既然 Scale-Up 与 Scale-Out 仍在持续发展，为何还需推动 Scale Across？事实上，跨域扩展并非取代既有架构，而是应对以下几方面系统级挑战的必然演进：

• 功耗与散热瓶颈：当前典型机架功耗约为 15–30 千瓦，而 NVIDIA 机架级 GPU 基础设施功耗已接近 140 千瓦，并预计将持续上升。风冷散热逐渐逼近极限，液冷成为必然选择。单一数据中心在供电与散热上面临越来越大的压力。

• 电力成本与资源分布：在单一地点为数百万 XPU 供电极为困难，且全球各地的电价差异显著，分布式布局可结合各地电力资源，提升整体能效与经济性。

• 扩展性的物理与工程限制：即使电力充足，单一数据中心的无限扩展也面临空间、承重、运维等物理限制。分阶段、跨地域建设并通过高速网络互联，在技术与商业上更具可行性。

• 推理和边缘计算需求：时下 AI 发展的重心正在逐渐由训练转向推理，英伟达推出 Rubin ,其在推理能力上有着大幅提升的同时，还显著降低了推理成本，势必带来一番推理浪潮。边缘计算等相关概念也在兴起。为了满足推理时用户需要的低时延，高并发，大量数据回传，分布式数据中心的建设迫在眉睫。

• 数据驻留与合规要求：各地区数据合规政策形成“结构约束”，数据与算力需部署在本地。跨域网络可在合规前提下，实现算力资源的逻辑协同与灵活调度

MetroX-2 通过多层次协同优化，将地理距离的影响降至可接受范围：

• 物理层：采用低损耗长距光模块、波分复用与链路修复技术，提供稳定可预测的物理链路；

• 网络层：搭载距离感知的调度与拥塞控制机制，支持端到端遥测、自适应路由与队列管理；

• 协议与平台层：保持 RDMA、GPUDirect 等直达路径，最小化内存拷贝与上下文切换。

该系统通过面向 AI 流量优化的以太网架构、高带宽低延迟数据路径，以及与 NVIDIA 生态深度协同的流量调度机制，使 GPU 间通信具备“距离透明性”。从应用视角看，训练与推理任务仍运行在一个统一、低延迟、可预测的网络平面上。

在大模型训练阶段，涉及模型并行、流水线并行等复杂通信模式时，跨节点通信往往占据总训练时间的相当比例。MetroX-2 的低抖动、高可预测性特征，使得这些通信模式在跨数据中心场景下仍然能够保持稳定的 step time，而不会因为偶发拥塞导致整体训练节奏被拖慢。

而在推理场景中，MetroX-2 的价值体现得更加直接。

推理工作负载天然具有突发性、高并发和强时延敏感等特征。通过在城域范围内部署多个推理节点，并利用 MetroX-2 将它们组织成一个统一资源池，可以实现更精细的流量调度与就近响应：

• 用户请求被优先调度到物理距离最近、负载最低的节点

• 热点模型可以在多个数据中心之间快速同步

• 高峰期通过跨域调度实现算力“削峰填谷”

这使AI服务商无需在每个区域部署完整冗余的推理集群，即可在保证体验的同时实现资源的高效利用。

如果说 AI 网络架构的前一阶段是从三层架构走向 Clos Fabric，那么下一阶段则是从“数据中心网络”迈向“AI 城域网络”。

在 MetroX-2 构筑的城域级 AI 网络中，更长的链路距离与更复杂的室外环境，对光互联产品的传输距离、损耗控制、稳定性与可靠性提出了远超传统数据中心的严苛要求。

作为 AI 原生的基础设施整体解决方案提供商，超擎数智在长距离光模块与高性能光纤线缆领域厚植优势，产品方案能完美匹配跨城域、高带宽、低误码的应用场景，提供极其稳定、可预测的 AI 基础设施服务，确保跨数据中心的 GPU 通信不因链路质量而产生瓶颈。

在 AI 基础设施从“算力堆叠”走向“系统工程”的今天，选择成熟、可靠的光互联方案，本质上是为未来的 AI 工厂铺设一条可持续扩展的高速通道。超擎数智，愿做这条通道背后坚实的支撑力量。