In-network Computing

1. 3 秒看懂

In-network Computing（网络内计算）的核心定义是：将应用程序的计算任务从服务器 CPU 卸载到网络数据路径中的设备上执行，让数据在传输过程中“边流动、边计算”。

• 本质：一种变革性的数据中心架构范式，网络不仅承担“管道”角色，更成为分布式的“主动计算节点”。
• 核心矛盾：CPU 性能增长已显著滞后于网络带宽从 100G 向 400G/800G 甚至 1.6T 的跃升速度。CPU 处理网络数据包的开销（如协议栈、数据拷贝、加密）吞噬了大部分算力，成为系统瓶颈。
• 关键动作：利用可编程交换机、智能网卡（SmartNIC）、数据处理单元（DPU）或基础设施处理单元（IPU），在网络路径上直接执行数据聚合、压缩、加密、负载均衡甚至部分应用逻辑。
• 可见结果：
  • 延迟敏感型应用提速：分布式 AI 训练中的梯度同步时间可缩短 30%–50%（来源：NVIDIA Mellanox SHARP 技术白皮书，2022 年）。
  • CPU 资源释放：可将 20%–30% 的主机 CPU 核心从基础设施任务中解放出来，用于创收型业务负载（来源：Intel IPU 解决方案简报，2023 年）。
  • 能效提升：专用硬件执行特定网络功能，其能效比是通用 CPU 的 10 倍以上（来源：Hot Chips 2022 会议，Broadcom 工程师演讲）。

一句话记忆：In-network Computing 把“路”变成了“移动的分布式计算机”，解决了网比机快、机拖网速的剪刀差难题。

2. 3 分钟产业解释

In-network Computing 并非单一产品，而是由硬件、软件、协议和应用共同定义的一整套技术体系。它诞生的根源是“内存墙”和“I/O 墙”问题在分布式系统时代的集中爆发：当数百甚至数万个计算节点通过高速网络互联时，数据搬移本身消耗的能量和时间，已远超实际计算。

产业角色如何理解它？

• 对于云厂商（如 AWS、阿里云），它是实现虚拟化开销归零的终极手段。通过 Nitro 卡、DPU 等卸载卡，将网络、存储虚拟化及安全管理从宿主机物理剥离，实现服务器资源的“裸金属”化售卖，同时保持弹性。
• 对于AI 与 HPC 集群，它是维持线性扩展性的关键粘合剂。传统的集合通信（如 AllReduce）会产生“拥塞爆炸”和多轮通信开销，而支持网内计算的交换机可在中间节点直接对梯度进行求和（网内聚合），让通信时间不随节点数增加而线性增长。
• 对于企业级存储与数据库，它让数据访问路径变得更短。网络设备可以识别并缓存热点键值（Key-Value Cache），或直接在路径上执行共识协议（如 Raft/Paxos），避免数据反复穿越软件栈。
• 对于网络安全，它将被动防御变为主动免疫。分布式拒绝服务（DDoS）攻击流量可在进入服务器前的第一跳交换机上就被识别和清洗，防火墙策略可以以线速在数据平面强制执行。

从产业链视角看，它处于一个承上启下的枢纽地带：

• 向上：拥抱云原生与 AI 应用生态，需要无缝对接 Kubernetes、PyTorch Distributed、Spark 等框架的通信原语。
• 向下：深度依赖于可编程芯片（ASIC）和 FPGA 的进步，要求交换机芯片厂商和网卡厂商提供足够灵活、高效的编程接口。
• 横向：正与存算一体（Computational Storage）等技术融合，共同构建“数据在哪，计算就在哪”的全局数据路径加速闭环。

其商业化的核心挑战在于：如何将高度紧耦合的封闭系统（如 InfiniBand 生态下的 SHARP）的经验，下沉到更通用、更开放的以太网生态中，并解决编程模型碎片化、多租户隔离、运维可观测性等一系列工程难题。

3. 技术原理

In-network Computing 的技术实现，是沿着网络数据的处理流水线，在不同位置、不同抽象层次上注入计算能力。其核心原理可以从流水线模型、计算模型和执行位置三个维度拆解。

3.1 可编程数据平面：计算注入的“手术刀”

传统固定功能的交换机芯片，其报文处理流水线是硬编码的（解析、查表、转发、调度）。In-network Computing 的基础是让这条流水线变得可编程。

• P4 语言与协议无关的转发：P4（Programming Protocol-independent Packet Processors）允许开发者自定义报文的解析图（Parser）和匹配-动作流水线（Match-Action Pipeline）。不必再等待 IEEE/IETF 定义新协议，即可在交换机上实现自定义的网内遥测（INT）或共识协议加速。
• 有状态的处理：早期的可编程交换机仅能做无状态的数据包处理。实现网内计算的关键一步是引入带状态的内存（Stateful Memory），通常以寄存器（Register）的形式存在，允许流水线的不同阶段在纳秒级延迟内读写共享状态。例如，为一个数据流的所有数据包维护一个累加器，这便是网内聚合的电路级基础。
• 流水线架构的约束：计算必须在一个极其严苛的约束模型下完成：每个流水线阶段只能执行有限次数的操作，且必须在一个极短的时间预算内（通常 < 1 纳秒）完成，以保证线速转发。这要求算法必须被极度简化并拆分成多个流水线阶段。

3.2 计算卸载的三个核心模型

依据计算耦合的紧密程度和资源形态，可分为三种模型：

1. 交换机卸载模型（Switch-Offloading Model） 这是最经典的网内计算。计算逻辑与交换 ASIC 内部的转发流水线深度融合。

   • 网内聚合（In-network Aggregation）：典型代表是 NVIDIA Mellanox 的 SHARP 技术。在 InfiniBand/RoCEv2 网络中，交换机的算术逻辑单元（ALU）可以直接从多路数据流中提取梯度向量，执行累加求和，然后将结果单播或多播回计算节点。它将 N 对多的通信模式转变为 N 对一，再从一对 N，理论上可将通信总数据量减少几个数量级。
   • 共识协议卸载：例如，将 Raft 协议的领导者选举心跳或日志复制的 Append 操作，直接实现在交换机流水线中。交换机作为中心化的序列器，可以以线速对并发的写入请求定序并广播，将共识延迟从毫秒级降至微秒级。

2. 端侧卸载模型（End-point Offloading Model） 计算发生在服务器端的网络接口卡（NIC）上，而非网络中间的交换机。其核心载体是 SmartNIC 和 DPU/IPU。

   • 架构范式：DPU 通常集成了多核 ARM CPU、专用加速引擎（加密、压缩、正则表达式匹配）和高性能网络接口。它本质上是一台紧耦合于网络的微型计算机。
   • “NPU-on-NIC”：DPU 运行自己的操作系统和软件栈，将 Host CPU 的整个网络、存储、安全控制面完整地接管过来。当虚拟机要发送一个数据包时，DPU 负责完成所有封装、加密和策略检查，Host CPU 完全感知不到这个过程。
   • 关键硬件：NVIDIA BlueField-3， Intel IPU E2000/E2100， AMD Pensando DSC-200 系列，以及基于 FPGA 的自研方案（如微软 Catapult 项目）。

3. 协同计算模型（Coordinated Model） 这是最复杂但也是最有前景的模型。它组合使用了可编程交换机和端侧 DPU，对计算任务进行层次化分解。

   • 任务划分：一个大型的分布式Reduce操作，可以在叶子交换机（Leaf Switch）上完成局部聚合，在骨干交换机（Spine Switch）上完成全局聚合。DPU 则负责在数据注入网络前对数据进行预整形和加密。
   • 协同案例：在分布式推荐模型的推理场景中，第一个交换机完成稀疏特征的查找（Embedding Lookup），数据流经第二个交换机时完成特征交叉计算，DPU 在客户端完成最终的轻量级打分和结果的硬件级加密传输。数据自始至终未触及服务器 CPU。

4. 关键参数

衡量 In-network Computing 技术优劣与成熟度的参数，与传统网络设备指标有显著不同，更强调计算有效性和开发效率。

5. 技术路线

当前 In-network Computing 的技术路线之争，核心是“高度特化、封闭整合”与“开放通用、生态共建”之间的路线选择，同时伴随着算力物理形态的演进。

路线一：垂直整合的“全栈封闭”式（以 NVIDIA InfiniBand 为代表） 这是目前性能最强、商业化最成功的路线，其核心是从应用框架直接到硬件加速的垂直打通。

• 代表方案：NVIDIA Quantum InfiniBand 交换机 + ConnectX 网卡 + BlueField DPU + CUDA 生态。其网内聚合技术 SHARP 直接内置于 MPI（消息传递接口）库（如 OpenMPI、NVIDIA HPC-X）和 AI 框架的 NCCL 集合通信库中。
• 优势：开箱即用，性能最优。应用开发者甚至无需知道 SHARP 的存在，MPI_Allreduce 调用即可自动触发硬件加速，延迟和带宽利用达到理论极限。
• 劣势：锁定效应强，成本高昂，且技术演进完全依赖于 NVIDIA 一家公司的节奏，形成了一个封闭的技术王国。

路线二：标准以太网上的“开放平台”式（以超大规模云厂商主导） 此路线追求的是与现有云原生生态的兼容性和技术自主性，通过解耦硬件和软件来实现。

• 代表方案：
  • 可编程交换机 + P4：采用 Intel Tofino 系列或 Broadcom 支持 NPL（Network Programming Language）的芯片，使用开放的 P4 语言编写网络计算逻辑。典型案例如康奈尔大学等提出的 SwitchML、ATP 等分布式训练加速方案。
  • DPU/IPU + 云原生操作系统：AWS Nitro、阿里云 CIPU（云基础设施处理单元）、Intel IPU 等。将整个虚拟化软件栈（Virtio, NVMe-oF, OVS）卸载到 DPU 上，向上提供标准化的云服务接口，而物理服务器的算力被“无装修”地全额出租。
• 优势：避免供应商锁定，软硬件可独立迭代，成本可控，能更好融入已有的VPC、ELB等云网络体系。
• 劣势：性能优化上限不及封闭系统，尤其在网内聚合等深度配合场景，需要付出巨大的工程努力才能达到接近 InfiniBand 的效果，中间件和上层应用的适配工作量大。

路线三：以数据路径为中心的“异构融合”式 这是一条面向未来的路线，不再分体和终端算力，而是将计算构建在统一的高速数据路径上。

• 代表方案：
  • CXL（Compute Express Link）使能的分解式架构：CXL 2.0/3.0 协议允许 CPU、GPU、DPU、内存、加速器通过 CXL 交换机共享一个高速、缓存一致性的内存池。In-network Computing 的范畴从处理网络包，扩展到处理内存访问。一个 CXL 交换机可以看作一个近内存的计算节点，直接在数据所在的池上执行过滤、聚合等操作。
  • SmartNIC 与 GPU 的融合：如 NVIDIA 的 BlueField DPU 通过 PCIe 与 GPU 直连（GPUDirect RDMA），未来将 DPU 的 Arm 核、GPU 的 CUDA 核和网卡 ASIC 融合成一个统一的、由数据驱动调度的计算阵列。数据到达网卡后，在触发 CPU 中断前，就可能已被 DPU 处理并由 GPU 计算完毕。
• 优势：打破了服务器“盒子”的边界，实现了真正的以数据为中心的架构，资源效率最高。
• 劣势：高度依赖 CXL、UEC（超以太网联盟）等新生态协议的成熟，标准仍在激烈博弈中，大规模商用尚需时日。

6. 上游

In-network Computing 的上游是高壁垒的半导体和精密制造行业，其供给状况直接决定了产业的创新速度和成本结构。

• 可编程交换机 ASIC：这是网内计算的“大脑”：
  • Broadcom（博通）：绝对王者。其 Trident 和 Tomahawk 系列主宰了云数据中心市场，XGS 系列贡献了绝大部分份额。其推出的 Jericho3-AI 芯片专为 AI/ML 集群设计，主打低延迟和网内遥测。其编程语言 NPL 是事实标准之一。截至 2024 财年 Q2，其网络芯片业务营收增长强劲，是 AI 资本开支的直接受益者。
  • Intel（英特尔）：通过收购 Barefoot Networks 获得 Tofino 系列 P4 可编程芯片。Tofino 在学术界和需要高度自定义协议的运营商、科研网络中有大量部署，但相较于 Broadcom，其市场份额和更新迭代速度（至 2024 年 Tofino 系列路线图公开信息滞后）处于挑战者地位。
  • Marvell（美满电子）：通过收购 Innovium，获得了与 Broadcom 直接竞争的 Teralynx 交换机芯片，主打大规模云数据中心，强调低功耗和可编程性，已赢得部分头部云客户。
  • NVIDIA（英伟达）：其 Quantum InfiniBand 和 Spectrum 以太网交换机 ASIC 均为自研，是封闭体系的内循环供应。
• DPU/IPU 核心芯片：
  • 架构授权与制造：DPU 内部集成的 ARM 处理器核、高速 SerDes（串行器/解串器）、PCIE/CXL 控制器、加密/压缩加速 IP 核，均需要从 Arm（安谋）、Synopsys（新思科技）、Cadence（楷登电子）等公司获取授权。芯片本身的制造高度依赖台积电（TSMC） 7nm、5nm 等先进制程。
  • FPGA 方案：赛灵思（现 AMD）和 Altera（现 Intel）的 FPGA 是自研 DPU 的关键部件，尤其适合应用仍在快速演进的场景，可提供硬件级的灵活性和可重配置性。
• 高密度光/电互联：
  • 800G 甚至 1.6T 端口的实现依赖于 112Gbps/224Gbps SerDes 的成熟，以及高阶调制的光模块。上游供应商如 Coherent、Lumentum、旭创科技等光模块公司，以及 Keysight（是德科技）等提供信号完整性测试方案的厂商，是确保高速网络计算能“跑起来”的物质基础。

7. 下游

下游指直接使用 In-network Computing 产品的最终客户和集成商，其采购决策和使用方式定义了市场需求。

• 超大规模云服务商（Hyperscalers）：AWS、Microsoft Azure、Google Cloud、阿里云、腾讯云。
  • 需求特征：技术驱动、定制化需求极强。他们既是用户，也越来越多地成为自研方案的设计者。AWS Nitro 和阿里云 CIPU 的实践，证明了云厂商是推动这一技术从实验室走向规模化商用的终极推手。他们向上游购买芯片 IP 授权和制造产能，向下交付弹性的、安全的云服务。他们的自研方案已部署在百万级服务器的巨大规模上（AWS re:Invent 2023 披露，Nitro 作为其所有 EC2 实例的底座，出货量累计已突破千万）。
• AI 与 HPC 集群的最终拥有者：
  • 科技巨头：Google、Meta、字节跳动、快手等。他们利用 InfiniBand 或高带宽以太网搭建的大型GPU训练集群，是 NVIDIA SHARP 等高端网内计算功能最核心的采购方。其对通信延迟的极度敏感，使得他们是最愿意为“微秒级”性能提升支付高昂溢价的群体。
  • 国家/超算中心：采购用于建设国家级超算（E级超算）和新型的智算中心。如HPC Top500榜单中排名前列的系统。
• 企业级市场的集成商与最终用户：
  • 服务器 OEM 厂商：戴尔、HPE、联想、浪潮信息等。他们将 DPU 作为可选配置集成到标准服务器中，向企业客户销售。他们的采纳速度，决定了 In-network Computing 能否走出超大规模市场，进入主流。
  • 金融、电信等垂直行业用户：金融追求极致的低延迟交易，电信追求 5G 核心网（UPF）的高效数据面卸载。他们是 DPU 在虚拟化卸载、网络安全加速等场景的早期尝鲜者，但采购规模远小于前两者。

8. 受益公司

本分析基于产业逻辑，识别出在技术替代和产业增长中可能获得商业利益的代表性公司，不构成任何投资建议。

• 核心受益者 - 定义市场规则者：

  • NVIDIA（英伟达）：最大受益者。其 BlueField-3 DPU + Quantum/Spectrum 交换机 + CUDA 构建的算力网络飞轮，是目前唯一经过大规模 AI 集群验证的端到端网内计算方案。其在 InfiniBand 市场接近垄断（公开资料未见权威市占率，产业共识是>80%），并正将技术壁垒延伸至以太网生态。
  • Broadcom（博通）：确定性受益者。无论谁家的 DPU 或服务器，只要数据中心使用以太网，大概率就会用到博通的交换机芯片，尤其是在叶脊架构中。网内计算带来的交换机芯片价值量提升（从普通管道到智能节点）是其长期增长的重要叙事。根据公司 2024 财年 Q1 财报，AI 相关的网络芯片营收同比增长超过 30%。

• 关键挑战者 - 试图重构生态者：

  • Intel（英特尔）：拥有 IPU + Tofino + Gaudi AI 加速器 + 至强 CPU 的完整拼图，但其面临的挑战在于如何将这些技术组件深度融合，形成与 NVIDIA 匹敌的统一生态，并扭转市场预期。其 IPU 在云厂商侧（如 Google Cloud 的 Mount Evans IPU 合作）是关键突破口。
  • AMD（超威半导体）：收购了 Pensando 获得了成熟的 DPU 技术和微软、IBM 等关键客户；收购赛灵思获得了 FPGA 能力。其在硬件层面已有足够实力，但软件生态的融合与 NVIDIA 的 CUDA/NCCL 相比仍有巨大差距。
  • Arista Networks（阿里斯塔网络）：作为云原生交换机市场的领导者，虽然不制造芯片（主要依赖 Broadcom），但其 EOS（可扩展操作系统）具备极强的可编程性，被视为在软件层面释放硬件网内计算能力的关键入口，天然受益于标准以太网路线的扩张。

• 潜在受益者 - 价值重估者：

  • 云服务商：AWS（亚马逊）、阿里巴巴。他们的自研芯片和系统（如 Nitro, CIPU）是其实现成本结构革命性优化的内生引擎，是其长期保持盈利能力的关键，难以被外力直接复制。此优势深植于其公司内部能力，外部分析难以量化。

9. 市场规模

由于 In-network Computing 并非一个独立的、可分割的市场，而是一种横跨交换机、网卡和服务器负载的能力，其市场规模只能通过它所依附的硬件载体和节省的 TCO 进行交叉估算。任何精确的市场规模数字都具有高度推测性，此处提供结构化的估算路径和观察。

• 载体的市场（TAM - 总可寻址市场）：

  • 数据中心以太网交换机芯片市场：这是交换机侧网内计算的物理基础。根据研究机构 650 Group 在 2024 年 1 月发布的报告，该市场在 2023 年约 120亿美元，并预测到 2028 年将增长至接近 250亿美元，主要驱动力正是AI/ML集群对高吞吐、低延迟可编程交换机的强劲需求。其中，适用网内计算的“高级”可编程芯片的占比在快速提升，远超通用交换芯片（来源：650 Group，《Data Center Switch ASIC Market Forecast 2024》）。
  • DPU/IPU 市场：这是一个高增长、高预期的战场。根据 Dell’Oro Group 2024 年初的报告数据，全球 DPU 市场（含 SmartNIC）在 2023 年达到约 15亿美元，并预计在 2024 年超过 20亿美元。预计未来五年复合年增长率（CAGR）将保持在 25%-30%的水平，到 2028 年市场规模有望冲击 50 亿美元（来源：Dell’Oro Group，《Ethernet Adapter and Smart NIC Report》，2024年Q1预测）。其渗透率从“网卡即插即用”转向“DPU全方位卸载”的过程将是市场增长的关键。

• 由价值估算的“衍生市场”：

  • 这是产业的真正引擎：客户不是为“网内计算”这个名词付费，而是为其节省的主机 CPU 成本付费。一个粗粒度估算：如果 1 台价值 1万美元的服务器，其 25% 的算力被网络/存储任务占用，则浪费成本为 2500 美元。若一块售价 1500 美元的 DPU 能彻底解放这些算力，其拥有立竿见影的 TCO（总体拥有成本）经济性。在一个百万级服务器的云数据中心，这种逻辑就意味着数十亿美元的净效益。这也是为什么大型云厂商愿意在 DPU 自研上投入数十亿级研发费用的根本原因。

• 区域市场观察：

  • 北美：绝对的主导市场，集中了所有头部云厂商和芯片设计商。
  • 中国：市场潜力巨大但面临特殊性。受制于先进制程芯片的获取，市场在向“架构创新换制程空间”的方向发展，CXL 等新兴技术被寄予厚望。阿里云（CIPU）、移动云（自研 DPU）的本土实践走在行业前列，但大规模扩张受到芯片供应链的刚性约束。

10. 玩家对比

此榜单聚焦于提供完整产品或核心平台的玩家，而非部件供应商。

小结：当前竞争格局是 一个全能冠军（NVIDIA）与一个万能的引擎供应商（Broadcom），加上几个追赶的整机方案提供商（Intel/AMD）和自成一体的巨无霸用户（AWS） 之间的复杂博弈。技术路线胜出的关键，正从纯粹的硬件性能比拼，转向软件生态的粘性、开发者亲和力和大规模运维便捷性之争。

11. 风险

• 技术锁定风险：以 NVIDIA InfiniBand/SHARP 为代表的封闭方案提供了最佳性能，但导致用户被深度锁定。一旦采纳，未来转换到以太网方案的迁移成本和风险极高，技术栈和运维团队技能都将被固化。这导致客户议价权丧失。
• 开放生态的碎片化风险：开放的 P4+以太网路线试图打破锁定，但自身面临碎片化问题。一个为 Intel Tofino 编写的 P4 网内聚合程序，很难直接高效运行在 Broadcom 的芯片上，需要对两种芯片的微架构进行深度手工优化，这与“软件定义”的初心理想相悖。
• 可运维性和可观测性“黑盒”风险：将应用计算逻辑沉入到网络交换机和网卡后，整个分布式系统调用链的调试和追踪变得极其困难。传统的 tcpdump, strace, 分布式追踪（如 Jaeger）工具全部失效。当一次 AI 训练任务变慢，工程师几乎无法判断是 GPU 问题、代码问题还是交换机上的聚合逻辑死锁。这构成了大规模上线的主要心理与工程障碍。
• 多租户安全与隔离风险：在公有云环境中，允许多租户的应用逻辑共享同一台交换机的计算资源（寄存器、ALU），可能导致严重的侧信道攻击和隐私泄露风险。一个租户的恶意或异常负载，可能通过消耗计算资源或观察执行时间延迟，推断其他租户的聚合数据。目前尚无成熟的、经过形式化验证的硬隔离方案。
• 供应链风险：整个产业集中于先进制程。核心组件如 DPU/交换机 ASIC 高度依赖台积电 5nm/7nm 工艺和 CoWoS 等先进封装，单点故障风险巨大。尤其对中国用户而言，获取高性能 In-network Computing 核心硬件的路径充满了政策和出口管制的不确定性。

12. 误读纠偏

• 误读 1：“普通交换机升级个系统就能实现网内计算。”

  • 事实：绝对错误。实现网内计算，尤其是在交换机线速下做聚合，必须依靠芯片硬件层面的支持，即 ASIC 内设计了专门的有状态 ALU 和寄存器。普通的、哪怕功能再强大的可编程管道，如果没有这些物理硬件单元，就无法高效实现网内计算，只能做无状态的数据包改写和转发。这是物理鸿沟，绝非纯软件补丁。

• 误读 2：“In-network Computing 就是 SmartNIC/DPU。”

  • 事实：DPU 是端侧卸载（End-point Offloading）的核心，但不是网内计算的唯一或全部。严格意义上的“网内计算”，其独特优势在于利用网络拓扑的中间节点（如交换机）去优化整个通信模式（如流量风暴变成涓涓细流）。端侧的 DPU 和中间的交换机，两者协同工作才能构成完整的 In-network Computing 解决方案。此概念常被厂商有意或无意地混用，以扩大其产品外延。

• 误读 3：“这是一个纯硬件问题。”

  • 事实：从芯片到应用之间的软件栈（编译器、驱动、中间件、库），其复杂性和重要性是硬件的十倍。如何让一个 PyTorch 的数据科学家在 Python 代码里无感地享受到交换机的聚合加速（这正是 NVIDIA DOCA+NCCL 在做的事情），是整个技术能否普及的“哥德巴赫猜想”。In-network Computing 的成败，最终是软件生态的竞争。

• 误读 4：“它会取代通用 CPU，终结摩尔定律。”

  • 事实：它是一种异构计算的补充，而非替代。它将CPU不擅长的、高度重复和确定性的数据搬运及处理任务卸载出去，让CPU集中精力做其擅长的复杂逻辑和控制任务。这种“术业有专攻”的分工，恰恰是延缓而非终结摩尔定律效力的一种手段。

13. 最新事件

• 2024 年 5 月 | 超以太网联盟（UEC）发布 1.0 版规范：由 AMD, Cisco, Broadcom, Intel, Meta 和 Microsoft 等发起的 UEC 联盟，公布了其 1.0 规范。目标直指 NVIDIA 的 InfiniBand，旨在改造以太网协议栈，使其能更好地支持 AI 和 HPC 的高性能网络需求，其中“网内计算”是未来规范的核心考量之一。这标志着开放的以太网路线对封闭路线的反击进入了新阶段。
• 2024 年 4 月 | 博通发布 Jericho3-AI 交换机芯片：博通发布了专门为 AI/ML 集群优化的 Jericho3-AI 芯片，单芯片支持 26 Tbps 吞吐。尤为重要的是，其架构特别强调通过 Fabric 互联实现多芯片协同、极低延迟下的拥塞控制和网内遥测（INT），为以太网实现类似 SHARP 的聚合功能提供了更强大的硬件底座。（来源：Broadcom 官方新闻稿，2024年4月）。
• 2024 年 3 月 | NVIDIA GTC 2024 发布 Spectrum-X 以太网平台进展：NVIDIA 宣布其专为 AI 优化的 Spectrum-X 以太网网络平台（包含 Spectrum-4 交换机、BlueField-3 DPU 和加速软件）已被多家头部云厂商和企业采用。此举被广泛解读为 NVIDIA 在巩固 InfiniBand 王座的同时，也开始用 DPU + 自研交换机的组合，发起对通用以太网市场的“收割”战，意图用一个软硬件一体化的优化方案重新定义 AI 以太网。（来源：NVIDIA GTC 2024 主题演讲）。
• 2023 年 12 月 | 美国升级对华先进制程芯片出口管制：美国商务部工业与安全局（BIS）更新的出口管制规则，进一步限制用于数据中心和 AI 的高性能芯片对华出口，这使得中国本土云厂商和科技公司在获取高端 DPU 和可编程交换机芯片路径上，面临更大不确定性和现实阻碍，或将加速本土化替代和 CXL 等“弯道超车”技术的研发投入。

14. 跟踪指标

• 技术渗透率指标：

  • DPU 搭载率：跟踪主流服务器出货量中，配备 DPU/SmartNIC 的比例，尤其是除超大规模云厂商以外的企业级服务器市场。这是衡量产业从“小众”走向“主流”的最关键指标。数据可从 IDC 或 Gartner 的季度服务器跟踪报告中获取，并交叉验证 Dell’Oro Group 的网卡报告。
  • SHARP/ 网内聚合部署规模：这是衡量高端网内计算采用的“金丝雀”。关注 NVIDIA 财报电话会议中，管理层提及 SHARP 被部署的节点数或对 HPC/AI 业务拉动作用的定性描述。没有直接的数字，但措辞的变化是重要信号。

• 生态与标准化指标：

  • 超以太网联盟（UEC）规范的采纳进度：关注各厂商宣称支持 UEC 规范的交换机和网卡产品的时间表。第一批量产产品的上市将标志着以太网开放路线从纸面走向现实。
  • Linux 内核/IPDK 社区活跃度：In-network Computing 相关驱动、API（如 netdev 邮件列表中的相关讨论，IPDK 仓库的 PR 提交量和贡献者多样性）是衡量开放软件栈成熟度的先行指标。

• 公司微观财务指标：

  • NVIDIA 数据中心网络业务收入增速：密切关注 NVIDIA 财报中“数据中心”业务下，网络设备（交换机/DPU/网卡）的收入占比和增速。这是观察最先进行场景气度的硬指标。每个季度检视一次。
  • 博通交换芯片业务中“AI 集群”贡献增速：博通业绩会上，管理层常会单独拆分出面向超大规模客户的定制 ASIC 和 AI/ML 集群芯片的收入前景。这个数字直接关联到标准以太网路线的投入热度。

• 竞争格局信号：

  • 云自研 DPU 的更新换代节奏：如 AWS 发布新一代 Nitro、阿里云发布新的 CIPU 实例、Google 更新其 IPU 路线图。这些更新通常预示着新一轮数十亿美元级别的资本开支周期开启。

15. 信源

本部分提供用于长期跟踪和研究 In-network Computing 的高质量信息源，力求平衡权威性、时效性与前瞻性。

• 官方厂商技术文档与产品页面：

  • NVIDIA Networking（Mellanox） 技术博客与 BlueField DPU 产品规格书：获取 SHARP、DOCA 和 DPU 的第一手性能数据与架构白皮书。
  • Intel Developer Zone：IPU 与 Tofino 系列的编程指南、SDK 及 oneAPI 规范。
  • Broadcom 产品资料：可编程交换机芯片系列的规格与功能列表。
  • AMD / Pensando 技术资源：Pensando DSC 软件栈和 Alveo 加速卡相关文档。

• 顶级学术会议与开源社区：

  • ACM SIGCOMM, USENIX NSDI, USENIX OSDI：这是 In-network Computing 最前沿创新思想的策源地。几乎所有关于网内聚合、共识、缓存的突破性原型（如 SwitchML, ATP, NetCache, NetChain）均首发于此。关注官网发布的年度最佳论文和会议议程。
  • P4 Language Consortium (P4.org)：获取 P4 语言规范、开源编译器、应用案例和白皮书的核心平台，是了解开放式可编程数据面的入口。
  • IPDK (Infrastructure Programmer Development Kit)：一个由 Intel 发起、试图统一 DPU/IPU 编程的开源社区，其代码仓库的活跃度是观察开放生态进展的窗口。

• 专业分析机构与独立分析师：

  • 650 Group：专注于数据中心网络芯片和系统的精品研究机构，其交换机 ASIC 市场报告是行业标杆，尤其擅长量化 NPI（新产品导入）周期。
  • Dell’Oro Group：其《以太网适配器和 Smart NIC 报告》是跟踪 DPU 市场规模和市场份额最常被引用的来源。
  • The Next Platform：长期深度覆盖 HPC、AI 和大规模 IT 基础设施的独立技术媒体，其对 NVIDIA, Broadcom, Intel 等公司技术路线图的分析极具深度和批判性。
  • SemiAnalysis：偏重从半导体工艺、封装、互连（如 CXL, UEC）等上游视角分析云计算和数据中心架构的下游影响，尤其擅长供应链交叉验证，视角独特但需要其付费订阅获取深度报告。

• 财务信源与数据库：

  • 公司官方季度/年度财报（10-Q/10-K）及电话会议纪要：从 NVIDIA, Broadcom, Intel, AMD, Cisco, Arista 等的财务陈述中，提取关于网络计算相关产品线的收入、增长率和未来指引。
  • Seeking Alpha, Bloomberg, FactSet：这些平台整理和转录的财务电话会议纪要，是分析管理层措辞和预判产业趋势的便捷工具。