摘要：毕竟 NVIDIA 首席执行官黄仁勋则在媒体采访时表示，新的替代方案不会基于 Hopper 架构，因为 H20已经因内存和互连带宽过高而受到惩罚，Blackwell 是目前唯一适应美国要求的架构。

最近，媒体报道，英伟达正在为中国市场研发一款名为“B30”的降规版AI芯片，这一消息引发广泛关注。

作为 H20 的“继任者”，B30 的消息迅速成为大众焦点，那么它的性能如何？相比 H20 有哪些优劣势？适合哪些应用领域？

今天我们就来聊聊 B30 这款芯片到底怎么样？

本文基于公开数据与行业调研，从参数、应用到替代方案进行全面解读，力求数据准确、客观中立。

一、产品参数详解：B30 与 H20 的核心差异

毫无疑问，B30 的技术规格是英伟达在芯片禁令下的推出“妥协方案”。

根据 The Information 的报道：B30 基于 Blackwell 架构的降规版AI芯片，这也符合之前大多数人的预测。

毕竟 NVIDIA 首席执行官黄仁勋则在媒体采访时表示，新的替代方案不会基于 Hopper 架构，因为 H20已经因内存和互连带宽过高而受到惩罚，Blackwell 是目前唯一适应美国要求的架构。

在内存和芯片方面，B30 从HBM 内存转向 GDDR7 内存 GB20X 芯片，这与消费级 RTX 50 系列显卡相同。

相比H20，内存这块变化还是比较大的。

H20 凭借 96GB HBM3 显存和 4.0TB/s 带宽，在大模型推理中可直接加载全量参数（如 DeepSeek-R1 671B），避免数据分片导致的延迟。

而 B30 采用 GDDR7 显存，虽通过动态压缩技术将有效带宽提升至 1.2 TB/s，但在处理高精度 FP16 计算时仍存在瓶颈。例如，H20 在 4096 长文本输入场景下的吞吐量达 961.45 token/s（192 并发），而 B30 受限于显存带宽，同场景性能仅为 H20 的 60%。

另外一个比较大的变化是这款 B30 芯片将首度支持多 GPU 扩展，允许用户通过连接多组芯片来打造更高性能的计算集群。

然而，可扩展性 GPU 并不是支持 NVLink，因为它之前被排除在消费者 GPU，曝光出来的是通过 PCIe 6.0连接配备的ConnectX-8 网卡。在 Computex 上，NVIDIA 已经推出了搭载 RTX Pro Blackwell 的服务器，其中包括多达 8 个 GPU，就是采用的这种互联方式。

目前，H20的NVLink 900GB/s 互联带宽是B30 ConnectX-8 方案（100GB/s）的9倍，在多卡集群中表现出显著优势。测试显示，8 卡 H20 集群的分布式训练通信效率达NVLink理论值的 92%，而 B30 集群在 16 卡以上时延迟飙升，效率下降至70%。这使得 H20 更适合千亿参数模型训练，而 B30 在中小型集群中性价比更高。

另外，有传言称，B30是基于Blackwell架构的一系列加速器的一部分，其可能有不同版本，如RTX Pro 6000D、B40和B20。

二、应用场景：谁在用H20与B30？

B30 的 FP32 算力（200 TFLOPS）是 H20（44 TFLOPS）的 4.5 倍。但B30单卡性能虽不及 H20，却能通过堆叠数量实现集群算力提升。

据了解字节跳动、腾讯等互联网巨头已释放测试意向。在训练千亿参数模型的场景中，100 块 B30 组成的集群理论性能可达 H20 集群的 85%，但采购成本仅需 60%。

但对于需要单卡高带宽的垂直领域模型训练，B30 的显存带宽却缩水至 H20 的45%。

值得注意的是，H20 的 FP16 稀疏算力（148 TFLOPS）和 FP8 支持（296 TFLOPS）使其在生成式 AI 推理中效率更高。例如，H20 在 ResNet-50 训练中的能效比（TOPS/W）为 H20 的 82%，但 B30 通过降低功耗（250W vs 400W）实现单位成本下降 58%。

B30 售价预计在 6500 美元至 8000 美元之间，低于 1万 至 1.2 万 美元的 H20 芯片，又高于部分国产芯片，适合预算有限但需要中等算力的企业。

我们先来回顾一下H20主要用途：

AI推理：适合企业部署已训练好的大模型（如GPT-3.5级别），例如智能客服、图像识别。

轻量级训练：小型实验室可用多卡集群（如40颗H20模拟单卡H100）进行千亿参数模型训练。

云计算：部分云服务商将其作为低价AI算力选项，但性能受限导致客户流失风险高。

那么 B30 主要适用哪些领域呢？

B30 芯片作为降规版，单芯片算力低于 H20，但通过多GPU扩展可提升整体性能，适合对成本敏感但需要一定扩展性的应用场景。

此次 B30 芯片正是英伟达为中国市场定制的降规版？AI 芯片，虽然舍弃高端 HBM 显存，导致单卡显存带宽缩水。但是支持多 GPU 集群部署，且深度兼容 CUDA-X 软件栈，可无缝迁移主流深度学习框架（如 PyTorch、TensorFlow），降低企业技术适配成本。

而且，NVIDIA B30作为一款针对中国市场推出的降规版AI芯片，凭借其独特的性能与成本优势，应然会在众多应用场景中展现出极高的适用性，成为众多企业和机构的优选。

1、中小模型训练与推理：灵活高效的算力支持

在人工智能的众多应用中，中小模型的训练与推理是极为常见的需求。NVIDIA B30通过其多GPU扩展能力，能够构建高性能计算集群，为中小模型训练提供强大支持。

例如，100块B30组成的集群，理论性能可达H20集群的85%，但采购成本仅需60%。这种高性价比的集群方案，使得企业在进行中小模型训练时，能够在有限的预算内获得更优的算力配置。

对于推理任务，B30 同样表现出色。在一些对单卡带宽要求不高的场景，如文本生成、客服机器人等，B30 能够提供稳定高效的推理性能。其多 GPU互联技术可以有效提升推理效率，满足大规模推理任务的需求。这种灵活性使得 B30 在中小模型训练与推理领域具有显著优势。

2、云服务提供商：低成本算力池的构建者

云服务提供商作为AI算力的重要供应方，面临着成本与性能的双重挑战。NVIDIA B30 凭借其高性价比，成为云服务提供商的理想选择。其集群方案能够在较低成本下提供可用的算力支持，满足中小规模计算需求。例如，云服务提供商可以利用B30的多GPU扩展能力，快速搭建和扩展算力资源，为用户提供更具竞争力的AI服务。

此外，B30 的深度兼容 CUDA-X 软件栈，使其能够无缝迁移主流深度学习框架，如 PyTorch、TensorFlow 等。这一特性大大降低了云服务提供商的技术适配成本，提高了服务的稳定性和可靠性。对于依赖英伟达软件栈的用户，B30 不仅提供了高性价比的算力，还确保了技术生态的兼容性。

3、中小企业与学术研究：助力业务拓展与科研创新

中小企业和学术研究机构在AI领域的探索中，往往受到成本和算力的双重限制。NVIDIA B30的出现，为这些机构提供了一个理想的解决方案。

对于中小企业来说，B30的集群方案能够在较低成本下提供足够的算力支持，帮助企业在AI领域进行业务拓展。例如，企业可以利用B30的多GPU扩展能力，快速搭建AI模型训练平台，提升业务效率和竞争力。

在学术研究领域，B30同样具有重要意义。一些对算力需求不是极度苛刻的科研项目，如基础算法研究、小规模模型训练等，B30可以作为低成本的计算平台，支持科研人员进行模型训练和实验。其多GPU扩展能力和CUDA生态适配性，使得科研人员能够更便捷地开展研究工作，加速科研成果的产出。

4、多用户共享计算资源：满足多样化需求

在多用户共享计算资源的场景中，NVIDIA B30展现出极高的适用性。其多GPU扩展能力可以支持多用户同时使用计算资源，满足多样化的需求。例如，在家庭场景中，B30可以同时支持观看8K串流电影、视频会议和VR游戏等多种需求。这种多任务处理能力，使得B30在家庭娱乐和办公场景中具有广阔的应用前景。

5、大规模模型训练：高性价比的集群方案

虽然B30单卡性能不如H20，但通过多卡互联可以实现较高的集群性能。对于一些对成本敏感的大规模模型训练任务，B30的集群方案能够提供高性价比的算力支持。

例如，企业可以在有限的预算内，通过构建大规模B30集群，完成千亿参数模型的训练。这种集群方案不仅降低了硬件成本，还通过合理的显存调度和互联技术，缓解了单卡显存带宽不足的问题，提升了整体训练效率。

6、科学计算与传统训练任务：发挥独特优势

在科学计算和传统训练任务中，NVIDIA B30的FP32算力优势得以充分发挥。其FP32算力为200 TFLOPS，是H20的4.5倍。这一特性使得B30在处理高精度计算和大规模数据集时，能够提供更高效的支持。

例如，在一些需要高精度计算的科学实验中，B30能够快速完成复杂的计算任务，加速科研进程。

7、视频处理与渲染：多任务处理的能手

视频处理与渲染是AI技术的重要应用领域之一。NVIDIA B30 在这一领域同样表现出色。虽然其显存带宽不如 H20，但在多 GPU 配置下，可以通过合理的显存调度和互联技术缓解单卡显存带宽不足的问题。

这种多任务处理能力使得 B30 能够高效处理多路视频数据，支持视频处理和渲染任务。例如，在智能安防和监控系统中，B30 可以实时分析和处理多路视频数据，提升系统的智能化水平。

综上可以说，NVIDIA B30 仍然是一款高性价比的多场景适用芯片，在中小模型训练、云服务、中小企业业务拓展、学术研究、大规模模型训练、多用户共享计算资源等场景中展现出极高的适用性。

虽然其在单卡高带宽任务中表现受限，但通过合理的集群配置和显存调度，B30能够满足多种应用场景的需求。其深度兼容CUDA-X软件栈，进一步降低了技术适配成本，提高了应用的灵活性和稳定性。

在人工智能技术快速发展的今天，NVIDIA B30 以其高性价比和强大的多场景适用性，成为众多企业和机构的首选。无论是中小企业的业务拓展，还是学术研究机构的科研创新，亦或是云服务提供商的算力供应，B30都能够提供稳定高效的支持。

三、B30 的挑战以及国产替代方案

目前，我国的科技公司正在进行将塑造未来数年人工智能基础设施的采购决策。英伟达 B30 预计在 2025 年 7 月推出的时间点也反映了市场的紧迫性。

因为，英伟达无法承受将这一关键窗口期拱手让给竞争对手的风险，无论是像AMD 这样的美国对手，还是像华为这样的中国替代者。

在定价方面，B30 以 6500-8000 美元的售价直接对标华为昇腾 910B（约 5000 美元），通过 CUDA-X 软件栈的深度优化实现主流框架无缝迁移。

B30 通过精确校准参数（如算力密度 69.8 TFLOPS/mm2、互联带宽 590GB/s）完全符合美国出口管制要求，而 H20 因 FP32 算力（44 TFLOPS）和显存带宽（4.0TB/s）接近限制阈值，面临被禁风险。

这种 “特供” 策略使 NVIDIA 在中国市场维持 13% 的营收占比（2024 年 H20 销售额 170 亿美元），同时通过技术标准割裂绞杀国产芯片生存空间。

讽刺意味十足：虽然特朗普时代的出口限制旨在遏制中国的人工智能能力，但它们却加速了中国公司推动半导体自主的进程——迫使英伟达陷入一个日益岌岌可危的境地，即维持市场份额需要围绕美国贸易壁垒进行持续创新。

黄仁勋（Jensen Huang）曾多次阐述技术脱钩的竞争风险。在近几周的公开声明中，黄仁勋辩称，限制英伟达芯片对华出口只会激励中国的工程师开发出自己的处理器，从而壮大该国的人工智能半导体生态系统，并进一步威胁美国的技术领导地位。

目前，华为昇腾 910B 通过 3D Fabric 封装技术实现 376 TFLOPS FP16 算力，性能显著优于 B30，且支持 PyTorch 框架 95% 的兼容性。

寒武纪思元 590 则以 2TB/s 显存带宽（超越 B30）和低 40% 的价格，在边缘计算领域实现突破。此外，国产芯片通过训推分离架构，在金融风控等定制场景中逐步替代进口。

半导体行业的全球性意味着英伟达的中国困境反映了关于技术主权和经济相互依存的更广泛问题。事实上，该公司无法简单地放弃其第二大市场，这说明了在地缘政治紧张局势加剧的时代，跨国公司所面临的复杂现实。

美国最新出口管制将 “先进的中国芯片” 列为重点监管对象，试图通过技术标准割裂维持优势。B30 的推出本质是美国技术封锁的 2.0 版本，通过 “特供” 芯片维持依赖，同时绞杀国产芯片生存空间。中国则通过 “东数西算”“信创工程” 等政策推动全栈国产化，构建自主算力生态。

另外，英伟达的中国战略也伴随着重大风险。每一次新的产品迭代都需要大量的研发投入，却无法保证获得监管批准。该公司始终面临着政治动态变化可能一夜之间使这些投资变得一文不值的可能性。

四、未来展望：华为崛起迫使英伟达快行动

目前，在国内，华为的昇腾（Ascend）AI处理器已成为英伟达产品的有力替代品，华为的Supernode 384架构被定位为英伟达NVL72系统的直接竞争对手。

特朗普政府近期将华为的昇腾处理器列为在全球任何地方都违反美国出口管制的行为，突显了中国替代方案日益增长的竞争力。

短期来看，B30 凭借价格和生态优势在推理市场占据一定份额，但训练市场仍由国产芯片主导。H20 因显存容量和互联性能，在垂类大模型推理中不可替代。

但从中长期来看，量子计算、光子芯片等颠覆性技术可能重塑竞争格局。中国在光子芯片专利储备量已占全球 34%，若实现商用，将彻底打破 NVIDIA 的技术垄断.

市场动态揭示了英伟达处境的脆弱性。本月早些时候，英伟达首席执行官黄仁勋在台湾表示，英伟达过去曾占据中国图形处理器（GPU）市场95%的份额，但在芯片限制下已被削减至50%。这种急剧的份额流失表明，当市场准入受限时，技术领导地位可以多么迅速地蒸发。

英伟达的中国战略也反映了更广泛的行业趋势。包括阿里巴巴集团、TikTok母公司字节跳动和腾讯控股在内的中国主要科技公司，已成为拥有强大购买力的日益精明的客户。

这些公司既是英伟达最大的潜在客户，同时也是如果无法可靠获得英伟达产品时最有可能开发或采用替代解决方案的公司。

总之，B30 与 H20 的技术妥协与市场策略，不仅是 NVIDIA 在出口限制下的生存之道，更是中国 AI 产业转型升级的试金石。其对比分析为中国芯片产业突破技术封锁提供了镜鉴，也为全球科技产业链重构提供了新的思考维度。

结语：

H20与5090D的停售，既是国产芯片的“压力测试”，也是技术自主的“觉醒信号”。短期内，国产替代仍面临性能与生态的双重挑战；但长期来看，国产AI芯片（如昇腾、壁仞）与游戏显卡（如景嘉微）的突围已进入加速期。

来源：了不起的云计算