在SEMICON West新闻发布会上，SEMI Americas总裁Joe Stockunas表示，当SEMI询问会员企业哪些因素可能拖累增长时，答案排在第一位的是人才。SEMI全球劳动力发展与倡议副总裁Shari Liss补充说：“未来几年，美国半导体行业将面临近20万人的缺口。”
美国的相关工作很大一部分通过国家微电子教育网络（National Network for Microelectronics Education，NNME）推进。该项目由《芯片法案》（CHIPS）资助，为期五年、规模2亿美元，与美国国家科学基金会（NSF）和美国商务部合作，并由SEMI基金会运营。其首批四个区域节点汇聚了325多家合作伙伴。SEMI基金会还推出了经行业验证的认证资质，首先从设备维护技术员认证开始；其ChipPath职业平台目前列出约19.9万个职位空缺，并新增了雇主仪表板。
SEMI也在海外扩张，包括印度半导体学院（India Semiconductor Academy）、在台湾达成的让美国学生获得实操培训的协议、全球学校学院（Global Schools Academy），以及面向大学生的新Chip the Future Challenge。Liss承认，联邦资助“与我们的需求相比只是杯水车薪”，并表示弥合缺口需要整个行业共同努力。

SEMI在SEMICON West表示，人才是美国半导体增长首要拖累，未来几年美国行业缺口近20万人；由芯片法案资助的NNME等项目正通过培训认证和招聘平台补缺。

美国半导体业人才缺口近20万 SEMI多举措培养人才

首页

新闻

高功率脉冲磁控溅射（HiPIMS）可制备比传统溅射更致密、附着性更好的薄膜，但若要将其扩展到 200mm 以上基片并用于在线生产，仅靠提高功率远远不够。来自 VON ARDENNE 的作者介绍了将该技术从实验室推进到大批量生产所需的工程投入。
他们指出，对每个脉冲内的电压和电流进行时间分辨示波监测，对于在不同设备和批次之间复现工艺至关重要。硬件方面需要低电感馈线、可编程脉冲整形、快速电弧处理以及精细的靶材冷却；同步基片偏压则使工程师能够在离子通量达到峰值时加速离子，从而改善薄膜致密度、界面质量和台阶覆盖性。
一项有前景的应用是先进封装中的玻璃通孔（through-glass via，TGV）金属化。在该应用中，HiPIMS 使溅射转变为一种部分受离子控制的工艺，可用于形成保形钛黏附层和铜种子层。作者概述了一条从试点改造到验证量产、历时两到四年的路径，并将工艺放大视为一项系统工程任务。

VON ARDENNE作者指出，HiPIMS扩展至200mm以上基片和在线生产，需时间分辨监测、低电感馈线、脉冲整形、快速电弧处理及同步偏压等工程投入；玻璃通孔金属化是有前景应用，工艺放大需2至4年。

HiPIMS从实验室走向量产：玻璃通孔金属化的工程化路径

对于薄晶圆、混合键合（hybrid bonding）和高带宽存储器（HBM），等离子切割（plasma dicing）相较锯切与激光单粒化具有明显优势：吞吐量不受芯片（die）数量影响，切割道（dicing streets）可窄至 5 µm，且机械应力更低。
不过，凸点（bumps）、铜柱（copper pillars）和空腔（cavities）使等离子蚀刻过程中保护芯片表面变得困难，传统旋涂（spin coating）也难以覆盖这种形貌。
EV Group 评估了超声喷涂（ultrasonic spray coating）作为在这些结构上施加保形光敏抗蚀层（conformal photo-sensitive resist layer）的方法，随后利用 EVG 的 LITHOSCALE 无掩模数字光刻（maskless digital lithography）定义切割道。其在 200 mm 和 300 mm 晶圆上的测试显示出良好的厚度均匀性、对凸点、铜柱和空腔的保形覆盖，以及具有陡直侧壁和干净边缘的高分辨率切割道图形。
EV Group 表示，由于光刻胶（photoresist）无需水溶性涂层（water-soluble coatings）所需的激光步骤，并可排除晶圆框架（film frame）和胶带（tape），该组合为具有复杂凸点结构的晶圆、薄晶圆以及装在晶圆框架上的晶圆提供了一种低应力、无污染且可扩展的方法，有助于推动更细节距和更薄芯片的发展。

EV Group以超声喷涂保形光敏抗蚀层、LITHOSCALE无掩模数字光刻定义切割道，在200/300mm晶圆上实现均匀覆盖与高分辨率图形，为复杂凸点和薄晶圆提供低应力无污染的等离子切割方案。

EV Group：超声喷涂结合无掩模光刻优化等离子切割

Wooptix高级应用工程师Miguel Jimenez-Gomis指出，背面供电网络（backside power delivery networks）和HBM堆栈依赖具有严格间距与套刻预算的晶圆键合；即便是很小的键合诱导形变，也可能在下游化学机械抛光（CMP）、光刻和堆叠环节转化为良率损失。传统量测往往无法以大规模制造所需的速度，提供快速、全晶圆、非破坏性的测量。
波前相位成像（wavefront phase imaging, WFPI）可在工艺各阶段捕获全晶圆形状，包括直接晶圆对晶圆键合中出现的四重图案等高阶形变。与可通过卡盘或夹具调整校正的简单翘曲（bow）不同，这些形变源于材料和键合动力学本身；WFPI数据可用于对背后的面内应力（in-plane stress）进行建模。
由于WFPI可处理图形化晶圆以及玻璃等新型衬底——这些场景中传统干涉测量面临困难——Jimenez-Gomis认为，WFPI可作为一种前馈工艺控制手段，使晶圆厂实时调整键合参数、构建预测模型，并让下游设备保持在更严格的容差范围内运行。

Wooptix工程师指出，晶圆键合微小形变会导致下游良率损失，波前相位成像WFPI可全晶圆非破坏性测量，用于前馈工艺控制并实时调整键合参数。

WFPI波前相位成像助力晶圆键合良率提升

NVIDIA于2026年10月21日在德国柏林举办的“GTC Berlin”上宣布，扩展面向企业的开源AI代理平台“NVIDIA Agent Toolkit”。此次扩展新增“NVIDIA Agent Knowledge Foundation”，用于将企业数据转换为AI代理可用的知识，使代理能够基于企业数据检索相关信息、理解业务含义，并用于支持预测和决策。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">将企业数据转化为AI代理可处理的知识</h2>
企业要将AI代理引入实际业务，不仅需要通用AI模型，还必须让其理解自身的客户、产品、订单和业务流程。与此同时，企业数据分散在数据库、云端和业务系统中，企业还希望维持现有的数据管理与治理方式。
NVIDIA Agent Knowledge Foundation提供了一种基础，使企业数据无需迁移到其他位置、无需重建现有工作流、也无需更改治理控制，即可作为代理知识使用。
该基础包含NVIDIA CUDA-X系列库，包括cuDF、cuGraph、cuML、cuOpt、cuVS，可加速数据处理、图分析、机器学习、优化和向量检索。
新的开源库“Auto-Ontology”（自动本体）可将原始企业数据转换为客户、产品、订单等业务概念，并映射这些概念之间的关系。由此，AI代理不仅能逐个检索数据项，还能基于企业业务结构和数据间关系来利用信息。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">以Nemotron Retriever和Kumo支持检索与预测</h2>
Agent Knowledge Foundation包含用于支持企业信息检索的NVIDIA Nemotron Retriever，以及处理结构化数据的Kumo系列开放模型。
Kumo系列由Kumo Tabular、Kumo Relational、Kumo Time Series和Kumo Forecast组成，可基于表格形式数据、数据间关系、时序数据等，帮助AI代理查找相关信息并预测未来结果。
Nemotron Retriever是从企业文档等来源检索相关信息、让AI代理获取回答所需上下文的模型。据称，Amazon OpenSearch Service利用嵌入模型（embedding model），在几乎不产生额外延迟的情况下，以更少的检索步骤改善了搜索结果的相关性。
此外，SAP微调的重排模型（reranker model）运行速度约为传统模型的3倍。ServiceNow在提升重排质量的同时，将处理延迟削减了约四分之一。Zoom则为了改善文档理解、搜索结果相关性和上下文获取，在Zoom AI Services中采用了Nemotron Retriever模型。
AI代理的运行环境采用NVIDIA OpenShell。OpenShell提供安全边界，使企业能够控制AI代理可访问的数据和可执行的操作。NVIDIA NemoClaw则被定位为构建兼顾安全性的专用型代理的参考设计。
NVIDIA还同时公开了用于代理优化的新NemoClaw Blueprint，为改善代理的知识和处理能力、并在运营过程中逐步适配特定业务提供分阶段的起点。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">Palantir、Databricks、Snowflake等采用</h2>
NVIDIA供应链部门与Palantir合作，通过Palantir Foundry、Ontology和AIP使用Agent Knowledge Foundation，利用专有数据推进专用型代理的部署、预测和决策优化。
Databricks将NVIDIA Kumo Anomaly与Databricks Genie Ontology相结合，构建考虑业务上下文的AI代理。Snowflake则允许在Snowflake Notebook环境中使用NVIDIA Kumo Engine和Kumo Relational开放模型，帮助客户利用预测功能。
此外，Amazon Web Services、ClickHouse、Cloudera、Cohesity、Dassault Systèmes、Dell、Elastic、Exa、IBM、NetApp、Oracle、Perplexity、Starburst、VAST Data等也在基于Agent Knowledge Foundation进行开发。
NVIDIA认为，要将AI代理部署到实际业务中，不仅需要模型，还需要将控制代理的机制、执行环境、企业数据和业务工具相结合的开源栈（open stack）。通过扩展Agent Toolkit，NVIDIA意在提供一套基础，让企业能够利用自身专有数据，同时管理代理的访问范围和运行行为，并在生产环境中投入运用。

NVIDIA在柏林GTC宣布扩展开源AI代理平台Agent Toolkit，新增知识基础组件，将企业数据转化为代理可用知识，多家企业已采用。

NVIDIA扩展AI代理平台 推出企业知识基础组件

半导体与高科技产业市场研究机构 Counterpoint Research 的数据显示，2026年第三季度全球PC出货量为5700万台，同比下降21%，环比下降13.8%。内存等零部件价格飙升推高整机售价，抑制了消费者需求；尽管企业需求相对稳健，仍不足以抵消整体市场收缩。上年Windows 10支持终止带来的换机需求，也放大了同比降幅。
第三季度的一个突出变化是苹果与其他主要厂商的差距扩大。联想出货1500万台，同比下降23%，份额降至26.3%。惠普保住第二位，份额为18.1%，出货1030万台，同比下降31%，在头部六家厂商中降幅最大。戴尔位居第三，出货760万台，同比下降25%，份额为13.3%。苹果排名第四，出货560万台，同比下降11%，份额由上年同期的8.7%升至9.8%；MacBook Neo缓解了出货下滑，使其表现优于整体市场。华硕位列第五，出货520万台，同比下降7%，但环比增长19.4%，份额由7.8%升至9.2%。前五大厂商合计占PC出货量的76.7%；其他厂商合计出货1330万台，同比下降16%。
Counterpoint Research 高级分析师 Minsoo Kang 表示，内存等零部件涨价推高了PC价格，消费者换机意愿减弱；苹果和华硕凭借差异化产品组合和竞争定位，表现出高于市场的韧性。但他也指出，在可负担价格成为购买决策关键的情况下，即便是大厂也越来越难以维持出货势头。
该机构还称，厂商倾向于采用更容易吸收零部件涨价影响的产品组合，这会减少价格亲民的选项，进而压制换机需求。因此预计2026年第四季度PC出货量同比下降27%，下滑趋势延续；2027年全年出货量预计仅与2026年大致持平。
Counterpoint Research 认为，PC行业已进入结构性调整阶段，市场结构正在发生根本变化，厂商不得不在保障利润率和维持可购价格之间艰难平衡。AI PC等差异化产品将带来商业机会，但要在竞争中胜出，企业还需具备有竞争力的价格、有纪律的供应链管理，并为个人和企业客户提供有吸引力的价值。

Counterpoint数据显示，2026年第三季度全球PC出货量5700万台，同比降21%。内存等零部件涨价推高售价、抑制需求，前五大厂商合计份额76.7%，苹果表现优于市场。预计第四季度同比降27%。

2026年Q3全球PC出货量5700万台同比降21%，内存涨价推高售价

要点：
<ul style="font-size:15px;color:#333;font-family:-apple-system,BlinkMacSystemFont,'Segoe UI','PingFang SC','Microsoft YaHei',sans-serif;letter-spacing:0.5px;padding-left:28px;margin:10px 0;line-height:1.9">
<li style="margin:4px 0">九州金融集团（九州FG）测算，2022—2031年南九州三县电子设备相关产业累计经济波及效应约13.8万亿日元。</li>
<li style="margin:4px 0">三县制造业采购的70%—80%以上依赖三县以外，三县之间相互采购仅约1%。</li>
<li style="margin:4px 0">若三县间采购比例提高1个百分点，预计每年产生2160亿日元波及效应，并推高GRP 983亿日元。</li>
</ul>
九州金融集团（九州FG）10月27日宣布，已与地方总研共同汇总并发布《南九州三县电子设备相关产业集聚的经济波及效应》。调查由宫银经济研究所协助。
本次调查对象为熊本县、鹿儿岛县、宫崎县等南九州三县。报告推算了以JASM为首，索尼集团、东京电子、三菱电机、京瓷、罗姆及数据中心等项目的设备投资，以及这些项目投产后运营和生产对区域经济的影响。
据九州FG统计，2022年以来南九州三县已明确的电子设备相关投资，包括不足100亿日元的项目在内，超过270件。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">电子设备相关投资总额超6.8万亿日元</h2>
2022—2031年的投资件数和投资额分别为：熊本县263件、5.5959万亿日元；鹿儿岛县8件、9084亿日元；宫崎县5件、3241亿日元。三县合计276件、6.8284万亿日元。
年产值推算值方面，熊本县为1.7969万亿日元，鹿儿岛县为642亿日元，宫崎县为1887亿日元，三县合计2.0498万亿日元。
其中，熊本县计入JASM、索尼集团等项目，鹿儿岛县计入萨摩川内数据中心、京瓷等项目，宫崎县计入罗姆等项目。对于未公开的投资额和满负荷生产时的产值，由九州FG进行推算。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">十年经济波及效应约13.8万亿日元</h2>
以2022—2031年设备投资为起点的经济波及效应为：熊本县4.8817万亿日元，鹿儿岛县8059亿日元，宫崎县2188亿日元，合计5.9065万亿日元。
以生产为起点的经济波及效应为：熊本县5.8415万亿日元，鹿儿岛县8145亿日元，宫崎县1.2857万亿日元，合计7.9417万亿日元。
设备投资与生产合计的十年经济波及效应总计约13.8万亿日元。对相当于国家GDP的各都道府县内生产总值（GRP）的影响额方面，设备投资为3.2966万亿日元，生产为3.6346万亿日元，合计约6.9万亿日元。
由于工厂新建和设备增强带来的投资效应之后，各基地投运和量产带来的生产效应仍将持续，报告预计2030年和2031年经济波及效应将超过2万亿日元。
分县看十年经济波及效应，熊本县为10.7232万亿日元，鹿儿岛县为1.6204万亿日元，宫崎县为1.5045万亿日元。
不过，JASM计划逐步增强生产能力，经济产业省公布的规划变更也仍是暂定方案。因此，如果JASM整体投资最终确定，经济波及效应有可能进一步扩大。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">制造业70%—80%以上从三县外采购</h2>
电子设备相关产业集聚虽然有望带来显著经济效果，但能否将收益充分留在南九州区域内成为课题。
基于2020年产业关联表，制造业整体区域内自给率为：熊本县23%，鹿儿岛县21%，宫崎县17%。仅就电子零部件来看，熊本县为15%，鹿儿岛县为29%，宫崎县为11%。
与工业县大分县相比，南九州三县在多个制造业领域的自给率偏低。即使企业生产增加，如果所需零部件、材料、设备和服务从区域外采购，新增需求的一部分仍会流向区域外。
从制造业采购来源看，自本县内采购比例分别为：熊本县24.4%，鹿儿岛县27.1%，宫崎县15.1%。另一方面，从南九州三县以外采购的比例为：熊本县74.6%，鹿儿岛县71.6%，宫崎县83.7%。
从其他两个南九州县采购的比例，熊本县合计1.0%，鹿儿岛县1.3%，宫崎县1.2%。
即使相邻县的生产和设备投资增加，如果三县之间交易较少，也难以相互吸收其效果。报告指出，除提高各县内自给率外，还需要增加南九州三县之间材料、零部件、设备和服务等的相互采购。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">三县间采购增加1个百分点可带来每年2160亿日元波及效应</h2>
九州FG还测算了在不改变各县自给率的前提下，南九州三县制造业将从其他两县采购的比例提高1个百分点时的经济效果。
追加经济波及效应为：熊本县547亿日元，鹿儿岛县784亿日元，宫崎县829亿日元，三县合计2160亿日元。
GRP增加额为：熊本县239亿日元，鹿儿岛县376亿日元，宫崎县368亿日元，合计983亿日元。相对于2023年度名义GRP的推升效果为：熊本县0.4%，鹿儿岛县0.6%，宫崎县0.9%，三县合计0.6%。
将产业集聚带来的每年生产增长，与三县间采购增加1个百分点相结合时，三县合计经济波及效应将达到2.5528万亿日元，对GRP的影响额将达到1.1551万亿日元。
这相当于2023年度三县合计GRP的6.7%。分县看，相当于熊本县13.7%、鹿儿岛县1.4%、宫崎县3.6%的推升效果。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">构建跨县供应链成为课题</h2>
九州FG为推进“新生硅岛九州”，得出结论：需要提高各县自给率，并促进南九州三县相互采购。
如果作为电子设备相关企业交易对象的材料、零部件、制造装置、物流、维护、建设、业务服务等企业能够跨县参与供应链，生产扩大的效果将更容易留在南九州区域内。
作为前提，产业界、行政部门、大学和研究机构、金融机构需要合作，推进基础设施、人才、产业用地、企业招商和信息共享等。
同时，报告还将南九州经济节点——熊本县南部地区从地震灾害中尽早恢复正常经济活动和振兴列为课题。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">电子设备产业贷款累计4200亿日元</h2>
九州FG通过肥后银行和鹿儿岛银行，为半导体相关企业融资和进入供应链提供支持。
2022年4月至2026年9月，电子设备相关产业贷款执行额累计4200亿日元。截至2026年9月末，支持进入TSMC（台积电）供应链的实绩累计41件。
进入熊本县的海外企业为119家，其中台湾企业103家。在肥后银行开户的进入企业为81家，其中台湾企业72家。
肥后银行和鹿儿岛银行还支持企业参加供应链韧性项目和台湾商谈会。
此外，两家银行还利用九州和冲绳地方银行之间的合作协定“Q-BASS”，支持企业进入供应链及与台湾企业洽谈；在正在制定的下一期中期经营计划中，计划构建支持南九州三县合作的体制。
报告认为，除了吸引电子设备相关工厂和研究、物流基地外，能否创造本地企业参与供应网络、跨县交易的环境，将是把投资带来的经济效果固定在南九州的关键。

九州FG报告测算，2022—2031年南九州三县电子设备产业累计经济波及效应约13.8万亿日元；但三县制造业采购多依赖县外，三县间采购比例提高1个百分点，每年可新增约2160亿日元波及效应。

南九州三县电子产业十年经济波及效应约13.8万亿日元

电子元器件与半导体领域的数据应用及采购DX支持服务商 KUMU Works 于10月27日发布了《电子元器件供需紧张影响实际情况调查》的结果。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">调查概况</h2>
本次调查于10月7日至8日通过互联网实施，调查对象为制造嵌入半导体与电子元器件产品的企业中的330名20至60岁男女，所涉岗位包括采购与购买、设计与开发、品质保证、生产管理及经营。
全部受访者中，过去一年内曾因某类电子元器件遭遇价格上涨或交期延长的比例为48.5%。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">供需紧张波及内存以外的品类</h2>
在受到价格上涨或交期延长影响的受访者中，至少列举出一种内存以外电子元器件的比例达到91.3%。
从影响最大的品类来看，DRAM、NAND闪存等半导体存储器以28.8%居首，其次是MCU（微控制器）10.6%，MOSFET、IGBT、SiC等功率半导体为10.0%。
将内存以外的回答合计后达到71.3%，显示电子元器件的供需紧张已扩散至MCU、功率半导体、处理器、被动元件等领域。
面向AI服务器与数据中心的设备，除高性能内存和运算用半导体（logic，逻辑芯片）外，还需要电源IC、功率半导体、积层陶瓷电容器（MLCC）等。当元器件厂商将产能转向高附加值产品时，也可能波及面向一般工业设备与消费类设备的元器件供应。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">过半企业采购成本涨幅超过10%</h2>
针对受到影响的受访者询问采购成本变化时，“上涨10%以上、不足20%”以21.9%占比最高。
“上涨20%以上、不足30%”为18.1%，“上涨30%以上”为12.5%，合计52.5%的受访者表示相较一年前成本上涨了10%以上。“上涨5%以上、不足10%”也占到20.6%。
另一方面，关于电子元器件涨价部分向自家产品价格的转嫁情况，回答“仅转嫁了一部分”的占42.5%，“未能转嫁”的占20.6%。
两者合计达63.1%，显示六成以上的企业未能将元器件涨价部分充分转嫁至产品价格。回答“大部分已转嫁”的为19.4%。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">AI产能转移与原材料涨价被视为主要因素</h2>
作为价格上涨与交期延长的背景，被提及最多的是“产能与设备投资向AI、数据中心用途转移”以及“中东局势等导致的原材料与能源短缺及价格高涨”，两者均为38.1%。“物流成本上升与物流混乱”也占到32.5%。
由此可见，业界认为不仅是向AI用途的产能转移，原材料、能源、物流等多重因素叠加，共同影响了电子元器件的价格与交期。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">六成以上企业未能充分掌握未来供应风险</h2>
面向全部受访者，调查询问其能否掌握自家产品所用电子元器件中，因产能向AI、数据中心用途转移而今后可能面临供应减少或停产风险的元器件情况。结果显示，“掌握得不太充分”为33.3%，“完全没有掌握”为28.8%，合计62.1%的受访者未能充分掌握。
“掌握得不太充分”与“在一定程度上掌握”各占约三成，也显示企业之间在供应风险掌握程度上存在差异。
电子设备与工业设备由数量众多的元器件构成，因此即便只有一个元器件停止供应，也可能需要重新选定替代品、变更电路与基板，并重新进行评估与认证。
KUMU Works 指出，除价格与交期外，持续掌握元器件生命周期、停产信息、供应商、生产基地等信息，以备供应风险的必要性正在提升。
此外需要注意，本次结果是对制造业元器件负责人及经营层回答的统计，并非按元器件品类调查实际市场价格与交期所得。

KUMU Works调查显示，48.5%企业过去一年遭遇电子元器件涨价或交期延长，其中91.3%波及内存以外品类；52.5%企业采购成本涨超10%，63.1%未能充分转嫁涨价，62.1%未充分掌握未来供应风险。

电子元器件供需紧张调查：超九成波及内存以外品类，六成企业难转嫁涨价

英伟达于2026年10月21日在柏林举行的“GTC Berlin”大会上宣布，欧洲的AI云服务商与基础设施企业已在AI工厂的建设和运营中采用“NVIDIA DSX”。
AI工厂指支撑AI模型训练与推理的大规模计算基础设施，除了GPU等计算设备，还需将网络、存储、软件、电力与冷却进行一体化设计。NVIDIA DSX则是一套全栈参考架构，把上述要素作为单一系统协同设计，并从设施设计、部署一直优化到日常运营。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">电力与冷却决定AI工厂的算力上限</h2>
在大型AI工厂中，可获得的电力直接决定能够运转多少算力；同时，高密度部署的GPU会产生大量热量，必须配套冷却设备加以处理，因此电力效率与用水量控制成为关键课题。
NVIDIA DSX由多个部分组成：提供经过验证的基础设施配置的“DSX Reference Design”，动态分配电力的“DSX MaxLPS”，依据电网状况调整负载的“DSX Flex”，用于仿真的“DSX Sim”，面向基础设施管理的“DSX OS”，以及连接计算设备与设施系统的“DSX Exchange”。
在设计、施工、电力与冷却各领域，AVEVA、Dassault Systèmes、Siemens、ABB、Eaton、GE Vernova、Hitachi Energy、Schneider Electric、Siemens Energy、Trane Technologies、Vertiv等企业已加入生态体系。这些厂商把设施基础设施与加速计算打通，共同推进欧洲AI工厂的建设。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">闭环液冷使冷却用水量趋近于零</h2>
DSX的参考设计将液冷计算与不依赖水分蒸发的干冷器（Dry Cooler）相结合：冷却液在封闭回路中循环，从计算设备吸收的热量由室外干冷器释放到空气中，从而把设施的冷却用水量压到几乎为零。
NVIDIA Vera Rubin基础设施支持100%液冷，冷却水温度最高可达45℃。据英伟达测算，一座2GW规模的设施若采用DSX设计，相比使用传统冷却塔的系统，每天可节约5400万升水，相当于18万户家庭一天的用水量。不过，在炎热季节是否需要辅助机械制冷，取决于设施所在地的气候条件。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">DSX MaxLPS：同等AI输出下最多省电30%</h2>
DSX MaxLPS是一套软件，可在分配给AI工厂的电力预算范围内，动态调整GPU、机架与工作负载之间的电力分配。
据英伟达介绍，使用DSX MaxLPS后，生成相同数量token时的耗电量最多可降低30%。其思路并非削减AI输出量来省电，而是在维持同等AI产出的前提下压低所需电力。运营商可借助这部分效率收益，在不增加原有电力预算的情况下，获得更多GPU容量或更高的处理能力。
在Lambda使用NVIDIA HGX B200系统开展的概念验证中，固定电力预算内集群的token吞吐量提升了24%，可用GPU容量增加了19%。冰岛Nscale的AI工厂则部署了4台NVIDIA GB300 NVL72机架并采用DSX MaxLPS，在同样264kW的电力预算内，推理吞吐量提升49%，可管理的GPU容量增加37%。
DSX Flex可对电网供电、场内可再生能源与储能系统进行协同控制，根据电网状况和能源价格调节工作负载的用电。在由Emerald AI、EPRI、Nebius、英国National Grid与英伟达共同开展的初期测试中，系统在保持关键工作负载持续运行的同时，将NVIDIA Blackwell Ultra GPU集群的功耗最多降低了40%。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">数字孪生与DSX OS贯穿设计与运维</h2>
在动工建设之前，英伟达借助DSX Sim和数字孪生评估电力、冷却与设备配置。Nscale已在葡萄牙和冰岛的设施中用DSX Sim在虚拟空间中还原基础设施布局，以识别潜在问题并验证设计方案。
英伟达同时在Hugging Face上公开了“SimReady Central Library”，汇集经过验证的电力设备与冷却设备数字模型。配合DSX Sim，施工方可在安装实体设备之前对基础设施建模，评估电力与冷却方面的设计取舍。
在运维层面，英伟达扩充了模块化开源软件“DSX OS”的产品组合，并以开发者预览形式提供三款工具：负责网络配置自动化的“NVIDIA Config Manager”、按机架管理电力、固件与交换机等的“NVIDIA Rack Management Service”，以及在生产负载上线前验证GPU集群的“NVIDIA Cluster Readiness Engine”。
此外，Schneider Electric正在为NVIDIA Vera Rubin基础设施开发电力与冷却参考设计；Siemens利用DSX Sim对电力、冷却与噪声进行仿真；Dassault Systèmes与Vertiv则在开发面向Vertiv OneCore的数字孪生工作流。ABB也在开发兼容DSX Sim的资产模型，使施工前即可评估从电源到机架的供电架构。
英伟达表示，通过将上述软件与合作伙伴的技术相结合，可让AI工厂的设计、施工、电力、冷却与运营彼此联动，从有限的电力与水资源中释放更多AI处理能力，并帮助缩短从规划到投产的周期。

英伟达在GTC Berlin宣布，欧洲AI云服务商与基础设施企业已在AI工厂建设运营中采用NVIDIA DSX全栈参考架构，通过液冷、动态电力分配与数字孪生降低用水与能耗。

英伟达发布NVIDIA DSX全栈架构，助力欧洲AI工厂降耗增效

NVIDIA在柏林举行的「GTC Berlin」上宣布，Bolt、Mercedes-Benz、Volkswagen Commercial Vehicles、Einride等企业展示了采用车载计算平台「NVIDIA Hyperion」的自动驾驶出行应用场景。各公司正在推进L3、L4级自动驾驶汽车以及未来的Robotaxi车队、自动驾驶货运卡车应用。
此外，Volvo Cars为开发安全的自动驾驶技术，采用了Hyperion与自动驾驶软件「NVIDIA Alpamayo Stack」。NVIDIA还发布了用于支持自动驾驶汽车开发、验证与部署的安全评估框架、AI模型及数据处理工具。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">欧洲多家企业基于Hyperion开发L3与L4车辆</h2>
Hyperion是将车载计算与传感器相结合的模块化架构，除NVIDIA的Alpamayo Stack外，也支持各合作伙伴自研的驾驶软件。按设想，它可作为乘用车、Robotaxi、自动驾驶货运卡车等多种车型和用途的通用开发基础。
Bolt为其在欧洲开展的Robotaxi业务选用了Alpamayo Stack，并推进将Hyperion引入未来的Lucid车型。该公司将把NVIDIA的驾驶与安全技术，与Bolt自身的车队管理系统、运营体系及区域市场经验相结合，以实现对欧洲道路环境的适配，并面向多家厂商的车辆进行整合。
在获得监管机构批准的前提下，Bolt计划于2027年在西班牙马德里启动实际行驶数据采集。其目标是在欧洲部署至少2.5万辆基于Hyperion的L4级未来Lucid车型，并在后续拓展中将德国列为优先市场。
Volkswagen Commercial Vehicles展示了搭载Hyperion、可支持多种自动驾驶系统的车辆平台「ID. Buzz AD」。Volvo Cars将把自身安全技术与Hyperion、Halos OS、Alpamayo Stack相结合；Mercedes-Benz也在扩大与NVIDIA的合作，以开发L3和L4级功能。
Einride在Hyperion之上构建了面向自动驾驶货运卡车的下一代「Einride Driver」，并利用Halos、Alpamayo、NVIDIA Cosmos开发和验证驾驶系统。Tier IV与慕尼黑工业大学也计划集成Hyperion，用于德国自动驾驶公共交通系统的开发与验证。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">Halos SAFE让安全评估结果可追溯</h2>
NVIDIA还发布了用于评估自动驾驶汽车安全性的新框架「Halos SAFE」。该名称源自「Safety Assurance Framework for Evaluation」，其定位是以可复现的方式评估自动驾驶行为与仿真精度的机制。
Halos SAFE采用预先定义的场景、测试和可量化的性能标准，将仿真、软件在环（SIL）、硬件在环（HIL）、公开道路测试与车队监控串联起来。据称，由此可生成可量化、可追溯的安全证据，为自动驾驶系统的部署提供支撑。
dSPACE、IVEX、TÜV Rheinland参与该评估工作流。Halos SAFE生态还包括JLR、Mercedes-Benz、Volvo Cars、51Sim、aiMotive、AVL、Deepen AI、Foretellix、Synopsys。
<h2 style="font-size:16px;font-weight:bold;color:#333;margin:20px 0 10px;line-height:1.4">发布20亿参数车载AI「Alpamayo 2 Edge」等</h2>
支持自动驾驶系统开发的AI模型与工具也在扩充。「Alpamayo 2 Edge」是基于NVIDIA Nemotron的NVIDIA Cosmos 3 Edge所构建的20亿参数推理模型，并针对车载计算平台「NVIDIA DRIVE AGX Thor」进行了优化。据称，该模型面向车载环境下的场景理解与动作规划，设计为以10Hz运行。
兼具评估模型与奖励模型功能的「AlpaJudge」会对与驾驶相关的解释进行评分，以评估推理质量。据称，通过剔除质量较低的标注，它有助于减少人工核查训练数据的工作量。
除此之外，NVIDIA还发布了不使用LiDAR、即可为多路摄像头画面添加标签的「Foundation4D」，以及扩展自动驾驶合成数据生成与闭环仿真的「Cosmos 3 Nano」新模型变体。「Cosmos Data Factory」的AV数据集生成蓝图可将行驶影像与车辆信号转换为可检索的带标签数据。
利用AI代理将数据准备、模型后训练与仿真评估串联起来的开放蓝图「Alpamayo Agentic Factory」，计划于2027年初开始提供。

英伟达在GTC Berlin宣布，Bolt、奔驰、大众商用车、沃尔沃、Einride等基于Hyperion推进L3/L4自动驾驶与Robotaxi落地，并发布Halos SAFE安全评估框架及Alpamayo 2 Edge等AI工具。