NVIDIA GB300: Что такое Grace Blackwell Ultra и как устроен суперчип

NVIDIA GB300 представляет собой вычислительную платформу Grace Blackwell Ultra, в которой Arm-процессор NVIDIA Grace и GPU поколения Blackwell Ultra связаны когерентным интерфейсом NVLink-C2C. Такая связка дает CPU и GPU согласованный доступ к физически разным пулам памяти, сокращает число лишних копирований данных и позволяет строить системы от настольной DGX Station до полной стойки GB300 NVL72.

Главная причина путаницы состоит в том, что обозначение GB300 встречается у разных конфигураций. Датацентровый суперчип объединяет один Grace CPU с двумя Blackwell Ultra GPU. В одной стойке GB300 NVL72 работают 36 Grace CPU и 72 GPU. Настольный GB300 Grace Blackwell Ultra Desktop Superchip использует один Grace CPU и один Blackwell Ultra GPU. Поэтому характеристика, указанная без названия конкретной системы, может оказаться верной для одного варианта и ошибочной для другого.

Что такое NVIDIA GB300

Полное имя датацентровой платформы звучит как NVIDIA Grace Blackwell Ultra Superchip. Буква G в GB300 указывает на связку с Grace CPU, а B300 относится к GPU Blackwell Ultra внутри этой платформы. Формулировки NVIDIA Blackwell GB300 и GPU NVIDIA GB300 встречаются в поиске, но технически полезнее разделять три уровня:

У NVIDIA GB300 нет одной универсальной спецификации памяти или энергопотребления. Параметры зависят от реализации:

• датацентровый GB300 Superchip содержит один Grace CPU и два Blackwell Ultra GPU;

• GB300 NVL compute tray содержит два таких суперчипа, то есть два Grace CPU и четыре GPU;

• стойка GB300 NVL72 состоит из 18 compute trays, суммарно 36 Grace CPU и 72 GPU;

• настольный GB300 Desktop Superchip содержит один Grace CPU и один Blackwell Ultra GPU.

Из этого следует практическое правило: фразы NVIDIA GB300 характеристики, память GB300 или NVIDIA GB300 цена не имеют точного ответа без указания форм-фактора, производителя и SKU.

Как устроен Grace Blackwell Ultra Superchip

Архитектуру GB300 удобно читать как четыре тесно связанных слоя: CPU, GPU, локальная память каждого процессора и соединяющий их когерентный интерфейс.

Grace CPU

NVIDIA Grace является серверным процессором на архитектуре Arm. Один процессор содержит 72 ядра Arm Neoverse V2 и работает с энергоэффективной LPDDR5X-памятью. В GB300 NVL72 установлено 36 процессоров, поэтому вся стойка содержит 2 592 CPU-ядра.

Задача Grace не сводится к запуску операционной системы. CPU обслуживает подготовку данных, orchestration, сетевой и storage I/O, части inference pipeline, работу с CPU-resident данными и те операции, которые невыгодно выполнять на GPU. Высокая пропускная способность памяти и NVLink-C2C помогают уменьшить разрыв между host и accelerator.

Есть и ограничение: Grace использует Arm64, а не x86_64. Популярные Python-пакеты и контейнеры часто доступны для обеих архитектур, но собственные расширения, проприетарные библиотеки, агенты мониторинга и старое ПО могут требовать пересборки или замены. Проверка Arm64 должна входить в proof of concept до закупки.

Blackwell Ultra GPU

GPU внутри GB300 относится к поколению Blackwell Ultra. Это тот же класс ускорителя B300, который применяется отдельно в HGX B300, но в GB300 он соединен с Grace CPU через NVLink-C2C и входит в другую системную архитектуру.

Blackwell Ultra ориентирован на крупные трансформеры, reasoning inference, обучение, post-training и мультимодальные модели. Основные изменения относительно первого поколения Blackwell связаны с большей емкостью HBM3e, повышенной производительностью FP4 и ускорением attention. Для датацентрового варианта GB300 NVIDIA указывает 279 GB HBM3e и до 8 TB/s на один GPU. Пиковая производительность одного GPU достигает 20 PFLOPS sparse или 15 PFLOPS dense в FP4 при поддерживаемом execution path.

NVLink-C2C между CPU и GPU

NVLink-C2C является chip-to-chip соединением Grace CPU и Blackwell Ultra GPU. Его двунаправленная пропускная способность достигает 900 GB/s. Интерфейс поддерживает аппаратную когерентность памяти, поэтому CPU и GPU могут работать с согласованным представлением данных без ручного управления кешем для поддерживаемых mappings.

Это существенно отличается от обычной схемы x86 CPU плюс PCIe GPU. В традиционной системе приложение часто создает копию данных в оперативной памяти, затем переносит ее в VRAM. В GB300 часть workflows может обращаться к CPU-памяти непосредственно из CUDA-кода или использовать общие структуры данных с меньшим числом явных копирований.

NVLink-C2C не отменяет законы производительности. Доступ GPU к локальной HBM3e быстрее доступа к LPDDR5X через межкристальный канал. Данные, которые постоянно участвуют в матричных вычислениях, лучше держать в HBM3e. CPU-память полезна для больших, менее интенсивно используемых рабочих наборов, offload, подготовки данных и сценариев, где емкость важнее максимальной полосы.

Что означает coherent memory в GB300

В описаниях NVIDIA встречаются термины coherent memory, unified memory и shared address space. Их нельзя понимать как обещание одинаковой скорости для всех байтов памяти.

У GB300 есть два физических пула:

1. HBM3e расположена рядом с GPU и обеспечивает максимальную полосу для weights, activations, KV-cache и рабочих буферов.

2. LPDDR5X подключена к Grace CPU. Она заметно емче обычной VRAM многих ускорителей, но медленнее HBM3e с точки зрения GPU.

Когерентность означает, что аппаратная платформа поддерживает согласованность данных и позволяет CPU и GPU адресовать память без привычной модели полностью изолированных пространств. Она упрощает программирование и дает дополнительные варианты размещения рабочих наборов.

Однако сумма HBM3e и LPDDR5X не равна объему высокоскоростной VRAM. Например, у DGX Station официально заявлено до 748 GB coherent memory: 252 GB HBM3e и 496 GB LPDDR5X. Модель может выйти за предел 252 GB HBM3e и использовать CPU-память, но скорость будет зависеть от шаблона доступа и ограничений NVLink-C2C. Для memory-bound workload это принципиально.

Практический sizing делается в два прохода:

• сначала рассчитывают, что должно постоянно находиться в HBM3e для достижения целевой скорости;

• затем определяют, какие данные допустимо держать в LPDDR5X и насколько offload влияет на latency и throughput.

Характеристики NVIDIA GB300 по вариантам системы

Одна таблица с единственной колонкой GB300 почти неизбежно смешивает несовместимые данные. Ниже параметры разделены по конкретным платформам. Значения относятся к актуальным официальным спецификациям NVIDIA на дату проверки.

Почему в источниках встречаются 279 GB и 252 GB? Для GPU в датацентровой GB300 NVL72 NVIDIA указывает 279 GB HBM3e и 8 TB/s. Текущая спецификация DGX Station использует до 252 GB и 7,1 TB/s. Это разные реализации Blackwell Ultra, а не две версии одной и той же строки. При покупке OEM-системы нужно проверять datasheet конкретной модели, а не переносить цифры из rack-scale продукта на desktop.

Как GB300 превращается в систему NVL72

NVIDIA GB300 NVL72 является не одним сервером в привычном 4U или 8U корпусе, а полностью интегрированной стойкой. В ней вычисления, NVLink fabric, сеть, питание и жидкостное охлаждение проектируются как единая система.

Архитектура собирается иерархически:

1. Один датацентровый GB300 Superchip связывает один Grace CPU и два Blackwell Ultra GPU.

2. Один compute tray содержит два суперчипа, суммарно два Grace CPU и четыре GPU.

3. В стойке находится 18 compute trays, суммарно 36 CPU и 72 GPU.

4. Девять NVLink switch trays содержат NVSwitch ASIC и формируют единый 72-GPU NVLink-домен.

5. ConnectX-8 обслуживает compute fabric, а BlueField-3 DPU отделяет north-south трафик управления, storage и сервисов.

Каждый GPU подключен к 18 NVSwitch пятого поколения. Совокупная полоса NVLink fabric составляет 130 TB/s. Это scale-up контур внутри стойки, предназначенный для тесного взаимодействия GPU. При объединении нескольких стоек добавляется scale-out сеть на InfiniBand или Spectrum-X Ethernet.

Такое разделение важно при чтении спецификаций. 130 TB/s NVLink не является скоростью внешней сети или СХД. 800 Gb/s на GPU относится к сетевой архитектуре ConnectX-8. Storage pipeline имеет собственные ограничения, которые зависят от файловой системы, DPU, количества потоков, размера объектов и схемы кеширования.

Чем настольный GB300 отличается от rack-scale платформы

Запросы NVIDIA GB300 desktop, NVIDIA DGX Station GB300 и суперкомпьютер NVIDIA DGX Station GB300 относятся к другой реализации архитектуры. Это deskside система для исследователя, ML-команды или корпоративной лаборатории, а не уменьшенная стойка NVL72.

DGX Station использует:

• один Grace CPU с 72 ядрами Arm Neoverse V2;

• один Blackwell Ultra GPU;

• до 252 GB HBM3e с полосой 7,1 TB/s;

• до 496 GB LPDDR5X с полосой 396 GB/s;

• до 748 GB когерентной памяти;

• NVLink-C2C 900 GB/s;

• ConnectX-8 с пиковой сетевой полосой до 800 Gb/s;

• до семи MIG instances;

• до 20 PFLOPS sparse FP4.

Настольный формат подходит для локального прототипирования, инференса больших моделей, части задач fine-tuning, data science и разработки приложений перед переносом в кластер. Он не заменяет NVL72, когда нужны десятки GPU, высокая массовая пропускная способность, обучение frontier-моделей или production inference для большого числа пользователей.

NVIDIA B300 и GB300: в чем разница

B300 и GB300 часто считают двумя видеокартами одного поколения. Это неверная модель сравнения. B300 является GPU Blackwell Ultra, а GB300 обозначает Grace Blackwell Ultra Superchip и системы на его основе.

Если приложение жестко зависит от x86-библиотек, а основная работа целиком помещается в HBM, система на HGX B300 может оказаться проще. Если workload выигрывает от большой CPU-памяти, coherent access, host offload или масштабирования в 72-GPU домене, GB300 дает архитектурные преимущества.

GB300 и GB200: что изменилось

Обе платформы связывают Grace CPU и GPU Blackwell через NVLink-C2C. GB300 использует Blackwell Ultra, тогда как GB200 построен на первом поколении Blackwell. Главное изменение связано не с Grace, а с GPU-частью:

• больше HBM3e на GPU;

• выше FP4 compute для поддерживаемых низкоточных сценариев;

• ускоренные attention operations;

• более высокая емкость rack-scale памяти;

• ориентация на reasoning inference, длинный контекст и рост test-time compute.

Переход с GB200 на GB300 имеет смысл, если workload ограничен памятью, attention или плотным FP4 и это подтверждено профилированием. Если система простаивает из-за data pipeline, сети, неэффективного batching или CPU-bound preprocessing, замена поколения GPU может не устранить узкое место.

Для каких задач подходит NVIDIA GB300

Инференс reasoning-моделей

Reasoning-модель генерирует больше промежуточных токенов и тратит больше вычислений на один пользовательский запрос. При росте output length стоимость attention и KV-cache увеличивается. Blackwell Ultra добавляет ресурсы именно в тех местах, которые важны для test-time scaling: FP4, HBM3e и обработка attention.

Результат зависит от software path. Чтобы получить преимущество, inference engine должен поддерживать нужный precision, kernels, parallelism и scheduling. Нельзя переносить цифру из демонстрации производителя на другую модель без одинаковых условий.

Обучение и post-training

GB300 NVL72 подходит для распределенного обучения, supervised fine-tuning, reinforcement learning и других post-training pipelines. Единый NVLink-домен уменьшает цену обменов для tensor, pipeline и expert parallelism внутри стойки. Межстоечное масштабирование по-прежнему зависит от scale-out fabric и качества коллективных операций.

Для небольшой модели полный rack-scale комплекс может быть экономически неоправдан. Восемь B300, более ранняя платформа или несколько профессиональных GPU могут дать достаточную скорость при меньших требованиях к ЦОД.

Mixture-of-Experts и большие модели

MoE использует только часть экспертов на токен, но weights и маршрутизация создают высокие требования к памяти и обменам. Большой NVLink-домен помогает распределять experts между GPU, однако All-to-All pattern остается чувствительным к топологии, placement и software implementation.

Генерация видео и physical AI

Диффузионные модели видео, world models, робототехническая симуляция и multimodal pipelines требуют одновременно высокой вычислительной мощности, памяти и быстрых декодеров. GB300 предназначен для таких нагрузок, но реальный pipeline может включать рендеринг, CPU preprocessing, сеть и хранилище. Эти компоненты надо тестировать вместе с GPU.

RAG и корпоративные AI-сервисы

GB300 способен обслуживать LLM и RAG, но retrieval сам по себе редко требует флагманской стойки. Нужно разделить:

• embedding и построение индекса;

• vector search;

• reranking;

• генерацию ответа;

• хранение документов и метаданных.

NVL72 оправдана, когда генеративная часть крупная, трафик высокий или один кластер должен обслуживать несколько тяжелых моделей. Для большинства корпоративных баз знаний рациональнее начать с меньшего сервера и масштабировать после измерения нагрузки.

Если термины модели, токена и инференса пока не зафиксированы, сначала полезно прочитать как работает большая языковая модель.

Программный стек и совместимость GB300

Наличие подходящего CUDA-драйвера не гарантирует готовность приложения. NVIDIA GB300 имеет compute capability 10.3. CUDA Toolkit 13.0 официально поддерживает B300 и GB300, но вся цепочка должна быть совместима с GPU и Arm64 host.

Проверять нужно следующие уровни:

1. Firmware, BMC, NVSwitch и platform software от конкретного OEM.

2. NVIDIA driver и CUDA runtime из поддерживаемой матрицы.

3. NCCL, NVSHMEM, Fabric Manager и IMEX для multi-node NVLink.

4. Framework: PyTorch, JAX, TensorFlow или другой runtime.

5. Inference engine: TensorRT-LLM, NVIDIA Dynamo, vLLM, SGLang либо собственное решение.

6. CUDA extensions, custom kernels, quantization libraries и attention implementation.

7. Контейнеры и host-side зависимости для linux/arm64.

8. Monitoring, scheduler, secrets, backup и security agents.

В DGX Station NVIDIA описывает hardware-coherent доступ через ATS и режим управления coherent memory. При этом сама документация рекомендует сохранять performance-critical данные в GPU HBM и не использовать unified memory как универсальную замену осознанному размещению памяти.

Что проверить в proof of concept

Минимальный PoC должен повторять production workload, а не запускать один synthetic benchmark. Зафиксируйте:

• точную модель и revision;

• precision и quantization recipe;

• входную и выходную длину;

• batch size и число параллельных запросов;

• размещение weights и KV-cache;

• tensor, pipeline, data или expert parallelism;

• версию driver, CUDA, framework, engine и container image;

• latency по percentiles, throughput, ошибки и quality metric;

• HBM utilization, CPU memory, NVLink, сеть, storage I/O, power и температуры.

Если тест проводится на одной DGX Station, его результат нельзя линейно умножать на 72 для прогноза NVL72. В большой системе появляются коллективные операции, scheduler, network contention, storage pressure и отказы отдельных компонентов.

Требования к сети, СХД и площадке

Scale-up и scale-out сеть

Внутри GB300 NVL72 GPU связаны NVLink и NVSwitch. Это scale-up fabric. Для обмена между стойками используется scale-out сеть, например Quantum-X800 InfiniBand или Spectrum-X Ethernet с RDMA. У каждого контура своя роль, и они не заменяют друг друга.

Для текущей Enterprise Reference Architecture каждый compute tray содержит четыре ConnectX-8 HCA и один BlueField-3 DPU. NVIDIA указывает до 800 Gb/s compute network connectivity на GPU. Проектирование такой сети включает rail topology, oversubscription, маршрутизацию, кабели, оптику, MTU, congestion control, telemetry и fault domains.

Методика выбора внешней сети разобрана в руководстве как выбрать сеть 100, 200 или 400 Гбит/с для GPU-кластера. Для GB300 NVL72 фактический проект может использовать 800 Gb/s adapters и несколько 400 Gb/s портов, поэтому номинал одного порта не описывает всю fabric.

Хранилище

СХД должна обеспечивать не только большую емкость, но и требуемые IOPS, последовательную полосу, metadata operations и parallel access. Training pipeline с миллионами мелких файлов, checkpointing и inference с локальным model cache создают разные профили.

В compute tray предусмотрены локальные NVMe для ОС и cache. Они не заменяют централизованное хранилище датасетов, checkpoints и артефактов. Архитектуру уровней хранения стоит проектировать вместе с системой хранения данных для AI и серверной инфраструктуры.

Электропитание и охлаждение

В актуальной NVIDIA Enterprise Reference Architecture полная стойка GB300 NVL72 требует до 142 kW и использует жидкостное охлаждение с контролем утечек. Это показатель конкретной reference configuration, а не универсальная цифра для любого OEM и режима нагрузки.

До заказа проверяют:

• доступную мощность и резервирование на стойку;

• busbar, PDU и схему распределения питания;

• параметры теплоносителя и CDU;

• температуру, давление, расход и качество воды;

• возможность отвода тепла при отказе одного контура;

• массу стойки, нагрузку на пол и габариты пути заноса;

• пожарную безопасность и процедуру аварийного отключения;

• мониторинг питания, жидкости, температур и NVLink fabric.

Как понять, нужен ли вам GB300

Начинать с названия ускорителя рискованно. Сначала фиксируют задачу и требования к сервису.

Шаг 1. Опишите workload

Нужны точные ответы:

• обучение, fine-tuning или инференс;

• название и размер модели;

• dense или MoE;

• precision и допустимая потеря качества;

• контекст, средняя длина input и output;

• число одновременных пользователей;

• целевой tokens/s, latency и availability;

• объем датасета, checkpoint и срок обучения.

Шаг 2. Рассчитайте память

Отдельно оцените weights, optimizer states, gradients, activations, KV-cache, framework overhead и резерв. Для coherent memory укажите, какая часть обязана находиться в HBM3e, а что допустимо вынести в LPDDR5X.

Шаг 3. Выберите масштаб

Условно выбор выглядит так:

Шаг 4. Проверьте software stack

Соберите контейнер для Arm64, запустите custom extensions, проверьте model engine и выполните PoC. Ошибка no kernel image, отсутствие wheel для aarch64 или зависимость от x86-инструкций должны обнаружиться до поставки.

Шаг 5. Проверьте площадку и TCO

К стоимости системы добавляются сеть, СХД, кабели, оптика, CDU, электрораспределение, лицензии, монтаж, запасные части, сервис и эксплуатационная команда. Для NVL72 цена оборудования представляет только одну часть проекта.

Общий алгоритм подбора вычислительной платформы есть в материале как выбрать сервер для ИИ по GPU, VRAM, памяти и конфигурации.

Когда GB300 не нужен

Флагманская архитектура может быть технически интересной, но экономически неверной. Рассмотрите более компактную систему, если:

• модель и KV-cache помещаются в одну или несколько доступных GPU;

• нагрузка нерегулярна и не заполняет дорогую платформу;

• latency определяется сетью приложения или внешней базой данных;

• inference engine не использует FP4 и Blackwell Ultra kernels;

• приложение требует x86-only библиотеку без Arm64 версии;

• площадка не готова к жидкостному охлаждению и высокой мощности;

• нужна одна рабочая станция, а не rack-scale кластер;

• цель состоит в retrieval, классическом ML или preprocessing, а не в тяжелом LLM execution.

NVIDIA GB300: цена и покупка системы

У запроса NVIDIA GB300 цена нет стабильного числа. Под названием GB300 продаются разные классы оборудования, от deskside workstation до полной liquid-cooled стойки. Стоимость зависит от производителя, состава памяти и storage, сети, сервисного контракта, логистики, пусконаладки и инженерной готовности ЦОД.

Запрашивая предложение, укажите:

• desktop GB300, compute tray, полную NVL72 или multi-rack комплекс;

• OEM и точный SKU;

• объем HBM3e и LPDDR5X по спецификации;

• NIC, DPU, коммутаторы, кабели и оптику;

• локальные NVMe и внешнюю СХД;

• требования к CDU и электропитанию;

• программный образ и состав acceptance tests;

• гарантию, SLA, запасные части и монтаж.

Для сравнения производителей используйте единую ведомость параметров. Цена одной стойки без сети и ввода в эксплуатацию не сопоставима с предложением, где включены fabric, cooling, монтаж и тестирование.

Типичные ошибки при выборе GB300

Считать GB300 одной видеокартой

Система не устанавливается в случайный PCIe-слот. Даже desktop GB300 представляет законченную CPU-GPU платформу. Датацентровый вариант проектируется на уровне compute tray и rack.

Складывать HBM3e и LPDDR5X как одинаковую VRAM

Coherent address space упрощает доступ к данным, но HBM3e и CPU memory имеют разную полосу и задержку. Для performance-critical части модели важен именно HBM budget.

Переносить характеристики NVL72 на DGX Station

У rack-scale GPU заявлено 279 GB HBM3e, у актуальной DGX Station до 252 GB. Количество GPU, память, power и networking у этих вариантов различаются.

Игнорировать Arm64

Framework может запускаться, а одна критичная библиотека или extension оставаться x86-only. Нужен полный application test, включая monitoring и эксплуатационные агенты.

Приравнивать PFLOPS к tokens/s

FP4 peak не учитывает memory traffic, communication, quantization overhead, scheduler и особенности модели. Требуется benchmark на реальном workload.

Заказывать rack до обследования ЦОД

Питание до 142 kW и liquid cooling нельзя добавить после поставки как мелкую опцию. Инженерная часть входит в архитектуру решения.

Чек-лист технического задания на GB300

Перед запросом коммерческого предложения подготовьте документ из восьми блоков:

1. Модели и datasets с источниками и лицензиями.

2. Режимы обучения, fine-tuning и inference.

3. Precision, качество, latency, throughput и availability.

4. Расчет HBM3e, LPDDR5X и локального cache.

5. Топология GPU, параллелизм и число стоек.

6. Compute, storage, management и external network.

7. Электропитание, cooling, размещение и сервис.

8. Acceptance tests с критериями успешной приемки.

Частые вопросы о NVIDIA GB300

Что такое NVIDIA GB300 простыми словами?

NVIDIA GB300 представляет платформу Grace Blackwell Ultra, где серверный Arm-процессор Grace и GPU Blackwell Ultra связаны быстрым когерентным NVLink-C2C. На этой архитектуре строятся настольная DGX Station и rack-scale система GB300 NVL72.

GB300 является GPU или суперчипом?

В датацентровой терминологии GB300 относится к Grace Blackwell Ultra Superchip, который объединяет один Grace CPU и два B300 GPU. В DGX Station используется desktop-вариант с одним Grace CPU и одним Blackwell Ultra GPU. Поэтому корректнее называть GB300 платформой или суперчипом, а не отдельной видеокартой.

Чем NVIDIA B300 отличается от GB300?

B300 является отдельным GPU Blackwell Ultra. GB300 добавляет Grace CPU, NVLink-C2C и coherent memory architecture. Готовые системы также различаются: B300 применяется в HGX и DGX B300, а GB300 в DGX Station и NVL72.

Сколько памяти у NVIDIA GB300?

Ответ зависит от системы. В GB300 NVL72 NVIDIA указывает 20 TB HBM3e и 17 TB LPDDR5X на всю стойку. У актуальной DGX Station заявлено до 252 GB HBM3e и 496 GB LPDDR5X, суммарно до 748 GB coherent memory.

Можно ли считать coherent memory обычной VRAM?

Нет. HBM3e и LPDDR5X физически разделены и имеют разную пропускную способность. GPU может когерентно обращаться к CPU memory, но самые чувствительные к полосе данные лучше размещать в HBM3e.

Что такое NVIDIA GB300 NVL72?

Это liquid-cooled rack-scale система с 72 Blackwell Ultra GPU и 36 Grace CPU. В стойке 18 compute trays и 9 NVLink switch trays, а все GPU образуют единый NVLink-домен с совокупной полосой 130 TB/s.

Что такое NVIDIA DGX Station GB300?

Это настольный AI-суперкомпьютер на GB300 Desktop Superchip с одним Grace CPU, одним Blackwell Ultra GPU и до 748 GB coherent memory. Он предназначен для локальной разработки, инференса, fine-tuning и data science.

Какая CUDA нужна для GB300?

GB300 имеет compute capability 10.3. CUDA Toolkit 13.0 официально поддерживает B300 и GB300. Для production нужно выбирать согласованную версию driver, runtime, framework, libraries и container, а не обновлять CUDA изолированно.

Сколько стоит NVIDIA GB300?

Цена зависит от класса системы и состава проекта. DGX Station или OEM workstation, отдельный compute tray и полная NVL72 отличаются на порядок по масштабу. Коммерческое предложение должно учитывать сеть, СХД, cooling, электропитание, ПО, монтаж и сервис.

Можно ли купить GB300 и установить в существующий сервер?

Как обычную PCIe-видеокарту, нет. GB300 поставляется в составе интегрированной платформы. Для существующего ЦОД сначала проверяют совместимость стойки, питания, охлаждения, сети и программного стека.

Как выбрать конфигурацию NVIDIA GB300

Для локальной разработки и работы одной команды обычно рассматривают DGX Station или OEM-систему класса desktop GB300. Для 72-GPU scale-up домена, тяжелого обучения и массового reasoning inference выбирают GB300 NVL72. Между ними находится класс x86 серверов HGX B300, который может быть рациональнее при жесткой зависимости от x86 software или меньшем масштабе.