智算网络发展趋势分析
思瀚产业研究院    2025-06-02

AI 大模型智算网的建设演进需适配企业战略及业务发展，业务需求驱动技术发展，同时新技术革新反哺业务，有效驱动金融行业加速数字化、智能化转型，整体来看会经历3个主要发展阶段。

一是打造 AI 网络底座，支撑行业千亿模型训练，优化智能场景服务，如提升风险投顾精准度，人工客服及个性化推荐满意度等。智算网络需支持 200G/400G 速率连接百卡至千卡规模，并通过负载均衡、流量控制等技术，打造高性能、高可用的智算网络基础能力；同时围绕智算网络，构建简化运管复杂性的自动化运维网络能力。

二是构建 AI 网络系统，支撑行业万亿模型训练及推广推理应用，多元化智能场景服务，如数字柜员与无人银行，基于音/视频/文复杂业务流程一体化自助办理。智算网络需具备400G/800G 速率实现高性能万卡连接，并基于端网协同，与AI计算平台联合调度，构建高速无阻塞高可用智算网络系统；同时以 AI 技术反哺网络运维，构建网络大模型以构建智能化运维网络能力。

三是完善 AI 网络生态，支撑模型能力延展，完善生态化服务场景。支撑企业 AI Agent 系统构建，从自挖掘价值业务场景，到自优化服务对象；从业务需求到网络能力，最终构建一个可自检、自治、自愈、自闭环的 AI 网络智能体。

AI大模型智算网是金融科技数字化转型的关键技术之一，各金融机构正积极探索、试点及推动建设。目前部分大型金融机构已完成阶段一构建基础能力智算网，并论证试点阶段二能力，其他机构也在阶段一的探索和筹备构建中。

（二）新技术创新方向

从技术研究角度看，AI 大模型智算网技术，未来主要面临3个新技术研究及创新方向。

一是重构协议栈，优化网络能力。以UEC 全栈协议技术为典型代表，重定义网络分层、协议能力以优化网络，聚焦提升带宽利用率，精准控制拥塞，优化反压机制。通过模型分层重构，物理层、链路层、传输层和软件层，并基于每一层围绕大规模、高性能为优化目标，构建端到端全栈增强系统。网络向下与端芯协同，向上与集合通信、AI 应用联合，纵观全产业，各技术流派方向趋同、技术不一，但最终效果如何、能否达到提升AI性能，同时此上下协同模式是否会因单领域限制产生木板效应，还需在后续课题继续研究。

二是突破单机卡限制，构建超万卡集群。传统的单机8卡配置，可满足中等规模任务训练的需求，但面对未来数万卡乃至十万卡规模训练任务，其算力和扩展性将面临挑战，产业已开始研究在 AI 集群中引入了超节点技术。超节点设计能有效整合和调度集群中的资源，突破单机 8 卡硬件限制，实现AI 超万卡集群的构建。该技术的成熟度、是否具备可推广使用能力，兼顾金融业务对构建超万卡 AI 集群的紧迫性和必要性，还待继续考察。

三是构建网络智能体，支撑AI agent 基础设施生态构建。随着 AI 大模型在行业的推广，以及基于LLM 驱动的Agents自动化逐步落地，金融各机构会拥有越来越多的AI Agents处理任务。网络也将具备 AI Agent(网络智能体)能力，支撑AIAgent基础设施生态构建。当前金融行业已在金融分析、金融风控、贷后处置三类场景进行 AI agent 研究创新，但各场景涌现的准度不高，网络智能体及 AI Agent 基础设施生态构建，还待继续考察。

更多行业研究分析请参考思瀚产业研究院官网，同时思瀚产业研究院亦提供行研报告、可研报告（立项审批备案、银行贷款、投资决策、集团上会）、产业规划、园区规划、商业计划书（股权融资、招商合资、内部决策）、专项调研、建筑设计、境外投资报告等相关咨询服务方案。