum-6、CPO 相关光互连、液冷和高功率电源，都在同一个平台里被重新定价。也就是说，Rubin 会把当前分散在 HBM、CoWoS、网络、液冷、电源、PCB/连接器里的多个主题压回一个共同变量：每一台 GPU 机柜能否以更低的单位 token 成本、更高的利用率、更稳定的运行时间变成客户收入。

因此，Rubin 不是对 GB300 的替代叙事，而是对 GB300 机柜体系的压力测试。谁在 GB300 时代能把 L10/L11、液冷、电源、连接器和网络交付做扎实，谁才有资格在 Rubin 时代继续拿到份额；谁只是抢到一轮组件订单，却没有客户认证、良率、现场运维和现金流，就很容易在平台代际切换时被证伪。

Rubin Ultra 的研报分歧反而强化了这条主线。瑞银在 2026 年 4 月的 Rubin Ultra 路线图报告中判断，Rubin Ultra 可能维持 2-GPU die CoWoS package，而不是早期市场期待的 4-GPU die package；单 package 继续使用 2 个 GPU die、8 个 HBM stack、interposer 和 substrate。表面上看，2-die 方案不如 4-die 激进，但它对机柜产业链的含义是：单位 rack 数量和整柜 value-add revenue 可能反而更高，ODM、基板、液冷、电源和整柜测试继续拥有更长的兑现窗口。

这也解释了为什么 800V DC 不能被简单写成“全数据中心大替换”。杰富瑞 800V DC 专家纪要的口径更克制：Vera Rubin 这类高功率 GPU rack 可能必须使用 800V DC，但所有数据中心不会变成 800V-only，传统低压配电仍会服务存储、网络和普通云计算负载。换句话说，800V DC 的投资结论不是“所有配电都重来”，而是“高端 GPU 机柜白区 power sidecar 和高功率电源架构率先重估”。

5、有效算力模型：从 GPU 到收入，中间至少有七层折扣

AI 算力链最容易被市场高估的地方，是只看 GPU 芯片供给；最容易被低估的地方，是 GPU 到云收入之间的折扣层越来越长。GB300/Rubin 时代，这个折扣链至少有七层。

这个模型会改变公司排序。GPU 当然仍是最大利润池，但如果 HBM、CoWoS、液冷、电源和交付卡住，GPU 的名义供给无法变成可售算力。对云厂商来说，真正的 ROI 不是“买了多少 GPU”，而是“多少 GPU 在多少时间内以多少利用率对外提供训练或推理服务”。对投资者来说，真正要买的不是每个 AI 概念，而是折扣链里短期最硬、长期最能守住客户的环节。

这张函数表告诉我们，GPU 机柜的赢家并不是单纯卖最多零件的公司，而是能在关键变量上拥有客户认证、供应约束和财务兑现的公司。

6、HBM 与 CoWoS：GPU 机柜的第一道有效产能折扣

GPU 机柜看起来是服务器问题，第一道瓶颈却在芯片和封装之前。没有 HBM，GPU 算不动；没有 CoWoS，GPU 和 HBM 贴不到一起；没有 ABF 基板、测试和热管理，先进封装也进不了系统。

HBM4 报告里已经说明，Rubin 时代真正有价值的不是名义 HBM4 产能，而是 Rubin 可用带宽。SK 海力士、三星和美光都能宣布产品进展，但客户真正买的是通过 base die、TSV、TCB、MR-MUF、KGSD burn-in、high-speed test、CoWoS、整机验证之后仍然稳定工作的有效带宽。HBM4 从 12Hi 到 16Hi，测试时间、堆叠良率、热设计和客户认证都会成为供应折扣。

CoWoS 报告里也已经说明，CoWoS 的稀缺不是总片数稀缺，而是客户可用产能稀缺。CoWoS-S、CoWoS-R、CoWoS-L 不是一个均质产能池，不同客户、不同封装面积、不同 HBM stack 数、不同测试流程，会占用不同有效产能。Blackwell、Rubin、Google TPU、AWS Trainium、AMD MI、Broadcom ASIC 同时争抢后，CoWoS 已经从 NVIDIA 单中心瓶颈变成多客户系统平台。

这条线给新系列的结论是：GPU 机柜不是从 ODM 开始，而是从“客户可用 HBM + 客户可用 CoWoS”开始。ODM 再强，如果上游 HBM 和 CoWoS 分配不够，也交不出 rack；HBM 和 CoWoS 再强，如果后端机柜上不了电、散不了热，也无法变成收入。

7、机柜内互连：72 颗 GPU 能不能像一个系统工作

GPU 机柜和传统服务器最大的差异，是机柜内互连不再是布线问题，而是系统性能本身。GB300 NVL72 的 72 颗 GPU 需要通过 NVLink 和 NVSwitch 形成 rack-scale domain；Rubin 进一步通过 NVLink 6 switch tray 提高 scale-up 带宽和 collective 操作效率。这意味着，机柜内的 switch tray、背板、连接器、AEC/DAC、retimer、PCB/CCL、线缆管理和热设计都进入关键环节。

这条线和 AI 网络互连系列有交集，但边界不同。网络互连系列看的是从 1.6T/3.2T 到交换 ASIC、光互连、CPO/OCS 的全网络地图；GPU 机柜内互连看的是 rack 内短距离、高密度、高功率、低延迟连接。这里的核心问题不是“光还是铜”，而是“昂贵 GPU 是否等待、重传、掉速或因局部故障影响整柜利用率”。

这也解释了为什么 PCB 不能再孤立写。AI PCB 系列已经回答了高端板为什么涨、谁有客户认证、谁把订单变现金流；GPU 机柜系列要回答的是，哪些 PCB/CCL 和连接器真的处在机柜内互连的核心位置。交换机主板、线卡、背板、光模块 PCB、UBB/OAM、高速连接器相关板位，会比普通服务器板更接近系统瓶颈。