当单卡算力逐渐逼近物理与成本的双重边界，决定 AI 集群能走多远的，越来越不是芯片本身，而是芯片之间那条“看不见的路”。

导语：算力竞赛的下半场，是连接竞赛

过去几年，AI 芯片的叙事几乎被“单卡性能”垄断：制程、算力峰值、显存容量与带宽，构成了评价一颗加速器的传统坐标系。但进入大模型时代后，这套坐标系正在失效。

训练一个千亿乃至万亿参数级别的模型，早已不是单卡能完成的任务。模型并行、数据并行、流水线并行、专家并行等策略，把成百上千颗芯片编织成一个协同工作的整体。此时，集群的真实效率不再取决于某颗芯片跑得多快，而取决于它们之间交换数据的效率——也就是互联（Interconnect）。

于是，一场围绕“连接”的战争悄然打响。战场上有三条主要战线：英伟达主导的 NVLink 生态、以开放为旗帜的 UALink 标准，以及体量庞大、生态成熟的以太网方案。它们分别对应着 AI 基础设施中两个关键概念：Scale-up（纵向扩展） 与 Scale-out（横向扩展）。

先厘清两个词：Scale-up 与 Scale-out

理解这场互联战争，必须先区分两种扩展路径。

Scale-up 指的是在同一个“紧耦合”域内，把更多计算单元连接成一个逻辑上的超级加速器。它追求的是极低延迟、极高带宽、内存语义级别的通信，让多颗芯片像一颗芯片那样工作。这一层通常依赖专有的高速互联协议，典型代表就是 NVLink。

Scale-out 指的是把多个这样的“超级加速器”或节点，通过网络连接成更大规模的集群。它更强调可扩展性、成本与通用性，以太网和 InfiniBand 是这一层的主力。

两者的边界并非泾渭分明，但核心矛盾是一致的：互联能力，直接决定了集群规模的上限。 当互联带宽不足或延迟过高，增加芯片带来的收益会被通信开销迅速吞噬，集群规模越大，效率衰减越明显。

战线一：NVLink——把“紧耦合”做到极致

在 Scale-up 领域，英伟达的 NVLink 是目前最具代表性的方案。它的核心思路，是用远高于传统 PCIe 的带宽，把多颗 GPU 直接互联，形成一个高带宽、低延迟的通信域。

NVLink 的价值不只在于“快”。更关键的是，它配合 NVSwitch 等交换结构，让 GPU 之间的通信可以突破简单的点对点拓扑，构建出更灵活的互联网络。这使得多颗 GPU 能够在内存访问层面高效协同，为大规模模型并行提供了物理基础。

从生态角度看，NVLink 是英伟达“系统级”战略的关键一环。它把 GPU、交换芯片、网络接口和软件栈（如 NCCL 等集合通信库）打包成一个整体，形成难以拆分的护城河。客户购买的不再是一颗芯片，而是一整套互联体系。

但这种强势也带来了争议。专有、封闭、成本高，是业界对 NVLink 生态最常见的批评。当 AI 基础设施成为战略资源，越来越多的厂商开始担忧：把集群的“神经系统”完全交给一家供应商，是否可持续？

战线二：UALink——开放阵营的集体回应

UALink 的出现，正是对这种担忧的集体回应。它由多家芯片与系统厂商推动，目标是建立一个开放的、面向 Scale-up 的高速互联标准，让不同厂商的加速器能够在同一互联域内协同工作。

UALink 的意义，不在于它短期内能否在性能上超越 NVLink，而在于它试图改变游戏规则：把互联从“某家公司的私有资产”变成“行业共享的基础设施”。这与当年以太网战胜 Token Ring、PCIe 取代专有总线的历史逻辑一脉相承——开放标准未必一开始最强，但往往能汇聚更广泛的生态。

依据现有素材判断，UALink 仍处于标准推进与生态构建阶段，其成熟度、实际落地规模与性能表现，需要持续观察。它面临的挑战也很现实：开放标准需要多方协调，节奏往往慢于单一厂商的垂直整合；而英伟达凭借先发优势和软件生态，仍在持续加固自己的护城河。

战线三：以太网——Scale-out 的“最大公约数”

如果说 NVLink 和 UALink 争夺的是 Scale-up 的紧耦合域，那么以太网统治的则是 Scale-out 的广阔天地。

以太网的优势是压倒性的：生态成熟、成本可控、供应链多元、运维经验丰富。在构建大规模 AI 集群时，以太网是绝大多数用户绕不开的选择。近年来，面向 AI 负载的以太网技术持续演进，试图在延迟和拥塞控制上逼近专有网络的水平，以承接对通信敏感的分布式训练任务。

但以太网也有其固有短板。传统以太网在设计上并非为极致低延迟的 GPU 间通信而生，在超大规模训练场景下，拥塞、丢包与尾延迟都可能成为效率杀手。这也是 InfiniBand 等专有网络长期占据高性能计算与部分 AI 训练场景的原因。

于是，一个现实格局逐渐清晰：Scale-up 用专有或半专有高速互联，Scale-out 用以太网或 InfiniBand，两层各司其职，又相互衔接。

互联能力，如何决定集群规模上限

把三条战线放在一起看，会发现它们共同指向一个结论：集群规模的上限，本质上是互联能力的上限。

原因在于，分布式训练的通信开销会随规模增长而放大。当节点数量增加，集合通信（如 All-Reduce、All-Gather）的数据量和同步成本随之上升。如果互联带宽不足，计算单元就会大量时间处于“等待数据”的空转状态，算力利用率急剧下降。

这带来几个直接后果：

• Scale-up 域的大小，决定了单个“超级加速器”的规模。 域越大，能高效协同的芯片越多，模型并行就越从容。
• Scale-out 网络的效率，决定了集群能扩展到多少节点。 网络越高效，规模增长的边际收益衰减越慢。
• 互联协议的开放性，决定了生态的广度与成本结构。 封闭方案性能领先但成本高、绑定深；开放方案生态广但成熟度需要时间。

换句话说，AI 芯片的竞争，正在从“谁的芯片更强”转向“谁的系统连得更好”。

趋势判断：三条战线的未来走向

依据现有素材判断，这场互联战争可能呈现以下趋势：

第一，Scale-up 与 Scale-out 的边界将持续模糊。 随着集群规模扩大，两层网络需要更紧密的协同，互联方案之间的竞争也会从单层扩展到端到端。

第二，开放标准与专有方案的博弈将长期存在。 UALink 代表的开放阵营能否撼动 NVLink 的地位，取决于生态参与者的投入力度与实际落地效果，短期内难以定论。

第三，以太网仍将是 Scale-out 的基本盘。 其成本与生态优势难以被替代，但面向 AI 的增强型以太网能否缩小与专有网络的差距，是决定其上限的关键。

第四，互联将成为系统级竞争的核心战场。 芯片、交换、网络接口、软件栈的垂直整合能力，会比单点性能更能决定最终胜负。

结论

AI 芯片的战争，正在从“算力之争”演变为“互联之争”。NVLink 用专有生态把紧耦合做到极致，UALink 试图用开放标准打破垄断，以太网则凭借成熟生态守住 Scale-out 的基本盘。

三者并非简单的替代关系，而是共同构成了 AI 基础设施的连接骨架。对于从业者而言，理解这场战争的关键，不在于记住某个协议的参数，而在于认清一个底层逻辑：在分布式 AI 时代，决定集群能走多远的，往往不是最快的芯片，而是最通畅的那条路。

生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。