NVIDIA GB10 SUPERCHIP和NVIDIA GB300都旨在增强AI处理能力，但其体系结构，性能和预期用例有很大差异。
GB10 SuperChip
GB10 SuperChip基于Nvidia Grace Blackwell体系结构，并针对紧凑的桌面形式进行了优化。它具有强大的Blackwell GPU，具有第五代张量核心和FP4支持，每秒(顶部)AI处理能力[1] [3]每秒可达1,000万亿美元的操作。 GB10包括20核ARM CPU，可增强数据预处理和编排，加速模型调整和实时推断[1] [4]。它提供了128GB的统一相干内存，使开发人员可以管理高达2000亿个参数的AI模型[1] [7]。 GB10是AI研究人员和开发人员的理想选择，他们在台式机上需要强大的AI计算，以进行原型和微调AI模型[6] [7]。
Nvidia GB300
相比之下，NVIDIA GB300是由Grace Blackwell Ultra Architecture构建的，旨在使用更多要求的AI工作负载，尤其是在企业环境中。它具有带有最新张量芯和FP4精度的Blackwell Ultra GPU，通过NVLink-C2C连接到高性能NVIDIA GRACE CPU [3] [5]。 GB300的内存能力可大大增加，最高为288GB HBM3E，它直接支持较大的模型，并减少实时应用程序的延迟[2] [6]。该超芯片是DGX站的一部分，它提供了784GB的连贯内存空间，使其适合大规模训练和推理工作负载[3] [6]。 GB300针对训练和推理任务进行了优化，通过CX8网络卡和1.6T光学模块具有增强的网络功能，与其前任相比，带宽增加了一倍[2]。
##密钥差异
- 性能和体系结构：GB10最多可提供1 petaflop的AI性能，而GB300具有更高的计算能力，重点是大规模的AI工作负载。
- 内存容量：GB10具有128GB的统一内存，而GB300的可提供高达288GB HBM3E，并且在集成到DGX站(例如DGX站)中时，它最多可以提供784GB的相干内存。
- 预期用途：GB10专为桌面AI开发而设计，非常适合需要立即AI模型部署的研究人员和开发人员。 GB300针对企业环境，支持大规模的AI基础架构需求。
- 网络和可扩展性：GB300具有带有CX8网络卡的高级网络功能，该网络卡将带宽倍增，使其更适合于高度规模的数据中心和大规模的AI部署。 GB10可以通过ConnectX-7 NIC连接两个系统，用于处理较大的型号，但在大型数据中心环境中不像GB300那样可扩展。
引用：
[1] https://press.asus.com/news/press-releases/asus-introduces-ascent-gx-10-ai-supercomputer-by-nvidia-nvidia-gb-10-grace-grace-blace-blackwell-blackwell-superchip/
[2] https://drrobertcastellano.substack.com/p/nvidia-gb300-redefining-ai-computing
[3] https://nvidianews.nvidia.com/news/nvidia-announces-dgx-spark-spark-and-dgx-station-personal-ai-computers
[4] https://www.bigdatawire.com/this-just-in/nvidia-unveils-project-digits-projeits-personal-ai-supercomputer/
[5] https://www.nvidia.com/en-us/data-center/dgx-gb300/
[6] https://opentools.ai/news/nvidia-unleashes-the-future-with-personal-ai-supercomputers
[7] https://meta-quantum.today/?p=3460
[8] https://www.nvidia.com/en-us/data-center/gb300-nvl72/
[9] https://nvidianews.nvidia.com/news/nvidia-puts----------------------恩 - every-every-desk-and-at-evelvelopers-developers-fingertips