Scale-Across是什麼？輝達公布3年AI產品路線圖！推跨資料中心連結技術、矽光子交換器|數位時代 BusinessNext

重點一： 輝達公布延伸至2028年的架構路線圖，涵蓋GPU、CPU、網路與機櫃，展現完整資料中心藍圖。

重點二： 輝達提出「Scale-Across」新概念，讓多個資料中心透過新技術互聯，如同單一超級電腦般運作。

重點三： 未來企業能夠透過NVLinkFusion平台，以及SpectrumXGS矽光子交換器，落實「Scale-Across」的目標。

AI晶片巨頭輝達（NVIDIA）於22日舉行亞太區媒體分享會，揭露未來的技術方向。

在分享會中，輝達不僅公開規劃至2028年的完整產品路線圖，還提出「Scale-Across」新概念，這指的是，輝達將透過新一代乙太網路技術，把多個分散式資料中心，組合成一座邏輯上的單一AI超級電腦，作為「Scale-Up（向上擴充）」與「Scale-Out（向外擴張）」之外的第三種擴張方式。

另外，輝達也預告相關交換器與開放平台技術。這些動作顯示，輝達不再只是GPU銷售商，而是打算成為AI基礎建設的建構者。

《數位時代》整理本次分享會的三大重點：

亮點一：公開架構路線圖，回應算力需求持續飆升

隨著推理AI（Reasoning AI）的興起，單個GPU已難以支撐快速膨脹的算力需求。輝達加速運算產品總監Dave Salvator指出：「推理如今已經成為資料中心等級的挑戰。」

為了因應這樣的市場需求，輝達公布了橫跨GPU、CPU、網絡與系統的完整架構藍圖，並首次將未來發展延伸至2028年。這份路線圖不只是產品規劃，更是回應「AI時代的算力需求將超越單一硬體」的挑戰，並宣告輝達將為Gigawatt（GW）級AI資料中心奠定基礎。

打開這份藍圖，可以看到：

GPU架構： 從Blackwell Ultra演進至Rubin、Rubin Ultra，最終走向Feynman。
CPU架構： 從Grace升級到Vera。
網路： Spectrum交換器與CX網卡將同步迭代。
系統： 機櫃設計從Oberon進化到下一代Kyber。

亮點二：介紹Scale-Across，從單一伺服器走向多資料中心

有了各種硬體產品，企業要怎麼將這些產品組合成大型的AI基礎設施呢？Salvator介紹了一個嶄新的連結模式：「Scale-Across」。

目前企業建構AI基礎設施時，主要採取兩種連結模式：

垂直擴展（Scale-up）： 在同一個機架中垂直擴展。這種模式反應快，但規模有限。
水平擴展（Scale-out）： 橫跨多個機架來連結。

然而，隨著AI模型規模變大，兩個硬體極限問題浮上檯面。首先是耗電過高，每個機房的電力需求動輒百兆瓦，單一資料中心已難以支撐；其次是空間不足，機房塞不下百萬顆GPU，必須分散部署。因此跨資料中心的連結，成為大型AI基礎建設的新挑戰。

面對這項挑戰，輝達進一步提出「Scale-Across」概念來解決。Scale-Across是讓多個資料中心透過新一代交換技術互聯，形成如同單一超級電腦的運算體系。換言之，AI運算不再受限於一棟資料中心，而是跨越區域與距離運作。

延伸閱讀：MIT報告揭95%企業投資AI「零報酬」，只有5%能賺錢！「那5%」的企業做對了什麼？

亮點三：Spectrum XGS與NVLink Fusion作為落地手段

要實踐Scale Across，輝達介紹兩項關鍵技術，分別解決跨距離互聯與開放生態整合的需求。

Spectrum XGS：Gigascale交換器

Spectrum XGS是輝達為Scale Across所設計的核心交換器，名稱中的XGS代表Gigascale，象徵它專為大規模資料中心設計。它的最大特點，是採用矽光子技術（CPO,Co-PackagedOptics），取代傳統銅線方案，實現跨距離光學互連。

Salvator介紹，這項技術的效益相當明顯：能效比銅線方案提升3.5倍，部署效率加快30%，並能在跨數百公尺至數百公里的距離下維持低延遲與高吞吐。這讓多個資料中心能夠被串接起來，如同單一運算單元般運作。

Salvator表示：「Gigawatt級資料中心的時代已經來臨，規模正邁向數十萬顆GPU。」而SpectrumXGS正是為這個時代打造的落地基礎。

NVLink Fusion：開放生態

與此同時，輝達也宣布NVLink Fusion將會更加開放。將原本僅能應用於自家GPU的NVLink技術，開放給第三方CPU與加速器使用，協助各式運算單元整合。

Salvator說：「我們現在要把NVLink技術提供給其他公司，讓他們能在自家的加速器或CPU上建構平台並擴展。」配合Dynamo、TensorRT-LLM與CUDA-X等軟體工具，輝達正在推動一個更廣泛的開放生態。

從晶片到資料中心

輝達的戰略重心正從「提供最快的GPU」轉向「建構最強的資料中心」。透過架構路線圖，它展現了回應算力需求的完整藍圖；透過Scale-Across，它宣告進入多資料中心時代；透過Spectrum XGS與NVLink Fusion，它展示了實際落地的手段。

雖然這場分享會未公布具體效能數據，但訊息已十分明確：輝達要做的，不只是晶片，而是整個AI資料中心的基礎建設。隨著推理型AI的需求持續爆發，資料中心將成為AI工廠的基本單位，而輝達也將在其中扮演最核心的角色。

延伸閱讀：美國科技職缺消長大統計：哪些職位變熱門、什麼工作快過氣？5年以下資歷超難找工作？

本文初稿由AI編撰，編輯：王聖華

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。