輝達在 2026 年台北國際電腦展期間拿出了 AI 工廠的“施工圖”。6 月 1 日，公司正式釋出 NVIDIA DSX 平台，一份從晶片到機房、端到端定義下一代 AI 基礎設施的設計與運營規範。平台並非單一產品，而是一套經過驗證的參考架構，涵蓋 DGX 超級計算機、Spectrum-X 乙太網路交換平台、液冷熱管理設計、資料中心物理佈局以及 NVIDIA AI Enterprise 軟體棧，並提前納入了多家伺服器 ODM 和雲服務商的預整合方案。

與以往分散提供不同元件的方式不同，DSX 的核心邏輯是“向整體要效率”。它直接瞄準生成式 AI 最敏感的經濟指標——每生成一個 Token 的成本，同時承諾將 AI 工廠從上電到產出首個有效推理結果的“首次投產時間”壓到最短。這相當於給基礎設施建造商一份標準操作手冊，告訴他們如何配置算力、網路、冷卻和管理軟體，才能讓數千張 GPU 真正像工廠流水線一樣穩定、低成本地輸出智慧。

這一動作的背景是，黃仁勳在過去幾年反覆強調資料中心正在向“AI 工廠”轉型，即不再是單純的儲存與計算設施，而是製造數字智慧的生產單元。然而，從概念到落地，行業一直缺少一套被廣泛認可的實施標準。DSX 應運而生，它將輝達內部在建造大規模 GPU 叢集時積累的工程經驗封裝輸出，同時也綁定了自家硬體與軟體生態。

站在“五層蛋糕”視角看，DSX 紮根於基礎設施層，向下直接拉動晶片層的高階 GPU 需求，向上為模型層的訓練與推理提供更可預測的算力供給，而它對液冷和能效設計的強調，則與能源層的最佳化形成呼應。產業層面對此的解讀較為一致：對於廣達、富士康等伺服器製造商和 CoreWeave 等 AI 雲廠商，DSX 意味著更快的交付速度和更低的定製風險；對於微軟、Meta 這類自建 AI 基礎設施的巨頭，它可能成為內部建設的對標基線，同時也可能加深其對輝達方案的結構性依賴。

更長遠地看，如果 DSX 對每 Token 成本的最佳化達到預期，AI 應用層的創新門檻將被進一步降低，這或許會催生更多需要海量推理的消費級和企業級 AI 產品。當然，能否真正兌現“最低 Token 成本”的承諾，還要看規模部署後的實際資料，但 DSX 的釋出已經清楚表明，輝達正試圖在 AI 工廠的物理建造環節，複製其在 GPU 領域的主導力。