随着AI集群规模从万卡向十万卡甚至百万卡扩展，芯片间互连正成为算力性能的关键瓶颈。东吴证券研究所研报系统梳理了主流AI芯片的Scale-up互连技术——英伟达NVLink 5.0达1.8TB/s一骑绝尘，其他厂商大多基于PCIe协议，技术代差明显。本文基于东吴证券研报，深入分析AI芯片互连技术的竞争格局与发展趋势。

从纸面性能看，英伟达NVLink所能实现的Scale-up互连能力一骑绝尘。GB200所依赖的NVLink 5.0技术能够实现1.8TB/s的互连速度。NVLink通过高带宽、低延迟的芯片间直连，使多GPU集群能够高效协同工作，是英伟达构建大规模AI算力集群的核心技术。

对比而言，其他厂商的Scale-up互连大多以PCIe协议为基础。PCIe5.0技术单通道双向速率为8GB/s，16通道可达128GB/s，远低于NVLink同代技术。这一差距在多卡互联场景中被进一步放大——NVLink的All-to-All全互联拓扑使NVIDIA GPU集群的通信效率显著优于PCIe交换架构。

UALink（Ultra Accelerator Link）是AMD、AWS、谷歌、Meta、微软等行业巨头联合推动的开放互连标准，旨在提供NVLink的替代方案。UALink初代V1.0标准将于2025年Q1发布，目标是为AI加速器提供高带宽、低延迟的Scale-up互连。

然而技术节奏的差距显著。NVLink1.0早在2016年已应用于Pascal架构GPU，积累了近十年的技术迭代和生态建设。UALink作为后发标准，不仅需要解决物理层、链路层、协议层的技术难题，还需构建完整的软件栈和开发者生态，挑战英伟达NVLink的难度较大。

AI集群规模正从万卡向十万卡甚至百万卡扩展，互连已成为算力性能的关键瓶颈。大规模模型训练中，芯片间通信开销占比可高达30%-50%，互连性能直接影响集群的有效算力。

英伟达通过NVLink+NVSwitch+CUDA构建了完整的互连生态闭环。NVSwitch实现多GPU间的全互联拓扑，CUDA提供统一编程模型，开发者无需关心底层通信细节。这种“硬件互连+软件生态”的系统级壁垒，是ASIC厂商短期内难以逾越的护城河。

谷歌TPU采用ICI（Inter-Chip Interconnect）自有互连技术，最新TPU v6e ICI Links达800Gb/s。亚马逊Trainium3采用NeuronLink v3（基于PCIe Gen5，1280Gb/s）。Meta MTIAv2采用8x PCIe Gen5。与NVLink相比，这些方案的互连带宽仍有数量级差距。

Groq LPU是一个例外——采用16x PCIe Gen5，但凭借其独特的SRAM存内计算架构（230MB SRAM，80TB/s带宽），对互连带宽的依赖相对较低。整体而言，ASIC厂商在Scale-up互连领域仍处于追赶阶段，短期内难以挑战英伟达的领先地位。

表3：主流AI芯片互连技术对比

厂商/芯片	Scale-up互连技术	互连速度
英伟达GB200	NVLink 5.0	1.8TB/s
英伟达H100	NVLink 4.0	900GB/s
AMD M300X	Infinity Fabric (PCIe Gen5)	1024Gb/s
谷歌TPU v6e	ICI Links	800Gb/s
PCIe 5.0（参考）	16通道	128GB/s