2023年通信行业半年度策略：紧抓AI之光.pdf

2023年通信行业半年度策略：紧抓AI之光。2023上半年回顾：自2023年2月以来，随着chatGPT的火爆，景气度从光模块传导到服务器、交换机等设备，市场对数据中心的算力网络的增长预期大幅提 升。今年上半年，通信板块大幅跑赢科创50、沪深300等指数。 展望下半年，我们认为AI依然是今年主线，长期来看，建议关注中国光模块产业链崛起机遇。

大模型是一种新的生产力工具，来帮助我们更准确地认知世界和预测世界。大模型的出现是一系列的变革，我们看到不仅是800G光模块、HBM需求旺盛 的现象，其背后是深度学习对于链上所有参与环节的突破，包括解决存储墙出现的HBM、解决算力墙出现的集群和分布式训练、解决通信墙而出现的网 络架构革新、解决功率墙出现的液冷等等，是通信和电子一系列技术新一轮的变革。

本轮光模块800G周期有何不同？网络架构变革是800G超预期的原因。光模块行业是一个周期成长的行业，本身遵循光摩尔定律，即每2-3年网络带宽翻 倍，因此光模块公司的业绩往往跟随速率升级的周期节奏。而本轮800G周期和以往100G、400G的不同之处在于，不仅仅是速率升级，还有网络架构的变 革。我们看到AI数据中心网络架构有两个变革：一个是从Spine-Leaf架构→Fat-tree架构；二是GPU All-to-all直连，这两种变革都额外地、大幅地增 加了光模块需求。我们测算，由于使用Fat-tree的架构，DGX A100中GPU:光模块的比重将达到1:6，而GPU All-to-all直连是光模块增量最大的部分， 使得GPU:光模块从1:2.5大幅提升至1:7。

网络架构的变革的驱动力？传统适用于HPC的网络，无法满足大模型集群训练的带宽和时延需求。大模型训练的本质是将权重参数网络多次迭代，海量 的数据因此需要不停地从存储和计算单元反复转移，需要至少数百万次的迭代，直到输出可接受的结果。而分布式训练需要GPU之间通信，使得AI/ML数 据中心东西流量大增，流量模式也异于传统云计算。分布式训练的两种方式——数据并行（Data parallelism）和模型并行（Model parallelism）， 都涉及频繁的GPU间通信。无阻塞（Non-blocking）的网络，由于其不收敛的特点，可以提高网络效率，加快训练速度，这是专用于AI/ML训练的数据中 心，其网络架构从Spine-leaf转到Fat-tree的原因。GPU本身为了解决存储墙而对HBM的采用，虽然使得存储带宽的大幅提升，但也进一步拉大了存储带 宽和网络带宽的差距，使得网络带宽成为算力瓶颈，这是推动GPU进行all-to-all直连的原因。