以下为研究报告摘要： 东吴证券近日发布AI算力跟踪深度（三）："内存墙"问题和AI计算范式演进推动Scale Up网络升级。"内存墙"：单一大模型的参数量与单卡显存的差距（即模型内存墙）、单卡 算力与单卡显存间的差距（即算力内存墙）均逐代放大，通过Scale Up将显存池化。 3.为什么需要更大的Scale Up网络：TCO、用户体验、模型能力拓展。随着单用户每秒 消耗的Token数（Tokens Per Second，TPS）提高，包括NVL72在内的现有服务器单卡性能都 会逐渐坍缩，在用户体验持续提升、模型能力拓展的趋势下，单用户TPS必然增长，采用更 大规模的Scale Out能提高单卡有效性能，TCO也更具经济性。我们认为Scale Up规模与预期 单用户TPS、单卡实际性能间存在Scaling Law，前者会随后者非线性增长。 4.怎么组建更大的Scale Up网络：网络结构层面，在柜间搭建第二层Scale Up交换机；端 口连接层面，光与AEC有望在第二层网络中并存，按照最新的NVLink与IB标准测算，1颗 GPU需要9个额外的等效1.6T连接，为Scale Out网络的3-4.5倍，每4颗GP ...