DGX 系統 (NVIDIA DGX)

3 秒看懂

DGX = NVIDIA 自有品牌的 AI 訓練/推論整機系統，將 GPU 模組、NVLink/NVSwitch 高速片間互聯、InfiniBand 網路、散熱與電源、以及完整的 CUDA/NCCL 軟體棧打包成”開箱即用”的 AI 超算節點。它是 NVIDIA 從”賣晶片”轉向”賣系統”的戰略載體。

一句話：別人賣 GPU，NVIDIA 通過 DGX 賣整臺 AI 超算。

3 分鐘產業解釋

為什麼需要整機系統？

AI 大型模型訓練的本質是規模化的平行計算：數千張 GPU 同時工作，需要 GPU 之間、節點之間以極低延遲和極高頻寬交換梯度/啟用值。如果只是買一堆散裝 GPU，廠商需要自行解決：

片間互聯：GPU 之間如何高效通訊（NVLink / NVSwitch vs. PCIe，頻寬差距可達一個數量級）；
節點間互聯：叢集跨節點的網路拓撲、擁塞管理（InfiniBand / RoCE）；
供電與散熱：單機功耗可達 10 kW+ 級別，傳統風冷逐漸力不從心；
軟體棧：CUDA、cuDNN、NCCL、TensorRT 等驅動/通訊/推論庫的版本相容與調優。

DGX 的商業邏輯是將上述所有環節預先整合、驗證、調優，以”系統級產品”賣給企業/雲端廠商，降低部署門檻的同時將價值量從”一顆 GPU”提升到”一臺系統”。

產品線概覽

代際	代表型號	GPU 配置（每臺）	大致釋出時點	定位
V100 時代	DGX-1 (V100)	8× V100 32GB HBM2	2017-2018	早期 AI 整機先驅
A100 時代	DGX A100	8× A100 80GB HBM2e	2020	企業級 AI 訓練主力
H100 時代	DGX H100	8× H100 80GB HBM3	2022-2023	當前主流旗艦
B200 時代	DGX B200	8× B200（HBM3e）	2024（GTC 釋出）	下一代旗艦（量產爬坡中）
機架級	GB200 NVL72	72× B200 GPU + 36× Grace CPU	2024-2025	機架級液冷超算，與 DGX 傳統機型差異化

注意：GB200 NVL72 嚴格來說屬於 NVL（NVLink 機架） 產品線而非傳統 DGX 命名體系，但產業語境中常一併討論。

商業模式

硬體整機銷售：DGX 系統直接賣給企業、科研機構、雲端服務商；
DGX SuperPOD：以 DGX 為基本單元的參考叢集架構（如 32/64/128 節點規模），提供經過驗證的網路拓撲、儲存方案；
DGX Cloud：NVIDIA 與雲端廠商（Oracle、Azure、GCP 等）合作，以雲端例項形式提供 DGX 算力——本質上是”賣鏟子的人自己也挖礦”；
配套軟體/服務：Base Command、NGC 容器、AI Enterprise 許可，形成軟硬一體的護城河。

15 分鐘專家深入

核心價值主張

DGX 不是簡單地把 8 張 GPU 裝進一臺伺服器。它的核心差異化在於：

1. NVLink + NVSwitch 全互聯拓撲

DGX 內部的 8 張 GPU 通過 NVSwitch 實現全對全（all-to-all）互聯，每張 GPU 擁有遠超 PCIe 的片間頻寬。以 DGX H100 為例，單 GPU 的 NVLink 雙向頻寬達到約 900 GB/s[NVIDIA 官方規格書]，遠超 PCIe Gen5 x16 的約 64 GB/s。

這意味著在張量並行（Tensor Parallelism）訓練中，AllReduce / ReduceScatter 通訊幾乎不成為瓶頸。

2. 多節點擴充套件的參考架構

DGX SuperPOD 定義了經過驗證的：

網路拓撲：Fat-tree 或 Rail-optimized InfiniBand 拓撲，使用 ConnectX-7 400Gb/s HCA；
儲存方案：與 DDN/Lustre/NVMe-oF 的參考配置；
排程與編排：Base Command Manager 整合 SLURM/Kubernetes。

3. 軟體棧全棧最佳化

NVIDIA 能夠從 CUDA 驅動、NCCL 集合通訊庫、TensorRT 推論引擎到 NeMo 大型模型訓練架構進行端到端最佳化。DGX 是這套軟體棧的”參考硬體”，第三方硬體難以獲得同等深度的軟體適配。

技術原理

一臺 DGX H100 內部發生了什麼？

以 DGX H100（SXM 版本）為分析物件：

┌─────────────────────────────────────────────────────────────┐
│                     DGX H100 系統框圖                        │
│                                                             │
│  ┌──────┐  ┌──────┐  ┌──────┐  ┌──────┐                    │
│  │GPU 0 │──│GPU 1 │──│GPU 2 │──│GPU 3 │                    │
│  │H100  │  │H100  │  │H100  │  │H100  │                    │
│  │80GB  │  │80GB  │  │80GB  │  │80GB  │                    │
│  └──┬───┘  └──┬───┘  └──┬───┘  └──┬───┘                    │
│     │         │         │         │                         │
│  ═══╪═════════╪═════════╪═════════╪═══  NVSwitch 3.0       │
│     │         │         │         │    (全對全互聯)          │
│  ┌──┴───┐  ┌──┴───┐  ┌──┴───┐  ┌──┴───┐                    │
│  │GPU 4 │──│GPU 5 │──│GPU 6 │──│GPU 7 │                    │
│  │H100  │  │H100  │  │H100  │  │H100  │                    │
│  │80GB  │  │80GB  │  │80GB  │  │80GB  │                    │
│  └──────┘  └──────┘  └──────┘  └──────┘                    │
│                                                             │
│  CPU: 雙路 x86（Intel Xeon 或 AMD EPYC，視配置而定）         │
│  系統記憶體: DDR5（具體容量依配置）                             │
│  網路: 8× ConnectX-7 400Gb/s InfiniBand（節點間擴充套件）       │
│  儲存: NVMe SSD（本地快取/檢查點）                           │
│  總 GPU 視訊記憶體: 8 × 80GB = 640GB HBM3                        │
└─────────────────────────────────────────────────────────────┘

關鍵引數（DGX H100）

引數	數值	來源/說明
GPU 型號	H100 SXM5	NVIDIA 規格書
單 GPU 視訊記憶體	80 GB HBM3	NVIDIA 規格書
系統總視訊記憶體	640 GB	8 × 80GB
單 GPU HBM 頻寬	~3.35 TB/s	NVIDIA 規格書（公開資料）
單 GPU NVLink 雙向頻寬	~900 GB/s（4th Gen NVLink）	NVIDIA 規格書
NVSwitch	3rd Gen NVSwitch	NVIDIA 規格書
系統功耗	~10-11 kW 級別	供應鏈估算，依配置/負載有差異
節點間網路	8× ConnectX-7 400Gb/s IB	NVIDIA 配置規格
FP8 稀疏算力（單 GPU）	~3,958 TFLOPS	NVIDIA 規格書（含稀疏加速）
FP16/BF16 算力（單 GPU）	~1,979 TFLOPS（含稀疏）	NVIDIA 規格書
系統重量	~120 kg 級別	供應鏈估算

關於精度：以上部分引數（功耗、重量）為行業估算值，NVIDIA 並非所有引數都完全公開。已標註來源口徑。

NVLink/NVSwitch 的通訊機制

在張量並行（Tensor Parallelism）訓練中，每個 Transformer 層的前向/反向傳播都需要 GPU 間交換切分後的張量。NVSwitch 提供的是無阻塞全對全交換：

8 張 GPU 全互聯：任意兩塊 GPU 之間的 NVLink 頻寬不因其他 GPU 通訊而競爭；
這與 PCIe 交換器的共享頻寬架構形成鮮明對比；
支援 NCCL 的 AllReduce、ReduceScatter、AllGather 等集合通訊原語在 NVLink 域內高效執行。

關鍵區分：MoE（Mixture-of-Experts）架構中的 expert dispatch 常使用 All-to-All 通訊，這與標準張量並行的 AllReduce/ReduceScatter 不同——DGX 的 NVSwitch 對兩者均提供高頻寬支援，但通訊模式和排程策略有差異。

DGX H100 vs DGX B200 技術差異

維度	DGX H100	DGX B200
GPU	H100 (Hopper)	B200 (Blackwell)
製程/架構	Hopper 微架構，TSMC 4N	Blackwell 微架構
單 GPU 視訊記憶體	80GB HBM3	官方公佈配置約 192GB HBM3e 級別[待確認，GTC 2024 公告]
NVLink 代際	4th Gen	5th Gen
NVSwitch	3rd Gen	下一代 NVSwitch
單 GPU FP8 算力	~3,958 TFLOPS（稀疏）	約為 H100 的 2-3 倍級別[廠商公告]
互聯頻寬	~900 GB/s/GPU（NVLink）	預計 ~1800 GB/s 級別[待確認]
散熱方案	風冷	風冷（DGX B200 傳統機箱）
定價（估算）	~$300K-400K 級別	[未充分揭露，預計更高]

GB200 NVL72 vs DGX B200：前者是 72 GPU 機架級液冷方案（Grace-Blackwell 超級晶片），後者是傳統的 8 GPU 風冷機箱——產品形態完全不同。

技術演進史

時間線  ──────────────────────────────────────────────────────►

2017    DGX-1 (8× V100 16GB HBM2)
        │  · 首款 NVIDIA 品牌 AI 整機
        │  · NVLink 1.0 首次應用於 GPU 互聯
        │  · 定價 ~$129K
        ▼
2018    DGX-2 (16× V100 32GB + NVSwitch 首代)
        │  · NVSwitch 首次引入，實現 16 GPU 全互聯
        │  · 定價 ~$399K
        ▼
2020    DGX A100 (8× A100 40GB → 後升級至 80GB)
        │  · Hopper 前一代，Ampere 架構
        │  · NVLink 3.0 + NVSwitch 2.0
        │  · 引入 MIG（Multi-Instance GPU）能力
        │  · 定價 ~$199K
        ▼
2022-23 DGX H100 (8× H100 80GB HBM3)
        │  · Hopper 架構，Transformer Engine 引入
        │  · FP8 訓練/推論支援
        │  · NVLink 4.0 + NVSwitch 3.0
        │  · 定價估算 ~$300-400K+
        ▼
2023    DGX GH200 (256× GH200 Grace Hopper Superchip)
        │  · NVLink Switch System 擴充套件至 256 GPU 全互聯域
        │  · NVL32 機架概念的前身
        ▼
2024    GB200 NVL72 (72× B200 + 36× Grace)
        │  · 機架級液冷設計，單 NVLink 域 72 GPU
        │  · DGX B200（8 GPU 風冷）同時釋出
        ▼
2025+   後續代際（Vera Rubin 架構已公佈路線圖）
        · NVLink 進一步擴充套件，NVLink Switch 拓撲更大規模

演進趨勢

GPU 數量/節點：從單機 8 GPU → NVLink 域擴充套件至 72-256 GPU；
互聯頻寬：每代 NVLink 頻寬約翻倍；
封裝整合：從”GPU 晶片 + 獨立 HBM”走向”GPU+CPU+HBM 超級晶片”（Grace Hopper / Grace Blackwell）；
散熱：從純風冷到機架級液冷（GB200 NVL72）；
系統價值量：從 ~$129K/臺增長至 $1-3M 級別（單機架），NVIDIA 在每美元 AI 計算中的佔比持續擴大。

技術路線對比

整機系統路線對比

維度	NVIDIA DGX	AMD Instinct MI300X 系統	Google TPU v5e/v5p	Intel Gaudi 3	定製自研（如 AWS Trainium）
GPU/AI 加速器	NVIDIA 自研	AMD MI300X	Google 自研 TPU	Intel Gaudi	自研 ASIC
片間互聯	NVLink + NVSwitch	Infinity Fabric（MI300X 機內）/ UALink（下一代）	ICI（Inter-Chip Interconnect）	RoCE 基互聯	自研
節點間互聯	InfiniBand 400Gb/s+	InfiniBand 或 RoCE	Google 自研光互聯	RoCE 200Gb/s+	自研/乙太網路
軟體生態	CUDA/cuDNN/NCCL（最成熟）	ROCm（追趕中）	JAX/XLA（繫結 TensorFlow/JAX）	Habana SynapseAI	自研 SDK
開放性	高（通用平台）	高（通用平台）	低（僅限 GCP）	中（開放但生態小）	低（繫結雲端平台）
訓練大型模型實戰驗證	★★★★★	★★★☆☆	★★★★☆	★★☆☆☆	★★★☆☆
供貨彈性	受限於台積電產能	受限於台積電產能	受限於自研晶片產能	受限於先進封裝	取決於自研+代工
大致系統定價（估算）	$300K-$3M+（視型號）	$200K+ 級別[估算]	不對外銷售	$100K-200K 級別[估算]	不對外銷售

關鍵判斷：DGX 的核心壁壘不在於單顆 GPU 的算力（MI300X 在部分指標上已接近 H100），而在於 NVLink/NVSwitch 互聯 + CUDA 軟體生態 + 全棧系統整合 三者的複合優勢。

上下游

上游供應鏈

環節	關鍵供應商	說明
GPU 晶片代工	TSMC（台積電）	H100: TSMC 4N 工藝[FinFET]；Blackwell: TSMC 4NP [FinFET]
HBM 封裝	SK Hynix（主供）、Samsung、Micron	H100 用 HBM3，B200 用 HBM3e
先進封裝	TSMC CoWoS	H100: CoWoS-S；GB200 NVL72 涉及更復雜封裝[供應鏈資訊]
NVSwitch 晶片	NVIDIA 自研，台積電代工	NVSwitch 是獨立晶片
伺服器 ODM/OEM	Foxconn、Quanta、Wistron、Inventec	DGX 系統的實際組裝（部分由 NVIDIA 工廠完成）
電源模組	Artesyn / Bel Fuse / 臺達等	單機 10kW+ 需要高密度電源
散熱	風冷散熱器 + 液冷（GB200 NVL72）	CoolIT、Vertiv、液冷管路供應商
網路 HCA	NVIDIA 自己（ConnectX-7/8）	NVIDIA 收購 Mellanox 後自產
光模組	InnoLight（中際旭創）、Lumentum 等	InfiniBand 400G/800G 光互聯

下游客戶

客戶型別	代表	採購模式
雲端廠商/超大規模	Microsoft Azure、Google Cloud、AWS、Oracle	大量直接採購 GPU 或定製伺服器（不一定是 DGX 品牌），部分採購 DGX Cloud
AI 模型公司	OpenAI、Anthropic、xAI、Meta AI	以 GPU 採購為主，自建或租用資料中心
企業/科研	各國國家級 AI 超算中心、大型企業	典型的 DGX / DGX SuperPOD 採購者
AI 雲端服務商	CoreWeave、Lambda、Together AI	租賃 DGX 算力，中小客戶觸達

關鍵指標

監控清單

指標	為什麼重要	資料來源
NVIDIA Data Center 季度營收	反映 DGX / GPU 整體出貨景氣	[NVIDIA 季報]
DGX/HGX 出貨量（臺/季度）	系統級出貨的直接指標	[供應鏈估算，非官方揭露]
HBM3/HBM3e 出貨量（GB/季度）	SK Hynix/Samsung 的 HBM 出貨反映 GPU 產能	[儲存廠商財報]
TSMC CoWoS 產能（wafer/月）	先進封裝是 GPU 產能的核心瓶頸之一	[TSMC 法說會/供應鏈]
NVLink/InfiniBand 出貨量	互聯生態的擴張速度	[NVIDIA 網路業務營收]
大型模型訓練叢集規模	下游需求的領先指標（如 xAI 10 萬 H100 叢集）	[公開新聞]
DGX Cloud 例項定價/可用性	NVIDIA 直營算力定價能力	[雲端平台定價頁]

供需與市場資料

需求端

訓練側：頭部模型公司（OpenAI、Google、Meta、xAI 等）正建設 10 萬至 100 萬 GPU 級別的訓練叢集[公開報道]。DGX 是其中重要的參考架構，但超大規模客戶更多采購 HGX（無外殼的 GPU 模組）或定製方案。
推論側：隨著大型模型部署規模擴大，推論需求正從訓練需求的附屬變為獨立的主要驅動力。DGX 可用於推論但價效比不一定最優（NVIDIA 的 L40S / H200 等可能更適合特定推論場景）。
區域：美國是最大市場，中國受出口管制影響，獲取高階 DGX 系統受限（A800/H800 為合規降規版本已逐步受限）。

供給端

核心瓶頸：台積電先進製程產能 + CoWoS 先進封裝產能 + HBM 儲存產能，三者均為制約因素。
產能擴張：台積電持續擴充 CoWoS 產能（報道中提及年翻倍級別增長計劃），SK Hynix 和 Samsung 同步擴充 HBM 產能。
交期：2023-2024 年 DGX H100 交期一度長達數季度，2025 年起部分緩解。

定價（粗略參考）

產品	估算系統單價	說明
DGX A100 80GB	~$199K（歷史定價）	NVIDIA 官方曾公開定價
DGX H100	~$300-400K+（估算）	不含網路/儲存/安裝，實際部署成本更高
GB200 NVL72（單機架）	$2-3M+ 級別[行業估算]	液冷系統，含 NVLink Switch 機架

注意：NVIDIA 對 DGX 定價並不完全公開透明，以上為行業口徑估算，實際價格受配置、批次、客戶關係等因素影響極大。

代表公司與資本對映

NVIDIA（NVDA）自身

DGX 是 NVIDIA “Data Center” 營收的核心組成部分。NVIDIA FY2024（截至 2024.1）Data Center 營收約 $475 億[NVIDIA 年報]，FY2025 進一步爆發式增長。但需注意：

營收構成：DGX 系統僅佔 NVIDIA Data Center 營收的一部分；大量營收來自向超大規模客戶直接銷售 GPU 模組（HGX / HGX 模組）、網路裝置（InfiniBand / Spectrum-X）、以及軟體許可（AI Enterprise）；
NVIDIA 未單獨揭露 DGX 系統的營收佔比。

產業鏈對映

公司	股票	與 DGX 的關係	受益邏輯
TSMC	TSM	GPU/NVSwitch 晶片代工	GPU 產量 = TSMC 先進製程出貨量
SK Hynix	000660.KS	HBM3/HBM3e 主供	HBM ASP 高、產能緊張、獲利豐厚
Samsung Electronics	005930.KS	HBM 供應、可能的代工	追趕 HBM 市場份額
中際旭創 (InnoLight)	300308.SZ	400G/800G 光模組供應	資料中心互聯需求驅動
Foxconn (鴻海)	2317.TW	DGX / HGX 伺服器 ODM	AI 伺服器組裝出貨量增長
Quanta (廣達)	2382.TW	伺服器 ODM	同上
Vertiv	VRT	資料中心電源/散熱	DGX 高功耗推動電源/液冷需求
Amphenol	APH	高速聯結器	NVLink/InfiniBand 物理連線
CoreWeave	CRWV（IPO 中）	DGX / HGX 大量採購者，算力租賃	AI 算力需求的中間商

投資邏輯

多頭邏輯

AI 訓練/推論算力需求的結構性增長：模型規模定律（Scaling Laws）驅動更大叢集、更多 GPU，DGX 作為”標準單元”受益。
從元件到系統的價值量提升：NVIDIA 通過 DGX/GB200 NVL72 不僅賣 GPU，還賣 NVSwitch、網路（InfiniBand）、軟體許可——系統價值量遠超單顆 GPU。
CUDA 生態的切換成本：企業使用者轉向 AMD/Intel 的學習成本和風險極高，DGX 的”開箱即用”優勢構成軟壁壘。
DGX Cloud 開闢新營收模式：NVIDIA 自營算力租賃，將一次性硬體銷售轉為經常性營收。
推論需求的釋放：推論市場的規模最終可能超過訓練市場，DGX 在推論場景同樣有廣泛部署。

空頭/風險邏輯

超大規模客戶”去 NVIDIA”趨勢：Google（TPU）、AWS（Trainium/Inferentia）、Microsoft（Maia）均在自研晶片，長期可能減少對 DGX/GPU 的依賴。
AMD 的追趕：MI300X 在價效比上已具備一定競爭力，ROCm 生態逐步完善，企業客戶的第二供應商策略可能分流需求。
出口管制風險：中國市場受限可能影響 NVIDIA 的營收增長天花板。
估值已高：市場對 AI 基礎設施的樂觀預期已部分定價，需關注訂單/出貨能否持續超預期。
供應鏈瓶頸：台積電 CoWoS 產能、HBM 供應緊張可能制約實際出貨節奏（供需雙刃劍）。

常見誤讀糾偏

誤讀 1：“DGX 就是把 8 張顯示卡塞進伺服器”

糾偏：DGX 的核心差異化不在”塞了多少張卡”，而在 NVLink + NVSwitch 的全對全高速互聯。市面上也有 8-GPU 伺服器（如 Supermicro 的多 GPU 伺服器），但它們通常通過 PCIe 交換器互聯，片間頻寬僅為 NVLink 的 1/10 至 1/15。對於大型模型訓練中頻繁的 AllReduce/ReduceScatter 通訊，這個差距直接決定訓練效率。此外，DGX 還包含經過驗證的 NVLink 拓撲、InfiniBand 網路、Base Command 軟體棧等全棧整合。

誤讀 2：“GB200 NVL72 就是更大號的 DGX”

糾偏：GB200 NVL72 與傳統 DGX 有本質的產品形態差異：

GB200 NVL72 是 機架級液冷系統，72 塊 B200 GPU + 36 顆 Grace CPU 在一個 NVLink 域內全互聯，需要專門的液冷資料中心基礎設施；
傳統 DGX B200 是 8 GPU 風冷機箱，可放入標準資料中心機櫃；
二者的目標客戶、部署條件、成本結構均不同。將 NVL72 簡單理解為”DGX 的大版本”會忽略其在資料中心基礎設施層面的顛覆性要求。

誤讀 3：“DGX 的主要競爭對手是 AMD 的伺服器”

糾偏：DGX 真正的競爭壓力來自 超大規模客戶自研系統。Google TPU、AWS Trainium 等自研晶片不對外銷售，但它們代表了”最大買家正在自建替代品”的趨勢。AMD MI300X 是顯性的、公開的競爭對手，而自研晶片是隱性的、結構性的替代威脅——後者對 NVIDIA 的長期定價權構成更大挑戰。

誤讀 4：“MoE 模型訓練用的是 All-to-All 通訊，這和張量並行一樣”

糾偏：通訊模式不同。標準張量並行（Megatron-LM 風格）主要使用 AllReduce / ReduceScatter 來同步梯度和聚合切分的張量。而 MoE（Mixture-of-Experts）的 token dispatch 使用 All-to-All 通訊將 token 路由到不同 expert 所在的 GPU——兩者對網路拓撲的要求不同。DGX 的 NVSwitch 對兩者均提供高頻寬支援，但軟體層面的排程策略有差異。

學習路徑

入門（2-4 小時）

閱讀 NVIDIA DGX 產品頁，瞭解產品線全貌；
觀看 NVIDIA GTC 演講（黃仁勳主題演講），建立產業直覺；
瞭解 GPU 訓練的基本概念：什麼是張量並行、資料並行、流水線並行。

進階（1-2 周）

精讀 Megatron-LM 論文（NVIDIA）：理解張量並行/流水線並行在 DGX 上如何實現；
研讀 NCCL 文件：理解 AllReduce、AllGather 等集合通訊在 NVLink/NVSwitch 上的執行機制；
閱讀 NVIDIA 技術部落格中關於 NVLink、NVSwitch、InfiniBand 的架構解析；
對比了解 AMD MI300X 系統架構（如 AMD 的 CDNA 3 架構白皮書）。

深入（持續）

追蹤 NVIDIA 季度財報（Data Center 營收、毛利率、管理層對 DGX 的表述）；
關注台積電 / SK Hynix 的產能擴充進展（CoWoS、HBM）；
研讀 GB200 NVL72 的機架級架構設計，理解”從伺服器到資料中心”的範式轉變；
關注開源大型模型訓練實踐（如 LLaMA 的技術報告），瞭解實際訓練中 GPU 叢集的使用方式。

一句話總結

DGX 是 NVIDIA 從晶片公司進化為 AI 基礎設施公司的戰略載體——它將 GPU 算力、高速互聯、系統整合、軟體生態打包為一個可交付的”AI 超算原子單元”，其真正壁壘不在於單顆 GPU，而在於 NVLink/NVSwitch 互聯拓撲 + CUDA 生態鎖定 + 全棧整合能力的複合護城河。

延伸閱讀與來源

來源	連結/出處	說明
NVIDIA DGX 產品頁	nvidia.com/en-us/data-center/dgx-systems/	官方產品規格
NVIDIA H100 規格書	NVIDIA 官網/技術白皮書	H100 Tensor Core GPU Architecture Whitepaper
NVIDIA Blackwell 架構公告	GTC 2024 Keynote	B200 / GB200 NVL72 產品釋出
NVIDIA 季度財報	investor.nvidia.com	Data Center 營收、管理層 commentary
Megatron-LM 論文	Shoeybi et al., 2019 (arXiv:1909.08053)	張量並行/流水線並行在 DGX 上的實現
NCCL 文件	docs.nvidia.com/deeplearning/nccl/	集合通訊庫架構
TSMC 法說會紀要	各券商/媒體整理	CoWoS 產能擴張計劃
SK Hynix / Samsung 財報	季度報告	HBM 出貨與產能
SemiAnalysis	semianalysis.com	付費深度報告（GPU 供需、CoWoS 產能分析）
The Information / Bloomberg	公開報道	DGX Cloud、大型 AI 叢集建設新聞

免責宣告：本頁部分技術規格為行業口徑估算或基於公開資訊推斷，已盡力標註來源與可信度。投資決策請以官方揭露和獨立研究為準。