AI时代的通信网络专题：需求从何而来，创新将走向何方？.pdf

AI时代的通信网络专题：需求从何而来，创新将走向何方？网络是AI大模型时代的关键一环。大模型时代，我们已经开始看到光模块、 交换机等网络设备迭代加速，需求爆发。但市场对于为何显卡需要搭配大量 光模块，以及通信为何成为大模型痛点体会较浅。本文中，我们将从原理出 发，探讨网络为何成为AI时代的全新“C位”，并将从最新的产业变化中， 讨论未来网络侧的创新与背后的投资机会。

网络需求从何而来？进入大模型时代，模型体积和单卡上限之间的差距迅速 拉大，业界转而寻求多服务器集群来解决模型训练问题，这也构成了AI时 代网络“上位”的基础。同时，相较于过去单纯用于传输数据，如今网络更 多的用于同步显卡间的模型参数，对于网络的密度，容量都提出了更高要求。

日益庞大的模型体积：（1）训练耗时=训练数据规模 x 模型参数量/计算 速率（2）计算速率=单设备计算速率x设备数x多设备并行效率。当下， 业界对于训练数据规模和参数的双重追求下，唯有加速提升计算效率，才能 缩短训练耗时，而单设备计算速率的更新有其周期和限制，因此如何利用网 络尽可能的扩大“设备数”和“并行效率”直接决定了算力。

多卡同步的复杂沟通：在大模型训练过程中，将模型切分至单卡后，每经过 一次计算，单卡之间都需要进行对齐（Reduce、Gather 等），同时，在 英伟达的通信原语体系NCCL中，All-to-All（即所有节点都可以互相获取值 并对齐）的操作较为常见，因此对网络之间的传输和交换提出了更高的要求。

愈发昂贵的故障成本：大模型的训练往往持续数月以上，而中间一旦发生中 断，需要回到几小时或者几天前的断点进行重新训练。而整个网络中某一个 软硬件环节的故障，或者过高的延迟，都有可能导致中断。更多的中断，代 表着落后的进度和愈发高昂的成本。现代的AI网络，已经渐渐发展成堪比 飞机、航母等的人类系统工程能力的结晶。

网络创新将走向何方？硬件随需求而动，经过两年，全球算力投资规模已经 膨胀到数百亿美元级别，而模型参数的扩张，巨头的惨烈厮杀依然激烈。现 如今，“降本”、“开放”和算力规模之间的平衡将是网络创新的主要议题。

通信介质的更迭：光、铜与硅是人类传输的三大介质，在AI时代，光模块 追求更高速率的同时，也迈出了LPO、LRO、硅光等降本之路。在当前时间 点，铜缆凭借性价比，故障率等因素占领了机柜内连接。而 Chiplet， Wafer-scaling 等新半导体技术，则正在加速探索硅基互联的上限。

网络协议的竞争：片间通信协议与显卡强绑定，如英伟达的NV-LINK，AMD 的Infinity Fabric 等等，其决定了单台服务器或者单个算力节点的能力上限， 是非常残酷的巨头战场。而IB与以太网的斗争则是节点间通信的主旋律。

网络架构的变化：当下节点间网络架构普遍采用叶脊架构，叶脊具有便捷、 简单、稳定等特点。但随着单个集群节点数增多，叶脊稍显冗余的架构会给 超大集群带来较大的网络成本。当下，如Dragonfly架构，rail-only架构等 新架构有望成为面向下一代超大集群的演进方向。