2025年超节点行业深度：驱动因素、规模选择、产业链影响及相关公司深度梳理

一、行业概述

1、超节点概念

超节点，英文名为 SuperPod，是英伟达公司最先提出的概念。 GPU 作为关键的算力硬件，在 AIGC 大模型的训练与推理过程中发挥着至关重要的支撑作用。随着大模 型参数规模的持续扩张，其对 GPU 集群规模的需求也在与日俱增，从千卡级别逐步迈向万卡级别，甚 至未来有望达到十万卡级别乃至更高规模。

在构建规模日益庞大的 GPU 集群时，主要可采用两种策略：Scale Up（纵向扩展）与 Scale Out （横向扩展）。 以货轮为比喻，当总运力需求扩张时，Scale-up 是建造更大的货轮，而 Scale-out 则是增加货轮的数量。 Scale-up 追求硬件的紧密耦合；Scale-out 追求实现弹性扩展，支撑松散任务（如数据并行）。二者在 协议栈、硬件、容错机制上存在本质差异，通信效率不同。 以 A100 和 H100 分别组成的 DGX 256 Pod 为例，两者均由 32 台 8 卡服务器跨机柜组成。DGX A100 实际为服务器通过 Infiniband 交换网络 Scale-out 组成；而 DGX H100 通过第二层 NVSwitch 组网，实 现 256 个 H100 全互联，为 Scale-up，形成 1 个超大节点，在通信性能方面具备优势。

Scale Up 较多表示 GPU 在节点内部的性能扩充。例如：增加 Compute die 或 HBM 的数量、性能； 增加服务器等节点内的 GPU 数量，通过 PCB、铜线等进行小范围互联；有时会增加一层交换芯片，例 如 PCIe Switch、NVSwitch 都是算力 Scale Up 的一部分。（传统的 AI4 卡、8 卡、16 卡服务器都是典 型的 Scale Up 形式。） Scale-up 系统往往对基于算力优化的网络协议与标准有更高技术要求。代表性的 Scale-up 网络包括英 伟达多年迭代的 NVLink、基于 AMD 早期 Infinity Fabric 协议的 UALink、博通发布的 Scale Up Ethernet（SUE）等，拥有更高的带宽和信令速率，从底层协议到系统硬件一般均独立与传统通信网络。 例如英伟达的 Blackwell 芯片，其 NVLink 带宽达到 1.8TB/s，由 18 个 Port 构成，每个 Port 100GB/s、 四对差分线构成、包含两组 224Gbps 的 Serdes。 Scale Up 场景：张量并行、专家并行等，高频交互、内存读写是重点，通常放在超高带宽、超低时延 的网络中进行处理。Scale Up 本质上是支持内存语义的网络。例如 NVLink，在节点范围内实现内存语 义级通信和总线域网络内部的内存共享，本质上是一个显存的 Load-Store 网络，性能和延迟均优于传 统网络协议。一般 Scale Up 网络是 GPU 芯片直出互连，不采用传统网络的传输层和网络层，采用信用 机制流量控制、链路层重传等机制保障可靠性。 上代 Scale-up 规模为 8 卡，英伟达 Clos 结构领先。8 卡服务器时代 Scale-up 主要为两种拓扑。1） 网状拓扑：GPU 之间以“手拉手”形式实现全互联，无交换芯片导致通信压力集中于 GPU 上，且 GPU 一 对一通信效率下滑。2）Clos 拓扑：英伟达将引入交换芯片引入 Scale-up，使通信压力集中于 NVSwitch，GPU 间形成无阻塞的全互联；通信带宽弹性较大，能更好处理通信峰值，使集群性能提升。

当前 Scale-up 突破传统单服务器、单机柜限制进入“超节点”时代。Scale-up 可理解为增加单个节点 （过去指单台服务器）内 GPU 数量（从 2 卡到 8 卡）；但其核心在于实现节点内全互联 GPU，而非物 理地存在于单台服务器或单个机柜。随着互联技术的演进，Scale-up 正在突破单服务器、单机柜的限制， “超节点”可以跨服务器、跨机柜。 Scale Up 已成为全球算力方案商的发力重点。英伟达除了将 NVLink 的性能迭代作为重要定期更新之 外，在 2025 COMPUTEX 会议上还以 NVLink Fusion IP 授权的形式对第三方部分开放了 NVLink 机柜 级的架构互联；台媒《电子时报》报道称，首款支持 UALink 规范高速互联芯片最早可能今年底实现流 片；博通发布 Scale Up Ethernet 技术框架，在多 XPU 系统中提供 XPU 间的通信。

超节点实际就是算力网络系统在单个或多个机柜层面的 Scale Up，节点内主流通信方案是铜连接与电 气信号，跨机柜则考虑引入光通信；其与 Scale Out 的硬件边界是 NIC 网卡，外部借助光模块、以太 网交换机等设备。二者的架构设计、硬件设备、协议标准有本质不同。 超节点作为新型算力基础设施，其大规模组网能力决定了模型训推效率与规模拓展的边界。以华为昇腾 超节点产品为例，在 Scale Up 和 Scale Out 组网的技术协同下，超节点构建起高效、灵活的通信网 络，成为突破算力瓶颈、支撑不同规模大模型训练及推理的核心技术路径。

2、超节点的优势

在探讨超节点的必要性时，有人可能会提出，如果 Scale Up 路线存在诸多困难，是否可以通过 Scale Out 路线，即增加节点数量来构建大规模 GPU 集群。然而，事实并非如此。超节点作为一种加强版的 Scale Up 架构，其重要性在于它能够在性能、成本、组网以及运维等多个方面带来显著的优势。 Scale Out 架构的核心在于节点之间的通信能力。目前，主要采用的通信网络技术包括 Infiniband（IB） 和 RoCEv2。这两种技术均基于 RDMA（远程直接内存访问）协议，相较于传统的以太网，它们能够提 供更高的传输速率、更低的时延，并且具备更强的负载均衡能力。其中，Infiniband 是英伟达的私有技 术，它起步较早，性能出色，但价格相对较高；而 RoCEv2 则是开放标准，它是传统以太网与 RDMA 融合的产物，成本较低。近年来，两者之间的性能差距正在逐步缩小。 然而，从带宽角度来看，IB 和 RoCEv2 目前仅能提供 Tbps 级别的带宽，而 Scale Up 架构则能够实现数 百个 GPU 之间 10Tbps 带宽级别的互联。在时延方面，IB 和 RoCEv2 的时延通常在 10 微秒左右，而 Scale Up 架构对网络时延的要求极为严格，需要达到百纳秒（100 纳秒=0.1 微秒）级别。 在 AI 训练过程中，通常会涉及多种并行计算方式，包括张量并行（TP）、专家并行（EP）、流水线并 行（PP）以及数据并行（DP）。其中，PP 和 DP 的通信量相对较小，通常可以通过 Scale Out 架构来 实现；而 TP 和 EP 的通信量较大，需要借助 Scale Up 架构（即超节点内部）来完成。

超节点作为当前 Scale Up 架构的较优解决方案，凭借其内部高速总线互连的特性，能够有效支撑并行 计算任务，加速 GPU 之间的参数交换与数据同步。此外，超节点通常具备内存语义能力，允许 GPU 之间直接读取彼此的内存，这一特性是 Scale Out 架构所不具备的。 从组网与运维的角度来看，超节点同样展现出显著优势。超节点的超带宽域（HBD）规模越大，其内部 集成的 Scale Up 架构中的 GPU 数量越多，相应地，Scale Out 架构的组网复杂度将大幅降低。超节点本 质上是一个高度集成的小型集群，其内部总线连接已预先完成，这不仅降低了网络部署的难度，还有效 缩短了部署周期。在后期运维过程中，超节点的管理也更为便捷。 然而，超节点的规模并非可以无限制扩大，仍需综合考虑其成本因素。其具体规模应根据实际应用场景 的需求进行科学测算。总体而言，超节点的核心优势在于通过增加局部带宽，有效降低增加全局带宽的 成本，进而实现更高的性能收益。

3、超节点可选的方案

超节点的核心在于“互联”，需要一套完整的硬件和软件协议。包括 Scale-up 节点内和 Scale-out 节 点间的互联。而互联生态，存在两种发展模式：

第一种是“垂直整合”模式，例如英伟达，构建了从 NVLink-NVLink SwitchInfiniBand-CUDA 完 整技术栈。用户通过 CUDA 便可直接控制整个 AI 算力，性能和效率都非常高。但互联协议本身是闭源 的，用户成本较高，并且存在厂商锁定风险。

第二种是由其他芯片巨头、云服务商和大型科技公司组成的“协议开放”模式。目前来看，超节点的开放 标准还不止一个，但基本上都是以以太网技术（ETH）为基础。因为以太网技术最成熟、最开放，也拥 有最多的参与企业。核心参与者包括 AMD、博通、Intel、微软、Meta 等，是以“兼容性”和“选择权”来 对抗“封闭性”，构建一个基于开放标准的、更加多元化的生态系统。但生态碎片化程度更高。 开源开放将是未来超节点互联的行业趋势。值得注意的是，此前，NVLink 是英伟达专用技术。但 2025 年是一个重要转折点： 英伟达推出 NVLink Fusion，将原本封闭的 NVLink 开放给第三方伙伴。2025 年，英伟达宣布向 第三方开放 NVLink IP 授权，允许合作伙伴（如富士通、高通等）的 CPU 或定制 ASIC 芯片与英伟达 GPU 进行高速互联。这意味着未来可能有更多非英伟达芯片能融入其高速计算生态。2025 年 9 月，英 伟达与英特尔宣布合作，其中就包括将 NVLink 技术开放给英特尔，用于连接英特尔至强（Xeon） CPU 和英伟达 GPU。这标志着 NVLink 开始拥抱 x86 生态。 国内采用开源开放方式的以华为、海光两大超节点生态为代表，体系雏形初具。海光 HSL：面向 GPU、 IO、OS、OEM 等产业全栈，开放 CPU 互联总线协议（HSL）。华为：开放灵衢统一总线 （UnifiedBus），支持超节点内不同类型、不同距离的组件统一互联。

4、国外超节点布局案例

（1）英伟达：专用网络支持，单节点密度提升

英伟达在 Hopper GPU 一代尝试突破服务器架构、在机柜层级拓展 Scale Up 系统。英伟达 2023 年 发布 DGX GH200 系统是较早的“超节点”尝试，同过去 A100 和 H100 系列服务器最大区别在于，将 Grace CPU 和 Hopper GPU 封装在同一块板卡上，连同其他部件形成 1U 大小的“刀片服务器”，并将其 通过内部线缆（cable cartridge）和光模块的方式和 2 层专门设计的 NVLink 交换机连接在一起。预计， 早期成本和节点规模设计等因素影响了 GH200 的实际推广。

2024 年 3 月，英伟达推出基于 Blackwell GPU 打造的 GB200 NVL72 超节点产品，NVL72 是较 为成熟的超节点产品。借助第五代 NVLink，GB200 系统最大可 576 个 GPU 扩容，目前商用方案在柜 层面连接 72 个 GPU，相较此前 GH200 系统，Scale Up 的带宽与寻址性能大幅提升。 Scale-up 方案：NVL72 中 72 个 B200 GPU 分布于 18 个 Compute Tray 中；18 个 NVSwitch 交换机芯 片分布于 9 个 Switch Tray 中。72 个 GPU 通过盲插高速背板（blindmate backplane）实现 Scale-up， 铜线为主。NVL72 中所有 Tray 部署在单个机柜中，可视为一个超节点。 Scale-out 为光通信方案：依靠 InfiniBand 或以太网，对应 ConnectX-7 的 400G（800G）网卡与交 换机，或未来升级的 ConnectX-8 的 800G（1.6T）网络，带动 800G 至 1.6T 光模块、交换机的放量。

拓扑结构上，72 个 B200 通过单层的 NVSwitch（图 7 中橙色部分）实现全互联，每个 B200 对超节点 内其他 71 个 GPU 的通信带宽均达到 1800GB/s，应对通信峰值的能力显著提升。

（2）AMD：IF128 探索超节点新路径

Infinity Fabric 是 AMD 的互联总线技术，既用于芯片内部的不同模组，也用于外部互联。IF 的总线 结构包含两个部分：负责数据传输的 Scalable Data Fabric（SDF）、负责控制的 Scalable Control Fabric（SCF），分别类比为血管和神经。IF 的设计目标是将不同芯片纳入同一控制下的系统并确保数 据传输的高拓展性，包括异构芯片（如 CPU 和 GPU）以及同个芯片上的不同 Die。 Infinity Fabric 演进路径：第一代：用于 CPU-CPU 通信，①实现双路或多路服务器中多个 CPU 间频 繁交换数据和同步任务；避免传统 PCIe 总线的瓶颈；②支持全局地址空间，使多个 CPU 可共享内存资源。第二代：4 个 GPU 间形成环形连接，但 CPU-GPU 通信仍为传统 PCIe。第三代：8 个 GPU 通过 IF 连接形成网状拓扑，同时 CPU-GPU 间通过 IF 连接，IF 实现 CPU 与 GPU 的统一内存寻址；CPU 可直 接访问 GPU 显存，避免数据迁移开销，加速 AI 推理中的模型参数传递。

根据 TechPowerUp，AMD 将在 26H2 推出搭载 128 个 MI450X 的超节点产品。AMD 或将带来超节点 新的融合技术路径，MI450X IF128 通过实现以太网 Scale-up。 与 NVL72 类似，4 个 MI450X 与 1 个 EPYC CPU 组成 1U 的 Compute Tray，32 个 Compute Tray 分 布于 2 个机柜中，由 Switch Tray 中的定制 IFoE 交换芯片实现互联，两个机柜通过铜背板实现连接。

与 NVL72 不同的是，IF128 内 GPU 的连接通过 IFoE（Infinity Fabric over Ethernet）连接，可以理 解为基于以太网技术的打造了新的超节点互联方式，对标 UB 互联网络及 NVLink，一定程度地打破 Scale-up 和 Scale-out 界限。能够认为，在当前大模型和超节点趋势下，集群 Scaling 采用 Clos 类拓 扑的确定性较高，而 Scale-up 的技术路径将受到工程、通信协议优化等因素影响。

二、驱动因素

1、计算需求演进，超节点成为 AI 基建共识

（1）算力需求演进对高带宽、低时延提出更高要求

模型需求演进：从单纯堆砌算力转向搭建高带宽、低时延、持续数据供给的均衡系统。规模定律 （ScalingLaw）揭示了模型性能与参数、数据量、计算投入的关系，钦奇拉法则（ChinchillaLaw）进 一步要求参数与数据按比例协同扩展，使得算力需求从单纯堆砌算力转向搭建高带宽、低时延、持续数 据供给的均衡系统。

产业演进：从硬件聚合到系统构建。超节点内涵逐渐从最初聚焦硬件互联，深化为软硬件一体化的全栈 协同设计。在缺少配套软件的情况下，容易面临生态系统碎片化和性能优化难度较高等挑战。

（2）基础技术特征：超高带宽互联与内存统一编址

超高带宽互联与内存统一编址是超节点的基础技术特征。（1）超大带宽和超低时延互联：超节点借助 高效的互联协议打破传统架构限制，支持更大规模 AI 处理器的高效协同，实现更大范围、更高流量的 数据传输，从而突破系统性能。（2）内存统一编址：超节点内所有互联设备的内存地址需全局唯一， 基于全局内存可实现任意设备间的灵活访问。这使得大模型训练中频繁的参数同步操作，无需经过传统 的“序列化-网络传输-反序列化”流程，直接通过内存语义通信完成，提升小包数据传输及离散随机访存 通信效率。

（3）追求多级存储池化、资源灵活配比以及高可靠性

多级存储资源池化突破系统间资源壁垒。超节点通过资源池化技术将分散的计算、存储、网络资源抽象 为统一逻辑资源池，以集中化管控的方式消除资源孤岛，实现动态弹性调度。以大模型推理核心组件 KV Cache 为例，传统静态分配模式因资源隔离导致 KV Cache 重复存储与访问阻塞，资源池化技术可将 KV Cache 从单机显存的物理限制中解放，单卡显存只需保留热数据，冷数据动态迁移至内存或存储层， 从而支持百万 Token 级长上下文处理并实现批处理规模的倍级提升。

资源灵活配比实现资源精准按需配置。超节点通过资源池化与软件定义架构的深度融合，将 CPU、 NPU、内存、存储等物理资源解耦为可独立调度的资源池，根据任务特征自动调整各类型资源的配比比例，如在计算密集型任务中提升 NPU 与内存占比，在访存密集型任务中提升带宽与显存资源占比，在 存储密集型场景中增加 CPU 与存储资源配额。多任务（如同时运行模型训练、在线推理、数据预处理） 场景下，超节点通常可采用逻辑切分技术，将物理超节点拆分为多个逻辑超节点，各逻辑节点间通过高 速互联协议实现低时延通信。

高可靠性是决定系统计算效率及成本的重要指标之一。万级处理器通常会带来故障常态化。据华为《超 节点发展报告》，以 GPT-3（175B）到 GPT-4（1.9T）的演进为例，当参数增至 10.8 倍，总集合通信 达 34.1 倍，跨节点 RDMA 达 49.3 倍，光电转换 49.3 倍。任一组件或一次光电转换失败都会放大为全 局可用度/利用率问题，进一步抬升运维复杂度，超节点稳定而可靠的运行依赖可靠的硬件、可靠的网 络以及可靠的系统： （1）可靠硬件是系统稳定运行的核心前提。据《The Llama 3 Herd of Models》研究显示，Llama3.1 模型在万卡集群训练时，平均 3 小时会出现一次故障，其中绝大多数故障源于器件层面的失效。超节点 在考虑硬件可靠性时需覆盖器件生产、选型和使用阶段等全生命周期。 （2）可靠网络保障数据传输无中断。超节点网络涵盖超节点通信域与跨节点通信域，据华为《超节点 发展报告》，相比传统服务器系统，超节点集群光模块的数量增长，面临更高的网络失效率的挑战。常 见可靠网络保障措施有：①通信域内设置冗余节点：由于超节点通信域内带宽显著高于跨域带宽，当域 内计算节点故障时，需设计域内冗余节点配置与整节点迁移机制，避免因带宽不匹配导致故障无法及时 恢复。②光模块故障检测与动态修复机制：当光模块发生局部故障时自动切换至冗余通道，保障数据传 输链路的连续性。③多平面通信架构应设计链路收敛算法：在某一平面链路故障时快速路进行路径切换 与流量重定向，大幅缩短故障修复时间。 （3）可靠系统实现全域统管与故障排除。故障主动预防与恢复能力是超节点系统运维的关键能力。① 故障主动预防：通过对器件运行数据的挖掘与趋势分析，提前感知器件的亚健康状态，预判潜在故障风 险。②分级故障恢复：分级恢复策略能确保不同类型业务在故障发生时均能被实时高效地处理，以最小 时间代价保障业务连续性。

2、算力需求持续增长，推理市场与主权 AI 加速推进

（1）算力总需求仍在持续增长

国内外 CSP 在二季度财报电话会纷纷上调资本开支指引。谷歌将 2025 年 CapEx 预期从 750 亿美元上 调至 850 亿美元，主要用于 AI 基础设施建设；微软 Q2 的 CapEx 为 242 亿美元，接近一半的支出用于 服务器（包括 CPU 和 GPU），预计 Q3 的 CapEx 将超 300 亿美元；Meta 调整 2025 年 CapEx 区间为 660-720 亿美元，并表示 2026 年 CapEx 仍将显著增长，主要用于扩展生成式 AI 所需的服务器、网络 和数据中心建设；亚马逊在财报电话会表示 Q2 的 314 亿美元（财报值为 322 亿美元）CapEx 很大程度 上可以代表公司下半年预计支出，公司强调将继续在芯片、数据中心和电力方面投入更多资本；甲骨文 FY2026Q1 的 Capex 为 85.02 亿美元，同比增速提速至+269.17%（FY2025Q4 增速为+224.52%），公 司预计 2026 财年 CapEx 将达约 350 亿美元；阿里巴巴在 2025Q2 财报电话会上重申三年 3800 亿元人 民币 AI 资本开支计划。英伟达预计未来五年全球 AI 资本支出将达 3-4 万亿美元。

（2）产业重心从训练到推理，主权 AI 成新增需求方

大模型产业重心从训练到推理的转变，已成行业共识。9 月 16 日，腾讯在 2025 腾讯全球数字生态大会 上表示，大模型产业重心从训练到推理的转变，已经成为行业共识。甲骨文在 9 月 9 日财报电话会上也 强调，AI 推理市场将“远大于”AI 训练市场，为了在 AI 推理市场占据主导地位，甲骨文还新推出了“AI 数据库”。 主权 AI 正在崛起。英伟达在 8 月 27 日财报电话会上表示，今年有望实现 200 亿美元的主权 AI 收入。 英伟达认为，主权 AI 正在崛起，比如，欧盟计划投资 200 亿欧元，在法国、德国、意大利和西班牙建 立 20 个 AI 工厂，包括 5 个超级工厂，将 AI 计算基础设施提升十倍。鸿海预计未来五年主权 AI 领域投 资有望超 1 万亿美元，主要包括美国的 Stargate（5000 亿美元）、欧盟 InvestA（I2000 亿欧元）以及 沙特 Humain AI（1000 亿美元）。

三、规模选择：模型需求与工程成本的平衡

Scale Up 超节点设计对模型训练、推理性能提升效果显著，尤其相较于传统 8 卡服务器架构。LLM 的实时延迟、多用户并发、降低服务成本是当前 AI 应用的刚需。使用多 GPU 的超节点架构和张量并行 等技术来运行大型模型，可以快速处理推理请求，从而实现实时响应；若进一步均衡选择超节点内的 GPU 数量，还可以同时优化用户体验和成本。 超节点的多 GPU 推理是通信密集型推理。据英伟达技术博客，多 GPU TP 推理的工作原理是将每个模 型层的计算拆分为服务器中的 2 个、4 个甚至 8 个 GPU，理论上 GPU 的数量等同于模型运行速度的提 升倍数。但每个 GPU 完成模型层各自部分的执行后，必须将计算结果发送到每个其他 GPU（all-toallreduction），且通信时计算闲置，因此缩短 GPU 之间的结果通信时间至关重要。

而对比全球主要科技厂商的超节点方案，基本可分为单柜更多 GPU 的单柜高密高电路径、多机柜多 GPU 路径两大方向。目前，前者对单体供电要求、柜内铜/电气信号和背板连接、液冷要求更高（如英 伟达 NVL72），而后者对光学连接要求更高（如谷歌 TPU、华为 CloudMatrix）。 超节点内 GPU 数量与架构的设计，受底层模型并行、数据中心架构、成本性能均衡等影响，壁垒较高。 1）模型角度，参考 Meta 论文（下图）基于英伟达 H100GPU 对 GPT 模型进行研究，当前 72 卡规 模以上的 Scale Up 节点是较优的选择。如果将 NVLink 互联的 Scale Up 网络理解为一个高带宽域 （High Bandwidth Domain，HBD），对于 GPT-1T 模型，GPU 数量在 64 卡以上时相较于传统 8 卡系 统性能提升显著；同时，当 Scale Up 的 NVLink 网络规模增大时，实际上节点内互联的 RDMA 带宽带 来的性能收益在减小。在考虑系统复杂度、工程难度和成本等因素下，72 卡是目前英伟达 Blackwell 超 节点的均衡选择。而当模型架构变化（例如 MoE 增加对显存的访问需求）、参数量继续增长后，更大 规模的 Scale Up 超节点预计是必然选择（例如华为 CloudMatrix 384 系统、英伟达 VR NVL576 系统 等）。

2）IDC 实践角度，超节点设计应考虑机房内液冷、供电、布线和整体布局的实际情况。以英伟达 GB200 NVL72 机柜为例，整个机柜功率大约 120kW、采用标准的 19 英寸机柜，按照物理原理和行业 惯例，单机柜功率超过 30 至 40kW 则有必要采用液冷方案，此时 72GPU 的 Scale Up 超节点是目前单 机柜内的扩展密度的极限，除非进一步优化供电和散热能力；以华为为代表的国产硬件厂商工程优化能 力出色，结合我国市场的制造、基建、能源和产业链优势，则可以考虑将 Scale Up 扩展至多机柜布局， 如华为 CloudMatrix 384 系统。 模块化布局也是 AI 机房发展的重要趋势，利于交付和运维。维谛技术、科华数据、英维克等公司针对 算力集群需求推出模块化和一体化解决方案，整合计算、电气、温控等模块，符合云厂商定制化需求、 同时加快交付节奏。传统 IDC 通常逐机柜上架，依照经验，上架率达到 90%大约需要 12-18 个月的上 架周期；而智算中心交付需求时间通常在 3-9 个月，未来甚至更短，超节点的模块属性满足 AI 大厂快 速投建投产的需求。

3）成本角度，光通信等组网成本、系统复杂度和维护也制约了超节点 Scale Up 的规模设计。 AI 集群的通信需求，带宽固定（等宽网络），但距离多变。参考标准的 19 英寸机柜，仅一个 5 台机柜 的节点，服务器到一层交换机的连接距离预计在 3 至 5m 以上，光连接是跨机柜连接的必要选择，小集 群内的多模光模块+多模光纤连接是主流；而机柜内连接则可选择背板、铜缆、PCB 等方案。 铜连接（DAC 等）最大优势是成本与功耗，痛点则是距离。参考英伟达官方配置的 800G 无源铜缆，最 大传输距离 3m；但优势是功耗极低，几乎没有额外耗电；以及相较于有源电缆更低的成本（无驱动芯 片）。有源铜缆可以以 1.5W 的功耗将距离扩展至最大 5m；预计 1.6T 网络下，该距离缩短。而光模块 的有效连接距离、速率升级潜力是最大优势。 因此从英伟达的 NVL72 方案到华为的 CloudMatrix 384 系统，参考当前不同速率光模块的采购成本 （400G、800G 到 1.6T 之间差异巨大），超节点的规模选择也考虑了综合成本、系统运维因素。

四、国内超节点布局

1、华为以开创的超节点互联引领 AI 基础设施新范式

（1）昇腾 Atlas 900 AI 集群：打造首个万卡 AI 集群

昇腾 384 超节点（Atlas 900 A3 SuperPoD），华为 CloudMatrix 的核心愿景是构建一个「万物 皆可池化、平等对待、自由组合」的 AI 原生数据中心。2025 年 4 月，华为正式推出基于 384 个昇腾 NPU 构建的 CloudMatrix 384 超节点。产品形态上，384 个 NPU 分布于 48 台 8 卡服务器中，48 台服 务器分布于 12 个计算机柜内；通过 4 个交换机柜实现 384 个 NPU 的全互联。该超节点可进一步扩展为 包含 10 万卡的 Atlas 900 Super Cluster 超节点集群，为未来更大规模的模型演进提供有力支撑。 截至 2025 年 9 月 18 日，华为 Atlas 900 A3 SuperPoD 超节点累计部署 300 多套，服务于互联网、 金融、运营商、电力、制造等行业的 20 多个客户。

拓扑结构上，计算机柜内的所有处理器通过 UB 链路连接到板载的 UB Switch 交换芯片上，形成单层的 UB 平面。这些板载交换机（L1 层）再通过高速链路连接到位于通信机柜中的第二层（L2）UB 交换机。 整个 UB 交换系统被精心设计成一个两级、无阻塞的 Clos 网络拓扑。L2 交换机被划分为 7 个独立的子 平面，每个 L1 交换芯片精确地连接到对应子平面的所有 L2 交换机。这种设计保证了从任何一个节点到 L2 交换矩阵的上行总带宽与其内部 UB 容量完全匹配，从而在整个 384-NPU 的超级节点范围内实现了 无带宽收敛，确保了任意 NPU 之间都能获得稳定、高带宽的通信能力。

而在信号和数据传输层面，CM384 包含三大通路： 1）UB 平面：核心的 Scale-Up 网络，以全互联（All-to-All）拓扑连接所有 NPU 和 CPU。每颗昇腾 910C 贡献超过 392GB/s 的单向带宽。它专为 TP、EP 等细粒度并行以及内存池的快速访问而设计。 2）RDMA 平面：用于超级节点间的 Scale-Out 通信，采用 RoCE 协议，确保与现有生态兼容。NPU 是 该平面的唯一参与者，用于 KV Cache 在 Prefill 和 Decode 节点间的传输、分布式训练等。 3）VPC 平面：通过华为自研的擎天卡连接到数据中心网络，负责管理、控制、访问持久化存储等。 对于一个 AI 推理任务，其在 CM384 网络中的流转大致可抽象为：CPU 通过 VPC 平面读取内存/硬 盘数据，通过 UB 平面将任务分发到各 NPU，NPU 进行计算，并通过 UB 平面同步模型权重及 KV Cache，再通过 RDMA 平面与另一机柜间进行 KV Cache 交换。 CloudMatrix 384 超节点核心：UB 网络保证节点间通信。CloudMatrix 384 通过两层 UB Switch 实 现 Scale-up。分层看，第一层 UB 网络（图 19 红线）实现了小节点内 8 张 NPU 的全互联，而二层 UB 网络实现了 48 个小节点的无收敛全互联。两层 Scale-up 网络结构与英伟达此前推出的 DGX H100 256 Pod 类似，而由于热功耗、稳定性等工程问题，双层 NVLink 的 Scale-up 并未大面积推广。

从实测数据看，CloudMatrix 384 两层网络对性能影响较小。如图 20，Intra-node 表示最小节点内 的 GPU 通信（即 8 卡服务器内），Inter-node 表示不同服务器中的 GPU 通信；由于 Inter-node 通信 需要经过 L2 UB Switch（多一跳）因此通信性能有小幅影响。节点间带宽衰减低于 3%，节点间延迟增 加低于 1µs。鉴于现代 AI 工作负载主要依赖带宽而非延迟，这种边际延迟开销对 AI 任务的端到端性能 的影响微乎其微，因此 CloudMatrix 384 可以理解为超大规模、紧密耦合的超节点。

CloudMatrix 384 核心进展在于 UB 网络的工程能力突破，弥补单卡性能短板。与过去网状 8 卡互联 相比，UB 网络将通信压力更多转移到 UB Switch 上，提升 NPU 间一对一通信带宽和超节点内应对通信 峰值的能力，叠加优化的通信协议显著提升通信效率。能够认为，在国产算力单卡性能仍有差距的情况 下，通过光互联组建大规模 Scale-up 超节点将成为趋势。 大规模超节点将更适合未来 AI 工作负载。与 NVL72 相比，CloudMatrix 384 超节点的算力达到 300P， 为 NVL72 的 1.7 倍；内存为 NVL72 的 3.6 倍。随着模型参数量、MoE 模型趋势下专家数量的增加，推 理对计算、内存和互连带宽的要求将继续提升。 新兴的架构模式，如用于专门推理的模块化子网络、检索增强生成或混合密集/稀疏计算，要求模型组 件之间更紧密的耦合，从而增加模型内部的通信和同步。这些工作负载需要将计算和内存共置在一个紧 密集成的超级节点内，以减少通信延迟并保持高吞吐量。 因此，超节点的容量对维持 MoE 模型所需的细粒度局部性和性能特性较为重要。更大的资源池可以为 非均匀大小的作业提供更大的部署灵活性，在实际工作负载分布下，扩展超级节点规模可显著提高系统 吞吐量和效率。 此外，扩大超节点规模并不会必然导致每个 NPU 的网络成本增加。假设网络架构相同，例如双层 Clos 类交换拓扑，只要配置实现交换机端口充分利用，每个 NPU 的网络基础设施摊销成本在不同规模间几 乎保持不变。给定交换层数下，超节点规模的扩展不会带来额外的成本开销，因此从网络角度来看，这 是一种经济高效的策略。

（2）昇腾 Atlas 950/960 SuperPoD 计划于 2026/2027 年上市

1）Atlas 950 超节点：华为预计 2026Q4 上市，满配支持 8192 颗 Ascend 950DT 芯片，FP8 算力达 8EFLOPS，FP4 算力达 16EFLOPS。互联带宽达到 16PB/s，超过今天全球互联网峰值带宽的 10 倍有余。 相比英伟达 NVL144，Atlas 950 超节点卡的规模是其 56.8 倍，总算力是其 6.7 倍，内存容量是其 15 倍， 达到 1152TB；互联带宽是其 62 倍。即使是与英伟达计划 2027 年上市的 NVL576 相比，Atlas 950 超节 点在各方面依然是领先的。

2）Atlas960 超节点：华为预计 2027Q4 上市，满配支持 15488 颗 Ascend 960 芯片，FP8 算力将达 30EFLOPS，FP4 算力将达 60EFLOPS，内存容量达 4460TB，互联带宽达 34PB/s。大模型训练和推 理的性能相比 Atlas 950 超节点，将分别提升 3 倍和 4 倍以上，达到 15.9MTPS 和 80.5MTPS。

（3）基于超节点，华为发布全球最强超节点集群：Atlas 950 SuperCluster 和 Atlas 960 SuperCluster

1）Atlas 950 SuperCluster 50 万卡集群：华为预计于 2026Q4，由 64 个 Atlas 950 超节点互联组成， FP8 算力达 524EFLOPS，同时支持 UBoE 与 RoCE 两种协议。Atlas 950 SuperCluster 集群相比当前世 界上最大的集群 xAIColossus，规模是其 2.5 倍，算力是其 1.3 倍。

2）Atlas 960 SuperCluster 百万卡集群：华为预计于 2027Q4 上市，FP8 算力达 2 ZFLOPS，FP4 算力达 4ZFLOPS，同样也支持 UBoE 与 RoCE 两种协议。

（4）昇腾 Taishan 950 SuperPoD：业界首款通算超节点

Taishan 950 SuperPoD——华为推出的业界首款通算超节点，为通算性能提升开辟全新路径。预计 2026Q1 上市，基于 Kunpeng950 打造，最大支持 16 节点，32 个处理器，最大内存 48TB，同时支持 内存、SSD、DPU 池化。未来还有望基于 TaiShan 950 和 Atlas 950 打造成混合超节点，为下一代生成 式推荐系统打开全新架构方向。

（5）昇腾 Atlas850：首款企业级风冷 AI 超节点

Atlas 850——业界首个企业级风冷 AI 超节点服务器。该产品搭载 8 张昇腾 NPU，有效满足企业模型 后训练、多场景推理等需求。Atlas 850 支持多柜灵活部署，最大可形成 128 台 1024 卡的超节点集群， 是目前业内唯一可在风冷机房实现超节点架构的算力集群。

（6）华为灵衢：面向超节点的互联协议

灵衢是一种面向超节点的互联协议，将 I/O、内存访问和各类处理单元间的通信统一在同一互联技术体 系，实现数据高性能传输、算力高效协同、资源统一管理和灵活组合，是超节点参考架构的基础。基于 灵衢（UnifiedBus，简称 UB）的超节点架构，支持 CPU、NPU、GPU、MEM、DPU、SSU（Scalable Storage Unit）和 Switch 中的一种或者多种组件资源池化和平等协同，构建逻辑上的一台计算机。 华为于 2019 年开始研究灵衢技术，2025 年灵衢 1.0 正式在 Atlas 900 A3 SuperPoD 上商用验证， 2025 年 9 月，华为正式开放灵衢 2.0 协议。

灵衢提供分层的协议栈，从下到上由物理层、数据链路层、网络层、传输层、事务层、功能层以及 UMMU、UBFM（UB Fabric Manager）组成。其中，Entity 为功能实体，是全局通信的基本单元； URMA（Unified Remote Memory Access）为统一远程内存访问。

2、阿里云发布全新一代磐久 128 超节点 AI 服务器

阿里云正式发布全新一代磐久 128 超节点 AI 服务器。该服务器由阿里云自主研发设计，具备强大的兼 容性，可支持多种 AI 芯片，单个机柜能够容纳 128 个 AI 计算芯片。值得一提的是，磐久超节点集成了 阿里自研的 CIPU2.0 芯片以及 EIC/MOC 高性能网卡，并采用开放架构。这一设计使得其能够实现 Pb/s 级别 Scale-Up 带宽和百 ns 极低延迟。与传统架构相比，在同等 AI 算力的情况下，磐久 128 超节 点 AI 服务器的推理性能可提升 50%。 磐久 128 超节点采用模块化设计，单机柜支持 128 个 AI 计算芯片，密度刷新业界纪录。通过正交架构 优化空间布局，机柜功率密度可达 350kW，支持单芯片 2000W 高负载运行，同时实现 99%的硬件故 障预测准确率。这一设计显著提升了数据中心的算力集中度，尤其适合万亿参数级大模型的分布式训练。

正交设计运维更便捷：Compute-Tray 采用横放的结构，支持单个 Compute Tray 4 颗 GPU，SwitchTray 采用竖放的结构，这样整个机柜本身没有任何 Cable Tray（电缆桥架）。

CPU 和 GPU 分离设计：更灵活也容易迭代升级，支持 8 卡/OS，16 卡/OS，CPU 节点可以独立演进， 支持不同 CPU 平台、代次，GPU 节点支持多种 GPU 芯片方案，满足不同业务需求。

磐久 128 超节点为既华为 CloudMatrix 384 之后，又一国产超节点范式。磐久采用了单机柜+无中背 板的正交结构，而 CM384 采用 16 机柜+机柜内铜互+机柜间光互连。与 CM384 相比，磐久为单机柜产 品，节点内互联距离较短，Scale-up 网络不使用光互连，单芯片互联网络的成本或相对较低；但 Scaleup 网络拓扑预计仍为双层 CLOS 架构。 考虑到其计算模块与 CPU、交换模块分开等通用性设计，预计磐久 128 超节点将会成为 CM384 之后 国产超节点的又一通用范式。一方面，可以降低在推理场景部署国产卡的适配难度；另一方面，这一方 案或将被部分国产 AI 芯片厂商采用。

3、中科曙光发布 AI 超集群系统

中科曙光发布国内首个基于 AI 计算开放架构设计的曙光 AI 超集群系统。根据中科曙光公众号，9 月 5 日，中科曙光在 2025 重庆世界智能产业博览会发布了国内首个基于 AI 计算开放架构设计的产品——曙 光 AI 超集群系统。除了紧耦合设计，该集群系统还支持多品牌 AI 加速卡以及兼容 CUDA 等主流软件生 态，为用户提供更多开放性选择，大幅降低硬件成本和软件开发适配成本。

海光系统互联总线协议（HSL）开放，打造国产算力核心基座。2025 年 9 月 13 日，海光面向 GPU、 IO、OS、OEM 等产业全栈，宣布开放 CPU 互联总线协议（HSL），核心内容包括开放完整的总线协 议、提供 IP 参考设计、开放指令集等。产业上下游伙伴可通过海光系统互联总线，实现更高效的系统 连接。比如降低访问延迟、自定义简化协议栈、提升链路利用率、支持缓存一致性和自由的多链路扩展。 同时也将较大程度有助于部件及整机研制厂商快速设计不同品牌的 GPU 产品并推向市场，释放国产算 力的产业协同效能。当前，加入 HSL 协议的参与者包括寒武纪、沐曦、摩尔线程等。

4、浪潮信息发布超节点 AI 服务器“元脑 SD200”

浪潮信息发布面向万亿参数大模型的超节点 AI 服务器“元脑 SD200”。根据元脑服务器公众号，8 月 7 日，浪潮信息发布面向万亿参数大模型的超节点 AI 服务器“元脑 SD200”。该产品基于自主研发的开放 总线交换技术首创多主机三维网格系统架构，实现 64 路本土 GPU 芯片高速互连；通过创新远端 GPU 虚拟映射技术，突破多主机交换域统一编址难题，实现显存统一地址空间扩增 8 倍，单机可以提供最大 4TB 显存和 64TB 内存，为万亿参数、超长序列大模型提供充足键值缓存空间。

5、沐曦股份创新多种超节点形态

2025 年 7 月，沐曦股份发布多种超节点形态。（1）曦云 C500X 光互连 64x GPU 超节点（16-64x GPU），通过光模块技术降低延迟，提升跨节点通信效率，适用于分布式训练场景；（2）耀龙 S8000 G2 超节点（32/64x GPU），业界首创 3DMesh 互联技术，实现 64 张曦云 C550 通用 GPU 高速互联的超节点，通信性能提升 4 倍，支持 DeepSeek、Qwen、Kimi-K2、阶跃 Step3 等主流大模型 全场景应用；（3）Shanghai Cube 国产高密度液冷整机柜（128xGPU），采用 47U 单机柜 4 组超 节点（1 组超节点 32xGPU、单机柜 128xGPU）高密度液冷部署，8 机柜并排组成千卡集群，算力密度 与能效比达到行业领先水平；（4）高密度液冷算力 POD，采用创新技术架构，与沐曦算力集群深度适 配，可高效支撑 AI 训练、推理及通用计算等多样化场景，为高性能算力需求提供稳定、高效、灵活扩 展的实时保障。

6、曦智科技发布国内首个光互连光交换 GPU 超节点

曦智科技在今年 7 月世界人工智能大会（WAIC）发布了国内首个光互连光交换 GPU 超节点光跃 LightSphereX，并联合壁仞科技、中兴通讯首次进行示范应用，即将于上海仪电国产超节点算力集群落 地。

五、产业链影响

1、服务器：产业链分工细化

机柜/超节点趋势下，AI 芯片厂商纵向整合，提升自身通信、存储、软件等能力是确定趋势。芯片巨头 在强化自己在算力网络中的布局。英伟达、AMD、国内海光信息吸收合并中科曙光，均在动作。 全球龙头英伟达近 6 年并购案例 8 宗，聚焦于算力全链条整合。通过收购网络技术（Mellanox）、软 件定义网络（Cumulus）、行业应用（Parabricks）、云服务（LeptonAI）及 AI 开发工具（Run.ai、 Deci），构建从芯片到应用的闭环生态，应对云巨头竞争并渗透新兴市场。 AMD 并购频繁，并在 AMD Advancing AI2025 大会上推出全新 AI 产品阵容——旗舰数据中心 AI 芯片、AI 软件栈、AI 机架级基础设施、AI 网卡与 DPU。25 年 AMD 收购硅光芯片初创公司 Enosemi、AI 软件 Brium、AI 推理芯片 Untether AI 三家公司，24 年收购 Silo AI（欧洲最大私人 AI 实验室，开发多语言大模型及企业级 AI 解决方案）和 ZT Systems（定制化服务器、液冷机架及云原 生解决方案），补足了 AMD 的全栈能力。

国内海光信息拟吸收合并中科曙光，也印证了这一产业趋势。产业协同角度。海光信息主要收入来源为 CPU+DCU，中科曙光主要收入来源为服务器+云基础设施。合并完成后，海光+曙光，完成从芯到云， 硬件全产业链部署，协同效应明显。 服务器厂商生存空间是否受到挤压？首先，能够认为 AI 芯片厂商不会切入代工业务。AMD 收购 ZT System 后剥离了其代工业务，避免与 OEM/ODM 的竞争，海光收购曙光目的也是为了强化协同，提升 液冷、软件等能力。

但是，算力链条的产业链分工可能会进一步细化。在超节点趋势下，AI 芯片之间、AI 芯片与交换机芯 片之间的互联，大都需要通过板卡（尤其是电信号互联）。以英伟达为例，其板卡在产品推出初期自行 设计，产品稳定后会开放给 OEM 合作伙伴，此时板卡设计的能力就成为了能否获取更多价值量的核心 差异化能力。因此代工产业链分工可能进一步分化为板卡设计代工供应商、以及机柜代工供应商。对英 伟达来说，其板卡、模组代工供应商主要为鸿海精密（中国台湾地区）、纬创，机柜代工商为广达等， 已经体现出分工细化趋势，后续国内代工产业链或也将出现该趋势。 此时，代工厂商竞争的核心要素将从资金、供应链能力拓展到：1）是否具备板卡设计能力；2）能够与 下游客户，如 CSP 厂商紧密协同。

2、光通信：国产超节点方案带来光模块增量

超节点目前分化为单柜更多 GPU 的单柜高密高电、多机柜多 GPU 两大路径。以 CloudMatrix 方案为 代表的国产化方案预计将强调通过多机柜路径增强 Scale Up 网络，弥补单卡性能短板。预计产业链影响 是增加 400G 或 LPO 等成本优化方案的采购，同时加速向 800G 演进。 光通信需求测算： Scale Up 维度——节点内 12 个 Compute 机柜，共 48 台服务器，48x8=384 NPU；中间 4 个网络机柜， 负责 384 张卡的内部互联（Scale Up），类比为英伟达的 NVLink 网络。两层 UB 平面的 Scale Up 网络 拓扑如下。 第一层：每个 NPU 由 2 个 die 组成、每个 die 提供 7 个 224Gb 通道连接至 UB 网络的第一层（在 8NPU 服务器内），因此每个 NPU 到第一层 UB 网络 7x224Gbpsx2=392GBps（注意 Gb 到 GB 的换 算）。这一层为电气信号连接。 第二层：在第一层的每个 8NPU 服务器内，均在板卡层面配置了 7 个 UB Switch 芯片，每个 Switch 芯 片扇出 16 个连接，每个连接 28GBps（对应 224Gbps）连接至第二层网络。第二层网络由 112 个 UBSwitch 芯片组成，分成 7 个平面组（Sub-plane、每组 16 个芯片，这 16 个芯片中的每一个都以无阻塞 的拓扑网络连接上述第一层芯片的 16 个扇出连接，7 个平面组在数量和拓扑上对应了第一层每个服务器 内的 7 个 Switch 芯片。同时，第二层的 UB Switch 芯片中的每一个都提供了 48 个 28GBps 连接（对应 224Gbps），在数量和拓扑上对应了第一层的 48 台服务器。 综上，在第一层和第二层网络之间，每台服务器中的每个 UB Switch 芯片都对应了对外 16x28GBps=448GBps=8x448Gbps（注意 Gb 到 GB 的换算），也就是每台服务器中的每个 UB Switch 芯片都对应了 8 个 400G 连接（光模块），每台服务器总共需要使用 56 个 400G 光模块或 28 个 800G 双通道光模块，无阻塞网络的第二层交换机侧需要同样数量的模块，也就是说在 UB 网络系统中，每台 服务器的 8 个 NPU 对应了 112 个 400G 光模块或 56 个 800G 双通道光模块。即 NPU 的 400G 光模 块用量比在 1:14，或者 800G 光模块的用量比在 1:7。

Scale Out 维度——12 个 Compute 机柜为一个 CloudMatrix 节点，在此基础上复制扩容；假设 8 个节 点，共 8x384=3072GPU，按照胖树架构扩容，两层拓扑结构，Leaf 网络 8 个交换节点。若继续扩容， 总节点为 8 的倍数，需要增加 Spine 层网络。（假设：两层网络之间的连接数相等，不收敛）按照 2 层 胖树架构推演，光模块需求比约在 1:4。 整体光通信的需求测算，是上述 Scale Up 和 Scale Out 两个维度数量的叠加，总光模块的需求比最 高可达 1:18。

3、铜连接：高速背板连接、铜连接仍为重要选择

华为 2025 年 3 月论文解释了最新的 UB-Mesh 网络架构，具备流量模式驱动的网络拓扑、拓扑感知的 计算与通信、容错自修复系统等特性。UB-Mesh 的重要特性包括：降低成本并增强可靠性，一定程度 上减少对高带宽交换机和光互连的依赖，更多使用短距离直接互连（机架内 64 个 NPUs 通过电气电缆直接互连）；能高效支持复杂通信操作，如 All-to-All 通信（也是 MoE 架构的重要通信操作）；显 著减少传输距离和开销，多数传输可在 2 跳内完成。

更长时间维度看，光通信也是 Scale Up 网络需求的演进方向。铜连接的范围一方面取决于工艺（速率 和距离），另一方面则是工程问题，例如算力最小颗粒度的灵活性（匹配不同场景）、热管理（液冷） 和供电难度（例如 TeslaDojo）、维护难度，甚至 IDC 层面的载重等。 光电混合是当前出于成本考虑的重要架构，光网络和芯片层面的光互联是长期方向，包括硅光、CPO 以及 OpticalI/O 为代表的光学技术。chiptochip（芯片间的光学 IO）、boardtoboard（板卡间的光学 模组）、machinetomachine（光模块/CPO）三大重要场景预计都有硅光技术的重要渗透，其中前两者 是超节点 Scale Up 的重要场景。

4、IDC 产业链：AIDC 需求增加，液冷渗透提升

若对比 GBNVL72 单机柜性能，CloudMatrix 是 16 机柜方案；可比性能下，CloudMatrix 的占地面积与 机柜数增加，预计增加 AIDC 需求，前提是电力资源充足，因此，预计将显著增加 IDC 机房环节、电源 设备环节的需求。若要进一步节省占地面积、减少机柜数、减小组网开销，同时符合资源政策，那么液 冷是必要选项。 因此可进一步推断，液冷+增加内部铜连接、中长距光网络是两条重要路径。

六、相关公司

1、华勤技术：国产超节点提速，数据业务弹性有望超预期

国内超节点进展超预期，预计 2025-2028 年国内超节点渗透率分别为 5%、19%、45%、72%。Scale Up 交换网络作为核心增量环节，有望显著增厚交换机市场规模，2028 年国内 Scale Up 交换机市场规 模预计达 669 亿元，是 2024 年的 1.67 倍。同时，AI RACK ODM 厂商竞争格局有望集中化，头部厂商 凭借核心技术优势，盈利能力将得到提升。 构建全栈式 AI 数据产品组合，客户和产品矩阵优势储备。公司自 2017 年开始布局数据中心领域，覆 盖训练、推理、网络交换、网络节点、存储、通用计算等全栈产品。一方面公司提供差异化、极具市场 竞争力的定制产品，另一方面打造面向全行业市场的标品，服务于更多客户及行业合作伙伴，满足不同 客户的应用需求。 公司打造的算力矩阵已构建起开放兼容的生态系统。公司产品不仅全面适配 NVIDIA、AMD、Intel 等 国际巨头 GPU，更深度兼容各主流国产 GPU 芯片，形成"双循环"技术布局。以 8UOAM、4U8 卡、 2U2 卡为代表的训练、推理全栈 AI 服务器，既满足超大规模训练需求，也能为中小企业应用场景提供 灵活支持。同时，依托公司在交换机领域的深度技术积累，以太网 51.2TAI 交换机可用于 GPU 之间的 互联。 头部客户全面覆盖。公司以客户为中心，提供从芯片到整机到算力的全栈、全领域产品和服务，目前与 国内腾讯、阿里、字节等多个知名的云厂商建立了密切的合作关系，并成为其核心供应商，2024 年公 司在头部客户实现全栈合围。 营收规模有望保持快速增长。近年来，公司加强客户粘性，不断推出新产品，业务呈现高速发展，2024 年公司数据业务营收已突破 200 亿元，25Q1 营收突破 100 亿元。后续公司有望凭借其全栈产品能力、 兼容生态系统以及深厚制造加工经验等优势，在头部客户份额有望持续提升，带动公司业绩保持高速增 长。

交换机+RACK ODM，超节点业绩弹性有望超预期。公司核心互联网公司交换机份额有望提升。目前 交换机供应商主要包括华为、新华三、锐捷网络、中兴通讯、华勤技术等。公司凭借其出色的供应链管 理能力和开放的生态系统，积极为客户提供支持，未来市场份额有望进一步提升。 公司前瞻布局多款 AIRACK 解决方案。在 ODCC 网络工作组的指导下，公司牵头设计符合 ETH-X 超节 点架构（腾讯主推）的整机柜服务器，打造了一款集高密度、绿色、智能于一体的三总线架构液冷整机 柜系统。 公司 AI RACK 针对不同国产 GPU 特性，设计两款通用型计算节点，支持多种系统互联方式，充分发挥 在网络交换方面的技术积累优势，交换节点采用 5nm 交换芯片，可支持 51.2T 超算级带宽，专为万卡 AI 训练集群设计，可实现低时延高带宽 AI 智算网络。对外支持 32 个 800G OSFP 端口，向下兼容 400G/200G/100G，同时支持铜缆 DAC、AEC 和光模块互联，可支持跨柜 Scale Up 模型搭建。背板 Cable Tray 互联设计，差分对数量最大达到 6144 对，通过搭配不同的 Cable tray，即可实现单柜最高 64pcsGPU 的互联。 公司发布 2025 年半年报，25H1 公司实现营收 839.39 亿元，同比+113.06%；实现归母净利润 18.89 亿 元，同比+46.30%；实现扣非净利润 15.09 亿元，同比+47.95%。其中单季度 Q2 实现营收 489.42 亿元， 同比+111.24%，环比+39.84%；实现归母净利润 10.47 亿元，同比+52.70%，环比+24.35%；实现扣非 净利润 7.49 亿元，同比+52.70%，环比-1.59%。

2、中兴通讯：服务器存储增长超 200%，自研芯片卡位超节点互联

强化“All in AI，AI for All 战略，中兴微电子未来可期。公司自 1996 年开始芯片研发，已具备业界领 先的芯片全流程设计能力，目前主要由中兴微电子主导芯片领域研发设计。计算芯片方面，公司自研定 海芯片，支持 RDMA 标卡、智能网卡、DPU 卡等多种形态，并可提供高性能、多样化的算力加速硬件。 交换芯片方面，公司打造国产超高密度 230.4T 框式交换机，以及全系列 51.2T/12.8T 盒式交换机，性 能业界领先，并在运营商、互联网、金融等市场的百/千/万卡智算集群规模商用。AI 服务器方面，公司 可提供高性能训练服务器、高性价比推理服务器、开箱即用智算一体机（包括：训推一体机、推理一体 机、应用一体机）、全系列通算服务器等，并携手产业伙伴打造新互联超节点智算服务器。数据中心方 面，公司推出第三代模块化间接蒸发冷却空调、全系列液冷等创新产品和方案，已部署 30 多万个机架。 此外，公司还推出 AI Booster 智算训推软件平台，为客户提供一站式 AI 解决方案。 AI 算力产品实现头部互联网突破，打造智算超节点系统。公司服务器及存储营收同比增长超 200%， 其中 AI 服务器营收占比 55%。公司服务器、交换机及存储等算力业务获运营商、互联网、政企等客户 认可。运营商领域，公司通算服务器在国内运营商份额领先，智算服务器陆续中标国产智算资源池项目。 数据中心交换机，公司以综合排名第一中标中国移动数据中心交换机集采项目。数据中心配套，公司在 京津冀节点、和林格尔节点、中卫节点等东数西算核心区域实现较大规模数据中心项目落地。互联网领 域，公司在国内头部互联网公司智算需求方面取得突破性进展，实现规模销售，同时，在大型银行及保 险公司保持规模经营，并在政务、企业市场实现多个重点项目突破。此外，中兴通讯智算超节点系统以 自研 AI 大容量交换芯片为基石，可有效支持万亿参数以上大模型训练及高并发推理，初步建成国产化 智算产业开放生态系统。 2025 年 8 月 28 日，中兴通讯发布 2025 年半年度报告，公司实现营业收入 715.53 亿元，同比增长 14.51%；归母净利润 50.58 亿元，同比下降 11.77%；扣非归母净利润 41.04 亿元，同比下降 17.32%。

3、中际旭创：光模块龙头业绩高增

公司主营业务为高端光通信收发模块的研发、生产及销售，产品服务于云计算数据中心、数据通信、5G 无线网络、电信传输和固网接入等领域的国内外客户。公司注重技术研发，并推动产品向高速率、小型 化、低功耗、低成本方向发展，为云数据中心客户提供 100G、200G、400G、800G 和 1.6T 的高速光 模块，为电信设备商客户提供 5G 前传、中传和回传光模块，应用于城域网、骨干网和核心网传输光模 块以及应用于固网 FTTX 光纤接入的光器件等高端整体解决方案，在行业内保持了出货量和市场份额的 领先优势。根据 LightCounting 发布的 2024 年度光模块厂商排名，中际旭创位列全球第一。

公司发布 2025 年半年度报告，25H1 实现营业收入 147.9 亿元，同比+37.0%；归母净利润 40.0 亿元， 同比+69.4%；扣非净利润 39.8 亿元，同比+70.4%。25Q2 实现营收 81.1 亿元，同比+36.2%，环比 +21.6%；归母净利润 24.1 亿元，同比+78.8%，环比+52.4%。 800G 需求强劲+1.6T 规模起量，营收业绩环比加速攀升。25Q2 公司营收增长势头强劲，同比+36.2%， 环比+21.6%，主要受益于 800G 等高端光模块需求爆发式增长。分业务看，子公司业绩亮眼：25H1 泰 国工厂子公司 TeraHop 营收 113.3 亿元，同比+197%，占营收比例达 77%，净利率 6.5%，同比+0.5pct； 硅光芯片子公司苏州湃矽营收 3.5 亿元，同比+148%，净利率 15.2%。公司部分产品采用自研硅光芯片， 降低外部依赖，有力支撑高端产品放量和成本优化。 800G 放量+硅光渗透，毛利率大幅提升。公司 25Q2 毛利率达 41.5%，同比+8.1pct，环比+4.8pct， 主要得益于公司：1）800G 等高端产品出货比重增加，以及硅光方案加速渗透；2）持续降本增效，在 良率优化、物料方案改进、供应链管理上多点发力。公司 1.6T 产品已于 25Q2 开始逐步出货，预计三、 四季度规模放量，且目前 1.6T 出货以硅光为主，毛利率有望进一步提升。公司 25Q2 销售/管理/研发/ 财务费用率 0.6%/1.8%/3.6%/-0.3%，同比-0.1pct/-1.2pct/-0.8pct/+0.4pct，环比-0.1pct/-0.5pct/- 0.7pct/持平，规模效应持续体现。25Q2，公司盈利能力显著增强，归母净利率 29.7%，同比+7.1pct， 环比+6.0pct。

经营性现金流表现强劲，首推中期分红彰显信心。公司经营现金流充裕，25H1 经营活动产生的现金流 量净额达 32.18 亿元，同比大幅增长 232.5%，为公司应对上游物料紧张、积极备货提供了坚实基础。 公司首次推出半年度利润分配预案，拟每 10 股派发现金红利 4 元（含税），并将逐步加大分红比例。 积极扩产备货，高端模块交付能力持续领先。公司凭借行业龙头地位和规模采购优势，积极锁定供应链 产能；截至 25H1，公司存货达 91.7 亿元，较年初增长 30.0%，保障下半年及明年订单交付。公司同步 推进“铜陵旭创高端光模块产业园三期项目”等募投项目建设，积极扩张泰国等海外产能，高端产品交付 能力持续提升。

4、光迅科技：光通信模块龙头，400G+交付加速，新技术布局引领未来

公司具备领先的垂直集成技术能力，产品涵盖全系列光通信模块、无源器件、光波导集成产品、光纤放 大器、广泛用于数据中心、骨干网、城域网、宽带接入网、无线通信、物联网等。公司产品可分为传输 类、接入类和数据通信类产品，2024 年，接入和数据类产品占营收比为 61.67%，传输类产品占营收比 为 37.50%。

公司发布 2025 年半年报，上半年实现营收 52.43 亿元，同比增长 68.6%，实现归母净利润 3.72 亿元， 同比增长 79.0%，实现扣非归母净利润 3.60 亿元，同比增长 74.7%。25Q2 单季度来看，实现营收 30.21 亿元，同比增长 66.1%，环比增长 35.9%，实现归母净利润 2.22 亿元，同比增长 69.3%，环比增 长 47.9%，实现扣非归母净利润 2.19 亿元，同比增长 63.9%，环比增长 54.8%。 2025 年上半年，公司面向下游云厂商的 400G+高速光模块加速交付，1H25 数据与接入业务实现营收 37.15 亿元，同比增长 149.27%，占总营收比重同比提升 22.9ppt 至 70.9%。 重视研发创新，具备领先的垂直集成技术能力、一站式的产品提供能力、大规模柔性制造能力。公司具 备从芯片到器件、模块、子系统的垂直整合能力，拥有多种类型激光器芯片、探测器芯片以及 SiP 芯片 平台，为直接调制和相干调制方案提供支持，还拥有 COC、混合集成、平面光波导、微光器件、MEMS 器件等封装平台，为相关产品提供支持。公司在光通信传输网、接入网和数据中心等领域构筑全方位的 综合解决方案及柔性制造与高质量交付能力，产品年出货量行业前三。 持续扩充产能；积极布局硅光、OCS 等新技术。根据公司公告，1H25 公司持续提升海外制造及高端数 通产品交付能力，顺利完成海外制造基地及武汉东湖综合保税区高端光电子器件产业基地的产能建设。 公司紧跟行业技术发展趋势，前瞻布局硅光、OCS（光交换机）等新领域，在硅光方面，2024 年硅光 产品快速上量，目前公司硅光月产能达 50 万只；OCS 方面，公司于 OFC2024 就创新推出基于独创光 学设计的 MEMS 系列 OCS 产品。

5、英维克：机房与机柜温控业务增长强劲，液冷技术助力数据中心发展

机房温控业务快速增长，机柜温控业务稳健发展。2025 年上半年公司机房温控和机柜温控业务同比分 别增长 57.9%/32.0%，收入分别达到 13.5 亿元/9.3 亿元。机房温控：在 AI 算力功耗大幅提升背景下， 机房温控的液冷技术加速导入。公司作为全链条液冷开创者，率先推出高可靠 Coolinside 全链条液冷解 决方案，持续受益数据中心发展，2025 年上半年公司在算力的设备及机房的液冷相关营业收入超过 2 亿元。机柜温控：公司是最早涉足电化学储能系统温控的厂商，在储能温控行业处于领导地位，是众多 储能系统提供商重要的温控产品供应商，机柜温控行业稳步发展。分区域看，公司国内和国外业务在 2025H1 同比分别变动 61.0%/-5.92%。公司积极拓展海外数据中心业务，不断扩大客户基础。 公司持续加大投入，研发费用率相对保持稳定。2025H1 公司毛利率 26.15%，同比下降 4.84pct。2024 年销售/管理/研发费用率分别为 3.91%/4.01%/7.61%，同比分别下降 2.9pct/0.56pct/0.76pct。受益于 营收增长显著，2025 年 Q2 销售/管理/研发费用率同比分别下降 1.72pct/2.00pct/3.76pct。2025H1 公 司经营性现金流净额为-2.34 亿元，同比下降 412.33%，主要系上半年销售规模增大及期末备货增加， 从而采购商品、接受劳务的现金支付增加所致。 公司持续深耕设备散热与环境控制领域全链条产品，并拥有头部客户资源。公司拥有英伟达、字节、腾 讯、阿里、运营商、华为、比亚迪等大客户资源。特别是液冷 AI 算力领域，公司的 UQD 产品已进入英 伟达 MGX 生态系统合作伙伴，公司将继续巩固其在数据中心的既有技术创新和品牌优势，扩大销售规 模，发挥液冷“全链条”平台优势。同时，公司积极拓展海外市场，在液冷领域加大海外合作与推广力度。

6、科华数据：HVDC 与液冷业务加速增长

公司在 AIDC 供电相关领域储备早、产品矩阵全，其工业 UPS 亚洲第一，近几年，HVDC 产品实现 跨越，而液冷产品、海外市场正在突破中。公司在国内市场拥有强大客群，1Q25 获得腾讯 70%以上的 HVDC 订单。根据公司，其有望作为二级供应商进入阿里巴巴供应链，为其提供电力设备和液冷产品。 此外，科华还积极进军海外供应链。公司旨在通过 OEM 模式与海外集成商合作打入海外超大规模云厂 商供应链。管理层表示，到 2025 年底公司海外业务更新的可见度有望提升。若取得成功，可能意味着 科华的市场规模扩大。尽管是后来者，公司也在积极拓展液冷业务。公司已向中国移动交付液冷产品。 管理层称公司且近期已被添加到阿里巴巴白名单中，这可以证明其竞争力。HVDC 和液冷的盈利贡献有 望自 2H26 起加速。

编辑：火腿肠