你有没有过这种体验：看AI相关的新闻，一会儿说某家公司推出了一颗“超级芯片”，一会儿又说另一家建了个“万卡集群”。听起来都很厉害，但它们到底在说什么？是同一件事吗？

其实，这背后是AI算力扩容的两条不同路线。一个叫 Scale-up，一个叫 Scale-out。今天用最简单的方式帮你搞清楚。

01 Scale-up：换一台更猛的发动机

Scale-up 的思路很简单，一台车的马力不够强？那就让它变得更强。

打个比方，你开了一家快递公司，只有一辆货车。业务量大了，车装不下了。Scale-up 的做法是：把旧车卖掉，换一台更大、发动机更猛的重卡。

在AI的世界里，Scale-up把更多的计算芯片装进一台机器里，然后用超高速的“内部通道”把它们紧紧连在一起，让它们像一颗巨大的芯片一样协同工作。你可以把它想象成，本来是几个人用对讲机沟通，Scale-up 直接让所有人坐进同一个会议室，面对面讨论。沟通速度一下子快了很多倍。

这条路的好处是沟通快、效率高，特别适合处理那种需要大量芯片紧密配合的任务。但缺点也很直接，一台机器再强也有物理极限，而且越做越大，耗电、散热、成本都跟着涨。

02 Scale-out：多派几辆车一起跑

Scale-out 走的是另一条路：一台不够？那就多来几台。

还是那家快递公司。Scale-out 的做法不是换更大的车，而是直接买十辆、一百辆一样的货车，组成一个车队。每辆车都不算特别厉害，但加起来运力惊人。

在AI领域，这就是大家常说的“万卡集群”——把成千上万台服务器用高速网络连起来，让它们一起干活。如果说 Scale-up 是让所有人挤进一个会议室，那 Scale-out 就是让几千个人分散在不同的大楼里，通过对讲机或者电话会议来协调。沟通效率没那么高，但胜在人多力量大，而且想加人就加人，灵活得多。

这条路的好处是弹性好、扩展方便，需要更多算力就加机器。缺点也显而易见：机器之间的沟通速度，远远比不上同一台机器内部的沟通速度。任务越需要芯片们频繁“交流”，跨机器的通信就越拖后腿。

图：Scale-up（左）与 Scale-out（右）两条技术路线的核心区别

03 两条路怎么选？谁现在跑得更快？

看完两条路，你可能想问：哪个更好？现实答案是两个都要，它们解决的是不同层面的问题。

拿盖楼来类比：Scale-up 解决的是“每一层怎么建得更结实”，Scale-out 解决的是“怎么把楼盖得更高”。

但谁跑得更快呢？现阶段的产业共识是“先 Scale-out，后 Scale-up”，先把集群规模铺开，同时慢慢打磨 Scale-up 的技术。这就像，先造出一辆辆超强重卡，再把这些重卡编成一个车队。

眼下：Scale-out 的部署节奏更快

从当下的产业节奏来看，Scale-out 是更热闹的那一边。Scale-out 用的是相对成熟的技术，比如高速网络交换机、光模块，这些已经有大规模量产的基础。当前正处于网络设备从 800G 向 1.6T 升级的换代周期，光模块和交换机的出货量在快速增长，万卡集群的建设和扩容，撑起了 Scale-out 的短期放量。

但 Scale-up 的“天花板”更高

虽然眼下 Scale-out 更热闹，但从“单域能力”来看，Scale-up 的带宽密度远超 Scale-out。有个很直观的对比，在同一台机器内部，Scale-up 能让芯片之间的通信带宽达到 Scale-out 跨机器通信的接近十倍。

这也是为什么训练超大AI模型时，业界拼命想把更多芯片塞进同一个高速互联圈子里。行业普遍预期 Scale-up 将在 2027 年前后进入规模化部署阶段。。多家行业龙头已经把 Scale-up 视为“第二增长曲线”，其单域内的硬件价值量可能是 Scale-out 的数倍量级。

总的来说，Scale-up 是“做强”，Scale-out 是“做大”。先是做大铺开局面，再做强冲刺上，两条路接力，才能撑起 AI 的未来。

声明：本资料仅用于投资者教育，不构成任何投资建议。我们力求本资料信息准确可靠，但对这些信息的准确性、完整性或及时性不作保证，亦不对因使用该等信息而引发的损失承担任何责任，投资者不应以该等信息取代其独立判断或仅根据该等信息做出决策。基金有风险，投资须谨慎。

本资料版权为易方达基金所有，所载文字、数据和图表等未经易方达基金书面许可，任何单位或个人不得以转载、复制、改编、二次创作等任何形式使用本资料。对于任何侵犯本资料版权的行为，易方达基金将保留依法追究侵权者法律责任的权利。