算力瓶颈转移：AI集群真正较量在互连芯片

虽然芯片产能依旧偏紧，但这已不再是制约AI算力发展的最大阻碍。在不少数据中心里，即便GPU到位、电力充足，集群利用率却依然跑不满。

中国信通院数据显示，在大规模分布式训练中，网络通信耗时占比高达30%到50%。这意味着企业高价采购的GPU，有近半时间都在等待数据。当前国内Token实际流通效率仅约60%，剩余40%因网络丢包、时延抖动与数据损耗被白白浪费。

芯片越多，通道越窄

行业数据显示，整个集群真正能释放出的算力，大部分不超过50%，较好的方案也仅在60%至70%左右。超过一半的算力投资，实际上处于低效运转状态。

瓶颈出在数据传输通道上。过去几年，行业焦点始终集中在算力芯片的制程与浮点算力上。但当集群规模从千卡迈向万卡、十万卡，芯片间的数据交换量呈指数级攀升，负责调度数据的互连芯片开始走向台前。

市场调研显示，AI数据中心网络市场规模正以超过24%的复合年增长率快速扩张。在整机成本中，互连芯片的价值占比约在8%到9%，且这一比重随节点规模扩大而持续上升。据测算，国内互连芯片的年市场规模已达到千亿元量级，过去该领域几乎完全被海外厂商把持。

英伟达的核心壁垒不仅在于GPU本身，其自研的NVLink、NVSwitch以及InfiniBand标准构成了闭环生态。面对这种竞争，开放生态阵营必须通过组织PCIe、CXL、UCIe、UALink等标准来支撑更大规模的节点，用互连层面的系统效率弥补单卡代差。

以超节点架构为例，当数十颗乃至上百颗GPU组成统一计算池时，卡间通信带宽需求从数百GB/s跃升至TB/s级别，时延被压缩至微秒级。网络拓扑中任意节点的微小拥塞，都会在算法层面引发连锁反应，造成全局降速。

拥塞控制“硬化”入芯

单纯拓宽物理通道已无法彻底解决堵塞问题，互连架构需要更智能的底层调度机制。

以往以太网采用“尽力而为”的传输机制，拥塞控制与丢包重传依赖上层软件协议处理。但在大规模AI训练中，数万张卡需要微秒级协同，软件协议的响应延迟往往会导致大规模算力停滞等待。

因此，新一代互连芯片开始将拥塞控制、多路径选择和选择性重传等功能直接集成进硬件电路。通过芯片级硬件调度，数据在发出的瞬间即可动态规划路径、规避拥堵，将事后重传转变为实时预判。

此外，硬件形态的集成也是重要方向。例如将原本独立的PCIe Switch直接集成进网卡中，不仅减少了服务器主板上的元器件数量，更缩短了物理链路，降低插入损耗，显著改善了信号质量并压缩了传输时延。

在考量网络效能时，“面效比”（单个网络平面可承载的算力规模）与能耗成为关键指标。下一代交换芯片功耗预计将高达2000瓦左右，局部发热严重，互连架构的设计不仅决定了数据效率，也直接影响到数据中心的供电与散热成本。

迈向800G时代

随着大语言模型迈向万亿参数，MoE架构带来了密集的All-to-All通信需求，长上下文窗口也大幅推高了KV-Cache传输量。分布式训练中“计算-通信”的交替节奏，使任何网络延迟都会被万卡规模成倍放大。

在万卡集群中，单卡400G带宽需要堆叠海量的交换机与光模块；而升级到800G速率后，相同规模集群的物理链路数量可缩减一半，兼顾了时延、布线成本与功耗。当前主流AI服务器已将800G网卡作为标配。

但速率翻倍伴随着严苛的工程挑战：

1. SerDes设计难度陡增：800G单端口依赖112Gbps PAM4调制，高频信号在电路板上的衰减与串扰达到极限，对链路完整性提出极高要求。
2. 功耗压力严峻：传统800G光模块功耗占比居高不下，推动光电共封装（CPO）等新技术加速替代传统可插拔光模块，以实现显著节能。
3. 总线协同匹配：800G网卡需要搭配PCIe Gen6等高规格总线平台，才能彻底消除主机侧的吞吐瓶颈。

当前，AI网络演进呈现出协议硬件化、形态集成化以及兼顾InfiniBand与UEC以太网生态的多元化特征。AI算力基础设施的竞争，已从单纯比拼GPU峰值算力，转变为比拼数据在集群间流动的系统级互连效率。