产棱拆解04 |一块计算 Tray 里到底有什么？从 Rubin GPU 一直拆到 MLCC 与冷板

产棱 · 技术拆解 04

单模块深拆篇｜从一颗GPU走进一块AI计算板

图1｜Compute Tray的系统构成

第一章｜先定义：什么是Compute Tray？

在NVL72这样的rack-scale accelerator中，Compute Tray是连接“芯片”和“整机柜”的关键中间层。按照本系列前文采用的结构口径，18个Compute Tray共同承载72颗Rubin GPU与36颗Vera CPU，因此平均每个Tray对应4颗GPU与2颗CPU。

第二章｜第一层：Rubin GPU——所有约束的起点

GPU是Compute Tray价值量最高的单一器件，但对产业研究而言，更重要的是GPU本身并不是终点。GPU性能越强，周围的内存、供电、散热和高速互联要求越高。

因此，GPU升级并不是单点升级，而是一个系统升级的触发器。

第三章｜第二层：HBM4——GPU为什么越来越依赖“贴身内存”？

AI计算中，算力只是一个维度。模型参数和中间数据需要持续被供给给计算单元，内存带宽因此成为系统性能的重要约束。HBM通过先进封装与GPU形成紧密耦合，使高带宽内存成为AI加速器的重要组成。

1. HBM不是普通DIMM，而是与GPU封装高度耦合的高带宽内存体系。
2. HBM容量、带宽和堆叠层数变化，会直接影响封装复杂度。
3. HBM需求增长会继续向DRAM晶圆、TSV、封装、测试和先进基板传导。
4. HBM越靠近GPU，封装与散热越成为系统工程问题。

3.1 HBM为什么会成为Compute Tray价值量的重要部分？

因为AI计算已经从“CPU负责大部分通用计算、GPU负责加速”转向大规模加速计算。GPU需要持续读取大量数据，计算单元越强，数据供给能力的重要性越高。于是，GPU和HBM逐渐成为一个共同的计算单元。

第四章｜第三层：Vera CPU + LPDDR5X——为什么AI机柜仍然需要CPU？

GPU负责大规模并行计算，但一台完整的AI计算系统仍然需要CPU承担系统控制、数据处理、任务调度以及与其他系统资源协同的工作。Vera CPU因此构成Compute Tray的另一条计算路径。

从产业链角度看，CPU本身的BOM占比可能远低于GPU，但它并不意味着系统价值低。一个部件的研究价值不等于它的采购金额，还取决于它是否是系统功能不可替代的节点。

第五章｜第四层：高速PCB——真正把芯片连接起来的“物理神经系统”

图2｜Compute Tray内部：算力、内存、高速信号与供电共同工作

GPU、HBM和CPU之间的电气连接最终必须落到封装、PCB和连接器上。随着高速SerDes速率提升，PCB不再只是“承载元件的绿板”，而成为高速信号通道的一部分。

第六章｜第五层：MLCC——最不起眼，却承担电源稳定性

MLCC通常不是AI机柜最显眼的器件，却承担关键的去耦和电源完整性功能。GPU负载变化快、瞬态电流大，板级供电网络必须尽量降低电压波动和噪声。

1. MLCC用于局部去耦，抑制电源网络中的高频噪声。
2. 高性能GPU板卡通常需要大量分布式去耦器件。
3. 随着供电电流和频率提升，电源完整性设计的重要性同步提高。
4. MLCC数量与规格变化应放在VRM、电源网络和GPU负载变化中理解，而不是单独看需求。

第七章｜第六层：冷板——算力最终都会变成热

Compute Tray的另一端是热管理。GPU、HBM、CPU及其供电系统消耗的电能最终大部分转化为热。随着机柜功率持续提升，传统风冷的适用边界被不断推高，液冷逐渐成为高密度AI系统的重要基础设施。

这意味着液冷并不是“加一个冷板”这么简单。Compute Tray只是整个液冷系统中的一个节点。

第八章｜把一块Compute Tray看成一个“微型数据中心”

当GPU、HBM、CPU、PCB、MLCC、供电和冷板全部被放进同一物理模块后，一块Compute Tray实际上已经具备了一个小型计算节点所需要的大部分核心能力。

图3｜从GPU性能到系统外围：技术压力沿物理链条逐层传导

第九章｜为什么GPU升级最终会带动PCB、连接器和液冷？

这是一条非常典型的产业传导链：GPU不是孤立升级，而是对周边系统施加新的约束。

1. 算力密度上升 → 单位面积计算能力提高。
2. HBM带宽上升 → 封装和内存体系复杂度提高。
3. SerDes速率上升 → PCB和连接器的信号损耗问题更加突出。
4. GPU功耗上升 → VRM、MLCC和供电系统承压。
5. 热流密度上升 → 冷板、歧管和CDU的重要性提高。
6. Tray模块化 → 高速盲插连接、机械公差和制造测试的重要性提高。

第十章｜Compute Tray的BOM，不能只按金额排序

第一篇已经解决了“整机柜780万美元怎么分布”的问题。本篇进一步说明：即使某个部件BOM占比很低，只要它处于关键系统约束节点，就可能具有较高研究价值。

第十一章｜从一块Tray向上游继续拆：产棱产业传导图

第十二章｜本篇结论：一块Tray，就是一条浓缩的AI硬件产业链

1. Compute Tray是连接芯片与整机柜的关键中间层。
2. Rubin GPU决定算力，但HBM决定数据供给能力，CPU承担系统协同。
3. 高速PCB、连接器和封装共同构成高速信号路径。
4. MLCC等小器件虽然BOM占比低，却承担电源完整性等关键功能。
5. 冷板把高功耗芯片产生的热量纳入机柜级液冷系统。
6. GPU升级会把压力同步传导到HBM、PCB、连接器、供电和液冷。
7. 因此，AI硬件产业链的价值并不是从GPU向外简单扩散，而是沿着技术约束逐层迁移。

附录｜研究口径与边界

1. 本文沿用本系列前文VR200-NVL72的研究结构口径：18个Compute Tray、72颗Rubin GPU、36颗Vera CPU。
2. 本文重点讨论Compute Tray作为物理模块的功能构成与产业传导，不重复第一篇整柜BOM表。
3. 具体芯片、内存容量、封装及供应商参数应以公开资料和后续拆解证据持续校验。
4. 本文不将后续Kyber/Rubin Ultra的特定Orthogonal Backplane规格直接倒推为当前VR200-NVL72的确定配置。
5. 用途：产业技术研究与价值链分析，不构成投资建议。

产棱｜技术拆解 04