研报总结
23Q2：从应用到算力，Scale Out网络需求凸显
- 大模型初期市场认知的AI算力特点：通用计算切换至GPU加速，模型参数量、算力、数据量指数级提升，胖树（Fat-Tree）架构成为首选，Scale Out网络需求激增。
- 传统云计算数据中心流量以“南北向”为主，网络架构多呈收敛型；AI大模型训练以“东西向”流量为主，要求高带宽、低延迟的无阻塞互联，Fat-Tree架构满足此需求。
- Fat-Tree架构下，高速光模块数量与GPU数量高配比，800G及更高速率产品成为AI基础设施核心组件。
- 典型H100集群Scale Out网络需要1536个800G光模块和1024个400G光模块。
24Q1-Q2：英伟达业绩+GB200新品拉动景气度
- Sora推高多模态推理需求预期，所需推理算力比文本模型数量级提升。
- 英伟达业绩持续增长，验证AI算力高景气度；下游云厂商资本开支持续提升。
25Q2起：逻辑深化产业链增速高于Capex&芯片增速
3.1 开支结构持续变化，算力产业链增速超CapEx增速
- 资本开支向AI算力倾斜，AI投资内生增长强劲。
- ASIC出货逐渐增加，AI投资内部价值重分配，产业链硬件需求增速有望高于云厂资本开支增速。
- 资本开支结构优化对产业链增速的贡献已显现，产业链头部公司营收总和增速持续高于四大云厂资本开支总和增速。
3.2 Token数成为AI闭环点，指数级增长带动推理算力需求
- Token规模指数级增长，谷歌AI月度Token量一年激增约50倍，豆包大模型日均处理量同比增长超120倍。
- 新应用场景涌现，驱动高价值Token消耗，进一步提升算力需求。
- Token数向上关联推理算力需求，向下形成AI增量和收入，成为AI生态闭环点。
3.3 AI训推计算范式推动Scale Up升级、单卡带宽提升
- 并行计算方法：数据并行、流水线并行、张量并行。
- 张量并行需要更高频、更低延时的数据传输，催生Scale Up网络需求。
- 训推计算的“内存墙”催生出通过Scale Up网络将显存池化的需求。
- 通信带宽是推理速度瓶颈，P/D分离架构利于整体效率和推理体验提升。
- Scale Out网络实现集群内所有GPU卡互联；Scale Up网络实现超节点内所有GPU卡互联。
3.4 网络互连升级，产业链增速高于Capex&芯片增速
- 网络互连升级重心从Scale Out拓展至Scale Up，两类网络共同提升，单芯片带宽提升。
- 英伟达GB200采用铜缆连接降低成本，实现Scale Up超节点首次大范围推广。
- NVLink已迭代至5.0版本，单卡总带宽7.2T。
- GB200、B200、H200集群在1.8T GPT-MoE模型推理时性能依次递减，Scale Up超节点容量和带宽提升有明显贡献。
- 云厂AISC服务器采用高带宽Scale Up网络，单芯片带宽显著提升。
投资建议及风险提示
- 互连带宽需求有望随着“乘数效应”实现快速增长，光连接、铜连接、PCB等各种互连方式都有望深度受益。
- 相关标的：光互连（中际旭创，新易盛等），铜互连（兆龙互连，中际旭创等），PCB（胜宏科技，景旺电子等）。
- 风险提示：算力互连需求不及预期，客户处份额不及预期，产品研发落地不及预期，行业竞争加剧。
