国内AI算力训练市场格局 - 训练市场进入下半场和淘汰赛最后阶段 由大厂主导 若无大厂订单支撑可能陷入停滞 [2][3] - 英伟达在训练领域占据主导地位 主流使用B卡 H卡和A卡需求仍存在 [2] - 国内训练需求超过60%由阿里拉动 其次是字节和腾讯 [2] - H公司训练卡效果与英伟达存在较大差距 短期内难以显著提升市场份额 [2] AI六小龙状况及影响 - 六小龙正在大规模退租训练资源 对训练市场造成不良影响 [3] - 六小龙资金状况不容乐观 仍处于争取用户和拓展市场阶段 商业化程度较低 [3] - 月之暗面专注国内to C市场 MiniMax更关注国际市场 [3] - 月之暗面需支撑C端APP推理需求 减少训练投入在情理之中 [3] 大厂训练投入策略 - 腾讯坚持投入训练下一代混元模型 [3] - 阿里巴巴和字节竞争激烈 大模型训练呈现零和博弈态势 [3] - 训练市场零和博弈对英伟达B卡供应链公司带来较大冲击 [3] 推理市场现状与挑战 - 推理算力需求未如预期大幅增长 年初的AI热潮未能持续 [3][4] - 元宝APP增长势头放缓：第二季度MAU从2358.3万增至2502.5万 增幅仅6% 月均下载量从1343.3万下跌54%至617.5万 [4] - 腾讯对元宝等AI应用投入趋于温和 不再进行激进流量推广 [4] - 海外下架二手A100和H100快速进入国内市场 预计H100价格从210万降至170-160万 2026年可能降至100万 [4] - 二手训练设备转为推理设备将对合规卡（H20/4090/5090）带来较大冲击 [4] 长期推理市场展望 - 推理算力成本大幅降低将刺激下游AI应用客户使用 [5] - 海外下架训练设备转为推理设备将进一步推动推理算力成本下降 [5] 企业训练推理投入分配 - 阿里巴巴训练推理投入比例为8:2 80%预算用于训练集群 [5] - 字节训练推理预算比例约为50:50 包括海外集群 [5] - 腾讯训练推理投入比例约为2:8 所有应用目前均处于消耗状态 [5] - 月之暗面训练推理投入比例为7:3 [6] - 智谱训练推理投入比例为9.5:0.5 [6] - 阶跃星辰训练推理投入比例为9.5:0.5 [6] - 百川训练推理投入比例为4:5 [6]

半导体行业研究 核心观点 - 文章基于华为Cloud Matrix 384论文和申万宏源分析内容，重点探讨了半导体行业中光模块与NPU的用量比例关系 [3][5] Cloud Matrix 384架构 - **UB平面**：作为超节点内部核心扩展网络，采用非阻塞全对全拓扑连接NPU和CPU，每个昇腾910C提供392GB/s单向带宽，用于TP/EP和大规模分布式内存池访问 [7] - **RDMA平面**：用于超节点间横向扩展通信，采用RoCE协议连接NPU，支持KV Cache传输和分布式训练 [7] - **VPC平面**：通过华为擎天DPU接入数据中心网络，处理管理、存储和外部服务通信 [7] 光互联与电互联 - CM384的Level 1和Level 2 UB Switch之间采用光互联，但节点内部仍使用电互联，因短距离光互联成本及功耗过高 [9] 光模块用量计算 - **Scale Up场景**： - 每台服务器中每个UB Switch芯片对应8个400G光模块，整台服务器需56个400G或28个800G双通道光模块 [12] - 两层UB Switch系统下，每台服务器8个NPU对应112个400G或56个800G光模块，NPU与400G/800G光模块比例分别为1:14和1:7 [12] - **Scale Out场景**： - 采用胖树架构扩容时，光模块需求比例约为1:4（NPU与400G光模块） [13][14] 其他信息 - 英伟达B200/B300系列已成为主力产品 [15] - 知识星球提供行业信息、外资投行数据及分析报告更新 [17]

GB200/300机架出货预测 - 2025年GB200/300机架出货量从3万上调至3.4万，其中Q3预计出货1.16万，Q4预计出货1.57万 [3] - GB200与GB300机架占比分别为87%和13% [3] - 上调主要受鸿海强劲指引推动，鸿海预计Q3 AI机架出货量环比增长300%，全年出货量预估达1.95万，占市场约57% [3] - 假设200万颗Blackwell芯片库存结转至2026年，下游组装商可能组装超6万机架 [3] - 主要代工厂偏好顺序为鸿海＞纬创＞广达 [3] GB200 NVL72与H100成本对比 - H100服务器价格下降至每台19万美元，超大规模数据中心运营商每台总Capex约25万美元 [12] - GB200 NVL72机架级系统服务器成本约310万美元，超大规模运营商总成本约390万美元每机架 [12] - GB200 NVL72每GPU全包资本成本为H100的1.6-1.7倍 [13] - 超大规模运营商H100每GPU Capex约3.1358万美元，GB200 NVL72为5.4166万美元 [13] - GB200 NVL72每GPU每小时Opex为4.09美元，H100为3.04美元，差异主要源于GB200芯片功耗更高（1200W vs 700W） [14] GB200 NVL72与H100性能比较 - GB200 NVL72总拥有成本（TCO）为H100的1.6倍，需至少比H100快1.6倍才能占据优势 [15] - 截至2025年5月GB200 NVL72性能/TCO尚未超过H100，但7月达到H100的1.5倍，预测未来3-6个月可能达2.7倍 [30] - 2025年7月GB200 NVL72吞吐量在Token/s/GPU方面达H100的2.5倍，12月预测BF16性能比H100好4.7倍，MFU达42.0% [31] - DeepSeek 670B预训练14.8T Token成本在2025年7月为4.5M美元（BF16），预测12月降至2.5M美元 [32] 软件优化与能耗表现 - 2024年1月至12月软件优化使H100 BF16 MFU从34%提升至54%，FP8从29.5%提升至39.5% [20] - FP8训练成本从每百万Token 0.72美元降至0.542美元，300B Token总成本从218k美元降至162k美元 [20] - 训练Llama3 405B模型15T Token能耗相当于3400个美国家庭年能耗 [25] - Llama3 70B模型在2048台H100上训练FP8能耗比64台H100高出10% [29] GB200 NVL72可靠性挑战 - 早期GB200 NVL72运营商普遍面临XID 149错误，背板卡匣连接器金镀层耐用性仅200次插拔 [34] - GB200 NVL72 MTBI为1000-3000 GPU-天，低于H100的2000-5000 GPU-天 [36] - 目前GB200 NVL72仅用于推理、小实验和开发工作，未用于大规模训练 [35] 行业趋势与建议 - SemiAnalysis建议英伟达扩展基准并增加透明度，公开hyperscaler和NCP基准数据 [16] - 建议加速GB200 NVL72诊断工具开发，加强ODM/OEM验收测试 [17] - 软件优化是性能提升关键，GB200 NVL72有潜力但可靠性是瓶颈，预测年底将主导市场 [37]

Scale Up技术概述 - Scale Up通过提升单台服务器的计算密度增强算力，如集成更多高性能GPU、更大内存或更快存储，形成"超级节点"[1] - 特点包括高带宽、低时延，适合AI推理的大显存并行计算及训练中的张量并行(TP)和专家并行(EP)任务[1] - 支持在网计算，如在Switch节点加速All Reduce操作，提升GPU协作效率[1] - 依赖高端硬件导致成本较高，常与Scale Out结合使用以兼顾性能与扩展性[1] 英伟达NVLink方案 - 采用自研NVLink高速互连技术，通过铜缆实现机柜内GPU高带宽低延迟连接[3] - GB200 NVL72架构集成18个计算托盘和9个NVLink Switch托盘，每个计算托盘含4颗B200 GPU(共72颗)[3][8] - 每个NVSwitch5芯片带宽28.8Tb/s，整机柜含18颗NVSwitch5芯片，共72个端口对应72颗GPU[8] - B200 NVLink带宽1.8TB/s，含18个端口，每个端口带宽100GB/s(2x224G PAM4 Serdes)[8] - 未来Rubin架构将升级至NVLink 6.0/7.0，带宽密度提升，延迟降低[5] NVLink Fusion生态开放 - 推出NVLink Fusion技术，向第三方CPU/加速器开放生态，允许通过NVLink C2C或NVLink 5 Chiplet集成[11][12] - 采用"二选一"模式：仅支持半定制CPU或加速器，节点必须包含英伟达芯片[12] - 合作伙伴包括Alchip、AsteraLabs等芯片厂商，富士通/高通研发兼容CPU，Cadence/Synopsys提供IP支持[13] AMD UALink方案 - UALink是由AMD等公司推出的开放互连标准，支持每通道200GT/s，最多连接1024个加速器，延迟<1微秒[16] - MI400采用UALoE方案，通过以太网物理层传输UALink协议，兼容现有以太网生态[17] - Helio UALoE 72架构含18个计算托盘(各4颗MI400 GPU)和6个交换托盘(各2颗Tomahawk6 102.4T交换机)[18] 其他厂商方案 - **AWS NeuronLink**：基于PCIe Gen5协议，Trn2-Ultra64机柜间用AEC、机柜内用DAC互连，Teton PDS Ultra含40个Scorpio X交换机[21][22] - **Meta SUE**：采用博通Tomahawk5/Jericho3交换芯片，Minerva架构含16个MTIA计算托盘和6个交换托盘[24] - **Google ICI**：TPU v4 pod采用3D Torus拓扑(4×4×4)，机柜内DAC连接，机柜间通过OCS光交换组成4096 TPU集群[26] - **华为UB**：Cloud Matrix 384系统含384颗昇腾910C芯片，通过统一总线(UB)光互连，使用6912个400G光模块[28][29] 技术演进趋势 - NVLink带宽从4.0的450GB/s提升至7.0的1800GB/s，NVSwitch聚合带宽从1600GB/s增至14400GB/s[6] - 互连技术从封闭走向有限开放(如NVLink Fusion)，同时出现开放标准(UALink)与私有协议(ICI/NeuronLink)并存[11][16][26] - 光互连在跨机架场景应用增多(华为UB用5376个400G光模块)，铜缆仍主导机柜内连接[29][3]

全球光模块需求预测 - 2025年全球400G+光模块总需求预计为37,500千单位 其中400G需求15,000千单位 800G需求20,000千单位 1.6T需求2,500千单位 [1] - 2026年总需求预计为48,000千单位 其中400G需求大幅下降至6,000千单位 800G需求显著增长至45,000千单位 1.6T需求开始放量 [1] - 2027年400G需求进一步下降至1,200千单位 800G需求稳定在49,500千单位 1.6T将成为主要增量 [1] 主要客户供应链分析 - 中际旭创是Amazon Google Meta Microsoft Nvidia Oracle等主要客户的核心供应商 [2] - 新易盛在多个客户供应链中作为次要供应商 包括Amazon Meta Microsoft Nvidia Oracle等 [2] - AAOI Fabrinet Lumentum Coherent Source Photonics等供应商在部分客户中的份额正在提升 [2] 新易盛出货量预测 - 2025年新易盛预计出货400G模块4,500千单位 800G模块4,000千单位 1.6T模块550千单位 [2] - 2026年400G出货量预计锐减至600千单位 800G大幅增长至10,000千单位 1.6T增至1,760千单位 [2] - 2027年400G出货量进一步降至60千单位 800G增至13,000千单位 1.6T快速扩张至3,960千单位 [2] 天孚出货量预测 - 2024年天孚800G模块出货650千单位 1.6T模块10千单位 [3] - 2025年800G出货预计300千单位 1.6T增至800千单位 [3] - 2026年800G出货600千单位 1.6T增至1,200千单位 [3] - 2027年800G出货保持600千单位 1.6T大幅增长至6,300千单位 [3]

论坛概览 - 2025第四届中国先进热管理技术年会将于8月28-29日在上海举办，聚焦汽车电子与AI服务器/数据中心两大行业的热管理技术，涵盖高算力芯片与高功率器件热管理难题 [2] - 论坛设置1个全体会场和4个分会场，覆盖12大专题领域，预计安排60+演讲和600+行业专家参会 [2] - 主办方为车乾信息&热设计网，支持单位包括中国电子工业标准化技术协会热管理行业工作委员会、英业达、芯榜等 [2] 全体会场议题 - 8月28日上午主题为"AI人工智能与智能汽车双驱动-热管理机遇与挑战"，包含曙光信息、中兴通讯、中国移动等企业的技术分享 [3][28] - 核心演讲包括曙光信息的"新液冷"破题智算热技术、中兴通讯的通讯及算力产品热管理方案、中国移动的高密智算中心热管理技术等 [3][28] 分会场一：液冷数据中心 - 8月28日下午聚焦液冷数据中心开发，曙光数据、华鲲振宇、瓦克化学等企业分享浸没式液冷解决方案及有机硅冷却液技术 [5][29][30] - 8月29日上午继续探讨液冷技术，中兴通讯分析两相冷板液冷趋势，新华三展示全栈液冷方案，中国计量大学研究微型制冷剂泵设计 [6][32] - 8月29日下午讨论液冷组件技术，兰洋科技展示集装箱式浸没液冷节点，慧算云谷分享浸没式液冷研究进展 [7][34] 分会场二：高算力芯片与AI服务器 - 8月28日下午复旦大学、长电科技等机构探讨高算力芯片热管理，涉及两相回路热控、先进封装技术等 [8][36] - 8月29日上午英业达、超云数字等企业分享液冷服务器技术，云道智造展示电子散热仿真软件创新应用 [10][38] - 8月29日下午聚焦AI散热器开发，上海理工大学提出微通道相变蓄热方案，锐盟半导体推出射流式压电散热风扇 [12][40] 分会场三：智能驾驶热管理 - 8月28日下午地平线、德赛西威等企业探讨智能驾驶域控制器热管理，涉及智驾芯片散热设计、中央计算平台挑战等 [13][42] - 8月29日上午哈曼展示Chiplet散热技术，上海交大研究人机协同驾驶热管理 [15][44] 分会场四：功率器件与封装材料 - 8月28日下午英飞凌、中科院微电子所等分享新能源功率器件热管理，包括SiC功率模块封装技术 [19][47] - 8月29日上午讨论功率半导体与TIM材料，士兰微电子分析新能源热管理系统，中科院理化所研究液态金属冷却 [20][49] - 8月29日下午聚焦封装工艺，哈工大探讨异质异构集成技术，上海大学研究碳基热管理材料 [23][51] 主办方背景 - 车乾信息成立于2018年，组织过动力电池、汽车电子热管理、AI芯片等领域的论坛，覆盖交通能源与通讯科技两大领域 [55] - 热设计网是中国电子工业标准化协会热管理行业工作委员会合作单位，提供技术培训、人才对接及实验室建设服务 [56]

华为整体业绩表现 - 2024年公司实现销售收入8,620.72亿元，同比增长22.4% [5] - 智能汽车解决方案业务收入同比大增474.40%，终端业务增长38.3%，数字能源业务增长24.4% [5] - 中国区收入达6,152.64亿元，欧洲-中东-非洲地区收入1,483.55亿元，亚太地区收入433.06亿元，美洲地区收入363.01亿元 [5] 华为云业务 - 2024年下半年中国公共云市场规模达241.1亿美元，IaaS占54.8%达132.1亿美元，PaaS占18.1%达43.7亿美元 [6] - 华为云以13.20%市场份额成为中国第二大公有云IaaS厂商，营收增速24.40%为行业第一 [6] - 生成式AI驱动公共云市场增速回暖，IaaS+PaaS市场同比增长15.8% [6] CloudMatrix 384技术对比 - 昇腾910C单卡性能780 TFLOPS，仅为英伟达GB200单卡性能2,500 TFLOPS的31% [10][11] - CloudMatrix 384集群性能达300 PFLOPS，是英伟达GB200 NVL72集群性能180 PFLOPS的1.7倍 [10][11] - 采用光缆互联技术实现低时延高带宽，HBM总带宽1,229 TB/s超英伟达576 TB/s的2.1倍 [11] 鸿蒙操作系统特性 - 采用自研微内核架构，摆脱Linux依赖，性能优于安卓宏内核和iOS混合内核 [12][13] - 分布式软总线技术实现设备互联速度提升3倍，最多支持4台设备协同 [13] - AI助手集成大模型能力，支持复杂指令理解和跨设备控制 [13] 昇腾芯片技术体系 - 昇腾910系列采用chiplet技术，集成Davinci Core和HBM组件，专攻云端训练推理场景 [18][20] - Mindspore框架市场份额达30.26%，仅次于Pytorch成为主流AI开发框架 [22] - 产品线覆盖AI模块、加速卡、边缘设备、服务器及集群五类场景 [20] 麒麟芯片技术突破 - 麒麟9020性能介于骁龙8+与8 Gen2之间，达到高端处理器水准 [23][24] - 麒麟X90采用泰山V3架构，16核主频超4.2GHz，能效比提升40% [24][25] - AI算力达同级x86芯片5倍，GPU图形渲染性能接近苹果A15 [25] 鲲鹏服务器生态 - 基于ARM架构打造高性能低功耗处理器，推动国产替代x86服务器芯片 [27][29] - 通过硬件开放、软件开源策略构建产业生态，支持openEuler和openGauss商业版 [29]

CoWoS产能扩张 - 台积电CoWoS产能将从2025年底的70k wpm提升至2026年底的100-105k wpm，2027年进一步突破130k wpm [1] - 2025年全年产能预计为675k wafer，2026年达1.08mn wafer（同比增长60%），2027年增至1.43mn wafer（同比增长31%）[1] - 台南AP8工厂是产能扩张主力，2026年底将贡献约30k wpm产能，主要服务于英伟达Blackwell GPU和AMD MI355/400等高端芯片 [2] - 嘉义AP7工厂聚焦WMCM、CoWoS-L、SoIC及CoPoS等前沿技术，2027年后逐步释放产能 [2] 产能分配与客户结构 - 英伟达2026年仍将占据50.1%的CoWoS产能（2025年为51.4%），全年分配约541k wafer，主要用于Blackwell系列 [5] - AMD的CoWoS产能将从2025年的52k wafer增至2026年的99k wafer（占比9.2%），增长来自AI GPU和Zen 6 Venice CPU [5] - 博通2026年产能达187k wafer（同比增长71%），受益于Google TPU和Meta V3 ASIC的量产 [5] - 微软2026年预计仅分配8.7k wafer，主要用于Maia 200 [6] - 苹果聚焦WMCM技术，计划应用于折叠手机的A20 Pro芯片，2026年三季度产能达15k wpm [6] 技术迭代与创新 - CoPoS采用310x310mm矩形面板，支持9-12个光刻尺寸芯片，良率和基板利用率更高，成本更低，散热性能优于3D封装 [11] - 台积电计划2025下半年至2026上半年建立CoPoS迷你生产线，2028年底量产，首代产品可能用于英伟达Feynman系列 [11] - WMCM采用2-3层RDL，支持2-4个芯片集成，能应对更高功率（5-25W）和带宽需求，成本低于CoWoS [14] - 苹果计划将WMCM用于折叠手机，2026年二季度量产，预计全年出货15-18mn芯片 [14] 供应链与全球布局 - 台积电将CoWoS后端工序（OS环节）外包给ASE/SPIL，2026年这部分业务将为后者带来7.65亿美元收入，2027年增至19.8亿美元 [15] - ASE/SPIL的OS产能2026年底达65k wpm，2027年95k wpm [15] - 台积电与Amkor合作，在亚利桑那州布局封装产能，服务苹果等客户的智能手机芯片 [15] - 台积电在美国追加1000亿美元投资，总投资达1650亿美元，计划2028和2030年各投产一座先进封装厂，聚焦SoIC和CoPoS技术 [15] 市场趋势与业务贡献 - GPU主导AI加速器市场，2026年占CoWoS产能的64%（2025年为68%），收入占比达88% [15] - ASIC（如Meta V3、Google TPU）增速更快，产能占比升至36% [15] - AI相关收入占台积电总收入比例从2023年的6%升至2026年的35%，其中前端晶圆收入451.62亿美元，CoWoS后端收入62.73亿美元 [16] 英伟达Rubin项目 - 英伟达为应对AMD MI450显卡加速器，对Rubin芯片进行重新设计，可能导致量产延迟 [9] - 2026年Rubin芯片出货量预计较为有限，仅为72k wafer [9] - 英伟达官方否认延迟，强调Rubin项目仍按原计划推进 [10] - Rubin采用HBM4高带宽内存，搭载第六代NVLink互连总线，可实现3.6TB/s的超高带宽 [10]

腾讯AI产业链研究 核心观点 - AI将成为公司第二季度财报的重要驱动力和焦点 [2] - 公司AI发展策略以组织架构为核心，TEG事业群承担大模型研发的关键角色 [3][4] - 公司采取开放策略，允许各产品事业部自主选择接入自研或第三方模型（如DeepSeek） [4] - 尽管自研大模型能力暂落后于阿里和字节，但在AI商业化领域具备独特优势 [5] 组织架构与AI分工 - **WXG（微信事业群）**：聚焦微信生态的智慧化解决方案，未明确提及AI产品 [3] - **IEG（互动娱乐事业群）**：主导游戏研发与泛娱乐生态，未列出AI相关产品 [3] - **PCG（平台与内容事业群）**：整合社交与数字内容生态，QQ浏览器为AI重点投入产品 [3][4] - **CSIG（云与智慧产业事业群）**：承载核心AI产品"元宝"和"ima"，提供产业数字化解决方案 [3][4] - **TEG（技术工程事业群）**：研发混元大模型、多模态模型，作为全集团技术中台 [3][4] - **CDG（企业发展事业群）**：驱动战略投资与金融科技，未涉及AI产品 [3] AI产品与策略动态 - TEG集中研发大模型，但核心AI产品（元宝、ima）归属CSIG，QQ浏览器隶属PCG，体现研发与应用的分离 [4] - 管理层授权各事业部自主选择模型接入，促进内部竞争与TEG能力提升 [4] - PCG旗下QQ浏览器推出Qbot，显示产品线积极拥抱AI改造 [4] 竞争与商业化前景 - 自研大模型能力短期内可能落后于阿里和字节 [5] - 公司在AI商业化领域具备独特优势，预计各事业群将加速AI产品落地 [5]

核心观点 - AI网络技术路线中以太网与InfiniBand的竞争格局已基本明确 以太网将在AI训练和推理场景中胜出 主要基于成本优势、生态兼容性和规模化部署能力[6][8][22][23] - 当前AI网络市场仍由InfiniBand主导 主要受英伟达服务器市占率超过70%的影响 但存在设备成本高和供应链依赖问题[8][14] - 超以太网联盟(UEC)已成立 目标是通过优化传统以太网性能 在AI领域与InfiniBand直接竞争 创始成员包括英特尔、AMD、博通、思科、微软、Meta等头部厂商[8] AI网络技术选型关键问题 - 部署选择：需考虑是否在现有TCP/IP网络上搭建 或建设专用高性能网络[9] - 技术路线：InfiniBand与RoCE v2的取舍 涉及带宽、时延、成本等多维度比较[9][12] - 运维管理：网络故障诊断与恢复机制[9] - 多租户能力：需同时满足内部研发和对外算力服务需求[9] 网络性能需求背景 - 大模型参数量已达百亿至千亿级 自动驾驶单次训练数据规模常达PB级[10] - GPT-3量级模型需要约2TB GPU显存 必须采用分布式训练将训练时间从三十年压缩至数周[10] - 分布式系统效率瓶颈在于通信时延 单步训练时延=GPU计算时间+通信时间[10] RDMA技术对比 - 主流技术路线收敛至InfiniBand和RoCE v2 RoCEv1和iWARP已基本退出市场[12] - RoCEv2通过UDP/IP封装实现三层可达 支持ECMP负载均衡 更适合复杂拓扑[12] - 延迟表现：实验室环境下 RoCE约5µs InfiniBand约2µs 显著优于传统TCP/IP的50µs[12] InfiniBand技术特征 - 典型组网：子网管理器(SM)+IB网卡+交换机+专用线缆/光模块[13] - 端口速率：HDR 200Gbps已商用 NDR 400Gbps正在落地 Quantum-2交换机支持64×400G连接[13] - 核心优势：原生无损传输(基于credit流控)和自适应路由能力[14][15] - 市场格局：英伟达市占率超70% 但Intel、Cisco、HPE等也有相关产品[14] RoCE v2技术特征 - 组网架构：标准以太网数据中心网络+支持RoCE的NIC和交换机[15] - 端口速率：50Gbps起步 商用产品已支持400Gbps[15] - 生态优势：沿用现有以太网布线标准 光模块体系兼容性强[15] - 工程挑战：需精细调优PFC、ECN等参数才能实现大规模无损传输[15] 直接性能对比 InfiniBand优势 - 带宽/速率高：专注端口速率快速提升[20] - 传输时延低：单跳转发时延<100ns[20] - 在网计算能力：交换机可理解业务报文[20] - 无损传输：基于credit的链路级流控[20] 以太网优势 - 线缆带宽和端口速度优于InfiniBand[21] - 大集群组网仅需两层结构 规模可达InfiniBand的4倍[21] - 动态负载平衡、端到端拥塞管理等特性更完善[21] - 整体功耗更低 交换机数量少3倍[21] 应用场景趋势 - 推理场景：以太网更适配 因其与前端网络兼容性好 且支持多租户[22][23] - 训练场景：InfiniBand当前占优 但以太网通过RoCE v2正在追赶[8][15] - 成本因素：以太网部署成本显著低于InfiniBand[21][23]