RTX 4090顯卡亮相,售價5萬元起!Nvidia GTC大會還端出哪些好料?
RTX 4090顯卡亮相,售價5萬元起!Nvidia GTC大會還端出哪些好料?

Nvidia GTC大會正式登場,執行長黃仁勳在演講中端出了眾多新的顯卡系列、AI晶片、自駕晶片、AI訓練服務等GPU領域的各種軟硬體更新,不過最受觀眾期待的,莫過於傳言已久的RTX 40系列顯卡。

RTX 4080、4090登場,性能倍增玩遊戲更順暢

RTX 4090.jpg
Nvidia發表RTX 4080、4090顯卡,預計10月開始陸續上市。
圖/ Nvidia

「今天我們宣佈推出Ada Lovelace,第三代RTX。」Keynote演講開場5分鐘,黃仁勳便切入主題,向觀眾們揭曉以數學家為名的新一代顯卡架構,以及使用該架構的RTX 4080、RTX 4090顯卡。

根據Nvidia的介紹,Ada Lovelace使用台積電4奈米製程技術打造,擁有760億個電晶體、18,000個CUDA核心,較目前30系列顯卡使用的Ampere架構多出70%,在多工處理、光線追蹤等各種面向上都有長足進步,並能更有效率地運用GPU資源。

同時Ada Lovelace搭載的DLSS 3,採用全新AI技術能夠產生高畫質的全新影格(frame),不單單只是像素(pixel),並且不必處理繪圖流程,進而將遊戲性能大幅提昇。

而使用Ada Lovelace架構的高階顯卡RTX 4090,具備高達24GB的GDDR6X記憶體,能夠在耗電量相同的情況下,遊玩遊戲時有有著上一代RTX 3090 Ti 2至4倍的效能,而3D彩現、影片編輯等創作應用上,也能將工作流程執行速度提昇至兩倍,進而節省創造者寶貴的時間。

RTX 4080則有兩種款式,一款具有12GB GDDR6X記憶體、另一款則有16GB GDDR6X記憶體,Nvidia也聲稱其有著RTX 3080Ti 2至4倍的性能。

按照目前披露的資訊RTX 4090預計10月12日上市,售價1,599美元(約新台幣5萬元)起,而兩款RTX 3080則預計11月登場,12GB預計售價899美元(約新台幣2.8萬元),16GB預計售價1,199美元(約新台幣3.7萬元)。

H100 AI晶片進入量產,10月正式發貨

Nvidia Hopper H100 GPU
Nvidia聲稱,H100 GPU已經進入量產階段,今年底前就會有數十款採用該晶片的伺服器推出。
圖/ Nvidia

除了眾所矚目的顯卡,在快速成長的資料中心領域,Nvidia也宣佈H100 GPU,已經進入量產階段,即將於10月正式發貨。這是Nvidia至今最強大的一款AI晶片,搭載800億個電晶體以及Transformer引擎,能夠加快機器學習的效率。

按照先前披露的測試資訊,H100較前一代的A100性能達到4.5倍,倘若維持與A100同樣的性能,則有著3.5倍的能源效率,足以將擁有成本(cost of ownership)降低為3分之1。

Nvidia預計,今年底前就會有不同公司,多達50種以上採用H100的伺服器型號進入市場,而他們也計畫將H100與Grace CPU結合推出的Grace Hopper,預計會在2023上半年亮相。

值得注意的是,H100先前曾遭受美國政府禁止先進AI晶片銷往中國、俄羅斯限制的影響,雖然得到了一年的寬限期,如何降低禁令衝擊仍是未來必須面對的難題。

針對車用領域發表Drive Thor,集結Nvidia各方面技術

Nvidia Drive Thor.JPG
Nvidia針對車用領域推出Drive Thor系統單晶片,期望未來能夠整合汽車上各種不同的運算需求。
圖/ Nvidia

電腦定義正不斷更新,現在人手一台的智慧型手機已然是電腦,而未來汽車也是會有著四個輪子的電腦。Nvidia在這次發表會上,同樣針對車用需求端出了一款名為Drive Thor的系統單晶片(SoC)。

現在汽車中的主動安全系統、儀表板、娛樂系統、後照鏡等各式設備,都是分別由不同的電腦負責控制,不過在黃仁勳的展望中,未來全都會在一個中央處理器上運行。

也因此,Nvidia決定推出Drive Thor,結合Hopper的Transformer引擎、Ada Lovelace的GPU、Grace的CPU,可說是Nvidia技術的集大成,足以提供2,000 teraflops性能,提供整輛車所需的運算能力。

Nvidia聲稱,Drive Thor取代了同系列的Drive Atlan,並讓Drive Orin未來能無縫接軌升級。黃仁勳認為,未來不只是汽車,機器人、醫療機械、工業自動化、邊緣AI系統都能運用這項技術。

讓打造AI模型更簡單,Nvidia推出協助AI訓練新服務

Nvidia NeMo LLM.jpg
Nvidia目前已經與基因生技的頂尖研究機構The Broad Institute合作,提供包括BioNeMo LLM在內等各種技術與數據支援。
圖/ Nvidia

不光是硬體上的革新,Nvidia也在這場GTC大會上,發表了協助AI訓練的新服務。

黃仁勳表示,大型語言模型(LLM)是現在AI領域中最重要的模型,能夠在無須數據標記的情況下理解語言含意,進而發揮各種功能。然而大型語言模型成本不菲,Google最新語言模型PaLM訓練成本外界估計高達920萬到2,310萬美元之間,雖然浮動很大仍能看出訓練大型語言模型花費有多高。

為了讓研究人員更容易使用這樣技術,便端出了NeMo LLM、BioNeMo LLM兩項新服務。NeMo LLM是一個聊天機器人的開源工具包,讓開發人員可以不必從開始打造LLM,幾個小時內就能做出有著上千億參數的AI模型。

而BioNeMo LLM則專門針對生物科學領域的需求,該模型能夠理解各種化學物質、蛋白質、DNA、RNA等各種生物科學領域的概念,目前已經與基因生技的頂尖研究機構The Broad Institute合作。

Nvidia推雲端板Omniverse,串連全球力量打造元宇宙

nvidia omniverse lowes
美國裝修零售業者勞氏已與Nvidia合作,利用Omniverse設計、打造虛擬商店。
圖/ Nvidia

另外,在前幾次GTC大會擔綱主角的影像擬真3D設計協作平台Omniverse也沒有缺席。黃仁勳就披露,Omniverse已經獲得大量客戶採用,好比說通用汽車就利用Omniverse設計工作室的「數位分身」,讓設計師、工程師、行銷人員可以在虛擬空間中協作。

美國零售商勞氏(Lowe's)一樣借助Omniverse的力量,來設計、打造門市的數位分身;美國第二大有線電視、寬頻業者Charter則利用Omniverse建立4G及5G網路的數位分身。

黃仁勳這次對外介紹了雲端版本的Nvidia Omniverse Cloud服務,也是Nvidia第一款SaaS產品,目前已獲得廣告集團WPP、西門子、超跑車廠RIMAC率先使用。

RIMAC聲稱,Omniverse Cloud能夠節省他們花費在3D模型設計的時間,從而將更多專注力放在車身本身的設計上,提昇了效率與靈活應變的能力。

「元宇宙──意即3D的網際網路,連接了使用通用場景描述的虛擬3D世界。」黃仁勳認為,「藉由雲端上的Omniverse,我們可以連結世界各地的團隊,一同設計、打造、運行虛擬世界和數位分身。」

資料來源:NvidiaThe VergeEngadget

責任編輯:錢玉紘

關鍵字: #Nvidia
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓