黄仁勋称GPT-6 Astra使用10万余块Grace Blackwell训练，超大模型竞争进入算力账本时代

【软盟资讯·新闻导读】9月6日，英伟达CEO黄仁勋在社交平台表示，OpenAI GPT-6 Astra由超过10万套Grace Blackwell NVLink72系统训练，并称“AGI已经到来”。这一表态让训练算力规模成为大模型竞争的重要观察线索。

9月6日，黄仁勋在X平台发帖祝贺OpenAI，并透露GPT-6 Astra使用了超过10万套英伟达Grace Blackwell NVLink72系统进行训练。他在帖文中还直接把这一发布与通用人工智能的到来挂钩，称“AGI已经到来”。同一帖文中，他进一步提到，接下来将有40万颗GPU投入运行。OpenAI在9月3日发布了GPT-6 Astra，并称其为当前全球能力最强的模型之一。供应商高管在公开场合给出如此具体的训练基础设施规模，并不常见。

从公开发帖到算力信号

黄仁勋这次发布的信息之所以值得关注，不只是因为“AGI已经到来”这句话，而在于他给出了一个清晰的基础设施量级：超过10万套Grace Blackwell NVLink72系统。过去，模型厂商在发布新模型时，往往把重点放在能力演示、评测成绩或参数规模上。即使提到训练算力，也多是泛泛而谈。这次由英伟达CEO直接披露训练系统数量，相当于把过去较少公开的底层算力账本推到了台前。

从公开信息看，黄仁勋还提到了另一个时间线索：从ChatGPT到o1，再到GPT-6 Astra，只用了大约四年。模型迭代速度明显加快。对产业读者来说，这比单纯的“模型又变强了”更有判断价值。因为模型能力不会凭空出现，它高度依赖训练集群的规模、稳定性和互联效率。当一代模型所需的训练系统数量达到十万级别，模型竞争已经不只是算法团队之间的竞争，而是算力供应、数据中心建设和基础设施运营能力的综合竞争。

十万套系统不是十万张显卡

需要澄清的是，黄仁勋所说的是超过10万套Grace Blackwell NVLink72系统，而不是简单的“10万张显卡”。NVLink72能把72颗GPU放进同一个高速互联域，使它们可以更高效地协同工作。因此，这类系统涉及的不只是GPU数量，还包括高速网络、存储、供电、散热、机柜设计和集群调度。把10万套系统简单换算成多少颗GPU，未必能准确反映训练集群的实际复杂度。

这也是为什么“算力账本时代”这个说法比“算力数字时代”更贴切。真正有判断价值的，不只是有多少芯片，而是这些芯片以什么方式连接、实际利用率如何、故障率怎样、能耗和散热是否可控。对算力供应商和云厂商来说，这些因素直接影响交付能力和运营成本；对大模型从业者来说，它们决定训练能否稳定完成，以及下一代模型能否按计划推进。

算力不是模型能力的充分条件

黄仁勋的表述带有明显的产业判断，但需要把它放在合适的位置。这次公开信息并不能构成一份完整的训练成本报告。外界仍然不知道GPT-6 Astra训练了多长时间、使用了多少数据、参数规模有多大，也没有权威的性能排名可以说明它在所有任务上都超过了前代模型。用“10万套系统”反推模型能力，会忽略算法、数据质量、训练策略、后训练方法、安全对齐和评估体系等因素。

值得注意的是，同一天，OpenAI首席科学家发出呼吁，希望业界保持极度谨慎，并考虑自愿放缓。供应商看到的是基础设施规模带来的产业机会，实验室侧则更强调风险与节奏。两者对同一个模型的解读并不一致。这恰恰说明，训练算力只是理解大模型竞争的一个切面。它可以告诉我们哪些公司具备进入前沿竞争的硬件条件，却不能单独解释模型为什么聪明、是否安全、是否更容易被滥用。

中国主要模型企业的算力坐标

如果用黄仁勋披露的数字作为参照，中国主要模型企业在训练算力上仍存在明显差距。有报道援引消息称，字节跳动目前已接入约3.6万张B200，但其国内集群仍以Hopper架构的H20和H800为主。Kimi通过阿里巴巴获得约2万张Hopper GPU，报道称具体型号为H200，但阿里方面否认了这一说法。DeepSeek尚未公开V4的完整训练硬件信息，流出信息显示其大约拥有相当于2万张H系列芯片的算力。

这些数字无法与10万套Grace Blackwell NVLink72系统直接比较，因为架构、互联方式和代际差异都会影响实际算力。但它们至少说明一个趋势：算力储备正在成为衡量模型厂商长期竞争力的硬指标。过去依靠算法创新和工程优化可以部分弥补算力差距，但当前沿训练规模达到十万系统级别，纯粹的算法追赶变得越来越困难。对于算力供应商来说，这种差距也意味着巨大的市场空间和交付压力。

下一代芯片正在改写账本

另一个容易被忽略的细节是，Astra所用的Blackwell并不是英伟达最新一代产品。公开信息显示，下一代Vera Rubin已经进入全面量产阶段。这意味着当前围绕Blackwell系统建立起来的算力比较，很快就会被新的芯片代际重新定义。不同代际芯片在单位算力、显存带宽和互联效率上的差异，使得“多少张卡”或“多少套系统”不能长期作为统一标尺。

当下一代芯片开始大规模交付，训练同等规模模型所需的系统数量可能会发生变化。届时，单纯看黄仁勋这次披露的10万套系统，其意义也需要重新评估。产业观察者更应该关注的是芯片交付节奏、下一代架构的实际利用率，以及模型厂商能否把新增算力高效转化为模型能力。否则，算力账本很容易变成一种新的数字竞赛，而不是真实技术进步的证据。

【软盟观察】黄仁勋这次发言具有明显的双重属性。一方面，他是在祝贺OpenAI发布GPT-6 Astra；另一方面，作为英伟达CEO，他也在向市场传递一个信号：前沿大模型训练对高端GPU的需求仍在快速扩大。由供应商高管亲自说出训练系统数量，会让这一信息天然带有商业立场。它当然不是一份经第三方核验的训练报告，也不足以完整说明GPT-6 Astra的研发投入和真实水平。

但这并不意味着这个数字没有价值。相反，它提醒我们，大模型竞争已经进入一个更现实、更基础设施化的阶段。过去人们习惯用评测榜单、演示视频或参数数量来判断模型强弱，现在训练算力规模正在成为另一条重要线索。这条线索的好处是相对可验证、可比较，也更容易被产业链上下游理解；风险则在于它可能被简化为“谁卡多谁领先”。事实上，集群效率、软件栈成熟度、数据管道、能源保障和工程团队能力，同样决定这些GPU最终能发挥多大作用。

从产业影响看，黄仁勋提到的后续40万颗GPU将进一步拉高AI基础设施的投资门槛。对云厂商和算力供应商来说，这意味着订单和交付压力；对模型厂商来说，这意味着融资能力和供应链管理能力变得更加关键。与此同时，OpenAI科学家的谨慎提醒不应该被忽略。模型能力越强，安全、对齐和社会影响问题就越突出。算力可以推动技术前进，却不能自动解决这些治理难题。

对中国AI产业而言，这一事件还有一层现实含义。国内主要模型企业虽然在算力储备上与OpenAI存在差距，但差距并不是静态的。国产芯片、互联网厂商的云基础设施和模型工程能力都在变化。真正需要警惕的，不是某一个数字落后，而是把单一算力指标当成唯一追赶目标。更务实的路径是继续提升芯片利用率、优化训练方法，同时在模型能力、应用落地和产业价值上形成自己的节奏。算力账本应该帮助行业更清醒地判断位置，而不是制造新的焦虑。