因发热和互联故障，英伟达GB200再延期，遭客户砍单

据报道，GPU制造商英伟达再次推迟其数据中心AI芯片GB200的交付时间。此次交付延迟的主要原因是过热问题和芯片互联故障。

英伟达第一批搭载Blackwell芯片的机架在运行时出现过热现象，影响了芯片性能和机架其他部件。并且，Blackwell芯片之间的互联出现了问题，在高性能计算领域，芯片之间的高效互联是确保系统整体性能的关键。一旦互联出现问题，将严重影响数据的传输速度和系统的稳定性。

由于交付延迟，英伟达主要客户微软、亚马逊云部门、Alphabet 旗下谷歌和 Meta Platforms被曝已经削减了英伟达Blackwell GB200机架的部分订单，这些客户每家都下了价值100亿美元或更多的 Blackwell 机架订单。此前英伟达首席执行官黄仁勋曾表示，该公司有望在第四财季通过Blackwell芯片增加数十亿美元的收入。

据参与微软和OpenAI数据中心建设的内部人士透露， 微软原本打算在其位于凤凰城的数据中心安装配备至少5万颗Blackwell芯片的GB200机架，以满足OpenAI的运算需求。但目前OpenAI已经开始要求微软提前交付上一代的英伟达H200芯片。这就意味着，原本计划大规模部署GB200机架的凤凰城数据中心，目前改为部署H200芯片。

知名分析师郭明錤表示：“GB200 NVL72的量产计划从9月推迟到2024年12月，目前将又从今年第一季度推迟到第二季度。今年的出货量将减少一半，从58000个机架减少到25000个。”

根据公开资料显示，一个GB200包含一颗Grace 72核的ARM CPU和2颗Blackwell GPU，对应的功耗为 2700W。芯片之间采用台积电的CoSoW 3D堆叠封装封装技术，先把2颗Blackwell GPU通过RDL再布线层缝合在一起，然后再与Grace 72核的ARM CPU和其它元器件封装在整个硅晶圆上。

2024年11月，有报道称Blackwell芯片由于高负荷运算产生的热量超出了现有散热系统的处理能力，出现了服务器机架过热现象。针对此，英伟达多次要求供应商调整机架设计以缓解这一问题，但目前尚未找到有效的解决方案，同时为了解决该问题，英伟达正在与多家云服务提供商合作，共同优化散热方案。

据悉，为了改善Blackwell芯片的散热系统，英伟达已经对服务器机架设计进行了多项修改。英伟达还向Open Compute Project(OCP)贡献了NVIDIA GB200 NVL72机架和计算以及交换机托盘的液冷设计。这种液冷设计使得系统能够更有效地管理热量，从而提高整体系统的稳定性和可靠性。

当时，黄仁勋在业绩发布会上表示，散热问题已经解决，Blackwell服务器的供应不会中断。但如今，证明Blackwell GB200服务器机架发热问题尚未完全解决。此前，英伟达在GTC大会上也晒出了关于GB200的样机，采用的液冷散热架构，其液冷机架方案是由鸿海的子公司鸿佰提供。

芯片之间的互联故障也是导致交付延迟的另一个重要原因。在此之前，GB200就曾出现过互联失效现象，据英伟达自己的解释，是因为再布线层的各个引组间的电阻不相同，在高速数据传输与校验时，芯片出现互联信号失真现象，导致GB200不能正常工作。当时英伟达与台积电都表示，会通过修改RDL的再布线层与周边元器件的设计，来完善两颗芯片间的数据联接，让整个系统可以高效运行。

英伟达AI芯片在3D堆叠封装中存在两大难点，一是RDL与各个主控芯片间的联连可靠性、电性能平衡处理、信号互联处理等难题，二是TSV硅穿孔联接的高速HMB内存模块与硅基板之间的混和键合稳定性难题，主控芯片与硅基板之间的金属层键合难题。

英伟达GB200首次应用了通过RDL中间层来把两颗Blackwell GPU缝合在一起的工艺，因此出现互联故障，不排除是因为引入该工艺造成了整个3D堆叠互连技术的工艺差异性被放大，从而让里面的各个小CHIP芯片之间的信号传输数据，得不到有效的验证与放行，从而出现整个GB200系统互联失效。

目前，使用玻璃基板来代替现有RDL的呼声很高，并且认为玻璃基板可以解决热管理失效导致的互联失效难题问题。再加上台积电和英伟达都曾表示将会在未来支持玻璃基板封装技术，因此，有业内人士认为如果现有工艺无法解决GB200热管理失效与互联失效难题，英伟达可能会尝试使用玻璃基板来解决。