谷歌云A5X拟11月商用，Vera Rubin架构上限96万张GPU

原创数据中心内参 2026-10-26 18:40 北京

谷歌云将于11月推出搭载英伟达新一代平台的GPU服务器租赁服务，设计扩展上限达到96万张GPU

点击蓝字关注我们FOLLOW US

核心看点

· 谷歌云基于英伟达 Vera Rubin NVL72 平台的 A5X 裸金属实例计划 11 月正式商用，配套 Virgo 网络。

· 单站点最多 8 万张GPU，跨多个站点最多扩展至 96 万张——这是架构支持的扩展上限，并非已建成投运规模。

· Managed Lustre 与英伟达 GPUDirect Storage 让数据绕过 CPU 和系统内存，直接进入 GPU 显存。

· 未来衡量大型 AI 项目：设备采购量只是投入指标，完成任务的时间与成本才是产出指标。

· 物理部署可以更加分散，系统控制能力却可能更加集中——数据中心的价值，取决于能否进入客户的计算体系。

单站点最多8万张GPU，跨多个站点最多扩展至96万张——谷歌云披露的AI基础设施架构，正在将超级计算机的边界推向单座数据中心之外。

当地时间2026年10月21日，谷歌云在英伟达GTC柏林大会期间宣布深化双方的联合工程合作。谷歌云计划于11月正式推出搭载英伟达新一代Vera Rubin平台的GPU服务器租赁服务。配套网络可支持单个站点最多8万张GPU，并将多个站点的计算资源连接起来，设计扩展上限达到96万张GPU，朝着一台跨越多个数据中心的“大计算机”迈进。

96万张GPU是架构支持的扩展上限，并不意味着同等规模的集群已经建成投运，更不等于这些GPU已经能够在任意距离下高效完成同一个训练任务。但这一设计指向的产业变化值得关注：AI基础设施的竞争，正在从单个机房能够容纳多少设备，转向多个设施能够共同交付多少有效计算能力。

对于数据中心行业，这意味着新的建设机会，也意味着更高的进入门槛。土地、电力和机柜仍是基础，但决定项目价值的因素，正进一步延伸到网络、存储、调度及整套系统的工程能力。

一、从4月披露到11月商用计划，关键进展是走向交付

96万张GPU的数字并非首次出现。

早在2026年4月22日的Google Cloud Next大会上，谷歌云就已公布A5X与Virgo网络的相关扩展目标。此次10月更新的重要性，在于进一步明确产品商用时间，并补充存储、上下文缓存和工作负载编排等配套能力。

这一区别决定了如何理解这条新闻。

如果只看GPU数量，它容易成为又一次“大集群竞赛”的宣传；如果将产品、网络和软件放在一起看，更值得关注的是，云厂商正在尝试把跨设施扩展做成可持续交付的基础设施能力。

过去，一个数据中心达到供电、空间或散热上限，往往意味着下一批设备需要进入另一套相对独立的环境。跨站点架构提供了另一种可能：新增设施能够成为既有计算体系的延伸。

但“能够接入”只是起点。新增GPU能否缩短任务时间、降低单位产出成本，才是这类架构最终需要证明的价值。

二、GPU越多，网络失误的代价越高

大规模AI集群面临的核心矛盾，是芯片数量容易统计，协同效率却难以保证。

在需要频繁同步的训练任务中，GPU不仅要计算，还要等待数据、交换中间结果、完成跨设备通信。随着集群扩大，任何一层网络拥塞、存储供给不足或设备异常，都可能拖慢更多昂贵设备。

因此，增加GPU并不必然带来同比例的性能提升。如果额外算力带来的收益，被通信等待和系统开销吞噬，规模就可能由优势变成成本负担。

谷歌云此次将网络、存储和调度与GPU同时公布，正反映了这一问题。其方案包括支持楼宇内及楼宇间扩展的Virgo网络，以及计划在A5X上支持的Managed Lustre与英伟达GPUDirect Storage，让数据能够绕过CPU和系统内存，直接进入GPU显存；调度层则强调依据网络拓扑安排任务。

这些技术安排背后的目标相同：减少GPU等待，让新增设备真正参与有效计算。

由此看，AI数据中心正在发生一项深层变化：网络不再只是机房对外连接的配套设施，存储也不再只是服务器之外的独立采购项。它们共同决定整套系统能够释放多少性能。

未来衡量大型AI项目，设备采购量只是投入指标，完成任务的时间与成本才是产出指标。

三、跨站点不等于跨地域“无损拼接”

“多个数据中心组成一台巨型计算机”是一个直观比喻，但不能据此认为物理距离的影响已经消失。

楼宇之间、同一园区内、同一城市不同站点之间，以及跨区域部署，面临的时延、带宽和可靠性条件存在明显差异。不同任务对这些条件的承受能力也不同。

对于通信密集的同步训练，把原本可以近距离完成的数据交换拉长到远端，可能增加等待时间。即使链路带宽足够，传播时延仍然存在；任务如何切分、数据如何放置，也会影响结果。

区域推理则具有另一种逻辑。将服务部署在更靠近用户的位置，可以让不同站点分别处理本地请求，而不必让每次计算都跨站点同步。但这更接近多地协同服务，不能直接等同于一个紧密耦合的训练集群。

因此，判断跨站点方案，至少应区分三种能力：统一管理多个站点、在多个站点之间分配任务，以及让同一个任务跨站点高效运行。三者需要解决的问题，复杂程度并不相同。

谷歌云已公布的架构规模，为行业提供了一个扩展方向；要判断其实际效果，仍需观察具体部署距离、工作负载及端到端性能。架构上能连接多少GPU，与业务上值得同时使用多少GPU，是两个需要分别回答的问题。

四、缓解单点扩容压力，也可能强化平台集中

跨站点架构的吸引力，在于它有望降低超大规模项目对单一地点的依赖。

如果一个站点无法继续扩容，而附近另一个站点具备供电、散热和连接条件，计算平台就可能获得分阶段增加容量的空间。对于建设周期长、需求变化快的AI基础设施，这种灵活性具有实际价值。

但它不会消除基础设施瓶颈，而是改变瓶颈的位置。

过去，限制可能集中在一座机房的电力容量；未来，还可能出现在站点之间的网络、跨设施兼容性、故障恢复和统一运维上。新增一座机房，能否成为系统的一部分，要在建设早期就作出安排。

这一变化也可能强化大型平台的优势。

能够把多个设施组织起来，需要同时控制或协调计算、网络、存储、软件和运营体系。谷歌云与英伟达的合作，本身就建立在双方跨层联合设计的基础上，而非简单采购GPU后连接机房。

由此可以作出一个产业判断：物理部署可以更加分散，系统控制能力却可能更加集中。更多数据中心能够加入大型计算体系，并不意味着每个参与者都能获得同样的议价能力。掌握架构、调度和客户入口的平台，可能占据更有利的位置。

五、数据中心的价值，将更多取决于能否进入客户的计算体系

对于数据中心运营者，跨站点架构带来的机会，不只是承接更多机柜。

如果客户希望新增容量能够延续既有系统，运营商就需要提供更一致的供电密度、液冷条件、光纤路径、运维流程与交付标准。项目选址也要更早考虑：它能连接哪些设施，连接成本是多少，未来还能向哪里扩展。

这意味着，数据中心的竞争力将同时取决于内部条件与外部关系。

一座具备充足电力和较低建设成本的机房，如果无法满足客户的网络和系统要求，可能只能承接独立任务；另一座成本更高、但能够顺利接入既有计算环境的设施，则可能具有不同的商业价值。具体选择，最终取决于工作负载及整体成本。

对中国智算中心建设而言，这一趋势提供的启示，也应落实到项目评价方式上：在公布卡数、功率和规划规模之外，需要进一步回答客户是谁、运行什么任务、扩容后性能如何变化，以及交付成本是否具有竞争力。

跨站点互联能够为扩容增加选项，却不会自动创造客户需求，也不会让性能、代际和软件环境不同的闲置设备自然变成优质算力。

96万张GPU展示了AI基础设施继续扩大的技术雄心。接下来，更有分量的证据将是实际任务的完成效率、跨站点运行的稳定性，以及客户为单位有效产出支付的成本。

当超级计算机开始跨越机房边界，行业真正需要竞争的，是把多少设备组织成一套经济、可靠、可持续交付的系统。

参考资料

1. Google Cloud Blog：Google Cloud infrastructure at NVIDIA GTC Berlin 2026。cloud.google.com

2. Google Cloud Blog：AI infrastructure at Next26（2026-04-22）。cloud.google.com

3. NVIDIA Blog：Google Cloud agentic physical AI factories。blogs.nvidia.com

往期推荐:

分享产生价值，请顺手转发至朋友圈

公众微信名：IDCinside

也可长按二维码，扫描关注属于数据中心专业人士的社区

数据中心报道、投稿

联系公众号助理（微信：AI_insider）

加入数据中心行业群、运维群

跳转微信打开