在2026年GTC大会上，IBM和NVIDIA宣布大幅扩展双方长达十余年的合作关系，重点推动人工智能从试点阶段走向全面生产。此次合作旨在解决企业人工智能应用过程中的几个关键瓶颈，包括GPU原生数据分析、智能文档处理以及受监管环境的基础设施。双方的合作目标是提供一套统一的数据基础架构、硬件和咨询服务，帮助企业管理分散的数据并满足合规性要求。
IBM董事长兼首席执行官Arvind Krishna指出，企业人工智能的下一阶段取决于数据、基础设施和编排的紧密集成。他表示，此次合作旨在为企业提供必要的组件，使其能够从实验阶段过渡到实际运营部署阶段。NVIDIA创始人兼首席执行官黄仁勋强调，通过将CUDA加速集成到数据层，两家公司正致力于将传统的数据处理转变为实时智能引擎。
利用cuDF和Presto加速结构化数据分析
此次公告的主要技术重点是将 NVIDIA cuDF 库与 IBM watsonx.data 中的 Presto SQL 引擎集成。这种开源集成能够对海量数据集进行 GPU 加速查询执行，从而显著降低从结构化数据中提取信息所需的时间和成本。
这些公司在生产环境中，利用雀巢的订单到收款数据仓库验证了这种方法。该仓库在全球范围内处理 44 个表中的 TB 级数据。在传统的 CPU 基础设施上，单次数据刷新需要 15 分钟，并且每天只能刷新几次。通过迁移到 GPU 加速的 watsonx.data 引擎，雀巢报告称查询运行时间缩短至 3 分钟。这相当于性价比提升了 30 倍，成本降低了 83%。雀巢首席信息和数字官 Chris Wright 表示，这项功能通过提供近乎实时的运营数据，能够帮助制造和仓储部门更快地做出决策。
利用 Docling 和 Nemotron 解锁非结构化数据
为了应对数据被困于非结构化格式（例如 SharePoint 网站和 CMS 系统）中的挑战，IBM 和 NVIDIA 联合推出了一项解决方案，该方案利用了 IBM Docling 和 NVIDIA Nemotron 开放模型。Docling 旨在将复杂文档标准化并转换为 AI 可用的格式，同时保持对源文件的可追溯性。
与 NVIDIA Nemotron 模型配合使用时，该系统可加速多模态内容的摄取。早期测试表明，与现有开源模型相比，其吞吐量显著提高。此方案旨在帮助企业构建可信的 AI 数据基础，使内部知识库更易于访问和标准化，从而支持自动化推理。
GPU优化基础设施和主权人工智能
此次合作还深入到存储和基础设施层面。NVIDIA 选择 IBM Storage Scale System 6000 为其 GPU 原生高级分析引擎提供 10 PB 的高性能存储。Storage Scale 6000 已通过 NVIDIA DGX 平台的认证和验证，它将 IBM 的并行吞吐量能力与 NVIDIA 的 GPU 数据管道相结合，从而消除 I/O 瓶颈。
对于那些对数据驻留和监管要求有严格限制的组织而言，他们正在探索将 IBM Sovereign Core 与 NVIDIA 基础架构集成。这项计划旨在使 GPU 密集型 AI 工作负载能够在特定区域边界内完全运行，从而确保在不牺牲计算性能的前提下满足治理和合规标准。
利用 Blackwell 和 Red Hat 扩展 AI 技术栈
IBM宣布计划于2026年第二季度初在IBM云平台引入NVIDIA Blackwell Ultra GPU。这些资源将主要用于大规模模型训练和高吞吐量推理。Blackwell架构还将与NVIDIA和VPC服务器一起集成到Red Hat AI Factory中，从而提供企业级的数据驻留控制。
此外，IBM咨询将通过IBM咨询优势平台提供基于NVIDIA技术的Red Hat AI Factory解决方案。此举旨在简化数据准备、模型创建和部署流程。通过整合这些技术，IBM和NVIDIA力求为企业提供一条更加顺畅的途径，使其能够在各种技术环境下扩展AI应用，同时保持可控性和性能。
Amazon