返回资讯中心
外部精选
软件工程
#开发者实时流

英伟达Vera CPU评测:2TB/s内存带宽,真正挑战x86

来源标题:Nvidia Vera CPU Review: 2TB/S Memory Bandwidth, a Real x86 Rival

英伟达推出自研Arm架构Vera CPU,配备88核176线程,单颗支持最高1.5TB LPDDR5X内存、峰值带宽1.2TB/s,被评价为x86的真实竞争对手。Vera采用自研Olympus核心,除用于Vera Rubin超级芯片外,还扩展至BlueField-4 STX存储平台和独立CPU服务器。

Hacker News 最新rbanffy2026/11/11 · 6 天前30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

NVIDIA 在数据中心的绝大部分时间里,都只把 CPU 当作给 GPU 喂数据的芯片。它的首款服务器处理器 Grace 正是这个定位。它采用 Arm 现成的 Neoverse V2 核心,主要以 Grace Hopper 和 Grace Blackwell 超级芯片中 CPU 那一半的身份出货。不过这些超级芯片确实留下了一项影响深远的平台技术:NVLink-C2C,这条链路让 CPU 和 GPU 能以远超 PCIe 的带宽互相一致性地访问对方的内存。

它的继任者 Vera 野心要大得多。这是一款围绕 NVIDIA 自研 Arm 核心 Olympus 全新设计的芯片。Olympus 实现 Armv9.2 指令集,每颗 Vera CPU 拥有 88 个核心、176 个线程。除了新核心,内存子系统是另一大亮点。每颗 CPU 通过 SOCAMM 模块支持最高 1.5TB 的 LPDDR5X,标称峰值带宽 1.2TB/s,这让 Vera 在获得移动级 DRAM 能效的同时,内存依然可现场更换。

这种野心也体现在 Vera 的部署场景上。它仍然作为 Vera Rubin 系统中的超级芯片一部分出货,但 NVIDIA 也把它扩展到了 BlueField-4 STX 存储平台,以及面向 agentic 沙箱的独立 CPU 服务器。Vera 还在获得 OEM、超大规模云厂商和 NCP 的广泛支持:Dell、HPE 和 Supermicro 都已将 Vera 服务器加入产品线,超大规模云厂商和 NCP 也准备将其打造为主流产品。这种广泛的可用性很重要,因为我们的测试结果将表明,Vera 是 x86 对手的有力竞争者,它让企业有了第三家 CPU 供应商可选,有助于分散供应链。

要理解 Vera 对 NVIDIA 为何重要,得看这家公司是如何成长起来的。NVIDIA 围绕 GPU 建立了自己的数据中心地位,随后又扩展到维持这些 GPU 运行所需的基础设施。硬件方面,2020 年收购 Mellanox 带来了连接服务器、在服务器之间搬运数据的网络技术。软件方面,CUDA、DOCA 以及更广泛的软件栈把 NVIDIA 的影响力延伸到了这些硬件的编程和运维方式上。这些拼图合在一起,让公司掌控了加速计算平台的大部分环节。

但这个平台仍然需要一个通用 CPU。总得有东西来运行操作系统、准备数据、管理应用,并协调发送给加速器的工作。在 NVIDIA 扩张的大部分时间里,Intel 和 AMD 扮演着这个角色。这让 NVIDIA 处于一个尴尬的位置:它能提供 GPU、网络和大部分软件,却仍要依赖另一家公司的处理器来充当服务器的中心。

Grace 是改变这一局面的第一个重要步骤。它基于 Arm Neoverse V2 核心构建,让 NVIDIA 拥有了自己的数据中心 CPU,并通过 NVLink-C2C 把 CPU 与自家 GPU 更紧密地连接起来。但 Grace 仍留有性能差距需要弥补。它的内存带宽和能效使其作为 AI 主机 CPU 具备竞争力,但在大多数其他工作负载上,领先的 x86 处理器仍保有明显优势。这种不均衡的表现,限制了人们把 Grace 当作 EPYC 或 Xeon 服务器通用替代品的理由。

Vera 通过用 NVIDIA 自研的 Olympus 设计取代 Grace 的 Neoverse V2 核心,并大幅提升内存带宽和容量,弥补了其中大部分差距。通过在 GPU、DPU 和网络之外再提供一款有竞争力的 CPU,NVIDIA 能在每台服务器的支出中占据更大份额。这也让公司对其生态以及各组件如何协同工作有了更强的掌控:CPU 核心、内存子系统、互连和 GPU 都可以围绕同一套需求来设计。Vera 的 CPU 到 GPU 一致性链路如今标称最高 1.8TB/s,就是这种整合的具体体现。

在每套系统中占据更多支出,只是图景的一部分。强化学习(RL)和 agentic AI 给了 NVIDIA 另一个提供独立 CPU 系统的理由。一个 agent 不只是生成回复。它会调用工具、检索信息、运行代码,并在决定下一步之前检查结果。这些执行很多都发生在 CPU 上,而当模型的下一步依赖某个 CPU 任务的结果时,执行慢就会拖慢整个序列。因此,单核性能、内存延迟以及负载下可预测的行为,对 agent 的响应速度变得至关重要。

这些要求与 Vera 88 个 Olympus 核心的设计高度契合,其设计有一个明确的优先级:每个核心都要有强劲性能,并且在整个插槽满载时仍能维持。Olympus 是 NVIDIA 对 Armv9.2 指令集的实现,取代了 Grace 所用的 Neoverse V2 核心。这一区别很重要:Arm 定义处理器运行的指令,而 NVIDIA 设计了取指、调度和执行这些指令的机制。这种掌控让 NVIDIA 能围绕自己的目标调校核心:快速完成单个任务,同时并行运行许多任务。

这个目标的前一半始于每时钟指令数,即 IPC:一个核心在每个时钟周期内平均完成多少条指令。时钟频率决定这些周期多久发生一次;微架构决定这些周期里能塞进多少有用的工作。NVIDIA 声称相比上一代实现了 1.5 倍的 IPC 提升。我们观察到的最高频率为 3.41GHz,但 Vera 的架构更强调每个周期榨取更多工作,并在负载下保持这一进展。这种侧重很重要,因为对于编译器、解释器或数据库操作这类包含一长串依赖步骤的任务,单靠增加核心数并不能让这个序列更快完成。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →