最近供应链分析机构的一则消息引起了不少关注联发科与 Nvidia 的合作正在进一步深化而双方合作的着眼点已经从单一芯片逐步转向机柜级rack-scale系统方案。市场分析师郭明錤的观点中提到这种变化说明联发科的 AI 事业正在经历一次关键转向——从传统的芯片供应商逻辑转向系统级设计逻辑。如果你平时关注的是端侧 AI、边缘算力或者服务器硬件趋势这条信息值得认真拆一拆。因为它不只是两家公司之间的合作新闻更反映出 AI 算力行业在交付形态上的变化客户要的不再只是一颗芯片而是一套能直接部署的算力基础设施。本文会从事件背景出发把 rack-scale 这个概念讲清楚同时分析联发科转向系统级设计背后的技术原因以及这种趋势对 AI 硬件开发者的实际影响。1. 事件背景分析师推文透露了哪些信息郭明錤是长期跟踪产业链的分析师对半导体供应链的判断在行业内有较高关注度。他在最新观点中提出了几个核心信息点联发科与 Nvidia 的合作关系正在深化并非停留在单点项目。合作方向涉及 rack-scale 系统方案而不是传统的单芯片采购或定制。联发科在 AI 事业上的定位正在从“芯片提供商”向“系统级解决方案提供商”迁移。这几句话浓缩了非常多的产业信息。首先“合作加深”本身不是新闻联发科与 Nvidia 过去已经在车用智能座舱、Windows on Arm 等方向有过交集。真正值得关注的是“rack-scale”这个关键词因为它意味着双方合作的技术层级发生了本质变化。用一个通俗类比来解释过去一家芯片公司与另一家公司合作最多是“我卖你一个CPU”或“我帮你的SoC做适配”。而 rack-scale 的合作相当于双方要一起设计一整台服务器机柜从计算板卡、交换网络、供电散热到软件调度都要做联合规划。从 AI 产业发展阶段来看这个合作方向其实有很清晰的逻辑。当前大模型训练和推理对算力的需求暴涨单卡、单机的性能已经不能满足大规模集群部署的要求。英伟达自身发布的 GB200 NVL72 就是把 72 颗 GPU 和 36 颗 Grace CPU 打包进一个机柜交付这种形态正在重塑整个算力供应链。联发科如果参与到这个层级的设计意味着它不再只盯着手机 SoC 的市场空间而是尝试进入 AI 基础设施的核心环节。2. rack-scale 到底指什么2.1 从单机到机柜算力交付形态的变化在继续分析之前需要先把“rack-scale”这个概念讲清楚。“rack”在数据中心里指机柜rack-scale 直译就是“机柜级”或“整机柜级”。传统的数据中心部署模式是采购服务器、采购交换机、采购存储设备然后由系统集成商在机房现场组装。这种模式下硬件之间可能存在兼容性损耗功耗、散热和网络拓扑也需要花大量精力调优。而 rack-scale 设计改变了交付逻辑把一个机柜里的所有计算节点、交换网络、供电单元、散热系统、管理控制器作为一个整体来设计。供应商交付给客户的不是一堆散件而是已经调试好的整机柜。这种思路与早期硬盘领域出现过的“Just a Box of Disks”理念有相似之处都是把离散硬件打包成统一交付单元。但今天的 rack-scale 要解决的问题更复杂特别是 AI 集群场景中要同时考虑 GPU 互联带宽、液冷散热和集群调度效率。以 NVIDIA 提出的 NVL72 系统为例它在一个标准机柜内集成 72 颗 Blackwell GPU 和 36 颗 Grace CPUGPU 之间通过 NVLink 高速互联机柜内部相当于一台超级计算机。客户不需要自己设计 72 张 GPU 卡的互联拓扑也不需要担心散热方案NVIDIA 直接交付一个可运行的算力单元。这种“机柜即计算机”的理念正是 rack-scale 设计的核心。2.2 rack-scale 需要哪些关键技术支撑要实现一套完整的 rack-scale 方案远不止把芯片插在一起那么简单需要多种技术协同技术领域需要解决的问题典型方案高密度计算单位空间内集成更多算力高功率 GPU 板卡、多卡互联拓扑高速互联消除数据传输瓶颈NVLink、InfiniBand、以太网供电系统支持整柜超大功率负载高压直流供电、智能电源管理散热系统解决高密度发热问题液冷散热、冷板式液冷管理调度把整柜资源抽象成统一算力池Kubernetes 集成、集群管理平台这中间每一环都对应巨大的工程投入。传统芯片设计公司通常只需要掌握“造芯片”的能力而 rack-scale 设计则强迫企业把视野扩展到“造系统”和“造基础设施”的层面。从这一点看郭明錤所说的联发科“能力边界扩张”并非夸张表述而是基于产业需求变化的合理判断。2.3 为什么 AI 时代必须走向系统级设计过去十年半导体行业遵循的经典分工模式是芯片公司设计芯片ODM 厂商做板卡系统厂商做整机云厂商做数据中心集成。每一层边界清晰各司其职。但 AI 大模型的出现打破了这种分层。原因在于AI 算力需求呈指数级增长硬件架构需要从全局优化不能再按层独立设计。内存带宽、互联效率和散热能力成为算力瓶颈必须在系统层面协同设计。大客户尤其是云厂商更倾向于采购“整体算力解决方案”而不是自己处理集成问题。在这些压力下芯片设计逐渐向系统设计延伸。NVIDIA 之所以能在 AI 时代占据统治地位不仅仅是因为 GPU 性能强更关键的是它建成了从芯片、NVLink 互联、CUDA 软件栈到整机柜系统的完整闭环。竞争对手即使能造出规格相近的芯片也缺乏同等完整的系统生态。联发科选择与 Nvidia 在 rack-scale 方向合作本质上是想借助 Nvidia 在 AI 系统生态上的积累快速建立自己在系统级设计上的能力。3. 联发科 AI 业务转向的深层逻辑3.1 手机 SoC 市场增长空间收窄联发科过去最核心的根据地是移动终端 SoC。但最近几年智能手机市场已经从增量竞争转入存量竞争出货量进入平台期。即便是高端芯片单价和毛利也面临压力。相比之下AI 基础设施市场仍在高速增长。云服务商在 GPU 加速计算上的资本开支每年都在大幅提升边缘 AI 和车用 AI 芯片的需求也在同步增长。这种增长对于任何一家芯片设计公司来说都是巨大的吸引力。3.2 联发科与 Nvidia 已有的合作基础联发科与 Nvidia 的合作其实已有先例梳理起来可以分成几个层面第一个层面是车用智能座舱。联发科发布的 Dimensity Auto 座舱平台集成了 Nvidia 的 GPU 芯片用于提升车载信息娱乐系统的图形算力。这个合作模式本质上还是“联发科 SoC Nvidia GPU”的异构组合。第二个层面是 Windows on Arm 生态。Nvidia 在 PC 处理器领域的尝试与联发科长期积累的 Arm 处理器设计能力形成了互补关系。虽然这个市场还处于起步阶段但合作方向已经明确。第三个层面就是这次提到的 rack-scale 系统级方案。与前两个层面相比这个方向更偏向数据中心和 AI 基础设施技术复杂度明显更高合作的战略意义也更强。三个层面放在一起可以看出双方合作的演进逻辑先在终端场景磨合再逐步走向云端基础设施。3.3 从“芯片思维”到“系统思维”的跨越芯片公司与系统公司之间存在非常明显的思维模式差异。芯片公司的传统思维方式是把芯片的算力、功耗、接口规格做好交付给下游客户由客户决定如何使用。芯片与系统之间的关系相对松散。系统公司的思维方式则完全不同需要先考虑最终用户要完成什么任务然后反过来推导系统需要什么样的计算架构再决定如何拆分芯片模块。在这种逻辑下芯片只是系统的一部分而不是全部。以 AI 训练集群为例如果只关注单颗 GPU 的 FLOPS而忽略 GPU 之间的互联带宽那么大规模训练效率会非常糟糕。同理如果只关注芯片功耗而忽略整柜供电和散热设计部署时也会面临巨大障碍。联发科从芯片供应商向系统级设计转型需要补上的不只是技术能力更是思维方式的重塑。郭明錤强调的“系统级设计”实际上点出了这家公司正在经历的战略升级本质。4. AI 算力产业的价值链正在上移4.1 价值重心从单点芯片转向整体方案观察整个 AI 算力产业链可以明显感受到价值重心的迁移趋势。传统 PC 和手机时代芯片是最核心的零部件掌握了 SoC 就掌握了利润分配权。但在 AI 算力时代芯片的重要性依然存在但决定用户体验和部署效率的已经变成整体系统方案。这种变化类似于云计算的演进早期用户关心的是物理服务器配置后来用户更关心的是云平台提供的整体服务能力。AI 基础设施市场也在经历同样的变化客户购买的不再只是一块计算卡而是一套能快速部署、能高效调度、能持续运维的算力体系。4.2 系统级设计带来的能力门槛向系统级设计转型并不是所有芯片公司都能完成的。这个转型对企业的能力结构提出了全方位要求第一需要具备高速互联设计能力。多卡互联、多机互联涉及复杂的高速信号完整性设计需要投入大量研发资源。Nvidia 的 NVLink 之所以成为竞争壁垒很大程度上是因为它在互联技术上积累了多年经验。第二需要具备整机工程能力。机柜级方案牵扯供电、散热、结构强度、信号完整性、振动控制等一系列工程问题。从芯片设计跨界到整机工程中间的鸿沟非常大这也是联发科选择与 Nvidia 合作而不是独立推进的重要原因。第三需要具备软件生态整合能力。AI 系统最终要跑软件框架、要接大模型推理引擎、要支持容器化调度。没有软件层的配合硬件做得再好也难以落地。Nvidia 的 CUDA 软件生态正是其护城河最深的部分之一。4.3 系统级设计中隐藏的芯片侧机会这里还有一个值得关注的细节系统级设计并不意味芯片公司失去了存在感恰恰相反系统级设计对芯片规格提出了更精细的要求。传统模式下芯片公司提供的都是通用型产品尽量覆盖更多客户需求。但在系统级设计中芯片与系统需要深度绑定系统的整体需求会被拆解到芯片的定制化设计中。比如 AI 加速卡可能需要更精细的功耗管理接口服务器 SoC 可能需要在片内集成更多管理功能。系统公司与芯片公司之间的配合不再是简单的买卖关系而会变成深度的联合开发关系。联发科如果能在这种联合开发中找到自己的位置就有机会在 AI 基础设施市场中分到一杯羹。5. 从硬件系统设计看产业信息对开发者的启发5.1 系统能力正在成为底层竞争力抛开产业分析师的观点这条信息对技术从业者特别是 AI 基础设施开发者来说也有实际的参考价值。过去在 AI 领域学习很多人会把大部分精力放在模型结构和算法优化上。这是正确的基础路径但如果想深入参与大规模 AI 系统的构建还需要建立系统级视角。大模型训练集群并简单堆显卡它涉及计算、网络、存储、散热、调度、容错等各个层面的协同设计。大量实际问题要处理千卡集群训练时通信瓶颈如何消除。GPU 资源池化后如何提高总体利用率。多租户场景下怎样隔离算力资源又保证性能。大模型推理场景KV Cache 显存调度策略如何优化。机柜级功耗过高时是从硬件层面改设计还是从软件层面做削峰。这些问题的解法往往需要同时理解芯片特性、系统架构和上层应用可以说“系统级设计”的思路值得每一位 AI 从业者借鉴。5.2 AI 基础设施相关技术栈的演进方向从技术栈演进的角度来看系统级设计趋势带来了几个值得关注的方向。第一个是异构计算架构成为主流。未来的 AI 系统一定会在同一个系统内集成多种计算单元GPU负责并行计算CPU负责逻辑调度NPU或者专用加速器负责特定负载卸载。联发科在 Arm 生态上的积累可以在这种异构系统中发挥关键作用。第二个是高速互联技术快速迭代。PCIe、NVLink、InfiniBand、CXL 这些互联技术会持续演进系统设计者需要判断在不同场景下采用哪种互联是最优解。第三个是“软件定义硬件”的理念在深化。机柜级系统交付给客户时需要提供完整的软件抽象层包括驱动、固件、容器接口、调度插件。NVIDIA 的 GPU Operator 项目就是这一趋势的典型代表它让 Kubernetes 可以像管理 CPU 资源一样管理 GPU 资源。开发者如果希望跟上这个趋势建议关注以下方向学习 Kubernetes 的 GPU 调度原理。了解 GPU 虚拟化与资源池化技术。掌握高速互联的基本拓扑与调优方法。理解模型训练框架与底层硬件的适配关系。5.3 生态共建大公司之外的设计机会联发科联手 Nvidia 做系统级设计说明在 AI 算力大爆发的背景下纯粹依靠一家公司很难覆盖所有技术环节生态协同变得更加重要。这种生态共建的格局也给更多中小型团队带来了机会。比如做液冷散热方案的公司可以切入机柜级系统配件市场。做 AI 调度平台的公司可以围绕系统级硬件提供软件管理能力。做边缘 AI 部署方案的团队可以基于系统级设计思路把算力方案打磨得更符合场景要求。系统级设计的核心是“协同”而协同本身就意味着生态中的每个环节都有参与价值。6. 产业观点中的争议点与风险提醒6.1 联发科在 AI 服务器领域还不够成熟虽然产业消息强调了联发科的“系统级设计转向”但我们也需要看到客观风险。联发科的营收主体仍然来自手机 SoC在数据中心和服务器芯片领域它的市场份额积累仍然有限。英伟达与联发科深化合作很大程度是站在英伟达扩展生态的视角去做考量。英伟达需要 Arm 架构多核处理器的设计经验需要面向边缘和车载场景的定制芯片能力。联发科在这两个方向上可以成为合作伙伴但短期内很难成为 Nvidia 在数据中心的平级共创伙伴。6.2 “系统级设计能力”不是短期建成的系统级设计是一个庞大的工程体系并不是通过一两次合作就能快速建成的。对于联发科来说通过 Nvidia 的生态来学习系统级设计的工程方法论确实是一条高效的路径。但最终它能不能沉淀出属于自己的系统产品还需要看未来几年的执行。对任何芯片公司来说从“芯片思维”转向“系统思维”最大的挑战往往不是技术本身而是组织流程和商业模式的改造。芯片公司习惯按“流片”节奏规划产品系统公司则更多按“项目制”组织交付两种节奏之间的磨合成本不容小觑。6.3 供应链信息本质是行业趋势判断不是产品发布日期最后要说的是供应链分析师的观点更多是对产业趋势的判断不一定等同于确切的产品规划。联发科与 Nvidia 合作推进到什么阶段、最终以什么形态落地都还需要等待官方信息。我们更应该从这类消息中学习的是对产业方向的判断能力而不是过度解读某一个时间点的传闻。7. 写在 AI 算力形态变革的节点上回到文章开头的问题为什么 rack-scale 会成为观察联发科 AI 战略的关键词因为在 AI 算力需求爆炸的背景下“机柜即计算机”已经成为数据中心的重要交付形态。Nvidia 已经把这种产品理念带进了主流市场而其他芯片公司要参与这场竞争就必须升级自己的产品定义能力。联发科转向系统级设计意味着它意识到了单纯依靠手机 SoC 无法支撑 AI 时代的长期增长必须向更高附加值的系统解决方案方向延伸。与 Nvidia 的深绑合作给了它一个快速进入这个市场的入口。对于从事 AI 底层技术的开发者和决策者这是一个很有参考价值的样本在技术转折期如何突破既有能力边界与生态伙伴一起完成产品形态的代际跨越。在 AI 算力基础设施加速演进的今天值得长期跟踪参与其中的各类公司后续动作。