在实际的AI集群建设中，GPU服务器只是计算节点，不能代表完整的算力网络。一个可用的AI算力网络，至少应该包含计算节点、交换层、服务器侧网络接口、光电互联链路、存储层和拓扑架构。

1）计算节点：通常是GPU服务器，承担训练与推理工作。
2）交换层：通常由高带宽交换机承担，负责节点间东西向流量转发。
3）服务器侧接口：即高性能NIC，决定单机如何接入高速网络。
4）互联链路：包括光模块、DAC/AOC、光纤等，决定链路速率、距离和稳定性。
5）存储层：训练任务对数据读写吞吐要求极高，存储层往往会决定整体效率上限。
6）拓扑架构：如Spine-Leaf，决定带宽收敛、扩展方式与故障域控制。

从工程视角看，AI平台性能瓶颈很多时候不是单点硬件，而是“整体协同失衡”。例如GPU数量翻倍，但网络侧没有同步升级；或者交换机和NIC都支持高带宽，但模块、线缆、驱动和存储没有形成闭环，依然会导致性能达不到预期。

因此，建议做AI集群架构设计时，先画出完整系统图，再评估各层的能力边界，而不是只从GPU单点倒推。