Scale up网络成为AI算力扩展核心趋势 - AI训练与推理需求推动单节点计算密度、带宽与低延迟互连需求攀升 提升单机性能成为数据中心投资优先选项 [1] - Scale up通过提升超节点计算密度扩展算力 实现GPU间高效协同 带来带宽、延迟等性能提升及内存共享特性 [1] - Scale up计算密度更高、数据访问效率更快 GPU互连先Scale up再Scale out 成为AI时代算力扩展核心趋势 [1] Scale up协议多样化发展路径 - 各大厂商推出自研或深度定制交换芯片与互连协议 典型协议包括PCIe、NVLINK、UALINK、SUE等 从NVLINK加速走向多样化 [2] - 单机柜高密度路径通过提升供电与热设计能力实现GPU高密度集成 代表厂商NVIDIA从GB200 NVL72、Vera Rubin NVL144演进至Vera Rubin Ultra NVL576 [2] - 多机柜光互连路径通过高带宽低延迟光互连编织多机柜GPU为统一算力域 代表方案包括Google TPU v4 pod和华为Cloud Matrix 384多机柜超节点架构 [2] 产业链环节需求爆发 - Scale up网络快速发展直接推动Scale up交换机、Switch芯片、互连芯片、PCB、ODM等环节需求爆发 [1][2] - 当GPU互连跨越单柜或多柜时 电互连逐步逼近物理极限 光互连成为实现高效连接的必然方案 [2] - 上游产业链将直接受益于大规模单节点算力需求爆发 从AI的iPhone时刻到裂变时刻再到进击时刻 产业链核心标的值得关注 [1][2]