惠普ZGXFuryG1nAI工作站上市，搭载NVIDIAGB300芯片，起售价88万元人民币

惠普ZGX Fury G1n AI Station工作站已在美国市场正式开售，这款产品并非面向普通消费者，而是专为需要在本地部署超大规模AI模型的企业、高校实验室及国家级科研机构设计。其核心配置采用NVIDIA最新发布的GB300 Grace Blackwell Ultra超级芯片，整机起售价达13.2万美元，按当前汇率约合88万元人民币——这是目前公开市场上价格最高的台式工作站之一。

该设备虽采用传统塔式机箱外形，但内部架构完全颠覆常规PC逻辑。GB300芯片集成了两颗核心：一颗72核Arm Neoverse V2架构的Grace CPU，以及一颗Blackwell Ultra GPU。二者通过NVLink-C2C高速互连，共享统一地址空间，构成真正意义上的“一致性内存”系统。整机内存总量高达748GB, 其中496GB为LPDDR5X-6400系统内存，带宽最高396GB/s；另252GB为HBM3e GPU显存，带宽高达7.1TB/s。这一配置使其FP4精度下的AI算力峰值可达20 PFLOPS，理论上支持本地运行参数规模达1万亿、经FP4量化的大型语言模型。

值得注意的是，惠普并未将GB300作为唯一图形处理单元。基础版本已内置GB300，用户还可选配额外独立显卡以扩展I/O或辅助计算能力：增加一张16GB GDDR7显存的RTX PRO 2000显卡后，售价升至13.3万美元；若升级为24GB GDDR7显存的RTX PRO 4000 Blackwell SFF显卡，则整机售价达到13.6万美元。需强调的是，这24GB GDDR7显存与GB300自带的252GB HBM3e分属不同GPU，无法合并为单一显存池，仅构成多GPU协同环境。

为支撑如此高密度计算负载，ZGX Fury G1n采用液冷散热方案，并配备1600W高功率电源。存储方面支持最高32TB NVMe SSD组合，包含两个M.2插槽与两个2.5英寸SATA/NVMe双模位，满足高速数据吞吐需求。扩展性上提供3个PCIe 5.0 x16插槽，可用于接入网络适配器、FPGA加速卡或其他专用协处理器。

网络连接能力是其面向集群部署的关键设计：机身后部集成两个400Gbps QSFP112接口，可直接连接InfiniBand或以太网交换机，实现低延迟、高带宽的多节点互联。这意味着单台ZGX Fury可作为小型AI计算节点，也可与其他同型号设备组成本地微集群，应对更大规模训练任务。

系统层面预装Ubuntu 24.04 LTS操作系统，并集成NVIDIA AI Enterprise软件套件，包括CUDA、cuDNN、TensorRT及NVIDIA NIM微服务等开发工具链，降低用户部署门槛。机箱结构兼顾桌面与机架部署：标准塔式形态适合实验室环境，同时兼容5U服务器机柜安装，便于纳入数据中心统一管理。

从产品定位看，ZGX Fury G1n并非替代传统服务器集群，而是在特定场景下提供“单机即集群”的紧凑型解决方案。例如，在保密要求严苛的国防、金融或医疗领域，客户往往不愿将敏感模型训练任务交由公有云处理；又如部分前沿研究团队需要快速迭代实验，却受限于跨节点通信延迟与调度复杂度，此时一台具备万亿级参数推理能力的本地工作站反而更具效率优势。

行业观察指出，此类高端AI工作站的出现，标志着AI基础设施正从“云中心化”向“边缘+本地混合”演进。过去几年，大模型训练高度依赖数千张A100/H100组成的超大规模集群；但随着模型压缩技术（如FP4量化）、高效推理框架与新型芯片架构成熟，单节点算力密度显著提升。NVIDIA GB300正是这一趋势的硬件体现——它将CPU与GPU深度耦合，减少数据搬运开销，特别适合推理密集型工作负载。

不过，高昂成本仍是普及障碍。88万元起售价远超主流AI服务器节点（如搭载双H100的服务器通常在30–50万元区间），且后续运维（液冷系统维护、电力消耗、机房空间）亦非一般中小企业所能承担。因此，该产品短期内仍将聚焦于预算充裕的头部机构：国家级AI实验室、顶尖高校计算中心、大型药企AI研发部门，以及对数据主权有强需求的跨国企业本地AI团队。

惠普此次推出ZGX Fury G1n，也反映出工作站厂商在AI浪潮中的战略调整。传统工作站市场增长趋缓，而AI本地化需求催生新细分赛道。继戴尔PowerEdge R760xa、联想ThinkStation PX之后，惠普以更高集成度与更强单机性能切入，试图在“高性能AI终端”这一新兴品类中确立技术标杆。

目前该机型仅在美国市场开售，暂未公布亚太或中国区上市计划。考虑到进口关税、本地化认证及售后支持体系搭建周期，国内用户短期内仍需通过渠道商或定制方案获取。但其技术路线已为行业提供明确信号：未来AI算力将更注重“单点效能”与“部署灵活性”的平衡，而非单纯追求集群规模。

随着GB300芯片逐步放量，预计同类产品将在2025年内迎来更多厂商跟进。届时，万亿参数模型的本地化运行或将从“奢侈选项”变为“可行路径”，推动AI应用进一步下沉至专业工作流中。