近一段時間以來，DeepSeek現象級爆火引發產業對大規模數據中心建設的思考和爭議。在訓練端，DeepSeek以開源模型通過算法優化（如稀疏計算、動態架構）降低了訓練成本，使得企業能夠以低成本實現高性能AI大模型的訓練；在推理端，DeepSeek加速了AI應用從訓練向推理階段的遷移。因此，有觀點稱，DeepSeek之后算力需求將放緩。不過，更多的國內外機構和研報認為，DeepSeek降低了AI應用的門檻，將加速AI大模型應用落地，吸引更多的企業進入這個賽道，算力需求仍將繼續增長，不過需求重心從“單卡峰值性能”轉向“集群能效優化”。比如，SemiAnalysis預測，全球數據中心容量將從2023年的49GW增長至2026年的96GW，其中新建智算中心容量將占增量的85%。近日，全球四大巨頭（Meta、亞馬遜、微軟及）公布的2025 AI基礎設施支出總計超3000億美元，相比2024年增長30%。
（數據來源：科技巨頭公開披露報告）
奇異摩爾創始人兼CEO田陌晨
奇異摩爾創始人兼CEO田陌晨表示：“‘Scaling Law’依然在延續。從Transformer的獨領風騷到MoE專家模型的創新突圍，AI領域正邁向萬億、甚至十萬億參數規模的AI大模型訓練時代。DeepSeek-R1推理模型的問世離不開基礎模型Deepseek-V3的龐大訓練積累。在這一背景下，強大的算力集群依然是支撐AI的基石。而如何提高集群的線性加速比，一直是產業的核心話題。與此同時，AI算力網絡的重要性日益凸顯，它讓數據在集群中各個層面、各個維度上都能夠快速傳輸，實現各節點資源的高效調動。”
為此，作為行業領先的AI網絡全棧式互聯產品及解決方案提供商，奇異摩爾給出了一套極具競爭力的解決方案——基于高性能RDMA和Chiplet技術，利用“Scale Out”“Scale Up”“Scale Inside”三大理念，提升算力基礎設施在網間、片間和片內的傳輸效率，為智能算力發展賦能。
Scale Out——打破系統傳輸瓶頸
DeepSeek的成功證明了開源模型相較于閉源模型具有一定的優越性，隨著模型的智能化趨勢演進，模型體量的增加仍然會是行業發展的主要趨勢之一。為了完成千億、萬億參數規模AI大模型的訓練任務，通用的做法一般會采用Tensor并行（TP）、Pipeline并行（PP）、和Data并行（DP）策略來拆分訓練任務。隨著MoE（Mixture of Experts，混合專家）模型的出現，除了涉及上述并行策略外，還引入了專家并行(EP)。其中，EP和TP通信數據開銷較大，主要通過Scale Up互聯方式應對。DP和PP并行計算的通信開銷相對較小，主要通過Scale Out互聯方式應對。
因而，如下圖所示，當下主流的萬卡集群里存在兩種互聯域——GPU南向Scale Up互聯域（Scale Up Domain，SUD）和GPU北向Scale Out互聯域（Scale Out Domain，SOD）。田陌晨強調：“以Scale Up和Scale Out雙擎驅動方式構建大規模、高效的智算集群，是應對算力需求爆發的有效手段?！?/p>
智算集群里的Scale Up和Scale Out
在這個集群網絡中，Scale Out專注于橫向/水平的擴展，強調通過增加更多計算節點實現集群規模的擴展。當前，遠程直接內存訪問（RDMA）已經成為構建Scale Out網絡的主流選擇。作為一種host-offload/host-bypass技術，RDMA提供了從一臺計算機內存到另一臺計算機內存的直接訪問，具有低延遲、高帶寬的特性，在大規模集群中扮演著重要的角色。如下圖所示，RDMA主要包含?InfiniBand（IB）、基于以太網的RoCE和基于TCP/IP的iWARP?。其中，IB和以太網RDMA是算力集群里應用最廣泛的技術。
RDMA應用和實現方式（來源：知乎 @Savir）
IB是專門為RDMA開發的一種網絡通信技術，具有高帶寬、低延遲等優勢，且IB默認是無損網絡，無需特殊設置。得益于這些優勢，過往IB在Scale Out網絡構建中占據主導地位。然而，IB需要專門支持該技術的網卡和交換機，價格是傳統網絡的5-10倍，成本相對較高，且IB交換機交期較長。同時，IB兼容性差，難以和大多數以太網設備兼容，例如網卡、線纜、交換機和路由器等，無法成為行業統一的發展路線。
隨著集群規模增大，以太網RDMA獲得了主流廠商的廣泛支持。以太網RDMA同樣具有高速率、高帶寬、CPU負載低等優勢，在低時延和無損網絡特性方面也已經和IB性能持平。同時，以太網RDMA具有更好的開放性、兼容性和統一性，更利于做大規模的組網集群。從一些行業代表性案例來看，如字節跳動的萬卡集群，Meta公司的數萬卡集群，以及特斯拉希望打造的十萬卡集群，都一致選擇了以太網方案。此外，因為硬件通用和運維簡單，以太網RDMA方案更具性價比。
雖然以太網RDMA已經被公認是未來Scale Out的大趨勢，不過田陌晨指出：“如果是基于RoCEv2構建方案仍存在一些問題，比如亂序需要重傳，負載分擔不完美，存在Go-back-N問題，以及DCQCN 部署調優復雜等。在萬卡和十萬卡集群中，業界需要增強型以太網RDMA以應對上述這些挑戰，超以太網傳輸(Ultra Ethernet Transport，UET)便是下一代AI計算和HPC里的關鍵技術?！?/p>
為了能夠進一步發揮以太網和RDMA技術的潛能，博通、思科、Arista、微軟、Meta等公司牽頭成立了超以太網聯盟（UEC）。如下圖所示，在UEC規范1.0的預覽版本中，UEC從軟件API、運輸層、鏈路層、網絡安全和擁塞控制等方面對Transport Layer傳輸層做了全面的優化，關鍵功能包括FEC（前向糾錯）統計、鏈路層重傳（LLR）、多路徑報文噴發、新一代擁塞控制、靈活排序、端到端遙測、交換機卸載等。根據AMD方面的數據，UEC就緒（UEC-ready）系統能夠提供比傳統RoCEv2系統高出5-6倍的性能。
UEC規范1.0示意圖（來源：UEC）
田陌晨表示：“UEC是專門為AI網絡Scale Out互聯成立的國際聯盟，致力于通過Modernized RDMA優化AI和HPC工作負載。借助UEC的關鍵性能，Scale Out網絡能夠充分利用系統內所有可用的傳輸路徑，并最小化網絡擁塞。當前基于RDMA RoCE的解決方案未來也可以通過踐行UEC聯盟的標準升級各自的以太網產品方案，打造更大規模的無損集群通信?！?/p>
奇異摩爾打造的Kiwi NDSA-SNIC AI原生智能網卡便是一款UEC就緒方案，性能比肩全球標桿ASIC產品。Kiwi NDSA SmartNIC提供領先行業的高性能，支持高達800Gbps的傳輸帶寬，提供低至μs級的數據傳輸延時，滿足當前數據中心行業400Gbps-800Gbps升級需求，可實現Tb級別萬卡集群間無損數據傳輸。
奇異摩爾Kiwi NDSA-SNIC AI原生智能網卡方案（來源：奇異摩爾）
借助UEC就緒RDMA中的路徑感知擁塞控制、有序消息傳遞、選擇性確認重傳、自適應路由及數據包噴灑等關鍵功能，Kiwi NDSA-SNIC能夠充分保障AI網絡間數據的穩定傳輸。比如，Kiwi NDSA-SNIC提供的自適應路由及數據包噴灑功能可以充分發揮高速網絡的性能，支持高級分組噴灑，提供多路徑數據包傳送和細粒度負載平衡，有效應對傳輸擁塞。相同用例還有：通過有序消息傳遞（In-Order Message Delivery）來降低系統延遲，通過路徑感知擁塞控制（Path Aware Congestion Control）來優化多個路徑的數據包流，等等。
此外，Kiwi NDSA-SNIC還擁有很多其他的關鍵特性。比如，Kiwi NDSA-SNIC具有出色的高并發特性，支持多達數百萬個隊列對，可擴展內存空間達到GB；Kiwi NDSA-SNIC具有可編程性，可應對各種網絡任務加速，為Scale Out網絡帶來持續創新的功能，并保證與未來的行業標準無縫兼容。
綜合而言，奇異摩爾的Kiwi NDSA-SNIC AI原生智能網卡是一個擁有高性能、可編程的Scale Out網絡引擎，將開啟AI網絡 Scale Out發展的新篇章。田陌晨稱：“當前，奇異摩爾已經成為UEC聯盟成員。隨著以太網逐漸過渡到超以太網，奇異摩爾愿攜手聯盟伙伴共同探討并踐行Scale Out相關標準的制定和完善，并第一時間為行業帶來性能領先的UEC方案，推動AI網絡 Scale Out技術向前發展。”
奇異摩爾UEC會員（來源：UEC官網）
Scale Up——讓計算芯片配合更高效
和橫向/水平擴展的Scale Out不同，Scale Up是垂直/向上擴展，目標是打造機內高帶寬互聯的超節點。上述提到，TP張量并行以及EP專家并行需要更高的帶寬和更低的時延來進行全局同步。通過Scale Up的方式，將更多的算力芯片GPU集中到一個節點上，是非常有效的應對方式。如今的Scale Up實際上就是一個以超高帶寬為核心的機內GPU-GPU組網方式，還有一個名稱是超帶寬域（HBD，High Bandwidth Domain）。
英偉達GB200 NVL72的推出引領著國內外AI網絡生態對HBD技術的廣泛探討。英偉達GB200NVL72服務器是一個典型的超大HBD，實現了36組GB200（36個Grace CPU，72個B200 GPU）之間的超高帶寬互聯。在這個HBD系統里，第五代 NVLink是最關鍵的，它能夠提供GPU-GPU之間雙向1.8TB的傳輸速率，使得這個HBD系統可以作為一個大型GPU去使用，訓練效率相較于H100系統提升了4倍，能效提升了25倍。
NVL72互聯架構(來源：英偉達)
和IB一樣，NVLink也是由英偉達主導，雖然性能強勁但是生態封閉，只服務于英偉達的高端GPU。由于沒有NVLink和NVSwitch這樣的技術，此前其他廠商主要采用full mesh或者cube-mesh結構，以8卡互聯為主，而16-32卡互聯是下一代方案。
DeepSeek事件引發了業界對于上述NVLink和HBD需求的不同預期。但中長期發展來看，相比軟件迭代速度以小時來計算，硬件的迭代則是以年為計算的循序漸進過程，不會一蹴而就。據SemiAnalysis預計大型模型的標準只會隨著未來的模型發布而繼續升高，但從經濟效用上來說，其所對應的硬件必須堅持使用并有效 4-6 年，而不僅僅是直到下一個模型發布。
對此，田陌晨認為：“未來MoE模型的進階路線在一定程度上存在不確定性，創新隨時可能發生。但國產AI網絡的生態閉環勢在必行。英偉達NVLink和Cuda的護城河仍然存在，首先要解決Scale Up互聯國產替代方案有沒有的問題，再來看做到哪種程度。未來隨著國產大模型、芯片架構等軟硬件生態的協同發展，有望逐步實現國產算力閉環?！?/p>
如今，科技巨頭正聯合生態上下游在GPU-GPU高效互聯方面主要分為兩個流派：內存語義和消息語義。內存語義Load/Store/Atomic是GPU內部總線傳輸的原生語義，英偉達NVLink便是基于內存語義，對標NVLink的UAlink等也是基于這種語義；消息語義則是采用類似Scale Out的DMA語義Send/Read/Write，將數據進行打包傳輸，亞馬遜和Tenstorrent等公司便是基于消息語義打造Scale Up互聯方案。
內存語義和消息語義各有千秋。內存語義是GPU內部傳輸的原生語義，處理器負擔更小，在數據包體量小時效率更高；消息語義采用數據打包的方式，隨著數據包體量變大，性能逐漸追上了內存語義，隨著AI大模型體量增大，這一點也非常重要。
不過，田陌晨指出：“無論是內存語義還是消息語義，對于廠商而言，都面臨一些共性的挑戰，比如傳統GPU直出將IO集成在GPU內部，性能提升受到了光罩尺寸的嚴格限制，留給IO的空間非常有限，IO密度提升困難；Scale Up網絡和數據傳輸協議復雜，計算芯片廠商大都缺乏相關經驗，尤其是開發交換機芯片的經驗；除NVLink之外，其他Scale Up協議并不成熟且不統一，協議迭代對計算芯片迭代造成了巨大的困擾?！?/p>
GPU IO集成在GPU內部（來源：奇異摩爾）
為了能夠更好地應對上述挑戰，產業界提出了一種創新的GPU直出方式——計算和IO分離。奇異摩爾NDSA-G2G互聯方案便是這條技術路徑里非常有競爭力的一款方案。
借助NDSA-G2G可以實現計算芯粒和IO芯粒解耦，通過通用芯?；ヂ摷夹gUCIe進行互聯。這樣做的好處是，只需要犧牲一點點的芯片面積（小百分之幾），就可以將寶貴的中介層資源近乎100%用于計算，并按照客戶的需求靈活地增加IO芯粒的數量，且計算芯粒和IO芯粒可以基于不同的工藝技術。再加上IO芯粒的復用特性，能夠顯著提升高性能計算芯片的性能和性價比。
NDSA-G2G的第二大優勢是提升IO密度和性能，具有高帶寬、低延時和高并發的特性。在高帶寬方面，基于NDSA-G2G芯粒，可以實現1TB級別的網絡層吞吐量，TB級的GPU側吞吐量；在低延時方面，NDSA-G2G芯粒提供百ns級的數據傳輸延時和ns級D2D數據傳輸延時；在高并發方面，該產品支持多達數百萬個隊列對，可擴展系統中的內存資源。也就是說，借助奇異摩爾NDSA-G2G芯粒能夠賦能國產AI芯片實現自主突圍，構建性能媲美英偉達NVSwitch+NVLink的Scale Up方案。
Kiwi NDSA-G2G 產品示意圖（來源：奇異摩爾）
NDSA-G2G的第三大優勢是具有出色的靈活性。如上所述，目前Scale Up技術路線并不統一，且智算中心廠商在協議方面大都采用自有協議，或者自己主導的聯盟協議。這就導致高性能計算芯片需要在設計時考慮未來2～3年，甚至是3～5年的協議發展，具有非常大的挑戰。NDSA-G2G以計算芯粒和IO芯粒分離的方式讓IO芯?？梢造`活升級，同時NASG-G2G基于具有可編程性，可以支持目前市面上各種IO協議。這種靈活性讓高性能計算芯片廠商可以從容應對當前Scale Up技術路線不統一且協議混亂的挑戰。
同時，田陌晨也呼吁：“希望科技行業在Scale Up方向上能夠擁抱一種開放而統一的物理接口，實現更好的協同發展，這也是打造國產自主可控算力底座的關鍵一步?！?/p>
Scale Inside——全面提升計算芯片傳輸效率
在Scale Out和Scale Up 高速發展的過程中，作為算力基礎單元，Scale Inside的進度也沒有落下，并致力于通過先進封裝技術彌補摩爾定律速度放緩的影響。在整個智算系統里，更高算力的計算芯片能夠進一步提升Scale Up和Scale Out的性能水平，使得AI大模型的訓練更加高效。
當前，單顆高性能計算芯片的成本已經非?？植溃S著制程工藝進一步精進，這一數字還將繼續飆升，因而Chiplet技術得到了廣泛的重視。Chiplet技術允許通過混合封裝的方式打造高性能計算芯片，也就是說計算單元和IO、存儲等其他功能單元可以選擇不同的工藝實現，具有極高的靈活性，允許廠商根據自己的需求進行定制芯粒，不僅能夠顯著降低芯片設計和制造的成本，良率也能夠得到很大的改善。
在Scale Inside方向上，奇異摩爾能夠提供豐富的Chiplet技術方案，包括Kiwi Link UCIe Die2Die接口IP、Central IO Die,3D Base Die系列等。其中，Kiwi Link全系列支持UCIe標準，具有業界領先的高帶寬、低功耗、低延時特性，并支持多種封裝類型。Kiwi Link支持高達16~32 GT/s的傳輸速率和低至ns級的傳輸延遲，支持Multi-Protocol多協議，包括PCIe、CXL和Streaming。
Kiwi Fabric互聯架構（來源：奇異摩爾）
綜合而言，奇異摩爾的解決方案能夠從“Scale Out”“Scale Up”“Scale Inside”三大角度，推動AI大模型訓練效率的提升。在Scale Out方面，奇異摩爾已經是超以太網聯盟UEC的成員，能夠在第一時間響應UEC規范1.0以及后續規范；在Scale Up方面，奇異摩爾NDSA-G2G芯粒不僅能夠幫助科技公司打造媲美英偉達NVSwitch+NVLink性能的Scale Up方案，適配各種技術路線和協議，也正在引領計算芯片的設計革新；在Scale Inside方案，奇異摩爾的Kiwi Link UCIe Die2Die接口IP、Central IO Die、3D Base Die系列等方案能夠幫助廠商打造具有高效傳輸能力的高性能計算芯片。
這些方案很好地踐行了奇異摩爾公司的使命——以互聯為中心，依托Chiplet和RDMA技術，構筑AI高性能計算的基石?！皩τ趪aAI大模型和國產AI芯片產業而言，奇異摩爾的方案是新質生產力的代表，有著更大的潛能值得去挖掘。為實現國產AI芯片產業的‘中國夢’，奇異摩爾不僅提供支持最前沿協議的IO芯粒，以實現高速率、高帶寬、低時延的傳輸表現，還在Chiplet路線上獨辟蹊徑，用創新的芯片架構助力打造更高性能的AI芯片。奇異摩爾愿與國內公司攜手，為國產AI芯片產業發展添磚加瓦，共同勾畫國產AI發展的廣闊藍圖?！碧锬俺孔詈笳f。
