中国信通院赵伟博等：人工智能时代高性能网络发展现状与趋势

引言

高性能网络是算力互联网架构中算网设施层的关键技术，承载算力服务器间的资源互联与数据高速传输。随着人工智能（AI）大模型参数规模的爆发式增长，传统网络架构已难以满足高带宽、低时延及无损传输的严苛需求。AI 训练与推理场景的分布式特性，驱动横向扩展（Scale-out）网络成为主流，并反向推动网络技术创新。

在数字经济加速演进背景下，智能 IP 广域网（AI-WAN）成为网络智能化升级的核心引擎。当前网络架构正处于以 AI 为核心驱动力的新变革阶段：AI 不仅作为关键应用牵引网络演进，更深度重构互联网基础架构与技术体系。构建高性能 Scale-out 网络已成为支撑 AI 技术持续发展的关键基础设施，其演进路径与发展趋势亟待深入探究。

AI 时代高性能网络面临的核心挑战，在于协调算力扩展需求与网络性能约束间的动态平衡。一方面，AI 模型规模和算力需求增速远超硬件供给；另一方面，分布式训练系统的整体效能因网络通信开销制约，常低于线性扩展预期。因此，深入探究高性能 Scale-out 网络的演进路径至关重要。

1 高性能网络发展现状

1.1 Scale-out 与 Scale-up 网络对比

Scale-out 与纵向扩展（Scale-up）代表两种核心架构策略。Scale-out 通过聚合多节点并行协作扩展容量，适用于大规模分布式训练；Scale-up 则通过升级单节点硬件配置增强性能，适配高密度单节点任务。

从性能需求看，Scale-out 需支持百 G 级带宽、微纳秒时延，适用于数据并行、流水线并行等场景；Scale-up 需支持 T 级带宽、百纳秒时延，适用于张量并行、专家并行等高通信计算比场景。从规模适配性看，Scale-out 适合万卡级以上集群，Scale-up 受限于单节点物理限制，通常适用于小规模互联。

在通信模式层面，Scale-out 以跨节点“东西向流量”为主导，聚焦梯度更新等数据同步；Scale-up 集中于单节点“机内流量”，强调加速器间高速互联。随着 AI 大模型向多模态、长序列及混合专家模型（MoE）演进，通信模式从单一的全归约（All-Reduce）扩展至全收集、全交换等多样化操作，对 Scale-out 网络的灵活性与适应性提出更高要求。

1.2 RDMA 能力增强

远程直接内存访问（RDMA）技术通过绕过 CPU 内核协议栈和内存复制，实现超低时延、超高吞吐量传输，已成为 Scale-out 网络核心技术。RDMA 经历了从无限带宽（InfiniBand，IB）、iWARP 到基于融合以太网的 RDMA（RoCE）的演进，形成三大主流技术路径（见表 1）；拥塞控制算法也主要分为三大类型（见表 2）。

表 1 主流技术路径

表 2 主流拥塞控制算法

当前，RDMA 技术演进重心转向算法创新与硬件协同。RoCE v2 凭借低成本、高兼容性成为云计算资源池网络主流方案；InfiniBand 在超算集群中仍具不可替代性。新一代 RDMA 网卡正集成高效丢包恢复与端到端流控技术，降低对优先级流控制（PFC）的依赖，为更大规模网络部署提供可行性。

1.3 端侧能力提升

端侧能力提升体现于网卡、协议栈及存储与 GPU 互联三个维度。网卡通过数据处理单元（DPU）卸载网络协议处理等任务，显著降低 CPU 开销。主流智能网卡架构分类见表 3。

表 3 主流智能网卡架构

在协议栈优化方面，用户态网络处理技术（如 DPDK）通过旁路机制减少中断开销，结合大页内存与 CPU 亲和性提升缓存命中率。

在存储与 GPU 互联方面，分布式持久性内存文件系统融合 RDMA 与新型存储介质构建高速体系；多播传输文件系统则通过内核态 RDMA 框架实现低延迟多播，规避传统一对一传输冗余。

端侧能力提升的核心价值在于实现“零拷贝”与"CPU/GPU 卸载”。实测表明，RDMA 处理性能优于 TCP，对 AI 大模型训练尤为关键。

1.4 端网协同优化

端网协同优化是 Scale-out 网络性能突破的核心路径，主要沿网络架构创新与控制算法融合两大方向推进。

在网络架构创新方面，新型扁平化架构通过重构拓扑提供低成本扩容方案。例如，多平面 Fat-Tree 拓扑利用交换机端口拆分技术，可在两层架构下实现 12.8 万卡集群组网。

在控制算法融合方面，AI 驱动的软件定义网络（SDN）调度成为新范式。Network AI 架构通过深度强化学习与带内遥测技术，结合全局视图动态生成最优管控策略，实现网络管控自动化。

2 高性能网络面临的技术挑战

2.1 高带宽需求与网络成本矛盾

随着大模型参数规模突破万亿级，训练集群从千卡级跃升至万卡级，Scale-out 网络面临带宽需求与成本的显著矛盾。传统 Fat-Tree 拓扑成本随层级线性增长，十万卡级集群若采用传统三层架构，成本将超出可接受范围。硅光模块成为降低扩容成本的关键方向。

技术路线权衡是矛盾核心。Meta 采用“框式交换机 + 电互联”提升稳定性；阿里则以“盒式交换机 + 双平面光互联”实现无收敛设计。此外，单轨组网因适配稀疏模型流量特征，预计将成为未来主流方案。

2.2 低延迟稳定性与拥塞控制

Scale-out 网络需实现μs 级低延迟以满足 AI 需求，但现有技术仍面临稳定性挑战。以 RoCEv2 为例，缓存水线配置调优的高复杂度直接制约异构组网实施。

All-Reduce 作为梯度同步核心算子，其延迟随节点数线性增长。依据 DeAR 模型，最大加速比受限于通信与计算时间占比。当通信计算比较高时，通信耗时主导整体性能，成为瓶颈。

低延迟稳定性挑战源于物理链路延迟与网络排队延迟的叠加。跨域传输时，经过更多交换设备导致排队延迟累积，总时延进一步放大。

拥塞控制算法方面，传统算法（如 DCQCN、TIMELY）与新型算法（如 HPCC）各有优劣。DCQCN 实现简单但参数调整困难；TIMELY 无需交换机支持但反应较慢；HPCC 控制精确却面临部署复杂挑战。

2.3 智算互联复杂性与拓扑适配

一是拓扑扩展与负载均衡面临挑战。Dragonfly 拓扑受路由策略限制；Torus 拓扑虽降低成本，但通信带宽利用率受维度限制，且随规模扩大通信路径增长，导致稀疏模型性能衰减显著。

二是多厂商设备兼容性差。CXL、UCIe 等新兴标准与现有 PCIe/RDMA 的兼容性仍需完善。英伟达 NVLink 主要用于 Scale-up 场景，而 AMD UALink 和 Intel CXL 在跨平台 Scale-out 部署中仍面临协议适配问题。

三是通信模式与网络架构的动态匹配难。AI 模型演进使通信模式多样化，传统 Fat-Tree 静态设计难以适应稀疏通信需求。新型拓扑（如 Slim Fly、BST 等）通过动态路由和带宽分配策略，可提升对稀疏模型的适配性。

3 未来发展趋势

面对智算互联复杂性，未来高性能网络将沿“新协议、新硬件、新范式”逻辑主线突破，核心趋势体现为开放化、光电融合化、自治化的协同演进。

新型互联协议从专有封闭走向开放标准。CXL 支持 CPU/GPU/DPU 共享内存池，推动亚微秒级低延迟通信；UALink 定位高带宽、低延迟加速器直连。二者共同支撑异构算力协同。

光电融合通过硅光集成与共封装光学（CPO）技术突破瓶颈。硅光集成实现光模块成本与功耗双降；CPO 缩短电通道，支撑超高密度交换容量，推动光互联从“模块级”向“芯片级”渗透。

AI 驱动网络自治从“人工配置”向“意图驱动”转型。利用数字孪生预演、Transformer 模型预测流量及开源生态统一协同，实现网络从“被动响应”到“主动优化”的质变。

“协议 - 硬件 - 算法”协同创新的本质是：协议开放化解决生态割裂，硬件光电化突破物理极限，范式自治化释放运维效率，三者共同支撑 AI 时代超大规模集群需求。

4 结束语

Scale-out 网络作为 AI 时代高性能计算核心基础设施，已通过 RDMA 增强、端侧提升与端网协同实现关键突破。然而，其发展仍面临高带宽需求与成本张力、低延迟稳定性局限、拓扑扩展复杂性等多重矛盾，亟需从“规模扩张”向“效率与可持续性并重”转型。

未来，下一代 Scale-out 网络将以跨层协同创新重构技术范式：协议开放化打破生态割裂，推动异构计算互联向系统级一致性演进；硬件光电化重塑能效边界；范式自治化借 AI 驱动实现动态自适应。关键在于摒弃单一维度优化，通过协议、硬件、算法深度融合，支撑超大规模集群的高性能、低能耗与高可靠需求，推动算力互联从“可用”迈向“好用”。

本文刊于《信息通信技术与政策》2026 年 第 02 期

《信息通信技术与政策》投稿指南！

为进一步提高期刊信息化建设水平，为广大学者提供更优质的服务，我刊官方网站已正式投入运行，欢迎投稿！

校 审 | 谨言、珊珊

编 辑 | 凌霄

"

推荐阅读

中国信通院屈蕾蕾等：互联网应用欺骗误导行为现状与治理策略研究

专家谈