随着人工智能的快速发展，AI模型的参数量激增，对算力的需求也不断上升。过去十年，数据中心主要通过集群式横向扩展——增加服务器节点来提升计算能力，支持AI训练。然而，当模型参数超过万亿时，传统扩展方式逐渐难以应对，暴露出通信延迟高、带宽不足和能效下降等问题。在此情况下，网络性能从辅助角色转变为AI算力发展的关键驱动力，是突破现有算力限制的核心因素。
传统横向扩展架构的瓶颈，本质上是“算力增长”与“通信效率滞后”之间的矛盾。在大规模分布式训练中，成千上万的GPU需频繁交换梯度与参数，一旦网络带宽不足或延迟过高，GPU将长时间处于“等待数据”状态，算力利用率大幅下降。据相关研究显示，在某些超大规模训练任务中，通信开销已占整体训练时间的40%以上。即便采用RDMA、InfiniBand等高速网络技术，随着节点数量增加，网络拓扑复杂度与拥塞风险仍呈非线性上升，形成“算力墙”。这表明，仅依赖提升算力已难以满足当前需求，网络性能的提升成为关键。
页码:下一页
