概述

云端级 AI 现已落地桌面端

从超大规模云到显示器下方的桌面端，一种搭载 20 核 Arm 配置和 NVIDIA GB10 Grace Blackwell 超级芯片的新型 AI 工作站正在兴起。这些工作站提供千万亿次级算力和统一内存，最高支持 2,000 亿参数模型，重新定义了 AI 工作站的可能性。在主要 OEM 厂商的引领下，搭配生态系统合作伙伴的原生软件支持，基于 Arm 架构的 AI 工作站将性价比、架构效率和开发者就绪能力提升到了大屏幕计算的前沿水平。

探索合作伙伴解决方案
性能

从云端到桌面：基于 Arm 架构的 AI 工作站带来超凡性能

Desktop

专为桌面级性能而打造

Arm 架构可为当今繁重的工作负载提供工作站级别的性能。

Cloud Desktop

从云端到桌面，实力不减

过去为云端赋能的架构如今成为 AI 工作站创新的驱动力。

Performance

可扩展的性价比

基于 Arm 架构的台式机突破性价比天花板。

合作伙伴解决方案

深受主要 OEM 厂商信赖

全球主要的 OEM 厂商纷纷推出基于 Arm 架构的 AI 工作站，搭载 NVIDIA GB10，支持高达 2,000 亿参数模型，提供千万亿次级性能和面向工业级应用的设计。

宏碁 Veriton GN100 AI 迷你工作站

查看产品

华硕 Ascent GX10

查看产品

Dell Pro Max with GB10

查看产品

GIGABYTE AI TOM ATOM

查看产品

惠普 ZGX Nano AI Station

查看产品

ThinkStation PGX

查看产品

微星 EdgeXpert MS‑C931

查看产品
技术

Arm 技术为高性能 AI 工作站赋能

工作负载

专为现代工作负载而打造

AI 研究人员

基于 Arm 架构的 AI 工作站助力研究人员在本地训练和微调大模型，支持多达 2,000 亿个参数。凭借云端级性能，AI 工作站可加快实验进程，降低基础设施成本，并加强对敏感数据集的控制。

AI Researchers

医疗保健

基于 Arm 架构的 AI 工作站支持对诊断和医学影像进行本地模型微调，在保障患者数据安全的同时加快获得洞察。通过摆脱对云的依赖，医疗机构既能达到合规，又能加快生命科学和临床研究领域的迭代进程。

Healthcare

建筑与 3D

从实时渲染到大规模仿真，基于 Arm 架构的 AI 工作站为建筑师、设计师和工程师提供了不折不扣的性能。统一内存和高核心效率避开了云队列瓶颈，实现 3D 建模、CAD 和可视化工作流加速。

Architecture and 3D

企业 AI

企业可在端侧安全地进行 AI 模型原型设计、训练和部署，在降低云成本的同时，保持对敏感数据的控制。凭借 NVIDIA GB10 的性能和原生软件兼容性，采用 Arm 架构的工作站直接为企业环境赋予敏捷性和可扩展性。

Enterprise AI
AI Researchers

关键要点

  • 基于 Arm 架构的 AI 工作站可实现千万亿次级 AI 性能，最高支持 2,000 亿参数模型，提供高能效和高性价比。
  • 包括戴尔、惠普、联想和华硕在内的主要 OEM 厂商纷纷推出了 Arm AI 工作站，搭载 NVIDIA GB10 并针对大屏幕计算进行了优化。
  • Arm Cortex-X925 和 Arm Cortex-A725 CPU 搭配统一内存，可驱动从 AI 训练到 3D 渲染和仿真等繁重的工作负载。
  • NVIDIA AI 技术栈基于 Arm 平台原生运行，为 PyTorch、TensorFlow、Docker 和 Hugging Face 打造无缝开发体验。
  • 基于 Arm 架构的 AI 工作站非常适合 AI 研究、医疗保健和企业应用，可实现快速迭代、数据隐私和 AI 模型本地开发。

常见问题

基于 Arm 架构的 NVIDIA GB10 Grace Blackwell 超级芯片有哪些主要特性？
  • 20 核 Arm CPU 配置将 Arm Cortex-X925 与 Arm Cortex-A725 核心强强联合，支持包括编排、分词和强化学习在内的多种 AI 任务。
  • 统一内存架构无需使用单独的 CPU 和 GPU 内存，降低了开销，并支持在边缘侧运行最高 2,000 亿参数的 AI 模型。
  • 凭借原生工具链可移植性，开发者能够跨云端和边缘环境使用 NVIDIA 的 AI 软件栈和 CNCF 工具，如 Docker 和 Kubernetes。

为什么开发者或企业希望在本地 AI 工作站上运行 AI 模型？

在本地运行 AI 模型有助于提高响应速度、增强数据隐私和运营独立性。对于开发者和企业而言，本地推理有助于降低延迟，增强对敏感数据的控制，并确保在连接能力有限甚至无连接的环境下获得可靠性能。

AI 工作站能够运行大规模 AI 模型靠的是什么？

诸如 GBX 等 AI 工作站的核心基于一种全新的系统设计，将 CPU、GPU 和内存整合到统一、连贯的架构中。GBX 平台由基于 Arm 架构的 NVIDIA Grace Blackwell 超级芯片提供支持，将 20 个 Arm 核心与下一代 Blackwell GPU 相融合，可提供超过 1,000 万亿次运算/秒 (TOPS) 的算力和 128 GB 的统一 LPDDR5x 内存。

有了这种统一内存，庞大的模型（单个系统上最多 2,000 亿个参数）可完全加载至本地内存，从而消除了限制传统 x86 工作站的数据传输瓶颈。GBX 还可基于 Arm 平台运行 NVIDIA 的完整 AI 软件栈（CUDA、TensorRT、PyTorch、TensorFlow 和 DGX OS），这也正是 DGX 数据中心和云基础设施中使用的软件栈。

本质上，GBX 将以前需要服务器机架才能承载的算力压缩到 6 英寸、200 瓦 USB-C 供电的立方体设备中，让本地 AI 开发真正成为云端租用 GPU 之外的可行替代方案。

对研究人员、科学家或企业来说，在工作站上运行 AI 有什么实际价值？

如今，以 GBX 为代表的 AI 工作站，使得超大模型的运行与微调不再只依赖云端，而能实现本地操作。这类工作站的端侧性能足以支撑实际的实验和迭代，同时将数据保持在本地，确保成本可预测。此举并非为了追平云端算力，而是将切实可用的 AI 能力直接带到桌前端。

我可以在基于 Arm 架构的 AI 工作站上原生运行 PyTorch 或 TensorFlow 吗？

是的。NVIDIA AI 软件栈（包括 PyTorch、TensorFlow、Docker 和其他广泛使用的框架）无需仿真即可基于 Arm 平台原生运行。开发者可继续使用已有的工具链，在基于 Arm 架构的 AI 工作站上构建、训练和部署模型，确保工作流无缝衔接并加快迭代进程。