Quantum

3 秒看懂

NVIDIA Quantum InfiniBand 是 NVIDIA 为万卡至百万卡级 AI 工厂打造的专用高性能互连平台。它不是通用以太网，也不是量子计算设备，而是从物理层到传输层全栈自研的“封闭式高速专用信道”。核心理念是将 GPU 间通信延迟压至亚微秒级、端到端带宽推至 800 Gb/s，同时通过硬件级的远程直接内存访问和网内计算能力，让 CPU 资源专注于计算而非网络协议处理。Quantum InfiniBand 是支撑万亿参数级大模型分布式训练的关键互连基石。

3 分钟产业解释

如果将训练数千亿乃至万亿参数大模型的过程比作一项规模空前的并行工程，那么NVIDIA Quantum InfiniBand 就是施工现场一条完全独立的高速铁路专线。普通的以太网方案——即便是支持 RDMA 的融合以太网——如同改造后的城市道路，虽能承载 RDMA 流量，却受制于复杂流控、信号衰减和共享链路带来的拥塞风险。Quantum InfiniBand 则是一开始就为极致性能铺设的全封闭高铁系统：它拥有独立的交换机、智能网卡、物理线缆和一套完整的私有协议栈，所有通信操作在硬件层面被处理，CPU 的参与度极低。在 2024 年 GTC 大会上发布的 Quantum‑X800 平台，率先实现端到端 800 Gb/s 吞吐量，直接面向 Blackwell 架构 GPU 的互连需求，可支撑万亿参数生成式 AI 模型的分布式训练。到 2025 年，NVIDIA 进一步推出 Quantum‑X Photonics 共封装光学交换机，将电信号传输损耗从约 22 dB 大幅压缩至约 4 dB，单端口功耗下降约 3.5 倍，信号完整性提升 60 倍以上，为未来跨数据中心、百万 GPU 级别的互连扫清了物理层瓶颈。

技术原理

独立协议栈与硬件卸载模型

InfiniBand 采用一套与以太网/IP 完全解耦的四层协议栈。通信双方在进行任何数据传输之前，首先建立称为队列对（Queue Pair，QP）的通信通道，每个 QP 包含独立的发送队列和接收队列。实际数据搬运由主机通道适配器（Host Channel Adapter，HCA，即智能网卡）直接执行。CPU 的工作仅仅是将工作请求提交到 QP 中，后续的报文封装、流控、拥塞管理均由 HCA 和专用交换机在硬件层面完成。这一设计本质上构建了一个硬件卸载的异步通信模型，将 CPU 从繁重的网络协议栈处理中彻底解放出来。

端到端 800 Gb/s 与网内计算加速

NVIDIA Quantum‑X800 系列交换机将单端口速率提升至 800 Gb/s（来源：GTC 2024 官方发布）。配合同等速率的 ConnectX 系列 HCA，形成端到端 800 Gb/s 无瓶颈通道。更为关键的是其网内计算能力：SHARP 技术允许交换机在执行 AllReduce 等集合通信操作时，直接在网络内部完成归约运算——例如求和、最大值或最小值——无需将所有数据汇总到某个节点再处理。这种技术大幅减少了跨 GPU 的数据搬运量和通信步数，对于大模型训练中频繁出现的同步操作意义重大。

共封装光学突破物理极限

在传统的交换机架构中，信号从交换芯片出发，经印刷电路板布线到达光模块，仅这一过程在单通道 200 Gb/s 速率下就会产生约 22 dB 的电气损耗，导致单端口功耗高达约 30 W（来源：NVIDIA 公开技术文档）。Quantum‑X Photonics 将光学引擎与交换芯片进行共封装，电气路径极短，损耗被压缩至约 4 dB，单端口功耗随之降至约 9 W。综合能效提升约 3.5 倍，信号质量提升 60 倍以上，网络弹性提升 10 倍，网络部署速度提升约 30%。这一突破使得在未来构建百万 GPU 级互联集群在物理上变得可行，成本也进入可控区间。

通信模型与训练映射

在 Megatron 等框架的张量并行模式下，GPU 之间需要高频率执行 AllReduce 或 ReduceScatter 操作，这些集合通信对延迟和带宽高度敏感。Quantum InfiniBand 通过 RDMA 提供 GPUDirect 支持，允许 GPU 显存直接读写 HCA 的缓冲区，无需经过系统内存中转，路径极短。对于混合专家模型中的 All‑to‑All 通信，Quantum InfiniBand 则依赖高带宽、低延迟和自适应路由能力来保障性能，交换机不进行硬件级的聚合处理。两种通信模式在 InfiniBand 平台上都能获得确定性的高性能表现。

   [GPU 0] ←→ [HCA] ←→ [IB Switch] ←→ [HCA] ←→ [GPU 1]
      ↑                                       ↑
      └── RDMA via GPUDirect ────────────────┘
   (CPU 仅负责控制面，数据面全程由硬件卸载处理)

关键参数

端口速率与交换机容量

当前旗舰产品 Quantum‑X800 提供单端口 800 Gb/s 速率。单台 Quantum‑X800 交换机可配置 144 个 800 Gb/s 端口，总交换容量达到 115.2 Tb/s（来源：GTC 2024）。若按 200 Gb/s 端口配置，单机可支持 512 个端口。在多交换机集群场景下，网络总聚合带宽可扩展至 400 Tb/s 级别。公开资料未见 NVLink 与 InfiniBand 之间的带宽对比公开数字，两者在系统内承担不同层级的互连角色。

延迟与消息速率

InfiniBand 网络端到端延迟可低于 1 微秒（定性指标，实际值受消息大小和拓扑跳数影响），消息速率达到数亿条每秒量级，支撑细粒度数据同步。这一水平为大规模 GPU 集群维持近线性扩展效率提供了基础。

共封装光学减损

传统电互联方案的交换芯片至光模块路径损耗约 22 dB，端口功耗约 30 W。Quantum‑X Photonics 共封装光学方案将损耗降至约 4 dB，端口功耗降至约 9 W，信号完整性提升 60 倍以上，网络弹性提升 10 倍（来源：NVIDIA 2025 年发布数据）。

安全特性

支持硬件根信任、通道级加密和多租户隔离，满足 AI 工厂环境下对数据安全与资源隔离的刚性需求（来源：NVIDIA 安全白皮书，定性描述）。公开资料未见具体加密算法吞吐量损耗的量化数字。

技术路线

演进历程

InfiniBand 的技术演进可大致划分为五个阶段：

早期 InfiniBand（2000 年代初）：诞生于高性能计算领域，提供 2.5 Gb/s 单通道速率，奠定了基于 QP 的通信模型基础。
Mellanox 时代（2010‑2019）：行业主力推动者，相继发布 FDR（56 Gb/s）、EDR（100 Gb/s）、HDR（200 Gb/s）等代际产品，并率先引入 SHARP 网内计算技术，ConnectX 系列智能网卡成为 HPC 领域事实上的标准。
NVIDIA 整合期（2019‑2020）：NVIDIA 于 2019 年宣布以约 69 亿美元收购 Mellanox（来源：NVIDIA 2019 年年报），InfiniBand 技术正式并入 NVIDIA 数据中心解决方案体系，与 CUDA 软件生态开始深度融合。
Quantum 品牌确立（2021‑2023）：NVIDIA 发布 NDR 400 Gb/s InfiniBand 平台，并正式启用 Quantum‑2 品牌命名，配套 BlueField DPU 和 ConnectX‑7 智能网卡，引入硬件级安全隔离和多租户支持。
Quantum‑X800 与 CPO 时代（2024‑2025）：2024 年推出全球首个端到端 800 Gb/s 平台 Quantum‑X800，微软 Azure、Oracle Cloud 等成为首批公开客户；2025 年发布 Quantum‑X Photonics，共封装光学技术实现物理层跨越。

与 Spectrum 以太网的互补定位

NVIDIA 在数据中心网络领域布局两条主力产品线：Quantum InfiniBand 面向追求极致性能、低延迟和确定性的 AI 训练超级集群，是“性能优先”的选择；Spectrum 以太网则面向云化多租户、大规模通用计算场景，追求生态兼容和灵活扩展。两条路线各有侧重，并不构成内部替代关系。

上游

核心器件与供应链

Quantum InfiniBand 涉及的上游核心器件包括：

交换芯片：NVIDIA 自研 Quantum 系列 ASIC，由台积电等晶圆代工厂商制造，公开资料未见具体工艺节点确认信息。
共封装光学引擎：Quantum‑X Photonics 的核心组件，涉及硅光子集成技术、激光器、光学接口等，公开资料未见单一供应商的确认信息。
智能网卡芯片：ConnectX 系列 HCA，由 NVIDIA 自研设计。
物理互连：包含有源铜缆、无源铜缆和光纤布线，依赖多家线缆组件供应商。
晶圆制造与先进封装：高端交换芯片依赖先进制程晶圆代工，共封装光学则需要 2.5D/3D 先进封装能力。公开资料未见 NVIDIA 与具体封测厂商的合作细节。

CPO 的供应链联动

共封装光学技术的推进带动了硅光集成器件、激光器、光学耦合组件等细分领域的需求预期。A 股市场中有部分光通信领域公司被市场分析报告列为潜在间接参与者，但公开资料未见其与 NVIDIA 的直接供货关系确认，投资者需关注信息可靠性。

下游

核心应用场景

AI 训练超级集群：Quantum InfiniBand 最主要的落地场景，支撑万卡乃至数十万卡规模的 GPU 横向扩展，已完成多个实际部署（见“最新事件”部分）。
高性能计算中心：延续 InfiniBand 在传统 HPC 领域的深厚积累，支撑大规模科学仿真、气候模拟等计算任务。
云端 AI 服务：微软 Azure 及 Oracle Cloud 已将 Quantum InfiniBand 作为高端 AI 训练实例的网络底座，并向外部客户提供算力服务。

在市场中扮演的角色

在单集群 GPU 数量突破万卡的阶段，InfiniBand 已成为保障集合通信效率和训练稳定性的关键选项。当模型参数规模从千亿向万亿演进，节点间通信量呈超线性增长，非专用网络方案在性能和稳定性的矛盾上面临更大挑战。这一背景使得 Quantum InfiniBand 在当前高端 AI 训练市场中占据显著地位。

受益公司

NVIDIA

目前 Quantum InfiniBand 方案的唯一完整供应商，提供涵盖交换机、HCA 网卡、BlueField SuperNIC 和 DOCA 软件框架的全栈产品。网络业务已构成 NVIDIA 数据中心收入的支柱板块之一，其营收增速在多份季度财报中被列为核心增长驱动因素（来源：NVIDIA FY2024 及 FY2025 季度财报披露，网络业务连续多个季度同比增长超过 100%）。

云服务客户

微软 Azure：作为 Quantum‑X800 的早期公开客户之一，将 InfiniBand 网络作为其 Azure AI 超级计算实例的核心卖点，面向大型语言模型训练负载。
Oracle Cloud（OCI）：同样公开采用 Quantum InfiniBand 构建 AI 训练集群，公开资料称其为部分大规模训练任务提供了高性价比的网络环境。

OEM 与系统集成

浪潮、HPE、戴尔等服务器 OEM 厂商在其 GPU 服务器产品中集成 InfiniBand 解决方案，向下游的 AI 实验室和企业客户交付全栈 AI 训练集群。这些厂商的参与扩大了 InfiniBand 在市场中的覆盖面。

市场规模

行业整体趋势

InfiniBand 市场年复合增长率预估在 30% 以上（来源：行业咨询机构对 HPC/AI 互连市场的估算，具体报告名称公开资料未见）。增长主要受大模型分布式训练需求驱动。全球 AI 训练集群对高带宽、低延迟专用网络的需求处于快速上升期，单集群的 GPU 数量和网络设备价值量同步攀升。

细分领域与份额

在高端 AI 训练交换机领域，NVIDIA Quantum 产品线占据领先地位，公开资料未给出精确市占率数字，但行业普遍认为其在该细分市场具有明显优势。Dell’Oro Group 等机构发布的数据中心网络市场报告可提供进一步参照，具体份额数字、统计口径和基准年份，建议读者查阅其付费报告获取精确信息。

产能与供需

当前高端 Quantum InfiniBand 交换机（尤其是基于 CPO 的型号）面临较高的交付压力。多家行业分析指出，400 Gb/s 和 800 Gb/s 产品的需求持续超过供应能力，部分客户的部署周期因此延长。NVIDIA 正通过扩大与合作伙伴的产能来缓解此状况，但短期内供需矛盾仍值得投资者关注。公开资料未见 NVIDIA 对产能规划和交付预期给出明确量化指引。

玩家对比

NVIDIA Quantum InfiniBand vs. NVIDIA Spectrum 以太网 vs. 融合以太网 RDMA

维度	NVIDIA Quantum InfiniBand	NVIDIA Spectrum 以太网	融合以太网 RDMA（RoCE）
协议栈	全栈自研 IB 协议，硬件卸载极致	标准以太网 + NVIDIA 增强	以太网 RDMA 叠加，依赖 PFC/ECN 实现无损
当前最高端口速率	800 Gb/s 端到端（来源：GTC 2024）	800 Gb/s（Spectrum‑X800 平台，来源：GTC 2024）	已有多款支持 800 Gb/s 以太网速率的交换机芯片和设备公开
网内计算	SHARP 硬件级聚合，全功能	有限功能，更多依赖端侧处理	不支持
物理层创新	CPO 将损耗降至约 4 dB（来源：NVIDIA 2025）	传统光模块为主，公开资料未见等效突破	同上
延迟特征	亚微秒级，确定性高	低于典型 RoCE，经调优后接近 IB	通常高于 IB，且因流控触发时波动较大
多租户安全	硬件通道级隔离	基于软件定义与 802.1Q	依赖上层机制，无原生硬件隔离

可替代性分析

Ultra Ethernet 联盟在推动基于以太网的 AI 网络方案，意图缩小与 InfiniBand 的差距，目前尚处于标准和产品化推进阶段。Google 等超大规模云厂商自研网络方案（如 Jupiter 架构）在自有基础设施中部分替代了商用互连，但这类方案不具备外部可复制性。综合评估，当前面向第三方市场的商用 AI 超级训练集群互连中，Quantum InfiniBand 尚无完全对等的替代选项。

风险

技术与竞争风险

以太网路线追赶：Ultra Ethernet 联盟持续推进标准化工作，若成功在性能和稳定性上大幅缩小与 IB 的差距，可能对有成本敏感的中端市场形成冲击。
云厂商自研替代：部分超大规模云厂商持续投入自研网络方案，在自身内部基础设施中减少对商用方案的依赖。但这属于特定客户的决策，不代表整体市场趋势。
技术迭代风险：CPO 技术仍处于早期规模化部署阶段，长期可靠性和良率爬坡情况尚待观察。若量产环节遇到障碍，可能拖累 Quantum‑X Photonics 的交付节奏。

供应链与地缘风险

先进制程受限：高端交换芯片依赖先进制程代工，若外部出口管制进一步收紧，可能影响 NVIDIA 的芯片供应能力和交付周期。
供需持续偏紧：AI 训练集群的网络设备需求仍在快速膨胀，CPO 交换机的产能扩张需要时间，公开资料未见短期内可完全弥合供需缺口的迹象。

市场与商业模式风险

客户集中度：虽然 NVIDIA 的客户群在扩大，但少数几家大型云服务商的采购决策对整体营收的贡献度较高，其资本开支节奏的波动可能传导至网络设备需求端。
价格与竞争压力：随着 AI 网络加速从“高端专属”走向“规模标配”，客户对单位成本的敏感度可能上升，给定价和毛利率带来潜在压力。

误读纠偏

误读一：“Quantum InfiniBand 就是 RDMA 网络，跟 RoCE 区别不大。”

纠偏：InfiniBand 的本质是一个完整的网络体系，RDMA 仅仅是其传输层能力的一部分。它从物理层到传输层均采用私有协议和专用硬件，原生支持无损传输、自适应路由和网内计算。RoCE 则是在以太网上通过叠加 PFC 和 ECN 等机制模拟无损环境来实现 RDMA，在超大规模下的稳定性、性能一致性和运维复杂度方面与 InfiniBand 存在实质性差距。

误读二：“NVIDIA Quantum InfiniBand 是做量子计算相关的设备。”

纠偏：NVIDIA 的量子计算产品线为 NVQLink 和 CUDA‑Q 平台，与 Quantum InfiniBand 完全独立。InfiniBand 产品线中的“Quantum”品牌名称源自其性能的代际跨越（类似物理学中的量子跃迁概念），实际技术仍基于经典的电/光通信体系，不涉及量子比特运算。

误读三：“只要升级到 800 Gb/s 端口，AI 训练效率就会线性提升。”

纠偏：网络带宽仅是决定分布式训练效率的变量之一。训练加速的实际效果还受到集合通信算法设计、GPU 算力利用水平、存储 IO 带宽、软件栈优化成熟度等多方面因素的共同影响。Quantum‑X800 所提供的 SHARP 网内计算和硬件卸载能力才是释放高速端口价值的关键要素，仅提升物理层速率而忽视上层优化，可能使投入的实际回报不及预期。

误读四：“Quantum InfiniBand 只能用于 AI 训练。”

纠偏：虽然 AI 训练集群是当前最受关注的应用场景，但 InfiniBand 同样广泛应用于传统 HPC 仿真、金融量化计算、大规模数据分析等对高带宽和低延迟有极端需求的领域。Quantum InfiniBand 的定位是通用型超级计算互连平台，AI 训练是其中一个重要的应用子集。

跟踪指标

核心产品与技术指标

NVIDIA GTC 发布周期：关注每年 GTC 大会上 Quantum 产品线的更新节奏，包括端口速率代际提升、SHARP 功能增强、CPO 量产进展。
ConnectX 与 BlueField 配套发布：HCA 网卡和 DPU/SuperNIC 的更新通常与交换机平台同步，为判断平台代际切换的时间窗口提供参考。
CPO 良率与产量：共封装光学的量产良率是决定 Quantum‑X Photonics 交付能力的关键变量，目前公开资料无明确数字，可关注供应链端的相关信号。

市场与客户信号

主要云厂商资本开支：微软 Azure、Oracle Cloud 等的季度资本开支金额与结构，是预判 Quantum InfiniBand 出货节奏的先行指标之一。
公开客户名单扩大：新增大型企业或国家级 AI 训练集群的采用信息，可以从 NVIDIA 官方或客户方公告中获得。
交付周期变化：渠道调研中关于 Quantum 交换机交付周期是否缩短的信息，可间接反映供需矛盾的缓解情况。

竞争格局指标

Ultra Ethernet 联盟标准化进度：关注该联盟技术规范发布时间表和产品化落地情况，以评估以太网路线拉近差距的进度。
云厂商自研网络进展：Google 等自研方案的技术代际更新和对外公开的部署规模数据。
两端（IB 与以太网）份额变化：Dell’Oro Group 等第三方机构对数据中心网络市场的周期性跟踪数据，是观察份额变化的重要参考。

信源

NVIDIA 官方新闻发布页面及 GTC 主题演讲资料（2024 年、2025 年），涵盖 Quantum‑X800 和 Quantum‑X Photonics 的发布信息与技术规格。
NVIDIA 数据中心网络解决方案官方文档及白皮书，提供 InfiniBand 技术原理、安全特性与性能指标的定性描述。
微软 Azure 官方博客及 Oracle Cloud 投资者关系材料，包含 Quantum InfiniBand 的客户采用信息。
行业分析机构 Dell’Oro Group、LightCounting 等对数据中心网络和光互连市场的周期性报告（具体报告中有关市场份额、增长率等定量数据，建议读者查阅付费报告获取精确版本）。
NVIDIA 向美国证券交易委员会提交的年度报告及季度报告，提供收购 Mellanox 的财务细节和网络业务营收增长数据。
A 股相关公司公开公告及投资者互动平台信息，用于核验供应链潜在受益方的官方披露内容。