一年前老黄吹的牛皮炸了锅
一年前的某个阳光明媚的分析师电话会议上，Nvidia掌门人皮衣黄Jensen Huang端着咖啡杯，用那种典型的"老黄式淡定"告诉华尔街的精英们，从上一代AI服务器芯片过渡到新一代Blackwell的过程对客户来说"充满挑战性"。
这话说得轻巧得像是在讨论周末去哪儿野餐。
老黄当时掰着手指头数：机框得换、系统架构得改、硬件得升级、供电系统得推倒重来，所有这些东西都得变，目的只有一个，让芯片性能再往上蹿一蹿。这番话当时听起来像是技术进步的阵痛，现在回头看，根本就是灾难预告片的开场白。
实际情况比"充满挑战性"刺激多了。
对于OpenAI、Meta Platforms这些Nvidia的招牌大客户来说，把Blackwell服务器搞上线这件事，直接变成了一场持续数月的科技版《生存挑战》。两位与OpenAI和其他大客户打交道的Nvidia员工，加上一位亲自处理这些烂摊子的Meta员工，异口同声地证实，去年大部分时间，这些科技巨头都在跟Grace Blackwell系统的稳定性死磕。
他们 struggles to set up and use these systems reliably，翻译成人话就是：装上去跑不起来，跑起来会崩溃，崩溃了要重启，重启了还报错。
这些内部人士还补了一刀：相比之下，Blackwell之前的Nvidia AI芯片简直是天使般的存在，客户收到货几周内就能把它们调教得服服帖帖，该训练训练，该推理推理，一点都不闹脾气。
四万亿市值的底气：搞砸了大客户照样数钱
说实话，Nvidia的大客户们在Grace Blackwell芯片上踩的这些坑，放在任何一家普通公司身上都足以让股价腰斩、CEO引咎辞职。但Nvidia不是普通公司，它是"芯片界的灭霸"。
这些技术挫折压根没在这家芯片巨擘的商业版图上砸出多大的坑。Nvidia依然是全球市值最高的公司，4.24万亿美元的市值摆在那里，相当于好几个国家的GDP加在一起。华尔街的投资者们似乎认定，只要AI还在火，Nvidia就永远是那个卖铲子的。
更重要的是，看起来Nvidia终于把阻止大客户快速部署大量芯片的技术bug修得差不多了。
但这种"先搞砸再修复"的模式埋下了隐患。如果未来的Nvidia芯片继续上演这种"发布即灾难"的戏码，竞争对手的机会就来了。Google这种一直在后面虎视眈眈的玩家，要是能让客户更快地把大规模芯片集群跑起来，完全有可能从Nvidia手里抢走蛋糕。
云服务商的日子也不好过。他们为了抢Blackwell芯片砸下去的真金白银，结果因为部署困难导致利润被压缩，这种冤大头当一次就够了。更惨的是那些依赖这些芯片训练下一代AI模型的公司，每一周的延迟都意味着被对手甩开更远。
这篇报道的信息来源包括Nvidia和Meta的员工、使用Nvidia芯片的云服务商工作人员，以及帮数据中心安装这些芯片的Nvidia合作伙伴。
OpenAI和Meta的隐痛：芯片不够大模型就长不大
对于OpenAI和Meta这种量级的客户来说，没法按预期规模使用芯片集群，直接卡死了他们训练更大AI模型的野心。
想象一下，你花了几百亿美金建了个超算中心，结果发现买来的发动机要么过热熄火，要么互相之间沟通不畅，整个车队跑不起来。这种憋屈感，OpenAI和Meta的技术负责人估计深有体会。
虽然这些金主爸爸们没在公开场合抱怨过Nvidia，但一位Nvidia员工透露，有些客户已经私下里跟他们的Nvidia对接人吐苦水了。这种"表面笑嘻嘻，心里mmp"的状态，在硅谷的大客户关系中算是常态。
为了安抚这些怒火中烧的客户，Nvidia去年不得不掏出血本：部分退款、Grace Blackwell相关的折扣，统统安排上。一位云服务商高管和一位参与这些交易的Nvidia员工证实了这笔"安抚费"的存在。
这就像是卖豪车的发现发动机有问题，不得不给车主退部分车款还送保养套餐，面子和里子都丢了不少。
72颗芯片手拉手：成也集群，败也集群
Nvidia和云服务商的高管们表示，他们遇到的主要问题出在一种特殊的服务器上。这种服务器把Grace Blackwell芯片以72颗为一组链接起来，让它们之间能以超高速通信，像一个统一的超级大脑一样工作。
这些服务器还能跟其他服务器联网，组成更大的超级集群，专门用来进行AI模型的密集训练。
这种设计听起来很美好，现实却很骨感。
Nvidia发言人的回应很有公关技巧：公司已经在2024年回应过关于Grace Blackwell系统部署缓慢的问题。当时他们在给The Information的声明里把这些系统称为"人类创造的最先进计算机"，还说需要"与客户共同工程化"。
声明里还写道："Nvidia正在与领先的云服务商合作，将他们作为工程团队和流程的组成部分。工程迭代是正常的，也是预期的。"
翻译一下：我们知道有问题，但这些问题都在计划内，别担心。
OpenAI的基础设施高管Sachin Katti的表态更官方："与Nvidia的合作正在按计划推动我们的研究路线图。我们正在训练和推理中充分利用每一块可用的Nvidia芯片，实现快速迭代和部署，正如最近发布的OpenAI模型所展示的那样。"
Meta的发言人选择了沉默，拒绝置评。
成长的代价：从设计缺陷到GB300救场
有迹象表明Nvidia从这次翻车事故中学到了教训。他们对当前的Grace Blackwell系统做了改进，还在准备今年晚些时候推出的下一代服务器，基于名为Vera Rubin的新芯片。
去年，公司发布了Grace Blackwell芯片的更强版本，确保它们比前辈们跑得更稳。两位参与设计的人士透露，这些更强的芯片叫GB300，散热能力更强，用料和连接器质量也比上一代更高。
Meta的工程师们发现，用新版系统组建集群比原来轻松多了，一位直接了解情况的Meta员工证实了这一点。一些客户比如OpenAI，甚至把还没收到的原版Grace Blackwell订单改成了新版，一位与OpenAI合作的Nvidia员工透露了这个消息。
到了去年秋天，Nvidia告诉投资者，Blackwell相关销售的大部分已经来自改进后的Grace Blackwell服务器，公司计划今年大规模出货这些服务器。
马斯克Elon Musk的xAI在这场部署竞赛中似乎领先了一步：这家重度依赖Nvidia芯片的公司，去年10月已经在孟菲斯的数据中心让大约10万颗Grace Blackwell芯片跑起来了。The Information此前报道过这个数字。不过xAI的方法是否产生了更好的结果，目前还不清楚。
先造再测：硅谷速度的双刃剑
Blackwell项目的目标很明确：帮助客户以比上一代芯片更大的规模、更低的成本训练AI模型。
在Nvidia的上一代服务器里，客户最多只能把8颗芯片连在一起，而且它们之间的通信速度还比较慢。到了Blackwell这一代，Nvidia的目标是通过在一个服务器里把72颗Grace Blackwell芯片串联起来，减少不同服务器之间的数据传输量。这样做能解放数据中心的网络带宽，用来训练和运行更大的AI模型。
把芯片组织成这么大的集群，本来还应该提高训练出的模型质量。一位参与集群建设的Oracle员工说，这些系统旨在限制训练过程中通常会出现的硬件错误数量。
结果，Nvidia的新方法带来了新的脆弱性。
把这么多芯片紧密绑在一起，创造了一个风险：只要有一颗芯片出故障，就可能触发连锁反应，搞垮或扰乱包含数千颗芯片的整个集群。三位有经验的人士表示，公司可能要花几千到几百万美元，才能从上次保存的检查点重启被中断的训练任务。
Nvidia的Grace Blackwell系统 rollout 从一开始就不顺。2024年夏天，随着设计缺陷推迟生产，芯片问题开始浮出水面。一年前，当首批Blackwell芯片运抵客户设施时，过热和连接问题困扰着服务器机架，导致微软、亚马逊云服务、Google和Meta等主要客户减少订单，转而购买老芯片。
几位订购Grace Blackwell的云服务商员工认为，Nvidia在硬件和软件完全准备好之前就发布给客户了。
但一位前Nvidia高管为公司辩护，称72芯片Grace Blackwell服务器的成长阵痛反映了老黄喜欢挑战技术极限的倾向，而不是选择稳妥路线。现任和前任Nvidia员工都认为，指望Nvidia知道它的芯片在OpenAI和Meta这种客户规划的规模下会如何表现，是不现实的。
有迹象表明OpenAI现在正在大规模使用Nvidia的72芯片服务器。周四，OpenAI表示，公司最新的AI编程模型GPT-5.3-Codex就是"共同设计、训练并使用"这些特定系统的。
云服务商的血泪账：等客户付款等得花儿都谢了
整个去年，这些延迟伤害了一些OpenAI的云合作伙伴。他们重金投资Grace Blackwell，原本指望快速上线收回成本，结果芯片趴窝，钱砸进去了回报迟迟不来，一位在两家云服务商任职的高管描述了这种窘境。
云服务商只有在客户开始使用芯片后才能拿到钱，这是行业规矩。
为了缓解资金压力，一些云服务商去年与Nvidia谈判拿到了折扣，允许他们为实际使用的芯片数量支付更少的费用，一位参与这些交易的云服务商高管透露。
Nvidia还为一些客户退回了服务器的款项，一位Nvidia员工和一位在Nvidia制造合作伙伴处工作的人士证实。
云服务商在推出新技术时往往利润微薄，因为在客户开始为硬件付费之前他们就承担了成本。举个例子，在截至8月的三个月里，Oracle因为Blackwell家族芯片的租赁业务损失了近1亿美元。The Information看到的一份文件显示，这笔钱烧在了Oracle准备服务器供客户使用到OpenAI实际开始使用并付费之间的时间差上。
这份作为Oracle云高管内部演示一部分的文件称，Grace Blackwell租赁的负毛利率"主要由"OpenAI在德州阿比林数据中心的Grace Blackwell系统以及"客户验收期"的延迟驱动，这个验收期指的是OpenAI测试和接受硬件所需的时间。
Oracle后来告诉投资者，其AI云业务最终将实现30%到40%的毛利率，包括公司承担费用让数据中心上线的爬坡期。
Oracle发言人拒绝置评。
极客辣评：
一个亮点是对行业权力动态的精准刻画：Nvidia作为无可替代的供应商，即使搞砸了交付，客户也只能私下抱怨、接受补偿，然后继续下单。
这种不对等的关系，在芯片短缺的时代被放大到了极致。