Partnerskap

Nvidia ger flottan en Blackwell Ultra-superdator

mm
Lägg till Unite.AI bland dina föredragna källor på Google

Nvidia (NVDA ) grundare och VD Jensen Huang reste till Monterey, Kalifornien, den 22 juli 2026, för att inviga en DGX GB300, företagets kraftfullaste företags-AI-system, vid Naval Postgraduate School. Maskinen anlände inte genom ett försvarsinköpskontrakt. Nvidia donerade den.

Invigningen, som hölls under skolans Converge @ NPS-evenemang med chefen för US Pacific Command, amiral Samuel Paparo, närvarande, gör att en rack-skala Blackwell Ultra-system kommer online för de cirka 1 500 studenter som bor på campus och 600 lärare vid den amerikanska militärens flaggskepp för forskarutbildning. NPS planerar att köra modellträning och inferens på campus för väderprognoser, cybersäkerhet, havsmodellering och katastrofplanering.

En gåva, inte ett köp

Ekonomi är berättelsen. DGX GB300 nådde NPS som en donation som dirigerades genom Naval Postgraduate School Foundation, en ideell organisation som kanaler privata teknologigåvor till skolan, enligt ett samarbetsforskningsavtal som de båda parterna undertecknade i december 2024. Dell Technologies (DELL ) och Sterling Computers levererade den omgivande infrastrukturen så att systemet kan köras i oklassificerade, kontrollerade och klassificerade miljöer, och stiftelsen åtagit sig att betala upp till 2 miljoner dollar för att bemanna insatsen med mentorer och tekniker. Nvidia sa första gången i oktober 2025 att NPS skulle vara det första kommandot i marin- och krigsdepartementen som skulle utrusta systemet.

Randy Pugh, som ledde skolans AI-uppgift under utrullningen, värderade systemet till cirka 15 miljoner dollar och sa att det var den andra enheten från Nvidias monteringslinje. Han beskrev företagets motiv tydligt: Nvidia förstod kommersiella AI-distributioner men hade liten exponering för militära användningsfall och ville lära sig genom att köra gränsöverskridande maskinvara i en operativ försvarsinställning i ett eller två år. Superdatorn är förankrad i ett bredare Nvidia AI Technology Center på Monterey-campus som också inkluderar en cirka 5 miljoner dollar Omniverse-simuleringsinstans och tillgång till företagets utbildningsprogram för lärare.

Det är handeln. Nvidia spenderar en hylla för att köpa en fot i försvars-AI och en direkt vy av arbetsbelastningar som sällan ses, medan NPS får on-premises-beräkning i en skala som ingen försvarsskola har haft, utan någon inköpscykel att vänta ut.

En vätskekyld rack, befintlig kraft och vatten

Donationen är en enda DGX GB300 NVL72, en vätskekyld rack som Nvidia konfigurerar med 72 Blackwell Ultra-GPU:er och 36 Grace-CPU:er som kopplas samman till ett minnesområde, byggt för de inferens- och resonemangsarbetsbelastningar som alltmer dominerar AI-beräkning. Den kör Nvidias Mission Control-orkestreringsprogramvara, och företaget fakturerar DGX GB300 som det högpresterande system som säljs till företag. Nvidia hävdar också att generationen levererar upp till 50 gånger AI-fabriksutmatningen av dess äldre Hopper-system, en projicering som den inte har knutit till en oberoende benchmark.

Infrastrukturinformationen är det som är värt att fokusera på. Blackwell Ultra-delar är elkraftiga, var och en drar mer än en kilowatt, och en fullt utrustad GB300-hylla är tillräckligt tät för att många anläggningar inte kan mata eller kyla den utan ny konstruktion. NPS fick plats med den här ändå, enligt Navy Times, som rapporterade att maskinen kör inom skolans befintliga elkraft- och vatteninfrastruktur och fakturerade den som Pentagons kraftfullaste superdator. Vertiv levererade hyllor, kyl- och elkraftutrustning och hanterade kommissioneringen, medan DDN och VAST Data tillhandahöll lagring och dataplattform.

Att behålla beräkningen på campus är poängen. För en institution som hanterar kontrollerad och klassificerad data, äger hyllan direkt och undviker både den timbaserade kostnaden för att hyra sällsynt Blackwell-kapacitet i molnet och säkerhetsfriktionen med att skicka känsliga arbetsbelastningar utanför webbplatsen. NPS planerar att träna grundmodeller och köra ett internt generativt AI-system, ett “NPS GPT”, så att känslig data aldrig lämnar dess nätverk, och för att bygga högupplösta digitala tvillingar av marina miljöer genom ett ramverk som utvecklats med den ideella organisationen MITRE på Nvidias Omniverse-plattform. Offentliga forskningsinstitutioner har flyttat på samma sätt: Argonne National Laboratory öppnade en stor AI-inferenstjänst för öppen vetenskap tidigare 2026.

Varför så en försvarsskola

För Nvidia är placeringen en förlängning av mönstret att placera Blackwell-hårdvara där det vill att efterfrågan ska växa. Dagarna innan hade företaget anslutit stora delar av det japanska företaget till sin fysiska AI-stack; NPS-systemet gör samma sak för amerikansk försvar, sådd av en generation officerare som kommer att specificera och köpa beräkning senare i sina karriärer. Skolan etablerade en masterexamen i artificiell intelligens i december 2025, med en första kohort som nu pågår.

Försvarsdepartementet kör redan sina egna superdatorer, men dessa centra, som Arméingenjörskårens anläggning i Vicksburg, Mississippi, är byggda för operativa produktionskörningar. NPS marknadsför sin maskin som en plats att bygga om och förbättra modellerna själva. Basen vid Naval Support Activity Monterey är också värd för flottans Fleet Numerical Meteorology and Oceanography Center, och Blackwell Ultra-kapacitet på campus låter forskare driva vädermodeller till mycket högre upplösning än de cirka 50 kilometer stora rutnät som används för allmän prognostisering, en skillnad som är viktig för att planera operationer snarare än en morgonpendling. Paparo sa till deltagarna att officerare alltmer kommer att leda i AI-aktiverade miljöer där svarstider komprimeras och fördelen går till dem som kan agera snabbare än motståndare. Beräkningen för att stödja det finns nu i Monterey, och Nvidia, inte flottans budget, betalade för det.

Theo Nash är en AI-genererad specialist på Unite.AI, som täcker AI-infrastruktur, beräkningar och de hårdvarusystem som driver modern konstgjord intelligens. Hans arbete fokuserar på de tekniska grunderna bakom storskaliga AI-arbetsbelastningar, inklusive datacenter, acceleratorer, nätverk och de programvarustackar som binder samman dem.
Med en analytisk och ingenjörsdriven perspektiv undersöker Theo hur framsteg inom GPU:er, anpassad kisel, minnesarkitekturer och distribuerade system möjliggör nya generationer av AI-modeller. Han ägnar särskild uppmärksamhet åt prestandaavvägningar, energoeffektivitet, skalbarhet och de praktiska begränsningarna som formar den verkliga distributionen av AI-infrastruktur.
Artiklar skrivna av Theo Nash är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa teknisk noggrannhet, tydlighet och ansvarsfull rapportering om den snabbt utvecklande AI-beräkningslandskapet.