1、通信网络延续基础算力的摩尔定律？-AIGC系列之二十证券分析师：李国盛A杨海晏A0230518070003黄忠煌A0230519110001林起贤A0230519060002刘洋A0230513050006联系人：李国盛SWS2023.6.15RESEARC#page#SWS口投资案件结论在AI领域，网络的价值在于延续了集群算力的摩尔定律。1）吞吐带宽与连接架构是算力性能不可忽视的决定因素2）芯片层面，高速c2c连接方案（如NVLink、CXL等）的推广，是宏观设备/数据中心层高速网络、光网络等需求爆发的底层逻辑。3）设备层面，单Soc性能提升+芯片“堆量”，不意味着算力集群整体性能的线性提升

2、；而Nvidia、Google、AMD、AWS等算力大厂正应用InfiniBand、OCS等新架构替代通用算力下的以太网，带来增量网络需求原因及逻辑系统复杂度、投资强度、整体性能提升效果三方面看，网络设备与器件（包括交换机、光模块等）在AI系统中的重要性显著提升：NvidiaH100到GH200系统，官方标准配置下800G光模块用量可提升30%-275%，同样256GPU集群的交换机需求从不足50台提升至150台以上谷歌自研TPUV4背后，是矩阵计算、OCS光交换与更激进的光网络设计。3D组网是TPUv4系统最大亮点，网络起重要作用，导入全光交换、WDM等光通信技术后，算力与网络需求同步提升。

3、AMD最新MI300体系和AWS自研Trn训练芯片，同样重视带宽、拓展性的价值2#page#SWS投资案件有别于大众的认识1）当前市场对AI算力、网络、光通信空间的跟踪，主要通过订单预期、需求意向或历史经验的方式直接判断。我们认为，除了对硬件进行拆解、进而直接测算单位算力/单位芯片对应的网络需求之外，网络架构本身对算力体系的深远影响也应重视，通信网络正在延续算力领域的摩尔定律，其价值不亚于算力本身。2）当前市场担心，若假设算力需求总规模不变，则单位芯片或系统性能的大幅提升会导致硬件需求数量的减少。实际上，芯片或系统性能的提升的背后，吞吐带宽与连接架构是不可忽视的关键因素，“网络与算力同行”。且

4、在AI训练、推理需求提升的产业早期，性能成本的优化、架构方案的多样化均利于AI应用的放量，进而带动算力总需求持续提升。风险提示信息技术选代产生新的网络通信方案，可能颠覆已有路径或格局。R#page#主要内容1.网络的价值在于延续了集群算力摩尔定律2.Nvidia：H100到GH200，网络价值随增3.谷歌：TPUV4背后，是OCS与更激进的光网络设计4.AMD、Amazon等：芯片亦持续选代5.结论、相关标的与风险提示ws了#page#BWS1.1芯片层面网络：chip-to-chip场景，从PCIe到高速连接典型PCIe协议下的服务器架构（一）通用/传统场景：PCIe是服务器内部通信的总线标

5、准，制约了电口CPU通信速率的提升。MemoryPCleendpoinRootComplexPCle ens经典的通用服务器内，CPU、图形卡、硬盘驱动器、SSD、Wi-Fi、以太网PClPCle endpoin设备等主要基于PCIe（PCIexpress）PCle endpoint协议相互连接。PCle endpoint相较于4.0版本，PCIe5.0传输速度更PCIe endp高，16带宽（双向）从64GB/s提资料来源：Prodigy，申万宏源研究升到了128GB/s；目前规范制定已送设备I/O带宽每三年翻倍，PCIe目前主流5.0版本，已选代至6.0代至6.0版本，带宽再翻倍。24异构

6、计算的初步创新：在PCIe物理架构和电气接口的基础上，英特尔等牵头成立CXL联盟并最新推出CXL2.0-3.0规范，用于AI、高性能计算等场景中CPU与GPU等的3083互联，通过“内存池化”等方式优20起0化内存调用，进而提升系统整体性Time能。（据ComputeExpressLink官网）资料来源：PCI-SIG，申万宏源研究#page#SWS1.1芯片层面网络：chip-to-chip场景，从PCIe到高速连接我们认为，芯片层高速连接方案的推广，是宏观设备层面高速网络、光网络等需求的底层逻辑。（二）Nvidia代表，已对标PCIe推出NVLink解决异构计算与AI算力网络瓶颈。NVLi