摘要： IBM 在 2026 年 3 月 16 日 GTC 揭幕當天宣布，與 NVIDIA 的合作從 GPU 供應擴大到資料層整合，涵蓋 GPU 原生分析、文件處理、儲存、主權部署與雲端算力。Nestlé 案例中，資料超市刷新從 CPU 的 15 分鐘縮短到 GPU 加速 watsonx.data 的 3 分鐘。雙方也計畫把 Presto 接上 cuDF、Docling 搭配 Nemotron，並讓 Blackwell Ultra 預定於第二季初期上線。
2026 年 3 月 16 日,GTC 2026 揭幕的第一天,IBM 自紐約 Armonk 發出一紙新聞稿:與 NVIDIA 的合作關係再度升級,不再只扮演「GPU 供應」的角色,而是要往「資料層整合」走。整份合作清單覆蓋五個區塊——GPU 原生分析、文件處理、儲存、主權部署與雲端算力;IBM 同時點出企業 AI 得先跨過的四道難關:資料太碎、基礎建設不足、法規與合規形成障礙、專業人才難尋。
定調的人正是雙方執行長。IBM 執行長 Arvind Krishna 的原話是「下一波企業 AI,模型層將依賴資料、基礎設施與協調層。」;NVIDIA 執行長黃仁勳給的定義則是「資料是賦予 AI 脈絡與意義的 ground truth。」GTC 這一週,多數發布會的焦點都繞著模型轉,這樁合作卻把賭注押在模型底下那一層。
Nestlé 實測：15 分鐘的刷新縮到 3 分鐘
架構圖之外,IBM 也交出可驗證的客戶實績。Nestlé 的訂單到收款資料超市橫跨 186 個國家、44 張資料表,體量以數 TB 計;過去在 CPU 上跑完一輪刷新得等 15 分鐘,改用 GPU 加速版 watsonx.data 之後,同樣的工作 3 分鐘就能完成。IBM 引用的效益數字:成本省下 83%,性價比放大 30 倍。Nestlé 資訊與數位長 Chris Wright 解釋,對一家服務數十億人的公司而言,全球營運的每一個決策都靠資料支撐。
對資料工程團隊來說,這種實戰數字遠比合成基準有用——企業 AI 真正拖慢進度的往往不是模型,而是把資料送進模型的那條管線。
兩條開源路線：SQL 查詢與文件解析搬上 GPU
技術含量最高的部分是兩條開源整合路線。第一條,IBM 計畫把 watsonx.data 內的 Presto SQL 引擎接上 NVIDIA cuDF,大型資料集的查詢從此直接在 GPU 上執行;NVIDIA 開發者部落格還透露後續:cuDF 將整合進 Velox 執行引擎,連帶把 Presto 與 Apache 生態的查詢一併推向 GPU 原生。第二條,IBM 的開源文件解析專案 Docling 將與 NVIDIA Nemotron 開源模型搭配,把複雜文件轉換成 AI-ready 格式,並保留來源層級的可追溯性——審計與合規場景繞不開這項要求。
兩條路線指向同一個訊號:GPU 的職掌正在變寬,不再只負責訓練與推理,連資料準備本身也開始交由它接手。
儲存、算力與主權：從 Storage Scale 到 Blackwell Ultra 與轄區內部署
硬體面的內容同樣紮實。NVIDIA 相中 Storage Scale System 6000,替自家 GPU 原生分析引擎備妥 10 PB 高效能儲存,並已通過 DGX 平台認證。算力方面,IBM Cloud 預定 2026 年第二季初期讓 Blackwell Ultra GPU 上線;企業要取得同一套組合,路徑是 Red Hat AI Factory with NVIDIA 與 IBM Consulting Advantage。
主權部署仍在探路:雙方正研究把 Sovereign Core 與 NVIDIA 基礎設施整合,讓 GPU 密集的工作負載全程留在轄區內執行——這條線延續自 IBM 元月開展的主權軟體布局。
開發者與資料團隊能帶走的三個判斷
第一,SQL 與 AI 的界線正在溶解:Presto 查詢上了 GPU,特徵工程與資料準備就不用再於 CPU 叢集和 GPU 叢集之間來回搬運。第二,整套方案幾乎全用開源零件拼成(Presto、Velox、cuDF、Docling),不想被單一商業堆疊綁死的團隊,照著走就有跡可循。第三,別忘了 83% 出自單一客戶的基準環境,自家查詢長什麼形狀、遷移要付出多少成本,還是得自己評估。
放進 GTC 一週的脈絡裡看,展場上不乏 Dell 的 AI Factory 這類企業堆疊,但 IBM 選的入口是資料層,不是伺服器整機。企業 AI 的競爭題目正在更換:由「誰供應機器」轉為「誰把資料接上機器」——這樁合作是後者到目前為止最清楚的表態。