全球主流计算机制造商——戴尔科技、慧与、联想、超微，以及云服务领域巨头AWS、谷歌云、Microsoft Azure、Oracle Cloud Infrastructure——均已入局，基于H100打造的产品下月起将正式供货。这不是纸上蓝图，而是切实落地的产业实践。

就在今天，NVIDIA正式宣布：H100 Tensor Core GPU已全面进入量产阶段。全球技术合作伙伴计划从10月起陆续推出首批基于Hopper架构的产品与服务，节奏紧凑、推进迅速。

H100今年4月才发布，但技术底蕴极为扎实——由800亿个晶体管构成，集成了多项突破性技术，例如全新的Transformer引擎和NVLink互连技术。这些技术专门用于加速超大尺寸AI模型，包括高级推荐系统、大型语言模型，以及正在驱动对话式AI、药物发现等前沿领域的创新应用。

NVIDIA创始人兼CEO黄仁勋明确指出：“Hopper是AI工厂的新引擎。它能够高效处理和挖掘海量数据，训练参数规模达数万亿的模型——这些模型将推动基于语言的AI、机器人技术、医疗及生命科学持续进步。Hopper的Transformer引擎将性能直接提升了一个数量级，让大规模AI与HPC真正成为企业和研究人员手中强有力的工具。”

除Hopper架构与Transformer引擎外，H100 GPU还集成了多项关键创新：第二代多实例GPU、机密计算、第四代NVLink以及DPX指令集。这些技术的协同作用，使NVIDIA加速计算数据中心平台完成了实质性的跨越式升级。

值得特别关注的是，用于主流服务器的H100现在捆绑了为期五年的NVIDIA AI Enterprise软件套件许可。这意味着企业可以更顺畅地完成AI工作流的开发和部署——无论是构建AI聊天机器人、推荐引擎还是视觉AI应用，都能获得所需的框架与工具。

Hopper的全球推广

从商业角度来看，H100最直接的价值在于帮助企业大幅降低AI部署成本。与上一代相比，在提供相同AI性能的前提下，能效提升了3.5倍，总体拥有成本降至原来的三分之一，所需服务器节点数仅为五分之一——这才是真正的降本增效。

对于希望第一时间体验的客户，NVIDIA已开放NVIDIA LaunchPad，该平台基于戴尔PowerEdge服务器上的H100，提供免费的动手实操实验室。企业无需等待设备到货，即可直接接触最新的硬件与NVIDIA AI软件。

NVIDIA DGX H100系统现已接受预定。每个系统集成8块H100 GPU，FP8精度下峰值性能可达32 PFlops。系统内置NVIDIA Base Command与AI Enterprise软件，可从单个节点无缝扩展至NVIDIA DGX SuperPOD集群，非常适合大型语言模型及其他大规模工作负载的高级AI开发。

全球领先计算机制造商提供的H100系统预计在未来几周内陆续发货。到今年年底，市场将迎来超过50款搭载H100的服务器型号，2023年上半年还会新增数十款。目前正在搭建系统的合作伙伴包括源讯（Atos）、思科、戴尔科技、富士通、技嘉科技、慧与、联想和超微。

与此同时，一批全球顶尖的高等教育及研究机构也将借助H100构建新一代超级计算机——巴塞罗那超级计算中心、洛斯阿拉莫斯国家实验室、瑞士国家超级计算中心（CSCS）、德州高级计算中心以及筑波大学均已确认部署计划。

H100走向云端

AWS、谷歌云、Microsoft Azure、Oracle Cloud Infrastructure将从明年开始率先在云端部署基于H100的实例。这意味着云端AI算力将迎来一次显著的性能升级。

Microsoft Azure AI基础设施总经理Nidhi Chappell表示：“我们非常期待在Azure最新的H100 GPU上实现下一代AI模型。Hopper架构的进步，加上我们在Azure AI超级计算领域的持续投入，将有效加速全球AI的发展。”

Oracle Cloud Infrastructure产品管理副总裁Karan Batta补充道：“通过为客户提供NVIDIA最新的H100 GPU，我们能够加速其最复杂的机器学习与HPC工作负载。凭借新一代H100 GPU，我们不仅能支持内部严苛的工作负载，还能助力医疗、自动驾驶、机器人与物联网领域的客户实现突破。”

NVIDIA的软件支持

H100的Transformer引擎技术可以让企业更快地开发精度更高的大型语言模型。但模型规模越大，复杂性也相应提升，部分模型的训练周期甚至长达数月。如何解决这一挑战？目前，一些全球领先的大型语言模型及深度学习框架正在H100上进行专项优化，包括NVIDIA NeMo Megatron、Microsoft DeepSpeed、Google JAX、PyTorch、TensorFlow和XLA。这些框架与Hopper架构深度协同，能够显著提升AI性能，将大型语言模型的训练时间从数月缩短至几天甚至几小时——这才是真正的生产力释放。