【导读】华硕在 Computex 2026 展出 ExpertCenter Pro ET900N G3——一台看起来像普通塔式工作站的机器,内置 NVIDIA GB300 Grace Blackwell Ultra 超级芯片,748GB coherent memory,AI 算力 20 PFLOPS。NVIDIA 官方标注"支持万亿参数模型"。但这台机器真正值得关注的数字,可能在算力之外——那个 748GB 统一内存池。
一台"塔式机箱",装了一整个数据中心的芯片
Computex 2026,华硕展台上出现了一台不太起眼的塔式工作站。
灰色金属机箱,标准塔式尺寸,放在桌边和普通台式机没什么区别。但打开规格表,所有人都安静了。
ASUS ExpertCenter Pro ET900N G3。基于 NVIDIA DGX Station 架构,搭载 GB300 Grace Blackwell Ultra Desktop Superchip。AI 算力20 petaFLOPS,统一内存748GB coherent memory,NVLink-C2C 与 ConnectX-8 互连,预装 NVIDIA 全栈 AI 软件。
▲ 华硕官方产品页:ExpertCenter Pro ET900N G3,DGX Station 架构,748GB coherent memory
这个规格意味着什么?
过去,20 PFLOPS 级别的 AI 算力和 700GB 以上的内存容量,只存在于数据中心机柜里。现在华硕把它压进了一个能放在办公桌旁边的塔式机箱。NVIDIA 官方对 DGX Station 的定位原话是:
"The ultimate deskside AI supercomputer for building and running AI."
华硕在 ASUS 展台的官方推文里也明确写道:
"The ASUS ExpertCenter Pro ET900N G3 delivers 20 PFLOPS AI performance with NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip & 748GB coherent memory — built for autonomous AI agents and enterprise workloads."
「为自主 AI Agent 和企业工作负载而生。」——这就是它的目标用户画像:企业 AI 团队、研究实验室、需要把敏感数据留在本地的开发者。
为什么 748GB「统一内存」比「显存大小」更值得盯
很多人看到这台机器的第一反应是:748GB 内存,够不够大?比 H100 的 80GB 大多少倍?
但这个问题本身就问偏了。
传统 AI 工作站的架构是CPU 内存和 GPU 显存分开的。模型权重放显存,数据预处理放内存,中间要不断搬运。GPU 显存 80GB 不够?加卡。加了四张卡?还得靠 NVLink 让它们互相看到对方的显存。整个系统的内存像一栋楼里被隔墙分成十几间的小房间——每间房都有门,但搬东西要走廊道。
GB300 Grace Blackwell 的 coherent memory 做的事情完全不同。
CPU 和 GPU 通过 NVLink-C2C 共享同一个内存池。748GB 是整个系统的统一地址空间,CPU 写进去的数据 GPU 能直接读,反过来也一样。没有"显存不够了先卸到内存再拷回来"这个动作。
这对跑大模型有什么用?
模型参数只是内存消耗的一部分。一个万亿参数模型在 FP8 精度下光权重就占接近 1TB。但 748GB coherent memory 配合量化技术和模型并行,已经能把很大一部分万亿参数级模型塞进本地。而且 NVIDIA 官方给出的口径是——
"Supporting models up to 1 trillion parameters."
「支持万亿参数级模型。」
但更关键的场景,在权重之外。
▲ NVIDIA 官方 DGX Station 页面:748GB coherent memory,支持万亿参数,本地开发到云端部署
长上下文和多 Agent,才是真正的内存黑洞
模型参数放进去之后,内存就花完了吗?远远没有。
真正吞噬内存的,是推理过程中产生的 KV cache。
每一轮对话,Transformer 都要为已处理的每一个 token 生成 Key 和 Value 向量并缓存下来。上下文越长,KV cache 越大。一个 70B 模型在 128K 上下文下,单次会话的 KV cache 就可能占到几十 GB。如果是万亿参数模型跑 100K+ 的上下文?这个数字会急剧膨胀。
传统架构下,KV cache 塞满显存就只能截断上下文或者做 offloading——把一部分缓存挪到 CPU 内存,需要时再拷回来。这个搬运过程会拖慢推理速度,用户体验就是"模型越聊越慢"。
统一内存的好处在这里浮出水面:748GB 的一致性内存池,让 KV cache 有了更大的原生驻留空间。CPU 和 GPU 看到的是同一块内存,不需要跨总线拷贝。上下文可以拉得更长,模型"记住"的东西可以更多。
但 KV cache 还只是单用户场景。企业真正要跑的场景是——多个 AI Agent 同时在线。
想象一下:一个企业级 Agent 系统里,同时有 Agent 在做文档检索、有 Agent 在做代码执行、有 Agent 在做数据库查询、有 Agent 在做审批流、有 Agent 在做结果汇总。每一个 Agent 都有自己的上下文窗口、工具调用状态、检索缓存和中间计算结果。
每多一个 Agent,就多一份驻留内存开销。
如果系统内存和 GPU 显存是割裂的,每个 Agent 的状态都要在 CPU 和 GPU 之间来回搬运——加载、卸载、重新加载、等待调度。GPU 算力再强,数据搬不过来也白搭。
748GB coherent memory 给了这个场景一个更大的"工作台面":把模型权重、多个 Agent 的 KV cache、检索片段、工具调用日志、规划状态全部放在同一个内存池里,让 CPU 和 GPU 各取所需,减少搬运等待。
NVIDIA 官方页面上对 DGX Station 的描述也明确指向这个场景:
"Developers, researchers, and data scientists can develop, fine-tune, and inference with large AI models and long-running AI agents locally."
「开发者、研究者和数据科学家可以在本地开发、微调、推理大型 AI 模型和长时间运行的 AI Agent。」
Long-running AI agents——长时间运行的 Agent。这几个词透露了 NVIDIA 对这台机器的真正期望:它要支撑的,是那些跑几小时甚至几天的自主 Agent 任务,而这些任务产生的状态数据,必须持续驻留在内存里。
数据边界:企业买这台机器,不只是为了快
还有一层容易被忽略的价值:数据不出楼。
企业 AI 团队处理的数据——客户信息、内部代码、财务数据、医疗记录——大量受合规约束,不能随意发送到云端 API。过去的办法是要么自建数据中心(成本高、周期长),要么用隐私计算方案(复杂、性能折损),要么干脆放弃用大模型处理敏感数据。
一台桌边 DGX Station 级别的机器,给了第四个选项:在物理上把 AI 算力和敏感数据锁在同一个房间里。
ASUS 在产品页上标注了Open-Source Agent Ready,支持 NVIDIA NemoClaw,面向安全可控的 AI Agent 工作流。虽然 NemoClaw 目前还没有大量独立评测验证其企业级成熟度,但这个方向指向了一个明确需求:企业想在本地跑 Agent,同时保持对数据流的控制。
748GB 统一内存在这里的意义是——能把更多模型、上下文、数据和 Agent 状态留在本地这台物理机器里,减少"算力在本地、数据要上云、中间结果再拉回来"的割裂。
▲ 渠道商已开始以商品形式展示 ET900N G3,但华硕官方暂未公布定价
边界在哪:万亿参数不等于"桌边随便跑"
说完好处,必须划一条线。
NVIDIA 说"支持万亿参数模型",这是系统容量层面的支持口径——748GB coherent memory 加上模型并行和量化技术,在存储空间上能够容纳万亿参数级的模型权重。
但"能装下"和"跑得顺"中间隔着很多东西。
精度取舍:FP8 量化能把万亿参数压缩到 1TB 以内的存储需求,但更高精度(FP16/BF16)下空间会翻倍。实际部署要在精度和容量之间找平衡点。
KV cache 的天花板:前面说了,长上下文下 KV cache 膨胀极快。万亿参数模型 + 100K 上下文 + 多 Agent 并发,KV cache 可能吃掉内存池的大部分空间。748GB 很大,但面对这种极端组合仍然会吃紧。
带宽瓶颈:统一内存解决了容量和一致性问题,但内存带宽仍然有上限。当 CPU 和 GPU 同时大量读写同一块内存池时,带宽竞争会成为新的瓶颈。
软件栈成熟度:DGX Station 架构的全部能力需要 NVIDIA AI 软件栈的深度适配。企业实际部署时,模型优化、推理引擎调优、Agent 框架适配、多任务调度——这些软件层面的工作不会因为硬件到位就自动解决。
所以更准确的理解是:这台机器把万亿参数级模型和长时间 Agent 任务拉进了桌边部署的射程范围,但具体能跑到什么程度,取决于模型精度、上下文长度、并发数和软件栈的组合。
Tom's Hardware 的口径差异:748GB 还是 784GB?
补一个技术媒体的细节。Tom's Hardware 在报道标题里写的是"up to 784GB of coherent memory",而华硕和 NVIDIA 官方页面统一使用的是748GB。
"Asus brings Nvidia's GB300 Blackwell Ultra desktop superchip to workstations — features up to 784GB of coherent memory, 20 PFLOPS AI performance."
两个数字差了 36GB。目前没有官方解释这个差异的来源——可能是不同配置、不同计算口径或媒体引用偏差。以华硕和 NVIDIA 官方产品页的 748GB 为准。
数据中心在往桌边走
把这台机器放在整个行业趋势里看,信号很明确。
过去几年,AI 算力的规格升级基本都发生在数据中心——更大的 GPU 集群、更多的机柜、更高的功耗。普通企业想用大模型,要么调 API,要么花大钱建私有云。
DGX Station 架构进入塔式工作站,意味着 NVIDIA 开始把数据中心级别的 AI 能力往桌边推。华硕的 ET900N G3 是第一批落地的 OEM 产品之一。虽然官方还没公布定价(目前只有预售咨询入口),但 TechPowerUp 把这台机器归类为"deskside AI supercomputer",强调的是 unified memory architecture 和 data-center-class connectivity。
对企业 AI 团队来说,这个方向的吸引力很直观:不用排队等数据中心的 GPU 配额,不用把敏感数据上传到云端,在办公室里就能做模型开发、微调、推理和 Agent 部署,做完了还能无缝部署到数据中心或云端。
748GB coherent memory 是这个方向的一个关键硬件前提。没有足够大的统一内存池,桌边部署万亿参数模型和多 Agent 系统就只能停留在 PPT 上。
这台看起来像普通台式机的塔式工作站,可能是数据中心 AI 平台走向桌面的一个转折点。
— END —

