NVIDIA 于 2026 年 7 月 22 日宣布，Naval Postgraduate School（NPS）在美国加州 Monterey 启用一套 DGX GB300 系统。NVIDIA CEO Jensen Huang 到场参与 commissioning；校方、研究人员和教职员可以在校内使用大规模 AI 计算，用于模型训练、推理和应用研究。
NVIDIA 表示，NPS 有超过 1,500 名在校学生及 600 名教职员，新的系统会支持天气预测、网络安全，以及灾害韧性和应变规划等工作。这类场景需要的不只是 model inference，也包括长时间模拟、数据处理和把结果放回实际决策流程的能力。
这次启用亦延续 NPS 的 NVIDIA AI Technology Center。公告提到 NVIDIA Deep Learning Institute 为教职员提供 instructor toolkit，目标是把 AI 教学和研究放入不同学科，而不只由少数 computer science 课程使用。这个方向把 AI infrastructure 视为研究及人才培训的长期资产。
在应用研究方面，NPS 与 MITRE 合作，使用 NVIDIA Omniverse libraries 建立高保真 digital twin 环境，模拟不确定条件下的导航和决策。NVIDIA 还提到海洋研究、气象变化和复杂环境模型；这些工作需要把虚拟模拟、真实数据和研究者判断连接起来，而不是只看一次 benchmark。
基础设施本身也包含多个系统层。公告列出 DDN、VAST Data 和 Vertiv 参与数据、存储、机柜、冷却、供电及 commissioning。对 on-premises AI 来说，GPU 只是其中一部分，数据治理、网络隔离、备份、观察性和维护能力同样会决定研究平台是否可持续。
这个案例对企业部署有一个清楚提醒：大规模 compute 可以降低训练和模拟的时间门槛，但不会自动产生好的数据、正确的 model 或可靠的决策。若要把 research output 送入 production，仍需要数据质量检查、模型评估、权限管理、网络安全、人工 review 和 incident response。
另外，NPS 的军事教育和公共部门背景，意味着安全、数据分类和使用目的要按机构规则处理。NVIDIA 公告展示的是平台和合作的范围，不代表所有研究结果、性能数字或实际部署方式都已由独立机构验证。
DGX GB300 走入校园研究，显示 AI infrastructure 的竞争正由单一 data center 延伸到教育、模拟和应用研究现场。对组织而言，真正值得评估的不是设备名称本身，而是它能否配合研究问题、数据治理、人才能力和长期运营，形成一个可验证的 AI system。
