英伟达在 2026 年台北国际电脑展期间拿出了 AI 工厂的“施工图”。6 月 1 日，公司正式发布 NVIDIA DSX 平台，一份从芯片到机房、端到端定义下一代 AI 基础设施的设计与运营规范。平台并非单一产品，而是一套经过验证的参考架构，涵盖 **DGX 超级计算机、Spectrum-X 以太网交换平台、液冷热管理设计、数据中心物理布局以及 NVIDIA AI Enterprise 软件栈**，并提前纳入了多家服务器 ODM 和云服务商的预集成方案。
与以往分散提供不同组件的方式不同，DSX 的核心逻辑是“向整体要效率”。它直接瞄准生成式 AI 最敏感的经济指标——每生成一个 Token 的成本，同时承诺将 AI 工厂从上电到产出首个有效推理结果的“首次投产时间”压到最短。这相当于给基础设施建造商一份标准操作手册，告诉他们如何配置算力、网络、冷却和管理软件，才能让数千张 GPU 真正像工厂流水线一样稳定、低成本地输出智能。
这一动作的背景是，黄仁勋在过去几年反复强调数据中心正在向“AI 工厂”转型，即不再是单纯的存储与计算设施，而是制造数字智能的生产单元。然而，从概念到落地，行业一直缺少一套被广泛认可的实施标准。DSX 应运而生，它将英伟达内部在建造大规模 GPU 集群时积累的工程经验封装输出，同时也绑定了自家硬件与软件生态。
站在“五层蛋糕”视角看，DSX 扎根于**基础设施层**，向下直接拉动**芯片层**的高端 GPU 需求，向上为模型层的训练与推理提供更可预测的算力供给，而它对液冷和能效设计的强调，则与**能源层**的优化形成呼应。产业层面对此的解读较为一致：对于广达、富士康等服务器制造商和 CoreWeave 等 AI 云厂商，DSX 意味着更快的交付速度和更低的定制风险；对于微软、Meta 这类自建 AI 基础设施的巨头，它可能成为内部建设的对标基线，同时也可能加深其对英伟达方案的结构性依赖。
更长远地看，如果 DSX 对每 Token 成本的优化达到预期，AI 应用层的创新门槛将被进一步降低，这或许会催生更多需要海量推理的消费级和企业级 AI 产品。当然，能否真正兑现“最低 Token 成本”的承诺，还要看规模部署后的实际数据，但 DSX 的发布已经清楚表明，英伟达正试图在 AI 工厂的物理建造环节，复制其在 GPU 领域的主导力。