英伟达把AI工厂装进集装箱，还给智能体加上“门禁”

英伟达想把建设AI算力这件事，变得更像订购一套工厂设备：服务器、网络、机柜供电与液冷先在制造厂装好、测好，再一起运到客户现场。

10月21日，在柏林举行的英伟达技术大会（GTC）主题演讲上，黄仁勋介绍了集装箱式AI工厂参考设计DSX POD。公司称，在现场配套设施就绪的前提下，这种方案可将部署时间从约六个月缩短至最快14天，合作伙伴计划于2027年初开始向全球交付。

同一天，英伟达还发布用于约束权限、监控行为的企业智能体安全参考架构OpenShell，并扩充企业知识工具、本地AI电脑和机器人开发平台。智能体指能够分步骤执行任务、调用软件工具的AI系统；随着它们从回答问题走向操作文件和业务系统，算力之外，权限、安全和企业数据也成为基础设施的一部分。

这场演讲勾勒出的变化很清楚：英伟达正把产品边界从芯片与服务器，进一步延伸到AI工厂如何交付、智能体如何运行，以及企业怎样控制它们。

“14天部署”，省下的是哪一段时间？

DSX POD的核心做法，是把原本留在数据中心现场的部分集成工作，前移到制造工厂。

按照英伟达公告，合作伙伴会在运输前完成机柜间布线、供电连接、液冷管路和功能验证，将基于新一代鲁宾计算平台（Vera Rubin）的系统装进模块化集装箱。到达客户现场后，再连接已经准备好的电力、冷却、网络等设施。

因此，14天描述的是具备条件后的现场部署环节。土地、审批、电网接入和外围设施建设，不会因为设备装进集装箱就自动消失。相关AI工厂目前也仍处于计划交付阶段。

黄仁勋介绍DSX POD，身后为模块化AI工厂方案展示画面。来源：英伟达官方。

对运营商而言，缩短安装和调试时间，意味着昂贵设备有机会更早投入使用。能否进一步变成收入和回报，还取决于客户需求、设备利用率、电力成本及服务价格。

这也是成套交付值得关注的地方：它试图减少不同供应商的设备在现场逐项拼接、反复调试的时间，让扩容更接近可重复的工业生产流程。

AI工厂的另一张账单：电和水

更快装好设备，并不能解决全部资源约束。英伟达同时更新DSX AI工厂平台，将计算、网络、存储、供电和冷却作为一个系统协同设计。

在冷却方面，公司提出闭环液冷配合室外干式冷却器的方案：冷却液带走设备热量，再通过类似大型散热器的装置向空气排热，减少传统冷却塔蒸发水带来的持续补水需求。

英伟达称，相应设计可将设施冷却用水降至接近零。这里针对的是冷却用水，不意味着整座数据中心完全不需要水；当地气候也会影响最热时段是否需要额外机械制冷。

在用电方面，英伟达称，动态功率分配软件可以在相同AI输出下，最高减少30%的电力需求。另一套工具则尝试让部分计算任务的用电随电网状况、能源价格等条件调整。

这些属于公司给出的能力与测试口径，具体收益仍需结合工作负载和设施条件验证。对电力受限的运营商来说，关键问题是：已有供电预算能支撑多少有效计算，以及哪些任务可以灵活安排运行时间。

智能体拿到“钥匙”，也需要一道门禁

企业让智能体处理订单、运行代码或调用内部软件时，必须同时回答另一个问题：它究竟能碰哪些文件、访问哪些网络、执行哪些操作？

英伟达本次推出的OpenShell参考架构，建立在此前已有的OpenShell安全运行软件之上，进一步把模型计算、任务执行和安全控制组织成一套系统。公司表示，该参考架构现已提供。

其中，鲁宾平台负责模型运行，中央处理器承担任务编排和工具使用，独立的专用处理器及安全软件负责持续监控和策略执行。可以把它理解为：AI获得干活所需的工具，但访问范围由独立的控制层约束，越界行为需要被识别和阻止。

这套设计试图把安全控制放到实际运行环节，而不只依赖给模型写一句“不要越权”。它也不意味着智能体从此绝对安全；权限如何配置、工具如何接入、异常发生时怎样处置，仍是企业部署的一部分。

企业知识同样被纳入系统。按照英伟达介绍，新发布的智能体知识基础组件，帮助AI检索文档、理解数据库中的业务关系，并使用表格等结构化数据进行预测。例如，把客户、产品和订单之间的关联交给智能体理解，而不仅是让它搜索几份文件。

从这些发布可以看出，英伟达希望把“知道公司里的事”和“被允许做公司里的事”连接起来。前者决定智能体是否有用，后者决定企业能否放心扩大使用范围。

云端、桌面和机器人，按不同时间推进

新的计算平台也在向云服务延伸。谷歌云与英伟达宣布，基于鲁宾平台的A5X云端计算服务计划于下个月普遍开放，并扩大面向欧洲、中东和非洲地区的数据驻留与本地服务支持。两家公司公告中的时间安排表明，这仍是即将到来的普遍可用阶段。

在更贴近个人和开发团队的本地AI产品中，桌面开发设备DGX Spark的64GB版计划10月23日开始由合作伙伴推出；面向Windows的DGX Station工作站预计12月上市。黄仁勋在台上展示的RTX Spark笔记本，则已于此前一周发布。

这些产品覆盖不同使用环境：个人电脑上的智能体、小团队共享的本地模型服务，以及企业工程与仿真工作。把部分模型和工具留在本地，有助于缩短反馈链路、加强数据控制，但能运行多大的模型、支持多少并发任务，仍受内存、计算资源和软件适配限制。

机器人开发平台也获得更新。英伟达公布的进展包括新的机器人运行框架、学习工具，以及由合作伙伴打造、计划2027年初推出的人形机器人参考平台。这里的参考平台，是供研究者训练和验证能力的起点，距离大规模、可靠地进入真实工作环境，还需要更多验证。

英伟达在扩大一笔什么样的生意？

把这些公告放在一起，英伟达正在扩大自己参与AI部署的范围：从计算芯片、服务器与网络，到机房交付、功率调度，再到智能体的知识、工具和安全边界。

在这样的工作流程里，瓶颈会移动：模型生成答案快了，数据库查询、代码执行和外部工具响应，仍可能拖慢整项任务。从这套分工看，英伟达希望优化的单位，已经从一次模型回答扩大到一项完整工作。

统一设计有机会减少企业自己拼接系统的负担，也意味着客户需要更认真地评估整套方案的成本、兼容性和迁移能力。单项性能更强，未必自动等于整个业务流程更便宜、更稳定。

接下来，检验这轮发布的标准会很具体：集装箱式AI工厂能否按期交付、在真实现场缩短投产时间；同样的电力预算能否持续产出更多有效工作；智能体接入企业系统后，能否在权限明确、行为可追踪、异常可处置的条件下完成任务。

黄仁勋在柏林展示的，正是英伟达对这几道问题的一整套答案。答案能兑现多少，需要在发布会之后的建设、交付和日常运行中检验。

参考资料

[1] NVIDIA. NVIDIA Introduces DSX POD AI Factories to Accelerate Europe’s Infrastructure Deployment[EB/OL]. 2026-10-21.

[2] Brian Caulfield. GTC Berlin 2026: Live Updates From NVIDIA CEO Jensen Huang’s Keynote[EB/OL]. NVIDIA Blog, 2026-10-21.

[3] NVIDIA. European Ecosystem Builds World’s Most Efficient AI Factories With NVIDIA DSX[EB/OL]. 2026-10-21.

[4] NVIDIA. NVIDIA Launches OpenShell Reference Architecture for Safe AI Agents[EB/OL]. 2026-10-21.

[5] Erik Pounds. NVIDIA Agent Toolkit Expands, Grounding Enterprise Agents in Company Data[EB/OL]. NVIDIA Blog, 2026-10-21.

[6] Mark Lohmeyer, Ankur Mehrotra. Google Cloud and NVIDIA expand co-engineering collaboration to scale infrastructure for the agentic era[EB/OL]. Google Cloud Blog, 2026-10-21.

[7] Gerardo Delgado. Bringing the Spark to Europe: Local Intelligence Powers Next Wave of Agents[EB/OL]. NVIDIA Blog, 2026-10-21.

[8] NVIDIA. NVIDIA Advances Isaac Platform for General-Purpose Robotics With New Reference Humanoid, Frameworks, Simulation Pipelines and Data[EB/OL]. 2026-10-21.