Zużycie energii w superchipu NVIDIA GB10 i NVIDIA GB300 różni się znacznie ze względu na ich wyraźne projekty i zastosowania.
nvidia gb10 superchip
GB10 Superchip jest częścią cyfr projektu NVIDIA, zaprojektowanego w celu zapewnienia wydajności AI w skali komputerów stacjonarnych. Zawiera procesor graficzny NVIDIA Blackwell z najnowszymi rdzeniami CUDA i rdzeniem tensorowym piątej generacji, podłączony do o wysokiej wydajności procesora NVIDIA Grace za pośrednictwem interkoneksu NVLINK-C2C. GB10 Superchip zapewnia do 1 PEAFLOP wydajności AI w FP4 Precision i obejmuje 128 GB zunifikowanej, spójnej pamięci i do 4 TB pamięci NVME. W szczególności działa przy użyciu standardowego gniazdka elektrycznego, co wskazuje na stosunkowo niskie zużycie energii w porównaniu z roztworami centrum danych o wysokiej wydajności, takich jak GB300 [2] [5] [8].Nvidia GB300
Z drugiej strony NVIDIA GB300 to wysokowydajny procesor graficzny AI zaprojektowany dla centrów danych i środowisk hiperskalnych. Jest zasilany przez układ B300 i ma 288 GB pamięci HBM3E, co zapewnia znaczny wzrost zarówno pojemności pamięci, jak i mocy obliczeniowej w porównaniu z jego poprzednikami. GB300 ma moc konstrukcyjną termiczną (TDP) wynoszącą 1400 watów, co stanowi znaczny wzrost w stosunku do GB200, odzwierciedlając jego zwiększone możliwości wydajności dla AI i wysokowydajne obciążenia obliczeniowe [1] [3] [4].Porównanie
Jeśli chodzi o zużycie energii, superchip GB10 jest zaprojektowany tak, aby był wydajny energetycznie, wyciągając standardowy gniazdko elektryczne, które zwykle zapewnia do 1500 watów w wielu regionach. Sugeruje to, że zużycie energii GB10 jest znacznie niższe niż w GB300, co wymaga samych 1400 watów dla swojego GPU. Wysoka energia GB300 wynika z zaawansowanej architektury i zwiększonych możliwości wydajności, dzięki czemu nadaje się na duże środowiska komputerowe AI. Natomiast GB10 jest zoptymalizowany pod kątem użycia komputerów stacjonarnych, zapewniając równowagę między wydajnością a wydajnością energetyczną w zakresie rozwoju AI i prototypowania [2] [5] [8].Ogólnie rzecz biorąc, podczas gdy GB10 Superchip oferuje imponującą wydajność sztucznej inteligencji ze względu na jej rozmiar i wymagania dotyczące mocy, NVIDIA GB300 jest zaprojektowany dla znacznie bardziej wymagających obciążeń AI w centrach danych, co wymaga większego zużycia energii w celu osiągnięcia doskonałej wydajności.
Cytaty:
[1] https://www.tweaktown.com/news/103991/nvidia-gb300backwell-ultra-ai-gpu-288gb-hbm3e-1-4kw-power-50-faster-than-gb200/index.html
[2] https://www.stocktitan.net/news/nvda/nvidia-puts-grace-backwell-on-every-desk-and-at-every-ai-developer-jpbbvfo6wno4.html
[3] https://www.techpowerup.com/330154/nvidia-gb300-blackwell-ultra-will-feature-288-gb-hbm3e-memory-1400-w-tp
[4] https://drrobertcastellano.substack.com/p/nvidia-gb300-redefining-ai-computing
[5] https://www.bigdatawire.com/2025/01/10/inside-nvidias-new-desktop-ai-box-project-digits/
[6] https://www.nvidia.com/en-us/data-center/dgx-b300/
[7] https://siliconangle.com/2024/12/26/leaks-reveal-beefed-specifications-nvidias-next-gen-gb300-ai-server/
[8] https://nvidianews.nvidia.com/news/nvidia-puts-grace-blackwell-on-every-desk-and-at-every-ai-developers-fingertips
[9] https://meta-quantum.today/?p=3460