当整个行业还在为 Vera Rubin NVL72 的 60 exaFLOPS 数字狂欢时，NVIDIA 已经在 GTC 2026 上把目光投向了更远的未来——Feynman（费曼）架构。这不是 Rubin 的简单迭代，而是 NVIDIA 首次公开描绘”AI工厂2.0”的完整蓝图：3D芯片堆叠、定制HBM内存、1nm级制程，以及一个彻底重构的机架拓扑。

一、从”协同设计”到”物理重构”：Feynman的战略定位

如果说 Vera Rubin 的核心叙事是极端协同设计（extreme co-design）——用六颗芯片把计算、网络、存储、散热封装成一座AI工厂——那么 Feynman 则要把这场革命推向物理层面。黄仁勋在 GTC 主题演讲中明确指出：”从这里开始的下一代就是 Feynman。”

Feynman 平台由多个全新组件构成，形成完整的代际跃迁：

组件 功能定位 关键创新
Feynman GPU AI算力核心 3D die stacking、定制HBM（或超1TB/包）、TSMC A16 1.6nm制程
Rosa CPU 主机编排 Vera的继任者，以物理学家 Rosalyn Yalow 命名
LP40 LPU 低延迟推理 Groq与NVIDIA协同设计，用NVLink协议集成
BlueField-5 DPU 网络/存储卸载 第五代数据处理单元
NVLink-8 机架级互联 第八代互连带宽
Spectrum7 / CX10 交换与连接 共封装光学（CPO）交换机

值得注意的是，Feynman 的命名延续了 NVIDIA 以物理学家命名架构的传统——继 Newton、Tesla、Ampere、Hopper、Blackwell、Rubin 之后，这次轮到了量子力学奠基人 Richard Feynman。这一选择本身就在暗示：NVIDIA 正试图用”模拟量子系统”的思路来重新定义大规模并行计算。

二、三大颠覆性技术：3D堆叠与定制内存的碰撞

Feynman 最引人注目的三点创新，直接指向 AI 算力长期被诟病的三大瓶颈——带宽墙、功耗墙、物理极限。

1. 3D Die Stacking：打破平面封装的物理天花板

过去十年，NVIDIA 一直采用 CoWoS-L 2D 扇出型封装，把计算 die 和 HBM 颗粒并排平铺。但 Feynman 将首次引入3D芯片堆叠技术——通过 TSMC 的 SoIC（System on Integrated Chips）工艺，把多个计算 die 垂直堆叠在一起。

这种架构的意义在于：它大幅缩短了芯片间的物理距离，从而降低了数据搬运的延迟与功耗。在”内存墙”已成为 AI 推理最大瓶颈的今天，3D堆叠让 HBM 与计算单元更接近，理论上可以把带宽-功耗比提升一个数量级。

2. 定制HBM：突破1TB/包的显存极限

Feynman 将采用 NVIDIA 自研定制 HBM（业界普遍预测为 HBM4E 的增强版或全新的 HBM5），单包容量有望突破 1TB。作为对照，Vera Rubin 单卡为 288GB HBM4——这意味着 Feynman 的显存容量可能实现约 3.5 倍的跃升。

超大显存的战略价值在长上下文推理时代尤为关键：当模型需要把整个 KV cache 留在片上以避免跨 GPU 数据搬运时，内存容量本身就是生产力。

3. A16制程：NVIDIA的1nm级首秀

据台湾供应链报道（NVIDIA尚未正式确认），Feynman 将采用 TSMC A16（1.6nm）制程——这是 NVIDIA 首款”1纳米级别”的芯片。更先进制程不仅带来更高的晶体管密度，还显著降低了每颗晶体管的功耗，直接回应了 AI工厂高能耗的运营痛点。

三、技术深度：为什么3D堆叠是”质变”而非”量变”

要理解 Feynman 的真正价值，需要区分算力提升与数据搬运效率这两个维度。

现代大模型推理的成本瓶颈早已从”算力”转移到”数据搬运”。万亿参数模型的预填充（prefill）和解码（decode）阶段，需要在数百块GPU间移动海量激活值——网络带宽和显存容量才是真正卡脖子的一环。Vera Rubin 正是围绕这个问题重构的产物，而 Feynman 则把这场重构推向了物理极限。

1
2
3
4
5
6
7
8
9
10
11
传统2D封装（Rubin时代）:
┌─────────────┐   平面布线   ┌─────────────┐
│  Compute Die │◄──────────►│  HBM Stacks │
└─────────────┘   (延迟高)   └─────────────┘

3D堆叠（Feynman时代）:
┌─────────────┐
│  Compute Die │  SoIC垂直互连
├─────────────┤  (延迟极低)
│  HBM Stacks │
└─────────────┘

3D堆叠的核心优势在于缩短数据路径。在2D架构中，计算单元与HBM之间需要复杂的平面布线；而在3D堆叠中，两者通过SoIC垂直互连直接”叠”在一起，物理距离从毫米级缩小到微米级。这不仅降低了延迟，还大幅减少了信号传输的功耗——对功耗敏感的AI数据中心而言，每一瓦特的节省都意味着成本的直接下降。

四、影响与未来展望：AI芯片竞争进入”系统+物理”双维度

Feynman 的发布，标志着 AI 芯片竞争从”单卡参数”全面升级为”系统设计 + 物理工艺“的双维度博弈。

对 NVIDIA 而言，Feynman 巩固了它在三个层面的领导地位：制程（A16 1.6nm）、内存（定制HBM突破1TB）、封装（3D堆叠）。这三者共同构成了一道竞争对手难以在短期内逾越的护城河。

对行业而言，Feynman 揭示了几个关键趋势：

  1. AI芯片进入”物理创新”时代。当摩尔定律放缓，单纯靠制程微带来的性能提升已接近极限。3D堆叠、定制内存、共封装光学等”系统级物理创新”成为新的增长引擎。

  2. “AI工厂”范式持续深化。从 Blackwell 的”堆芯片”到 Vera Rubin 的”建工厂”，再到 Feynman 的”重构物理”，NVIDIA 正在把整个数据中心的形态不断集成化、模块化。

  3. 竞争格局进一步固化。当 NVIDIA 用”极端协同设计 + 物理创新”构建起双重护城河时，AMD（MI400系列）和 Intel（Gaudi4）在单点技术上的追赶变得更加困难。

结语

Feynman 是 NVIDIA 为2028年准备的”终极武器”——它不只是 Rubin 的继任者，更是对 AI 算力未来形态的一次彻底重构。当3D堆叠、定制HBM和1nm制程这三项技术交汇于同一颗芯片时，我们看到的不仅是性能的提升，更是整个行业技术边界的拓展。

当然，距离 Feynman 量产还有两年时间——许多细节（尤其是A16制程）仍需供应链进一步确认。但它的发布已经清晰地告诉所有人：AI算力战争的下一站，不在更大的数据中心，而在更小的物理尺度里。 当 NVIDIA 开始用”模拟量子系统”的思路来设计芯片时，这场关于算力、内存与能源的革命，才刚刚进入深水区。