兴业证券2024年8月发布的《AI深度洞察系列报告（三）》指出，Scaling Laws法则驱动AI算力集群规模快速增长，集群组网已从千卡迈向10万卡阶段。Scaleout（集群规模扩展）推动节点间互联带宽快速提升，交换机端口数提升带来互联规模的指数级增长。本文基于报告核心数据，深度解析AI集群组网规模趋势与产业链影响。
Scaling Laws驱动AI集群从千卡迈向10万卡
Scaling Laws法则指出：增加模型参数量、数据集和计算量即可获得更优模型性能。模型参数量、数据集和计算量之间存在幂律关系，随着模型规模增加，模型出现涌现特质（未预期的新能力）。OpenAI 2020年首次提出该法则，成为AI大模型训练的重要指导。实际技术落地中，AI网络互联规模从早期千卡体量持续扩大，目前行业正部署10万卡集群，马斯克旗下xAI正在部署基于英伟达H100的10万卡AI大集群，刷新当前AI集群规模纪录。
表1：AI集群规模演进与互联规模| 阶段 | GPU数量 | 代表案例 |
|---|
| 早期 | 千卡级 | 早期AI训练集群 |
| 当前 | 万卡级 | 字节MegaScale 12,288 GPU |
| 当前 | 3.2万卡级 | Meta第三代AI集群 |
| 部署中 | 10万卡级 | xAI H100集群 |
Scaleout核心逻辑：做大AI集群整体规模，提升节点间互联带宽
Scaleout是指在整个网络整体规模上追求更大承载力。AI集群规模扩大驱动节点之间互联要求提升。集群组网已正式步入10万卡阶段，集群规模提升带来的带宽提升将推动交换机迭代、光模块升级，缩短产品周期并巩固行业竞争格局。在拓扑结构上，AI集群普遍采用Fat tree网络结构。根据Fat tree拓扑，若交换机端口数为K，两层网络可互联K²/2张算力卡，三层网络可互联K³/4张卡。当交换机端口数从64提升至128，三层互联规模从约8万卡升至约52万卡。
以太网AI组网加速落地，博通+英伟达双轮驱动
早期AI集群多采用IB协议，在以太网技术推动下，基于以太网的AI集群方案进入加速落地阶段。亚马逊、甲骨文、Meta、字节跳动等云厂商均采用以太网组网且已落地超1万张卡。博通Tomahawk5（51.2T）已发布，下一代102.4T预计2025年发布，博通上修AI收入指引至110亿美元以上。英伟达2024年首次拆分网络收入（Q1 31.7亿美元），Spectrum-X以太网交换机一年一代迭代（2025年51.2T/800G，2026年102.4T/1.6T），互联GPU规模有望升至百万颗。
字节MegaScale与Meta验证以太网大规模组网可行性
字节跳动联合清华大学MegaScale在12288个GPU上训练175B LLM模型，实现55.2%的MFU，相比Megatron-LM性能提升1.34倍。采用博通Tomahawk4芯片（25.6T，64×400G端口）构建三层无收敛CLOS架构。Meta建成基于以太网的2.4万GPU集群，第三代升至3.2万张卡（8个cluster，每个cluster内252个rack，每rack16张H100）。cluster内部完全无收敛互联，之间采用7:1收敛比优化带宽成本，验证以太网大规模组网可行性。
