根据最近的机构研究报告，为您总结相关行业的投资要点，供参考：

1.在AI领域，网络的价值在于延续了集群算力的摩尔定律。

(资料图片)

2.吞吐带宽与连接架构是算力性能不可忽视的决定因素。

3.芯片层面，高速c2c连接方案（如NVLink、CXL等）的推广，是宏观设备/数据中心层高速网络、光网络等需求爆发的底层逻辑。

4.设备层面，单SoC性能提升+芯片“堆量”，不意味着算力集群整体性能的线性提升；而Nvidia、Google、AMD、AWS等算力大厂正应用InfiniBand、OCS等新架构替代通用算力下的以太网，带来增量网络需求。

5.系统复杂度、投资强度、整体性能提升效果三方面看，网络设备与器件（包括交换机、光模块等）在AI系统中的重要性显著提升。

6.谷歌自研TPUv4背后，是矩阵计算、OCS光交换与更激进的光网络设计。3D组网是TPUv4系统最大亮点，网络起重要作用，导入全光交换、WDM等光通信技术后，算力与网络需求同步提升。

7.AMD最新MI300体系和AWS自研Trn训练芯片，同样重视带宽、拓展性的价值。

8.网络架构本身对算力体系的深远影响也应重视，通信网络正在延续算力领域的摩尔定律，其价值不亚于算力本身。

9.芯片或系统性能的提升的背后，吞吐带宽与连接架构是不可忽视的关键因素，“网络与算力同行”。且在AI训练、推理需求提升的产业早期，性能成本的优化、架构方案的多样化均利于AI应用的放量，进而带动算力总需求持续提升。

10.信息技术迭代产生新的网络通信方案，可能颠覆已有路径或格局。