AI算力发展的瓶颈正从芯片产能转向数据传输通道。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％至50％。华为副总裁王雷在2026中国互联网大会上披露，当前国内Token实际流通效率仅为60％，剩余40％因丢包、时延抖动和数据损耗被消耗。众星微副总经理兼总工程师宁佐林表示，整个集群真正释放出来的算力大部分不超过50％，表现较好的场景也仅为60％至70％。这意味着超过一半的算力投资处于低效运转状态。
这一问题的根源在于集群形态的变化。随着AI集群从千卡走向万卡乃至十万卡，芯片之间的数据交换量呈指数级攀升。英伟达GB200 NVL72将72颗GPU连成一个计算整体，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。宁佐林用城市交通作比喻：五个城市之间的高速公路与十个城市之间并非倍数关系，在算法层面是指数级关系，当某一个点发生拥塞，就会形成倒灌，导致各个节点均出现拥塞。负责调度数据的互连芯片由此从幕后走向台前。
市场数据印证了这一趋势。AI数据中心网络市场规模预计从2025年的103.1亿美元增长至2026年的128亿美元，复合年增长率达24.2％。Marvell在投资者日上明确将互连列为未来数据中心投资中增速最快的方向。众星微总经理郭二辉拆解了英伟达GB300和VR200两款超级节点产品：互连芯片在整体价值中占比约8％至9％，且从GB300到VR200，互连价值上升的斜率高于整机价值上升的斜率。以该口径估算，国内互连芯片年市场规模约在1000亿元量级。这一市场过去几乎完全由海外厂商占据，RAID、SAS Expander、PCIe Switch等配套芯片长期缺乏国产选项。
互连层级的版图涵盖多个层面：芯片内部Die-to-Die采用UCIe等协议，服务器内部节点和超节点之间由PCIe、CXL、NVLink、UALink主导，机架之间及万卡集群的Scale-out层面则是IB、RoCE、UEC等协议的竞争主战场。英伟达的壁垒不仅在于GPU本身，NVLink互连、NVSwitch及自有IB标准构成了完整的封闭生态。国内厂商要与这样的生态竞争，需要将PCIe、CXL、UCIe、UALink等开放标准组织起来，支撑更多节点，以互连弥补GPU代差。
面对拥塞问题，单纯提升速率并非全部答案。宁佐林指出，从400G到800G速率翻倍固然重要，但更关键的变化是将拥塞控制、多路径选择、选择性重传等原本运行在软件层面的网络功能直接做进芯片。传统网卡采用尽力而为的逻辑，数据包发出后是否拥塞、是否丢包交由上层软件协议处理，但在万卡协同的AI训练场景下，这种方式代价过高。将拥塞控制硬化到芯片中，相当于把交通指挥从事后调度变为实时预判，芯片可在数据发出瞬间决定路径选择与重传策略。
日前，众星微发布三款互连芯片产品，其中一款将PCIe Switch直接集成进网卡。PCIe Switch是服务器内部负责CPU、GPU、网卡、硬盘之间数据调度的枢纽芯片，传统方案中与网卡各自独立。集成后整板减少一颗芯片，链路缩短，插损降低，信号质量改善，时延随之下降。宁佐林透露，800G AI NIC针对国内某头部大客户进行了协议层面的定制开发，表明国产互连芯片已不只是替代品，而是能够深入客户特定场景完成国际厂商不愿或难以做到的事情。
客户选型标准也在发生变化。宁佐林将“面效比”列为首要指标，即单个网络平面能承载多少算力卡。网络层数每增加一层，收敛比恶化，成本急剧上升。客户关注的已不仅是芯片标称带宽，而是整个网络拓扑的效率。功耗同样成为关键指标，宁佐林给出的数字是下一代交换芯片功耗需做到2000瓦左右，芯片内部热分布不均，局部区域温度可能达到90度至100度以上，解决芯片级互连效率问题同时也在解决系统级散热和能效问题。
腾讯云开发者社区的技术分析显示，网络通信在AI集群整体部署成本中仅占8％至10％，却决定了高达90％的GPU训练效率。随着AI算力网络从400G迈向800G，互连芯片的战略价值正在被重新定价。国产厂商能否借助开放标准体系和本地化定制能力在这一千亿级市场中建立位置，将直接影响国内AI集群的实际算力释放效率。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
