据 CNBC 报道，研究机构 SemiAnalysis 称，NVIDIA 下一代 Kyber rack-scale 架构因制造问题延期超过 12 个月，可能推迟到 2028 年。Kyber 原计划搭配 Vera Rubin Ultra，在单个机柜里放入 144 颗 NVIDIA 高端芯片，让它们像一台巨大计算机一样协同工作。

一句话结论：AI 算力扩张的瓶颈正在从“有没有 GPU”变成“能不能把一整柜 GPU、互连、供电和散热稳定做出来”。

这条新闻比普通新品延期更重要。过去市场谈 NVIDIA，经常把焦点放在 GPU 芯片本身。但大型 AI 训练和推理越来越依赖整柜系统：芯片要密集放置，延迟要低，NVLink 或类似互连要稳定，供电要扛得住，液冷要压得住，云客户还要接受整套设计的成本和运维复杂度。

CNBC 报道称，延期与系统核心电路板制造困难有关；原本的替代方案也因云客户反对而取消。也就是说，NVIDIA 不是简单把更多芯片塞进柜子就行。密度越高，工程问题越不是线性增加，而是互相咬合：板子、连接器、散热、维修、机房布局和客户验证都可能成为单点瓶颈。

OC 的判断是，这会给 AI 硬件竞争带来一个新的观察维度。NVIDIA 仍然强，但它的优势不再只是芯片，而是整套系统工程。如果系统工程延期，AMD、Google TPU 或其他自研加速器未必立刻反超，但会获得讲故事的窗口：客户会更认真比较性能、交付周期、机房适配和总拥有成本。

对开发者和 AI 产品用户来说，这类延期最终会体现为算力价格、模型容量和产品节奏。模型公司想训练更大模型，云厂商想提供更密集集群，企业想要稳定推理容量，都依赖这些整柜系统能不能按时交付。

这也解释了为什么 AI 数据中心越来越像重工业，而不只是互联网服务。它有产品路线图，也有制造良率；有芯片发布会，也有电路板问题；有软件栈，也有水冷和电力限制。AI 热潮继续存在，但越往后，越会被这些看起来不性感的工程细节决定速度。

参考来源

• CNBC：Nvidia's next-gen AI rack system delayed to 2028 on manufacturing snags, SemiAnalysis says