NVIDIA 与 Microsoft 的 AI 扩展横跨 Azure 和 PC
NVIDIA 于 2026 年 11 月 19 日扩大了与 Microsoft 的合作,将 Azure 基础设施与 Windows PC 连接起来,但其中多项能力仍处于预览阶段。这项 NVIDIA Microsoft AI 扩展涵盖模型定制、工业计算和本地应用,使双方合作不再局限于获取更快的硬件。其核心矛盾在于实际落地:这一互联开发战略如今横跨可用性、安全边界和运行要求各不相同的产品。
两家公司正在推动一条从集中式计算延伸至靠近业务数据运行应用的路径。Microsoft Foundry 是其构建和运营 AI 应用的平台,连接了这项工作的部分环节。但通过托管服务提供的模型、实验室演示和生产部署,分别代表着对客户作出的不同承诺。
企业开发者和基础设施采购方将立即面对这一变化带来的影响。他们必须判断哪些已宣布的组件能够解决现有问题,哪些则应纳入未来评估。Microsoft 同时支持 AMD 也进一步说明:这项扩展强化了 NVIDIA 在 Microsoft 基础设施战略中的地位,但并未使该战略变成 NVIDIA 独占。
NVIDIA Microsoft AI 扩展连接了彼此独立的部署决策
这一公告将合作拓展至不同计算位置,但并不意味着所有位置都具备相同能力或可用性。
NVIDIA 的加速计算扩展介绍了在 Azure 中运行的 Vera Rubin NVL72 系统,以及通过预览提供的更广泛访问。Vera Rubin NVL72 是 NVIDIA 的机架级计算平台,结合了为高要求 AI 工作负载设计的处理器和互连技术。预览标识很重要,因为已安装的基础设施与面向客户普遍可用的服务是不同的里程碑。
同一公告还延伸至模型适配和部署。NVIDIA 将 Nemotron 3.5 Super 和 Lightning 列入 Foundry Managed Compute,即 Microsoft 用于在托管基础设施上运行模型的服务。公告还描述了更广泛的本地部署支持及 Windows 演示。Bolt 和 Transcribe 仍被列为即将推出,而非已可用的新增功能。
这些区别避免该公告被简化为一个具有误导性的从云到 PC 的发布故事。两家公司正在连接多个开发和运营环境,并未表示客户可以将每项宣传的能力立即部署到所有位置。
这改变了买家应如何理解这项合作。评估某一模型的开发者需要确认,所需版本是否可通过预期的部署路径获得。基础设施团队需要确认,其硬件、区域和支持安排是否符合该路径。应用负责人则需要证据证明最终系统满足业务要求。
这一活动的铺垫时间比单次会议公告所暗示的更长。Microsoft 在 2026 年 6 月 4 日发布的边缘 AI 开发更新,已涉及本地部署和硬件差异。这些更新讨论了模型封装、执行环境、断网运行以及跨多个平台的开发。Ignite 则将这项工作扩展为更广泛的企业价值主张。
这段历史让变化变得更具体。这项合作正在不断累积基础设施、模型和运营之间的连接。其价值取决于当客户超越初步试验时,这些连接能否减少重复的工程工作。
共同的供应商关系有助于明确责任,但不会自动让应用具备可移植性。软件依赖、内存要求和访问控制仍会决定工作负载可以在哪里运行。买家应将这项扩展理解为一组新增选择,其兼容性仍需确认。
因此,最有用的解读应从应用而非硬件公告开始。它需要哪些数据?必须在何处响应?更新失败时由谁负责运行?这些问题能够揭示,新近连接的各部分是否为某个特定组织构成了可用的部署路径。
企业团队如今面临部署位置与责任归属的决策
压力落在那些必须将部署灵活性转化为明确责任分工的团队身上。
一个业务应用可以涉及多个计算位置,但这并不意味着它更易于管理。集中式服务可能负责适配模型,而本地系统则在靠近运营数据的位置处理请求。员工设备可能提供交互界面。每个位置都会引入对连接性、维护和访问方式的不同假设。
这正是混合 AI 的实际含义:将 AI 工作负载分布在云服务和本地基础设施之间。NVIDIA Microsoft AI 扩展使这种方法在双方合作中更加显眼。它也让企业架构师面临更多决策;他们此前可能将托管模型视为一项基本独立的采购。
以文档处理应用为例,说明一种部署决策。其负责人可能偏好集中开发,因为共享基础设施能够简化协作。他们也可能偏好本地执行,因为记录必须保留在受控环境中。这些偏好并不代表同一配置就能同时满足两项要求。
该应用仍需要明确的运营负责人。必须有人批准模型变更、维护依赖项、调查故障,并确定何时需要人工审核。如果责任分散在应用、基础设施和安全团队之间,更多部署选择可能增加协调工作。
知识管理在这里成为一项运营依赖。团队需要可靠记录,说明哪个模型、数据集和评估支撑了某项部署决策。可搜索的知识库可以帮助保留这些工程背景,但无法替代应用测试。
Microsoft 自身的基础设施定位提供了一个有用的竞争参照。其 Windows 公告包含同时涉及 AMD 和 NVIDIA 的硬件路径。这使硬件选择成为企业讨论的一部分,而不是将某一种加速器系列视作所有工作负载的默认归宿。
因此,相关比较不止于 NVIDIA 与 AMD 的性能之争。客户必须比较受支持的软件、部署成熟度、运营熟悉度以及更改配置所需的工作量。当这些差异影响应用可靠性或团队的维护能力时,硬件竞争才具有重要意义。
对开发者而言,短期压力在于明确部署假设。围绕托管云服务设计的应用,可能会继承一些在本地机器上并不成立的预期。反过来,为本地执行优化的应用,在集中化时也可能遇到不同的扩展和协调问题。
对基础设施买家而言,长期压力涉及对互联供应商服务的依赖。紧密集成的路径可以减少初始组装工作;但如果模型适配、部署管理和硬件支持紧密绑定,也可能使替换决策变得更复杂。
两种结果都不是必然的。这项公告为企业在扩大试点前审视这些关系提供了理由。其意义在于连接了企业通常分别作出的决策:使用哪种模型、在哪里运行,以及谁持续对其行为负责。
定制模型将评估置于核心位置
最有力的商业论点涉及特定任务的结果,但已发布的客户案例并不能证明存在普遍优势。
Microsoft 的模型定制工作流包括 Programmed Training,这是一项预览服务,可让工程师控制训练循环,同时由 Foundry 管理计算资源。后训练,即模型完成初始训练后进行的适配,为客户提供了另一种针对特定业务需求的方法。
这带来了与选择能力最强的通用模型不同的采购问题。企业可以询问,适配是否能在明确任务上带来足够的改善,以证明其附带工作是合理的。答案取决于任务、用于评估的证据以及运行环境。
NVIDIA 提到 EY 对 Nemotron 模型的适配,用于对企业采购记录进行分类。根据 NVIDIA 的说法,EY 在其评估数据集上将准确率提高了 55%,并将成本降至专有前沿模型的十五分之一。这些是客户特定的报告结果,而非针对其他应用的独立确立结果。
准确率数据尤其需要谨慎看待。百分比提升本身并未揭示起始准确率、最终准确率或错误分布。它不应被表述为额外提升了若干百分点。它也不能证明当采购类别或文档格式发生变化时,模型仍能保持相同优势。
成本比较也有类似限制。公告没有提供足够细节,无法重建完整比较或确定包含的所有费用。读者不应假定所报告的运营比较涵盖数据准备、模型适配、评估、持续审核和维护。
即使存在这些限制,该案例仍指出了一个值得研究的可信机制。定义范围较窄的业务任务为开发者提供了明确的适配目标。他们可以评估模型是否将记录分配至合适类别,包括需要人工判断的困难案例。
这一机制同时对定制方案和通用方案提出了要求。定制模型必须证明其开发和维护所需投入的合理性。专有前沿模型,即领先且具备广泛能力的模型,则必须证明其适合处理同一业务任务。
这种比较应保持对称。通用模型不应仅因其拥有应用并未使用的更广泛能力而获得加分。定制模型也不应仅因其开发团队选择了有利于其优势的评估而获得加分。
对于企业买家,相关证据应包括模型在陌生记录上的结果,以及部署后引入的变化。还应区分自动决策与被转交给审核人员的案例。一个应用表面上可能看起来高效,实际上却将困难工作转移给了报告测量范围之外的人员。
Programmed Training 改变了由谁控制适配,但并未消除这些评估问题。托管计算可以减轻一部分基础设施负担,同时仍由客户负责定义可接受的行为。当模型输出影响财务或运营记录时,这项责任变得更加重要。
因此,EY 案例的实际意义较为明确。它支持针对一个边界清晰的工作流探索专用模型适配。它并未定论开放模型与专有服务之间更广泛的竞争,也不能证明定制化适用于每一种企业应用。
机架级安全仍处于有限预览阶段
Microsoft 的详细安全文档所描述的演示范围,比完整的机架级愿景可能暗示的范围更为狭窄。
机密计算通过硬件支持的隔离机制,在数据和模型处理过程中对其进行保护。Microsoft 的机密计算预览从 Confidential Bare Metal Instances 起步,后者让客户能够控制主机软件栈。
11 月 17 日的文档介绍了一项 Ignite 演示:使用一个配备四块 Rubin GPU 的单节点;这些处理器用于加速 AI 计算。其规划的工作流涉及一个拥有 3970 亿参数的模型,参数即定义模型学习行为的数值。这一范围不同于展示整个机架中所有运行属性。
Microsoft 还将机密虚拟机、机密容器和 Foundry 集成列为该平台未来的开发方向。虚拟机提供隔离的计算环境,而容器则将应用及其软件依赖项打包。它们的开发状态应与裸金属技术预览分开看待。
另一个区别涉及证明(attestation),即针对计算环境身份及其测量安全状态提供签名证据。Microsoft 表示,该演示使用本地验证。这并不能证明企业为已部署服务所需的完整远程验证和密钥释放机制已经具备。
这些边界并非无关紧要的限定条件。它们决定了安全团队能够从演示中得出什么结论。展示经过测量的环境能够支持高要求的模型工作流,回答的是一个技术问题。建立持续运行的服务,则还需要提供关于访问控制、变更管理、故障处理和恢复的更多证据。
Microsoft 的文档还指出,在裸金属设计中,租户的主机操作系统和工作负载仍属于受信任部分。因此,客户仍需负责保护这些软件。硬件支持的防护不会仅仅因为获授权应用运行在受保护环境中,就自动使其变得可信。
这一点对于敏感企业数据尤为重要。应用可能获准处理信息,却仍然以不正确的方式处理它。保护执行过程免受基础设施运营方影响,解决的是一类暴露风险;应用授权和行为则需要自身的控制措施。
恰当的审慎解读应当精确,而非一概否定。Microsoft 和 NVIDIA 描述的是迈向更广泛机密 AI 基础设施的工程进展。该文档并未证明所有计划中的部署模式都已达到相同阶段,或可提供可互换的保护。
这也说明,可用性表述为何应纳入技术分析。预览版可以为评估提供有价值的访问机会,但并不等同于完整的生产承诺。买方在将其纳入安全架构或向内部利益相关者作出承诺前,需要了解其范围。
同样的标准也适用于效率主张。协同工程工作可以指出一个方向,但并不等于为客户的应用提供经过验证的改进。决策应基于相关条件下的实测行为,而不是将合作关系的广度视为每个组件都已完成开发的证据。
用实际术语解释 NVIDIA Azure 预览时,关键区别在于平台能力与已提供服务之间的差异。客户需要获得实际服务边界的文档,包括哪些部分仍被信任,以及哪些责任仍由其自身团队承担。
本地 AI 与 Cloud PC 解决的是不同问题
即使两者都涉及 Windows,在设备上运行模型与流式访问远程桌面所满足的需求也不同。
Microsoft 的工业边缘预览为本地侧提供了一个具体案例。其 11 月 17 日更新介绍了 Azure Local 对 Jetson AGX Thor Developer Kit 的预览支持。Azure Local 是 Microsoft 用于在 Azure 数据中心之外运行和管理服务的基础设施平台。
相关演示涉及与 Universal Robots 和 Danfoss 共同开发的工业机器人场景。Microsoft 明确将其定位为 Microsoft 测试实验室中的技术演示。不应将其描述为 Danfoss 工厂车间中的实际运行部署。
这种区别并不会降低该案例的价值,反而使其更具参考意义。实验室演示可以展现硬件、模型和管理服务如何协同配合。它无法证明生产环境的正常运行时间、不断变化的工厂条件下的表现,或维护分布式部署所需的工作量。
当信息源自设备附近时,本地执行具有直观吸引力。将每一项决策发送到其他地点,会引入应用设计人员必须评估的依赖关系。但将计算移近机器设备,也会带来设备维护、受支持软件以及更新中断后的恢复等问题。
Microsoft 的预览解决了其中一部分管理工作,包括部署配置和更新。其战略论点是,当运营人员能够通过熟悉的基础设施流程进行管理时,本地计算会变得更实用。这一论点是否成立,取决于该预览在受控演示之外的实际表现。
Windows Cloud PC 则采用不同路径。Cloud PC 是用户通过流式连接访问的远程托管 Windows 环境。它出现在用户屏幕上的位置,并不意味着其应用或模型在该用户的实体设备上执行。
Microsoft 的Cloud PC 流式传输公告介绍了面向配备 GPU 的 Windows 365 系统、与 NVIDIA 相关的 Direct Stream 增强功能。Direct Stream 是 Microsoft 的桌面流式传输技术。两家公司目标是实现最高两路 4K、每秒 60 帧的流,有限预览和公开预览计划于 2027 年初推出。
这些是厂商描述的能力与计划,而非针对每一种网络条件下性能的独立测试。它们也涉及远程显示体验。改进流式传输并不能证明模型响应更快或模型准确率更高。
Microsoft 更广泛的 Windows 定位还包括 AMD 硬件及 NVIDIA 设备。其竞争层面的含义应谨慎看待:NVIDIA 获得了更多进入 Microsoft 企业环境的路径,而客户仍保有其他硬件选择。可用性和应用支持仍需单独确认。
因此,NVIDIA 混合 AI 的影响因用户而异。工厂运营方关注可靠的本地执行和易于维护的设备。远程设计师关注能否流畅访问集中托管的工作站。开发者则关注应用本身可获得的计算资源。
将这些需求视为同一个 PC 故事,会掩盖部署决策。该合作在商业和技术上将它们连接起来,但客户仍需明确计算发生的位置。该位置决定网络依赖、数据流动,以及体验出现故障时由哪个团队负责。
三项信号将显示这些组件能否投入运营
下一批证据应聚焦于可用的部署路径、客户成果和有文档记录的服务边界,而不只是更多演示。
第一个信号是更具体的 Azure Rubin 可用性与安全文档。在未来几个月中,买方应关注更明确的访问条件,以及 Microsoft 所列未来工作中各部署模式的进展。相关证据应说明客户能够获得和运行什么,而不仅仅是确认硬件已经安装。
在当前机密裸金属范围之外形成有文档记录的扩展,将加强该合作关于互联基础设施的论点。若宽泛的平台表述与可实际访问的服务之间持续存在差距,则会削弱近期部署预期。在公司发布相关细节前,任何一种结果都不应被预先推断。
第二个信号是关于定制企业模型的更多证据。EY 的采购记录案例为该公告提供了具体的业务背景。若后续报道能够说明评估方法、对比系统和运行条件,所声称的优势将更易于评估。
在陌生数据上的证据,将增强适配能够为该工作流带来持久价值的论据。结果若仅限于经过选择的评估,较广泛的业务结论仍无法确定。重要问题在于,当应用遇到日常工作带来的变化时,所报告的改进是否能够持续存在。
这也是 NVIDIA 混合 AI 对应用团队的影响开始变得可衡量的地方。更多部署选项的意义,取决于它们是否改善了组织实际需要的结果。成功处理的记录数量、审核工作量、可靠的响应时间和维护工作量,比单纯的模型可用性更能提供有用证据。
第三个信号是计划于 2027 年初推出的、与 NVIDIA 相关的 Windows 365 流式传输增强功能公开预览。Microsoft 给出了明确时间窗口,因此这构成近期将已宣布体验与更广泛客户访问进行比较的机会。读者应区分获得该预览的访问权限与正式全面可用。
如果更广泛的评估在相关网络条件下支持 Microsoft 的描述,将加强该战略中远程工作站的部分。受限访问或尚未解决的限制则会缩小这一结论。无论哪种结果,都涉及 Cloud PC 的交付,并不会自动验证本地 AI 或 Azure 模型基础设施。
这些信号共同回应了该公告的核心张力。两家公司勾勒了计算基础设施、模型适配和用户设备之间更广泛的关系。尚未解决的问题是,客户在真实运行约束下能否稳定地使用这些连接。
NVIDIA Microsoft AI 扩展值得关注,因为它连接了企业团队通常分别作出的决策。关注下一次可用性更新时,应结合具体应用进行思考。询问哪个模型版本在哪个环境中运行、由谁管理变更,以及哪些证据支持预期结果。将客户评估与厂商基准测试区分开来,也将实验室演示与运行中的部署区分开来。对于正在评估试点的团队,应保留决策背后的假设,以便后续结果能够对其提出挑战。下一步的实用做法,是将已宣布的能力与现有需求进行比较,再在扩大投入前识别缺失的证据。你的工作流中,哪一部分获得了有文档记录的部署选项,而哪一部分仍取决于预览版成为受支持的服务?



