AREX Feed Article
GTC Berlin：NVIDIA 宣布欧洲生态采用 DSX AI 工厂平台，称近零耗水、同等 token 产出省电最多 30%
NVIDIA 于 10 月 21 日在 GTC Berlin 宣布，欧洲多家主要生态伙伴正在采用其 DSX AI 工厂平台建造省水省电的 AI 工厂；AI 云和设计、建造、能源、冷却供应商正用它建设和运营基础设施，服务欧洲的企业、开发者和政府。据 ，DSX 参考设计用闭环液冷配合干式冷却器散热，宣称能把设施冷却水消耗降到接近零：按 2GW（吉瓦）部署规模计算，每天可比传统冷却塔方案节省 5,400 万升水，NVIDIA 称相当于 18 万个家庭的日用水量。
软件侧，DSX MaxLPS 宣称生成同样数量的 token（模型生成内容的计量单位）最多可省电 30%，CoreWeave、Firmus、Google Cloud、IREN、Lambda、Nebius、Nscale 和 Sharon AI 在采用名单上。同场发布的还有开源的 DSX OS，以及上线 Hugging Face 的仿真资产库 SimReady Central。这些节水、省电数字均出自 NVIDIA 及合作伙伴的参考设计与运行数据，新闻稿中没有独立第三方实测。
闭环液冷加干式冷却：热量直接排入空气，不再靠蒸发
传统冷却塔靠水蒸发带走热量，需要持续补充新水。新闻稿解释了 DSX 参考设计的替代路线：冷却液在密闭回路中吸收服务器热量，循环到室外的干式冷却器——形态类似大型散热器——把热量直接排进空气，全程不蒸发水。硬件侧，NVIDIA Vera Rubin 基础设施支持 100% 液冷，冷却液温度最高 45 摄氏度；新闻稿称，在干式冷却器设计下，这套架构可以把设施冷却水消耗降到接近零，副标题的口径是“最高可减少 100% 的冷却用水”。
限定条件新闻稿里也有：当地气候决定最热时段是否需要额外的机械制冷。“接近零耗水”是参考设计在特定气候下的结论，不是对所有部署地点的保证。
MaxLPS：在固定电力预算内动态分配功率
电力供给决定运营者能上线多少容量，这是 MaxLPS 的切入点：它在 AI 工厂既定的电力预算内动态分配功率，宣称生成同等数量的 token 时最多可少用 30% 的电力；省下的空间也可以反向使用——在既有预算内容纳更多 GPU 容量、跑出更高吞吐。
新闻稿摘要称 CoreWeave、Firmus、Google Cloud、IREN、Lambda、Nebius、Nscale 和 Sharon AI“计划使用”这款软件，正文表述为“正在探索”。稿内的量化数据来自合作伙伴自己的环境：Lambda 在 NVIDIA HGX B200 系统上做的概念验证显示，固定电力预算内集群 token 吞吐提高 24%、GPU 容量多出 19%；Nscale 在冰岛的 AI 工厂用 4 个 NVIDIA GB300 NVL72 机架评估 MaxLPS，在同样的 264 千瓦电力预算下推理吞吐提高 49%、管理的 GPU 容量增加 37%。
Nscale 创始人兼 CEO Josh Payne 说：“欧洲的 AI 抱负要求我们让每一兆瓦都物尽其用。借助 NVIDIA DSX，我们正在建造能从既有电力中产出更多算力、响应电网状况、更快从设计走向部署的 AI 工厂。”
DSX Flex：AI 工厂作为电网柔性负载，试验中降功率最多 40%
DSX Flex 处理另一头的约束——电网。它让 AI 工厂根据电力公司需求、需求响应事件和电价调整工作负载耗电，并协调电网电力、现场可再生能源和储能；新闻稿称，这有助于电网可靠性，也能让新工厂更快并网。
一项早期试验给出了数字：Emerald AI、EPRI、Nebius、英国国家电网（National Grid）与 NVIDIA 在一个 NVIDIA Blackwell Ultra GPU 集群上模拟电网事件，集群耗电最多下降 40%，关键工作负载保持运行。据 ，NVIDIA 的 Ian Buck 在 GTC Berlin 宣布前向媒体表示，当出现电力峰值、电网需要额外的 1GW 时，“我们的数据中心可以成为响应这种需求的资源”。设备侧，Hitachi Energy 正在把其能源管理系统与 DSX Flex 集成，用电网、发电和储能资源匹配工作负载需求。
DSX OS 开源发布，SimReady Central 带着设备模型上线 Hugging Face
NVIDIA 扩展了模块化、开源的 DSX OS 组合，三个新组件处于开发者预览：NVIDIA Config Manager 自动化 AI 工厂网络配置；NVIDIA Rack Management Service 管理机架级电力、资产清单、固件和交换机；NVIDIA Cluster Readiness Engine 在生产工作负载进场前运行分布式工作负载来验证 GPU 集群，并把故障隔离到具体节点。它们与 NVIDIA Infrastructure Controller、NVIDIA AI Cluster Runtime、NVSentinel 一起用于自动化基础设施生命周期管理、保持运行环境一致，并强化健康验证、故障归因和恢复；Aleria、Cassava、CoreWeave、Crusoe、G42、GMI Cloud、IREN、Lambda、Nebius、Nscale、Sharon AI 等云厂商正在探索这些组件。
仿真资产库同步上线：宣布 SimReady Central Library 开放，汇集 2,000 多个 SimReady OpenUSD（一种描述与组装 3D 场景的开放框架）资产，对开发者免费、无需审批，既有机械臂和抓手，也有机架和冷却设备。Vertiv 等设备厂商把经过验证的供电和冷却设备模型放进库中，配合 NVIDIA USD Search 的自然语言检索，开发者可以在设备进场前搭出 AI 工厂数字孪生，提前验证供电与冷却配置。
从设计软件到供配电与冷却：生态伙伴按参考设计接入
“欧洲的技术领导力，取决于我们把电力和基础设施转化为智能的效率，”NVIDIA DSX 产品管理副总裁 Warren Barkley 在新闻稿中说，“NVIDIA DSX 把运营者负责任地建设、大规模高效运营、更快把智能推向市场所需的技术和生态专长整合到了一起。”
围绕参考设计，各厂商认领了不同环节：Schneider Electric 为 Vera Rubin 基础设施开发供电和冷却参考设计，并与 AVEVA 合作打通设计、建造、运营全流程的数字孪生；Procore 的建造管理平台与 DSX Sim 集成，用于管理 AI 工厂施工；Siemens 用 DSX Sim 模拟电力、冷却和声学；Dassault Systèmes 与 Vertiv 为 Vertiv OneCore 基础设施开发数字孪生模型；ABB 一边开发 SimReady 资产，一边通过新发布的 Infinitus Direct Current 产品线推进 800 VDC（直流供电）研发。Trane Technologies 与 Eaton 合作了面向 Vera Rubin DSX 参考设计的集成方案，把 Eaton Beam 供电平台与 Trane Continuum 冷却放进同一个“从电网到芯片”（grid-to-chip）架构；Trane 已发布七个热管理参考设计，其中三个基于 DSX、规模 250 兆瓦。
设备采购端，DSX Ready 认证项目列出了已通过验证的设备：Trane Technologies 的 LiquidStack GigaModular 和 Vertiv 的 2.3 兆瓦 CoolChip 冷却液分配单元（CDU）在其对应类别下获得认证，Hitachi Energy 的电池储能系统（BESS）也拿到 DSX Ready 认证。能源与电网侧，GE Vernova、Hitachi Energy、Siemens Energy 正与 NVIDIA 合作电力基础设施和数字孪生项目。
DSX POD 同日发布，能效宣称尚待独立验证
DSX 平台不是这次才出现：据 ，NVIDIA 今年 5 月 31 日曾在 GTC Taipei 上展示该平台；它是一套全栈 AI 工厂参考架构，算力、网络、存储、软件、供电和冷却作为一个系统协同设计，组件包括 MaxLPS、DSX Flex、DSX Reference Design、DSX Sim、DSX OS 和 DSX Exchange。The Next Web 还提到，发布会前一天，德国刚在柏林的一场投资峰会上与 NVIDIA 签署 AI 合作协议。
同一天，NVIDIA 还发布了 ：把完整的 Vera Rubin AI 工厂装进集装箱式模块，在工厂内完成集成和验证，到场只需接上电力、冷却和网络。据新闻稿，在完成场地准备的场址上，部署时间从 6 个月压缩到最短 14 天，Anduril、Crusoe、Dell Technologies、HPE、Lenovo、Schneider Electric、Vertiv 等伙伴将在 2027 年初在全球交付。黄仁勋（Jensen Huang）在新闻稿中说：“AI 工厂在开始生产 token 的时候才创造价值，而不是在建设完工的时候。”
这些数字的口径仍需分清：省水 5,400 万升、省电 30% 都出自参考设计宣称，新闻稿内的量化数据全部来自合作伙伴在自己环境里的运行——Lambda 的 B200 概念验证、Nscale 的冰岛评估、英国的电网模拟试验。The Next Web 还指出，NVIDIA 没有给出这些新功能的正式可用时间，多款 DSX 软件仍处于开发者预览阶段。“同等 token 省电 30%”能否在更多机房复现，目前没有独立数据，只能等采用方把 MaxLPS 跑进生产环境后的运行结果。