72核ARM配Blackwell Ultra显卡，微星这台AI工作站的价格够付一套房首付

麻薯滑芝士

哈喽大家好，今天是2026年8月31日，星期一，一个普普通通的夏末工作日。不过对于咱们这群整天泡在硬件圈子里的人来说，今天可一点都不普通。各位深夜还在刷着CHH论坛、对着最新发布的显卡跑分数据反复琢磨的硬件发烧友，各位电脑屏幕上开着五六个命令行窗口、正在调试本地大模型推理脚本、嘴里念叨着“这显存怎么又爆了”的AI极客，各位刚接到甲方第十二版修改意见、看着渲染进度条在99%的位置卡了整整十分钟一动不动、恨不得把电脑从窗户扔出去的苦逼设计师和视频剪辑师，各位拿着刚签下来的天使轮投资协议、正琢磨着给团队七八号人每人配一台什么开发机才能在接下来半年里不拖项目后腿的AI初创公司CTO，各位嘴上说着“我那台9700K加1080Ti再战五年没问题”、但每次看到新硬件发布还是忍不住点进去把参数表从头看到尾的资深数码控，各位直播间里弹幕刷着“主播换显卡”而自己还在用上一代卡播着最新3A大作、画面设置只能开到中特效的游戏主播，各位天天在二手硬件交易群里蹲守“自用九九新箱说全”、一边骂卖家定价黑心一边又忍不住私聊问“大哥能不能小刀”的等等党，还有各位纯粹是被朋友圈里一条标题给震住了——“一台电脑顶得上一套房子首付”——于是带着满脸问号和好奇心点进来看看究竟发生了什么事的围观群众。不管你们属于上面哪一类人，也不管你们此刻是窝在出租屋的床上啃着西瓜刷手机，还是在灯火通明的写字楼里对着屏幕揉着太阳穴加班，今天这篇文章，绝对是为你们所有人量身打造的一道硬菜。因为就在昨天，也就是2026年8月30号，海外知名科技媒体Notebookcheck正式刊发了一篇报道，把一颗重磅炸弹直接扔进了整个桌面计算领域。报道里说的主角，是微星刚刚推出的一款全新的AI工作站电脑，型号叫做WS300，全称是MSI XpertStation WS300 DGX Station。这台机器跟市面上那些随便换个酷炫机箱、塞进一块普通显卡就敢给自己贴上“AI PC”标签的糊弄人的玩意儿，完全不是一个物种。它里面搭载的核心部件，是英伟达那个一直以来只存在于顶级数据中心宣传片和官方技术白皮书里的传说级超级芯片——GB300 Grace Blackwell Ultra。你没看错，就是那个之前只在英伟达官方发布会上亮过相、被全球各大云计算巨头抢破了头用来搭建超算集群的怪兽级平台，如今竟然被微星成功塞进了一个可以摆在办公桌上的机箱里，并且准备正式对外销售，卖给那些真正有极端算力需求、同时也确实不差钱的用户。

Notebookcheck在2026年8月30号的报道里，开门见山地告诉所有读者：微星推出了一款全新的工作站电脑，这台机器配备了惊人的496GB内存和72核CPU。报道的原话是这么写的：微星发布了XpertStation WS300——一款基于英伟达GB300超级芯片的完整AI工作站。这台系统为其Blackwell Ultra GPU配备了高达496GB的LPDDR5X内存和252GB的HBM3e显存。Notebookcheck的记者在报道里用了一句特别有意思的话来形容目标用户群体，原话是“folks with really, really deep pockets and a knack for local LLMs”——翻译过来就是“那些口袋深不见底、同时又精通本地大模型玩法的家伙们”。这帮人看到微星推出搭载英伟达GB300 Grace Blackwell Ultra芯片的新款AI工作站电脑WS300的消息，绝对会高兴得合不拢嘴。咱们先把这台机器最核心、最炸裂的数字一个一个摆出来，每个数字都值得停下来咂摸一下滋味。GB300芯片搭载了一颗英伟达Grace CPU，拥有多达72个基于ARM架构的Neoverse V2核心，以及一颗英伟达Blackwell Ultra GPU。整套系统配备了高达748GB的协同内存。咱们拆开来看：Grace CPU搭配了高达496GB的LPDDR5X内存，而Blackwell Ultra GPU则配备了高达252GB的HBM3e显存，带宽高达每秒7.1TB。496GB加252GB，刚好等于748GB——Notebookcheck在报道里把这个数字称为“coherent memory”，也就是一致性内存。

“一致性”这三个字，是整个WS300技术架构里最值钱、也最容易被外行忽略的精髓。在传统电脑里，CPU用的系统内存和GPU用的显存，是两块完全独立的存储孤岛。CPU要计算GPU显存里的数据，得通过PCIe总线把数据“搬运”过来；GPU要读CPU系统内存里的数据，也得反过来搬一次。这个搬运过程慢不说，还极其耗费CPU和GPU的算力资源，是大模型推理和训练里最讨厌的性能瓶颈。而Grace和Blackwell Ultra这两颗芯片，通过英伟达独家的NVLink-C2C片间互联技术绑在了一起，根据英伟达官方公布的DGX Station规格，这条互联通道的双向带宽高达每秒900GB。靠着这条每秒900GB的超级通道，CPU的496GB LPDDR5X和GPU的252GB HBM3e不再是两座孤岛，而是融合成了一个统一的、748GB大小的一致性内存池。GPU想读系统内存里的数据，就像读自己的显存一样快；CPU想碰显存里的计算结果，也像碰自己的内存一样方便。这种架构带来的直接好处是：大模型跑起来的时候，不用再把几百GB的模型权重在内存和显存之间来回倒腾，整个模型可以常驻在那748GB的统一内存池里，GPU随用随取。以前你要跑一个几百GB甚至达到TB级别的大模型，必须把这个模型切成很多个小碎片，分散部署到多台服务器、多块GPU上去并行计算，不仅硬件部署成本高得吓人，而且不同机器之间的通信开销也非常大，还会引入额外的延迟和同步问题。现在好了，有了WS300这样的单机系统，那748GB的统一内存池，完全可以轻轻松松地容纳下目前市面上绝大多数主流的大语言模型和多模态模型，直接在单台机器上就能完成全部的推理任务，甚至进行一些小规模的微调训练。这对于那些希望在本地环境中安全、高效地运行含有敏感数据的AI模型的企业和研究机构来说，吸引力简直是无法用言语来形容的。

说到大模型，英伟达官方给这套平台算了一笔账：GB300 Grace Blackwell Ultra平台的AI计算性能，在FP4精度下最高可达20 petaflops。20 petaflops是什么概念？就是每秒钟能进行两万万亿次浮点运算。Notebookcheck在报道里引述英伟达的说法：这个算力水平，足以支撑参数高达1万亿的模型，而无需将其拆分到多个系统上运行。这句话的分量，怎么强调都不为过。要知道，在WS300出现之前，想要在本地跑一个1万亿参数的大模型，你得自己攒一台装满八块甚至更多顶级显卡的服务器，还得忍受PCIe带宽瓶颈带来的通信开销，模型还得量化到很低精度才能保证勉强跑得动，而且往往还得切片到多个系统上。现在，单单一台WS300，靠着那748GB的一致性内存池和20 petaflops的FP4算力，就能让一个万亿参数的大模型完完整整地住进这台桌面工作站的统一内存里，不需要切片，不需要分布式，开机就能跑。FP4是一种低精度的浮点运算格式，它在牺牲一定计算精度的前提之下，换取了极高的运算速度和极低的能耗，特别适合用在AI推理环节，以及一些对精度要求不那么严苛的训练阶段。20 petaflops的FP4算力，意味着这台机器每秒钟可以完成两万万亿次低精度浮点运算，这个计算能力用来驱动一个万亿参数的大模型进行实时的、交互式的对话或者内容生成，理论上来说是绰绰有余、游刃有余的。对于那些整天跟超大语言模型较劲的算法研究员、机器学习工程师以及高校实验室来说，简直就是做梦都不敢想象的配置。

再来细看那块Blackwell Ultra GPU的显存带宽——每秒7.1TB。这个数字的含金量，咱们找个参照物来对比一下就明白了：根据英伟达官方此前公布的DGX H200系统规格，H200的HBM3e显存带宽是每秒4.8TB。WS300里这块Blackwell Ultra GPU的每秒7.1TB带宽，比H200的每秒4.8TB高出了大约48%。对于大模型推理这种“吃显存带宽吃得厉害”的任务来说，带宽就是生命线。大模型在生成每一个token的时候，都要反反复复地从显存里读取那几百亿甚至上千亿个参数权重。显存带宽每提升一点，生成速度就能快一大截。每秒7.1TB的带宽意味着：这块GPU每秒钟可以从显存里搬运7.1TB的数据，这个数据量相当于每秒搬运142部50GB的4K超高清蓝光原盘电影。在这种带宽加持下，万亿参数模型的推理才能真正做到实时交互，而不是等半天才蹦出一个字。咱们可以再打一个更直观的比方来帮助理解：假设你手头有一部4K超高清蓝光原盘电影，文件大小大概是50GB左右，那么这块显存只需要大约七千分之一秒的时间，就能把整部电影的所有数据从显存里完整读取一遍。换句话说，你眨一下眼睛所需要的时间，这块显存已经可以把上百部这样的电影数据来回扫荡好几遍了。HBM3e是目前HBM家族里最新、最快的成员，它的数据传输速率比上一代的HBM3又提升了一大截。HBM的全称是高带宽内存，它本身就是一种专门为图形处理和计算密集型任务量身定制的高性能内存技术。它通过将多层DRAM芯片垂直堆叠在一起，并利用硅中介层与GPU核心进行紧密的物理连接，从而实现了极高的数据传输带宽和相对较低的功耗。

除了那颗超级芯片本身之外，微星在WS300的扩展性和网络连接上也下足了功夫。Notebookcheck的报道明确指出，无论出于何种原因，对GPU性能不满意的人，还可以通过电脑的PCIe扩展插槽额外安装一块英伟达RTX Pro Blackwell GPU。这句话信息量其实挺大。首先，它意味着WS300的主板不是封闭设计，而是留了一个标准的PCIe扩展插槽，这在高端紧凑型工作站里并不常见。其次，“RTX Pro Blackwell”这个提法，指的是英伟达面向专业工作站市场的Blackwell架构显卡产品线，它跟消费级的GeForce RTX系列不同，RTX Pro系列强调的是更大的显存、更长的使用寿命、更稳定的驱动和更全面的ISV软件认证。根据微星官方的可选配件列表，WS300支持四款英伟达Blackwell架构专业工作站显卡：RTX PRO 6000 Blackwell工作站版、RTX PRO 6000 Blackwell Max-Q工作站版、RTX PRO 4000 Blackwell SFF版和RTX PRO 2000 Blackwell。如果你是一位做科学计算的研究员，你可能需要在WS300内置的Blackwell Ultra GPU之外，再加一块RTX PRO Blackwell显卡来分担双精度计算任务；如果你是一位做影视特效的艺术家，你可能希望Blackwell Ultra GPU专心跑AI相关的任务，而RTX Pro Blackwell显卡专门负责三维渲染和视口预览。微星留下这个PCIe扩展槽，本质上是给了用户一个按需加码的口子，让WS300不至于在交付的那一刻就走到硬件天花板。这种灵活且人性化的扩展设计，也让WS300在面对不同类型、不同特点的工作负载时，拥有了更强的适应能力和更广的应用范围。如果你是一位需要同时进行AI模型开发和高质量三维渲染输出的设计师或者工程师，那么你完全可以在WS300里插上一块RTX Pro Blackwell显卡，让内置的Blackwell Ultra GPU专心致志地负责AI计算任务，而那块RTX Pro显卡则专门负责图形渲染和视口预览，两者互不干扰、各司其职，从而最大化地利用整机的所有计算资源。

网络连接能力，对于一台定位为顶级AI工作站的产品来说，同样是一个至关重要、不容忽视的考量维度。Notebookcheck的报道里说，微星WS300 DGX Station工作站电脑还支持英伟达ConnectX-8 SuperNIC，可提供高达每秒800Gb的传输速度。对于拥有两台而非一台DGX Station的用户而言，上述网卡将有助于整合计算性能。咱们来掰扯一下这个数字的分量：800Gb/s，也就是每秒100GB的理论传输速率。这个速度到底有多快？假设你手头有一份大小为100GB的蓝光原盘电影文件，通过这张网卡进行传输，理想状态下只需要一秒钟多一点的时间就能完整地传完。微星官方进一步披露，WS300配备了两个QSFP112 400GbE端口，由英伟达ConnectX-8 SuperNIC提供，两个端口聚合起来就是800Gb/s的总带宽。如果你财力足够雄厚，一次性购置了两台WS300工作站，那么通过这两张ConnectX-8 SuperNIC网卡把两台机器直接对接起来，就可以实现两台机器的算力无缝融合、协同工作。你可以把一个超大规模的AI模型的不同部分，分别部署在两台WS300上，通过网络让它们像一个统一的整体一样协同运转，这在处理那些连单机748GB一致性内存都无法容纳的、真正意义上的巨型模型时，是一个非常实用且高效的解决方案。当然，要实现这种跨机器的高效协同，除了硬件层面提供足够的带宽之外，还需要英伟达的CUDA生态和相关的分布式计算框架在软件层面提供良好的支持和优化，而这恰恰是英伟达多年来深耕细作、积累最为深厚的优势领域。SuperNIC这个概念，是英伟达在近两年才大力推广的一种新型网络接口卡，它本质上是一种专门为AI和超大规模计算场景深度定制的智能网卡。它不仅仅具备传统网卡那种单纯的数据收发功能，还在内部集成了强大的数据处理引擎和专用的计算加速单元，能够在数据进入主系统内存之前，就对数据进行预处理、压缩、加密、校验等一系列操作，从而极大地减轻了CPU在这方面的负担，并显著提升了整体网络的利用率和有效吞吐量。

存储方面，Notebookcheck的报道说“最后，存储方面由双M.2插槽负责”。这句话看起来平淡无奇，但微星官方的规格表揭示了更多细节：WS300总共提供了四个M.2插槽，其中两个是PCIe 5.0 x2 NVMe M.2端口（连接自CPU），另外两个是PCIe 6.0 x4 NVMe M.2端口（用于训练数据）。根据经销商SourceIT提供的资料，WS300出厂时会在两个PCIe 5.0的M.2插槽上预装1.92TB的企业级NVMe固态硬盘，并组成RAID 1阵列，从第一天起就保护用户的数据安全，同时还留有两个PCIe 6.0 x4的M.2插槽可供后续扩展。这种双类M.2插槽的设计非常讲究：PCIe 5.0的那两个插槽用来装系统盘和热数据，保证操作系统和常用工具的载入速度；PCIe 6.0的那两个插槽专门留给大规模训练数据集，PCIe 6.0 x4的带宽可以轻松喂饱最顶级的NVMe固态硬盘，让GPU在推理和训练时不会因为数据供给不及时而饿着。对于一台主打AI计算的工作站来说，存储系统的性能瓶颈，往往并不在于你能挂多少块硬盘，而在于你能不能把数据足够快地喂给那块每秒7.1TB带宽的HBM3e显存。微星在存储接口上的这种精细分工，体现了其在高端工作站领域深厚的设计功底。乍一看，两个M.2插槽的数量似乎显得有些不够大气，毕竟现在很多面向消费级市场的高端主板，都已经标配了四个甚至更多的M.2插槽。但是，我们必须要考虑到WS300机箱内部的实际情况。这台机器的内部空间，需要容纳下体积不小的GB300超级芯片模组、一套专门为此设计的高效散热系统、一个大功率的冗余电源模块，以及各种扩展卡和连接线缆，留给M.2固态硬盘的物理位置确实非常有限。而且，对于一台主打AI计算的工作站来说，存储系统的性能瓶颈，往往并不在于你能够同时挂载多少块硬盘，而在于你是否能够把操作系统、常用的开发工具软件以及经常需要访问的热数据，放在一块足够快速的固态硬盘上。两个M.2插槽，一个用来安装操作系统和核心软件，另一个用来存放临时的项目文件和模型缓存数据，对于绝大多数AI开发者的日常工作流程来说，其实是完全够用的。如果真的需要大规模的冷数据存储空间，用户完全可以通过外接雷电接口或者万兆网络，连接到专门的NAS网络存储设备或者SAN存储阵列上去解决。微星在这方面的取舍，应该说还是比较务实和理性的，没有为了追求账面参数的好看而牺牲掉其他更重要的设计要素。

电源和散热方面，微星官方给出的规格是：1600W 80 PLUS钛金认证的ATX电源，机箱尺寸为宽245毫米（9.6英寸）×高528.4毫米（20.8英寸）×深595毫米（23.4英寸）。这个尺寸意味着什么？245毫米宽，大概比普通的ATX中塔机箱稍窄一点点；528.4毫米高，接近半米，差不多到成年人膝盖的高度；595毫米深，比普通的ATX中塔机箱要深不少。换句话说，WS300是一台体积相当大的塔式工作站，往办公桌下一放，得占掉不小的一块空间。1600W的电源功率，也印证了这台机器里面的GB300超级芯片是个名副其实的电老虎——72核Grace CPU加上Blackwell Ultra GPU，再加上ConnectX-8 SuperNIC和各种外围电路，整机满载功耗直奔1600W而去。这也解释了为什么微星要在机箱顶部和尾部配备如此丰富的接口：前部配备电源按钮、重启按钮、硬盘指示灯、双声道音频接口、2个USB Type-C和2个USB 3.0 Type-A接口；后部配备1个千兆专用服务器管理端口、2个QSFP112 400G以太网端口、1个万兆以太网端口、4个USB 3.1 Type-A接口、1个Mini DisplayPort、1个双声道音频接口和1个Micro USB COM调试串口。这种I/O接口拉满的设计，是典型的企业级工作站的做派——它不只是给你一台电脑，而是给你一个可以无缝接入企业IT基础设施的计算节点。

现在咱们来聊聊最敏感的话题——价格。Notebookcheck在2026年8月30号的报道里说得很坦白：“MSI WS300的具体售价尚不明确，但考虑到其配置，售价肯定会高达一笔不小的数目。鉴于近期的情况，即使售价接近100000美元也不足为奇。”注意原文的表述——“售价尚不明确”、“接近100000美元也不足为奇”。这是Notebookcheck基于配置做出的推测，而不是微星官方公布的定价。不过，结合近期海内外媒体的报道，这台机器的定价区间已经有了更具体的线索。根据国内快科技在2026年8月28日的报道，WS300目前已经在美国的分销商ASI、D&H和Newegg等渠道上架，起售价为99999美元（当时汇率约合67.2万元人民币）。网易转载IT之家2026年8月28日的报道也确认，微星XpertStation WS300在海外市场出货，新蛋（Newegg）平台报价为99999美元（当时汇率约合67.4万元人民币）。FrontierNews.ai在2026年8月28日的报道中给出的价格则是约85000美元。三家媒体给出的数字虽有出入，但都指向同一个事实：这台机器的最终售价，确实如Notebookcheck所预测的那样，落在了接近100000美元的水平线上。

咱们认真感受一下100000美元这个数字的分量。在美国硅谷的核心地段，这个价格差不多能付一套小户型公寓的首付；在中国北京五环内，这个价格也足够全款买下一个车位再加一辆不错的新能源车。而微星打算把这100000美元换成一坨能塞进你办公桌下的金属箱子，里面装着72颗ARM核心、748GB内存和一块Blackwell Ultra GPU。至于微星官方自己会不会最终把定价定在99999美元这种吉利数，还是干脆突破100000美元大关，目前各家媒体说法不一，但Notebookcheck在2026年8月30号的原话是“售价接近100000美元也不足为奇”——这个表述非常精准，既点明了价格量级，又把话说得留有余地。咱们尊重原文：WS300的具体售价微星迄今仍未正式公布，但鉴于其配置，售价肯定会高达一笔不小的数目，即便接近100000美元也不会令人惊讶。首先，英伟达的GB300 Grace Blackwell Ultra超级芯片本身，就不是一颗便宜得下来的芯片。它采用了台积电目前最先进、成本也最高的CoWoS-L封装工艺，将一颗拥有上千亿个晶体管的Blackwell Ultra GPU和一颗72核心的Grace CPU整合在同一个封装基板上，良品率本身就比较低，生产成本自然居高不下。其次，那496GB的LPDDR5X内存和252GB的HBM3e显存，这两样东西加起来，成本也是一个天文数字。尤其是HBM3e显存，由于全球范围内的产能持续紧张，而来自数据中心和AI训练领域的旺盛需求又在不断攀升，它的市场价格一直维持在非常高的水位线上。再加上微星为这款工作站专门定制的专用主板、高效率的散热解决方案、大功率的冗余电源模块，以及那张价格不菲的ConnectX-8 SuperNIC网卡等配件，整台机器的物料成本，已经远远超过了市面上任何一款顶级的消费级台式电脑。因此，几乎所有密切关注这件事的业内观察人士和分析师都在猜测，WS300的最终上市定价，很可能会落在六位数美金的区间范围内，也就是接近十万美元的水平。这个价格，对于绝大多数的普通消费者来说，无疑是天方夜谭、遥不可及的。但是，对于那些每年在GPU计算集群上花费数百万甚至上千万美元的AI公司、研究机构和高校实验室来说，如果能够用一台十万美金左右的工作站，在本地高效地完成算法原型验证、小规模模型训练和实时推理部署，从而节省下租用昂贵云服务的时间和金钱成本，这笔账仔细算下来，其实是相当划算、物有所值的。毕竟，在当今这个竞争激烈的AI赛道里，时间就是金钱，谁能更快地迭代模型、谁能更快地将产品推向市场，谁就能在激烈的竞争中抢占先机、赢得主动权。

对于那些看到100000美元这个数字就默默关掉页面的普通玩家，Notebookcheck的报道也没忘了给你们留一条活路。报道里明确指出，“对于我们这些钱包稍微不那么鼓的凡人来说，搭载AMD Strix Halo处理器的迷你电脑，可以成为一个不错的本地大模型起步选择”，并且点名举例了GMKtec Evo X2这款机器，说它“目前正在亚马逊上以2199美元的价格销售”。咱们来仔细品品这个信息：2199美元对比100000美元，前者差不多是后者的四十五分之一。也就是说，你买将近45台Evo X2的钱，才够买一台WS300。当然，算力上Evo X2跟WS300根本不在一个量级上，Strix Halo这颗APU虽然把CPU和GPU集成在了一起，共享内存架构也让它在运行中等规模的大模型时有不错的表现，但它那点显存带宽和算力，跟Blackwell Ultra GPU的每秒7.1TB带宽、20 petaflops FP4算力相比，差距是数量级上的。可是，对于只想在本地跑个70亿参数或者130亿参数的开源模型、做做智能客服原型、搞搞个人知识库问答的爱好者来说，2199美元的Evo X2确实是一个合理的起点。报道特意把Evo X2在亚马逊上的实时售价2199美元点出来，其实也是在给读者一个心理锚点：WS300是给口袋深不见底的专业用户准备的梦幻机器，而Evo X2才是普通玩家摸得着的入场券。从2199美元到100000美元，这中间横跨的不仅是价格，更是从个人玩家玩具到企业级生产力工具的两个完全不同的世界。Strix Halo是AMD最新推出的一款集成了强大GPU核心的APU处理器，它的图形性能和AI算力相比上一代产品有了飞跃式的提升。虽然跟WS300比起来，它的绝对性能差距如同鸿沟一般巨大，但它的售价仅为2199美元，大约是WS300预估价格的四十五分之一。对于那些刚刚开始接触本地大模型应用、正处于学习和摸索阶段的爱好者、在校学生或者小型创业团队来说，花两千多美元买一台Evo X2这样的迷你主机，用来学习基础知识、做一些小规模的实验、运行一些中等体量的开源模型，无疑是一个性价比极高、非常明智的入门方案。你可以用这台小巧的机器来搭建一个属于自己的私人AI助手，或者运行一个本地的图像生成模型，亲身体验一下本地AI计算的魅力和乐趣。等到你的业务逐渐发展壮大，对算力提出了更高的要求，到那个时候再考虑升级到WS300这样的专业级设备，也是一件水到渠成、顺理成章的事情。

把视野再拉高一层来看，WS300的发布其实标志着一个非常重要的行业拐点，而微星和英伟达这次的合作模式尤其值得一提。微星在2026年3月16日就率先宣布了XpertStation WS300的发布，这是基于英伟达DGX Station架构、面向桌面端的新一代AI超算。到了2026年8月27日，微星在台湾官网发布新闻稿，正式宣布WS300出货，即日起可通过ASI、D&H及Newegg购买。微星企业平台解决方案总经理许言闻在新闻稿里表示：“XpertStation WS300正是针对企业实际部署需求而设计，系统到位后即可支援高负载AI工作，无需耗费数月进行额外的系统集成，协助企业缩短AI从开发到正式部署的时程。”英伟达企业产品总监Allen Bourgoyne也表示：“MSI XpertStation WS300搭载NVIDIA DGX Station架构，将NVIDIA Grace Blackwell Ultra运算能力延伸至桌边，提供企业所需的效能与扩充能力，让开发者能在本地端开发、客制化并执行进阶AI模型与AI代理程序。”

注意WS300的全名——“MSI XpertStation WS300 on NVIDIA DGX Station Architecture”——这里面“DGX Station”这个后缀，直接致敬了英伟达自己推出的DGX系列产品线。DGX这个名字在AI圈意味着什么？意味着这是一台为AI而生的、标准化的、经过英伟达官方调优的整机。从DGX-1到DGX-2，再到后来的DGX A100、DGX H100，每一代DGX都是那个时代的算力标杆。而DGX Station则是把这个标杆缩小到桌面形态的产物。微星WS300挂上DGX Station的名号，等于是英伟达亲自背书：这台机器虽然不是英伟达自己出厂的，但它的血统纯正，它的内核就是英伟达GB300 Grace Blackwell Ultra桌面超级芯片。这种英伟达出芯、微星出整机的合作模式，其实在高端工作站领域并不罕见，但这一次的特殊之处在于，GB300这种级别的芯片，此前普遍认为只会供给云服务商和超算中心，没想到英伟达和微星这么快就把它做到了桌面级产品里。

更值得玩味的是，WS300并不是DGX Station架构的唯一整机产品。根据英伟达的合作伙伴信息，DGX Station GB300平台共有三家OEM厂商推出整机产品，除了微星的XpertStation WS300之外，另外两家分别是华硕的ExpertCenter Pro ET900N G3，以及技嘉的W775-V10-L01。三家厂商共享同一套GB300超级芯片、同样的748GB一致性内存、同样的ConnectX-8 SuperNIC 800Gb/s网络，区别主要在机箱设计、散热方案、预装操作系统和附加显卡支持上。微星在这一波里的优势，是其作为老牌硬件厂商在主板、电源、散热和整机集成上的深厚积累，1600W 80 PLUS钛金电源、四个M.2插槽的精细分工、丰富的I/O接口，都体现了微星在企业级硬件设计上的成熟功力。

回到GB300这颗超级芯片本身。英伟达官方资料显示，GB300 Grace Blackwell Ultra桌面超级芯片把一颗Blackwell Ultra GPU和一颗72核Grace CPU（基于ARM Neoverse V2）通过NVLink-C2C片间互联绑在一起，互联带宽高达每秒900GB。这颗芯片是英伟达GB300 NVL72机架规模解决方案的基石——在GB300 NVL72里，18个GB300超级芯片通过NVLink交换机技术和BlueField-3 DPU组合在一起，形成一台专为AI推理时代打造的大型GPU，整柜拥有72个Blackwell Ultra GPU、36个Grace CPU，提供最高130 TB/s的NVLink带宽。换句话说，WS300里那颗GB300，就是GB300 NVL72整机柜里那18个超级芯片中的一个的单机版。从整机柜到桌面，英伟达用同一套架构，覆盖了从数据中心到桌边的全场景AI算力需求。这种架构统一、形态多样的产品策略，让企业用户在桌面上做原型开发、验证模型配方，然后无缝扩展到多节点的DGX SuperPOD整机柜，整个过程使用相同的软件栈、相同的运行时、相同的操作系统，极大降低了企业IT的适配成本。

那颗72核的Grace CPU，也值得单独拿出来说道说道。为什么英伟达要选择ARM架构而不是传统的x86架构？首先，ARM架构的能效比在同等性能下明显优于x86，对于一台功耗墙极其紧张的桌面工作站来说，这点至关重要。72个Neoverse V2核心在提供强大通用计算能力的同时，发热量和功耗都比72个x86核心要低得多。其次，Neoverse V2是ARM专门针对基础设施和服务器市场设计的核心，它在内存带宽、多核扩展性和虚拟化支持方面都有着出色的表现，正好契合Grace CPU作为为GPU喂数据的角色定位。这颗CPU的存在，保证了WS300在处理数据预处理、特征工程、数据清洗这些喂给GPU之前的活儿时，不会因为CPU太弱而形成瓶颈。72个核心一起上，哪怕是处理最繁重的数据管道任务，也能轻松胜任。这颗CPU并没有使用我们在个人电脑和服务器领域最常见的x86架构，而是选择了ARM架构，具体来说是ARM旗下的Neoverse V2核心，并且一口气塞进去了整整72个核心。这颗CPU的存在，意味着整个系统的数据处理能力和指令调度能力有了一个极其坚实的基础，绝对不会出现GPU在那里疯狂地进行矩阵运算、但CPU却因为跟不上节奏而拖后腿的尴尬局面。

软件生态方面，根据英伟达和微星的官方资料，WS300出厂时会预装Ubuntu 24.04 LTS操作系统，并附带英伟达AI开发者工具，这意味着它开机就能跑demanding的工作负载，不需要用户再花几个月做系统集成。WS300全面支持英伟达AI软件栈，包括CUDA、NVIDIA AI Enterprise、TensorRT、NVIDIA NIM、PyTorch/TensorFlow等。此外，WS300还支持英伟达的Multi-Instance GPU（MIG）技术，可以将那块Blackwell Ultra GPU分割成最多7个隔离的GPU实例，供不同的用户或不同的任务同时使用，每个实例都有硬件强制隔离，互不影响。这个功能对于企业内部的多用户AI开发场景尤其有用——一个研究团队七八号人，可以共享一台WS300，每个人分到一块MIG实例，既保证了算力的公平分配，又确保了数据和任务的安全性。

特别值得一提的是，WS300还支持英伟达的NemoClaw——这是一个开源的技术栈，安装了OpenShell运行时和策略控制的沙盒，能够让自主AI智能体在受控的环境中持续安全地运行。在WS300上运行OpenShell，开发者可以在桌边以高达20 petaflops的AI算力和748GB内存本地运行万亿参数模型，实现始终在线的AI智能体，而不依赖云基础设施。这项功能对于企业用户来说极具吸引力，因为它意味着企业可以把AI智能体部署在本地，既享受了AI智能体带来的自动化效率提升，又不用担心敏感数据外泄到云端，还能通过策略沙盒对AI智能体的行为进行管控，满足监管合规的要求。正如英伟达企业产品总监Allen Bourgoyne所说：“AI正从实验阶段走向始终在线的、智能体化的工作负载，这要求在开发者和企业数据所在之处提供强大的计算能力。”

从更宏观的角度来看，WS300的出货，反映出了整个AI硬件行业一个正在加速发展的宏观趋势：AI计算的重心，正在从云端的大型数据中心，逐渐向边缘端和桌面端下沉和扩散。以前，你想要跑一个稍微像样一点的AI模型，要么得花大价钱去租用云端的GPU实例，按小时付费，肉疼得很；要么就得自己动手，费尽心思地组装一台搭载了多块顶级游戏卡的工作站，不仅折腾来折腾去，而且性能和稳定性都很难得到可靠的保障。而现在，随着英伟达推出Grace Blackwell这样的超级芯片，以及微星这样的老牌硬件厂商推出相应的成品工作站，越来越多的企业和个人开发者，将有机会在自己的办公室里、甚至就在自己的办公桌上，拥有以前只有在大型数据中心里才能体验到的那种级别的AI算力。这种算力的逐步普及和下放，必然会催生出更多前所未有的、富有创新性的AI应用场景和商业模式。而对于那些暂时还够不着WS300这个级别的普通用户来说，市场上也并非完全没有其他的选择。文章最后提到的那款搭载了AMD Strix Halo处理器的迷你主机，比如GMKtec推出的Evo X2，就是一个非常好的例证。Strix Halo是AMD最新推出的一款集成了强大GPU核心的APU处理器，它的图形性能和AI算力相比上一代产品有了飞跃式的提升。虽然跟WS300比起来，它的绝对性能差距如同鸿沟一般巨大，但它的售价仅为2199美元，大约是WS300预估价格的四十五分之一。对于那些刚刚开始接触本地大模型应用、正处于学习和摸索阶段的爱好者、在校学生或者小型创业团队来说，花两千多美元买一台Evo X2这样的迷你主机，用来学习基础知识、做一些小规模的实验、运行一些中等体量的开源模型，无疑是一个性价比极高、非常明智的入门方案。你可以用这台小巧的机器来搭建一个属于自己的私人AI助手，或者运行一个本地的图像生成模型，亲身体验一下本地AI计算的魅力和乐趣。等到你的业务逐渐发展壮大，对算力提出了更高的要求，到那个时候再考虑升级到WS300这样的专业级设备，也是一件水到渠成、顺理成章的事情。

所以，从更宏观的角度来看，WS300的发布，并不仅仅意味着一款新产品的简单亮相，它更像是一个具有标志性意义的信号，向整个行业宣告：桌面级AI计算，已经正式进入了一个全新的时代。在这个崭新的时代里，高性能AI算力的门槛正在被一步步地拉低，曾经只属于少数顶尖实验室和大型科技公司的计算能力，正在以一种前所未有的速度，变得触手可及、人人可用。无论是像WS300这样站在金字塔尖、代表着极致性能的旗舰机型，还是像GMKtec Evo X2这样面向大众市场、主打性价比的入门级产品，它们都在共同推动着一个不可逆转的趋势向前发展，那就是让更多的人、更多的团队，能够更方便、更快捷地参与到AI技术的创新和应用中来。也许在并不遥远的将来，每一位从事软件开发或者数据科学工作的从业者，他们的办公桌上都会像今天摆放着一台高性能笔记本电脑一样，自然而然地摆着一台专门用于AI计算的本地工作站。到那个时候，我们再回过头来看今天这台WS300，或许就会像我们现在看待几十年前那台占据了整整一个房间、耗电量堪比一个小型工厂的超级计算机一样，心中充满了对技术进步速度的无限感慨和敬畏。而现在，我们所能做的事情，就是在惊叹于技术日新月异、突飞猛进的同时，根据自己的实际经济状况、技术水平和具体需求，选择一条最适合自己的道路，一步一个脚印地走进这个由AI编织而成的、充满无限可能的未来。对于那些既有迫切需求、又有充足预算的朋友来说，WS300无疑是一个值得认真考虑、深入研究的选择，尽管它的标价可能会让你的心脏猛地抽搐一下，但它所提供的、针对特定高强度工作场景的巨大价值，绝对是物有所值、一分钱一分货的。而对于我们绝大多数普通玩家和爱好者来说，不妨先从那台两千多美元的迷你主机开始入手，迈出探索本地AI世界的坚实第一步。毕竟，技术的迷人之处就在于，它总会以各种各样的方式，悄悄地渗透到我们日常生活的方方面面，哪怕一开始只是从一个不起眼的小角落开始萌芽。