从2023年的ChatGPT，到2024年的Sora，AI大模型正以不可思议的发展速度颠覆着业界的认知，但AI大模型的火热登场，也进一步对智算中心提出了更高的要求。

   可以看到，当前训练数据集的规模正从TB级别上升至PB乃至EB级别，AI大模型的参数量也从千亿级别向万亿甚至十万亿规模迈进。以 GPT3.5 为例，其参数规模达1750亿，作为训练数据集的互联网文本量也超过45TB，其训练过程依赖于专门建设的AI智算中心，以及由1万颗GPU组成的高性能网络集群，总计算力消耗约为3640 PF-days（即每秒一千万亿次计算，运行 3640 天）。

   如此庞大的训练任务通常无法由单个服务器完成，往往需要大量服务器作为节点，并通过高效的组网方式形成大规模的AI算力集群（Scale Out），由此才能为AI大模型训练提供强有力的支持，而这也意味着AI集群中的网络互联和交换必须具备高性能、低功耗、低时延以及高可靠性等能力，否则就会影响AI集群训练的质量和速度。