基于NVIDIA Ampere架构构建的A10 GPU助力设计师和工程师提高虚拟工作站性能;A16 GPU提供高达2倍的用户密度并增强VDI体验

企业依靠GPU虚拟化技术来保持各地员工的生产力。NVIDIA虚拟GPU(vGPU)的性能已成为驱动云和数据中心各种图形与计算密集型工作负载的关键。
现在,各行各业的设计师、工程师和知识工作者可以使用NVIDIA A10和A16 GPU体验加速的性能。
基于NVIDIA Ampere架构的A10和A16可提供更强大的功率、显存和用户密度,大幅增强从图形、AI到VDI等任何工作流程。当与NVIDIA vGPU软件组合时,这两款新的 GPU将大幅提升用户体验、性能和灵活性。
A10提供强大、灵活的虚拟工作站
越来越多的专业人员在工作中使用实时光线追踪、AI、计算、模拟和虚拟现实等先进技术。然而在员工移动性至关重要的今天,为了运行这些工作流程,他们还需要更强大的性能和灵活性才能在任何地点工作。
NVIDIA A10与NVIDIA RTX Virtual Workstation组合后,能够提供高效推动这些复杂工作流程的性能,同时还能确保员工获得最佳用户体验。
借助由A10驱动的虚拟工作站,企业可以通过主流企业服务器中的AI加速应用程序交付增强的图形和视频。
由于A10可以支持虚拟化基础设施上的图形和AI工作负载,数据中心管理员可以灵活调配资源,并运用任何未被充分利用的计算能力来运行AI推理或VDI工作负载。
A10搭载了第二代RT Core和第三代Tensor Core,通过强大的AI来丰富图形和视频应用,专为图形、媒体和游戏开发者工作站打造。与上一代NVIDIA T4 Tensor Core GPU相比,其图形性能提升了2.5倍,推理性能提升了2.5倍以上。
用户还可以在A10上使用NVIDIA AI Enterprise软件运行推理工作负载并达到裸机性能。A10包含全新串流微处理器,高达 24GB GDDR6显存,可实现多功能图形、渲染、AI和计算性能。单宽、全高、全长的PCIe外形设计提高了GPU服务器的密度,在一般情况下每台服务器可使用5到6个GPU。

A16提升远程工作者的VDI用户体验
随着网络会议和视频协作工具的不断普及,远程办公将持续下去。据IDC调查显示,87%的美国企业预计即便解除疫情强制隔离措施,他们的员工仍将继续每周在家工作三天或以上*。
知识工作者使用到多种设备和显示器来高效完成工作。他们还需要方便运用生产力工具和应用,与远程团队成员开展协作。从电子邮件和网页浏览,到视频会议和在线直播,一切都能得益于GPU加速,而NVIDIA A16通过提供新一代VDI带来强大的性能。
对知识工作者而言,A16与NVIDIA vPC软件组合是提供图形丰富的VDI并增强用户体验的理想选择。与上一代M10相比,其用户密度更高,每块板可容纳高达64个并发用户数,总拥有成本降低了20%。
使用由NVIDIA vPC软件和A16驱动的虚拟桌面能够提供足以媲美PC的体验,使得远程工作者可以在办公室和家中无缝衔接工作。
配备A16 和NVIDIA vPC 的GPU加速VDI还提供更高的帧率和更低的终端用户延迟,使得生产力应用和工具的响应速度变得更快,为远程工作人员提供最佳用户体验。
供货情况
NVIDIA A10将作为NVIDIA认证系统的一部分,在本地部署的数据中心、云和边缘均能得到支持。该产品将于本月开始供应。如欲了解更多关于NVIDIA A10的信息,请观看NVIDIA创始人兼首席执行官黄仁勋先生的GTC大会主题演讲。
NVIDIA A16将于今年晚些时候开始供应。
好文章,需要你的鼓励
埃森哲投资AI零售平台Profitmind,该平台通过智能代理自动化定价决策、库存管理和规划。研究显示AI驱动了2025年假日购物季20%的消费,约2620亿美元。部署AI代理的企业假日销售同比增长6.2%,而未部署的仅增长3.9%。Profitmind实时监控竞争对手价格和营销策略,并可创建生成式引擎优化产品文案。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
日立公司在CES 2026技术展上宣布了重新定义人工智能未来的"里程碑式"战略,将AI直接应用于关键物理基础设施。该公司与英伟达、谷歌云建立重要合作伙伴关系,并扩展其数字资产管理平台HMAX,旨在将AI引入社会基础设施,变革能源、交通和工业基础设施领域。日立强调其独特地位,能够将AI集成到直接影响社会的系统中,解决可持续发展、安全和效率方面的紧迫挑战。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。