算力资源有限，调度优化问题紧迫。OpenAI此前在技术博客《Scaling Kubernetes to 2,500 nodes》中提到，OpenAI k8s集群从500 nodes扩展到2500 nodes时遇到诸多存储、网络和资源初始化问题，通过可视化监控工具Datadog发现ETCD（一种Key-Value存储服务）写数据存在几百毫秒延迟，list API被频繁调用、Fluentd和DataDog频繁侵占资源等问题。
　　什么是算力调度？在云计算中，资源调度是一个非确定性多项式优化问题，往往会出现“拆东墙补西墙”这样的情况，因此云计算的算力调度必须考虑每个算力资源请求的需求边界，比如OpenAI团队使用“balloons”占位策略解决资源排队问题：用一个低优先级pod占着整个节点，要用节点的时候被自动驱逐掉；使用污点策略手动分配每个训练请求能使用的节点。
　　GPU超算集群中，暴露出的不只是算力调度问题。在此前对英伟达AI超算的研究中，我们的结论是：通信网络是制约数据中心算力高低的关键因素。在多线程并行计算下，通信成为制约算力的短板，只要有一条交换链路出现网络阻塞或丢包，就会产生I/O延迟；又如GH200新增显存互联功能，我们认为，相对于无显存互联的超算，GH200对API server的并发访问量是指数级增长，将对硬件资源调度提出更高挑战。
　　多点硬件部署监控效率更高。我们注意到，OpenAI在针对网络监控进行优化时发现Prometheus这类监控系统时常会导致OOM（Out of Memory，内存溢出），从而不得不削减查询频率；每次初始化pod，Prometheus都要重写WAL（Write-ahead logging，预写式日志）拉长启动时间。我们认为，以上问题都可以通过嵌入式的多点硬件层监控系统避免上述问题。我们认为，在传统的计算式和I/O式云计算中，外部串接监控服务器即可满足监控需求，而GPU集群时代，需要并接部署“联邦集群”并进行不同监控服务器的功能划分，最后进行北向汇聚，有望提升监控采集效率、降低超算本身的资源侵占。
　　网络可视化技术在国内外均处于探索迭代过程中，国内相关厂商的潜在机会巨大。在北美，目前主流的监控工具是Netscout、Prometheus、Datadog等，都是基于在超算本地化部署；但在多点硬件部署的AI超算中，软硬件结合的厂商成长性有望更为充分，经过多年经验积累的相关国内DPI厂商，形成了高容量下的数据监控能力，有望成为全球算力调优的上游关键角色。
　　投资建议：
　　1）重视GPU超算集群中交换网络性能的重要性，而光通信是现有技术下几乎无法替代的交换网络方案，关注光通信：中际旭创、新易盛、天孚通信、太辰光、腾景科技、德科立、联特科技、华工科技、源杰科技、剑桥科技；算力设备：中兴通讯、紫光股份、锐捷网络、菲菱科思、恒为科技、工业富联、寒武纪、震有科技。
　　2）重视网络可视化及算力资源调优策略的软硬件厂商，该品种目前存在较大预期差，关注恒为科技、浩瀚深度、中新赛克。
　　风险提示：AI发展不及预期，算力需求不及预期