近日行业消息显示，英伟达下一代旗舰Rubin Ultra内存方案出现重大变更，原定规划的12层HBM4e方案搁置，改为采用8层HBM4，同时Rubin GPU显存带宽悄然下调约13%，引发AI算力产业链广泛关注。
根据曝光的规格变动，单颗Rubin GPU的HBM带宽，从最初公布的22TB/s下调至19.2TB/s；配套NVLink 6互联带宽同样下调，从3.6TB/s降至3TB/s，降幅约17%。整套Vera Rubin NVL72整机总带宽，也由1580TB/s同步下调。Vera配套CPU内存规格也做弹性调整，不再固定1.5TB LPDDR5X，改为最高支持1.5TB，进一步放宽硬件边界。
这次调整核心原因指向HBM4e良率与供货压力。12层堆叠的HBM4e工艺难度极高，良率爬坡缓慢，短期很难大规模稳定交付。换成成熟度更高的8层HBM4，三星、SK海力士都可稳定供货，能够扩大供应商池，缓解高端显存紧缺问题，保障Rubin平台按时量产交付。
对AI业务而言，带宽下调会对超大模型预训练、高吞吐MoE模型形成一定影响。英伟达也在依靠架构补偿损失，借助新一代TMA张量内存加速器、优化缓存调度机制，减少数据搬运压力，弱化带宽下降带来的性能损失。
这一调整也折射出当前高端AI芯片行业现实：算力芯片的上限，越来越受HBM内存制造能力约束。即便是英伟达，也需要在极致性能目标和供应链稳定性之间取舍。

不少机构认为，这次降规格是务实的量产妥协，优先保证出货规模；但也意味着下一代AI算力的性能提升节奏，或将低于此前市场预期。在HBM先进堆叠技术取得突破前，高端GPU的性能释放，仍会持续被内存环节牵制。