8月9日，以“智联万物 网聚将来”为主题的2025 AI网罗技能愚弄立异大会在京召开。海浪信息旗下元脉网罗副总司理陈翔发表主题为“元脉高性能AI网罗，助力算力潜能开释”的演讲，详备先容了元脉网罗在AI网罗上的立异与推行。

  元脉网罗副总司理 陈翔

　　AI业务限度化发展 三大挑战亟待惩办

　　跟着东谈主工智能技能的迅猛发展，智算中心的集群限度不竭扩大，AI网罗诞生亟需攻克在“部署结束、系统踏实性、资源负载”三方面的挑战。

　　刻下，AI愚弄正呈现与业务深度渗入会通的态势，“奈何提高部署结束、完结业务快速上线”已成为AI网罗诞生濒临的要紧问题。可是，集群限度的急速推广，大幅擢升了网罗部署与调优的难度。以传统RoCE技能为例，其拥塞甘休主要遴荐DCQCN技能，而该技能的参数需进行针对性调优，这径直导致拥塞甘休部署经由复杂，进而影响业务上线结束。

　　集群诞生波及 GPU、网罗、光模块等无数组件及复杂公约栈，刻下查考流量以大象流为主，这类流量具有同步突发特质，易因通讯恭候酿成无数算力损耗；与此同期，卡间通讯还堕入“查考限度越大，平均无故障时期越高”的悖论。据业界公开数据贯通，在AI系统故障中，网罗要素占比超10%，已成为制约AI技能发展的进犯瓶颈。

　　跟着大模子框架的络续开源，在业内激勉出新一轮部署甘心。但大模子的快速部署，也让模子里面出现“查考+推理”混跑的四百四病，在这么多任务混跑要求下部署的网罗，会出现性能下落、流量互联系扰、及网罗资源负载不平衡等问题。

　　元脉网罗打造高性能、高可靠AI Fabric有贪图

　　为惩办上述问题，元脉网罗推出高性能、高可靠的AI Fabric有贪图。该有贪图由元脉RoCE技能、AI Fabric交换机、及智能运管平台三大中枢组件组成，不错完结AI网罗的端网一键部署、流量精确可视、故障智能估计。

　　在部署结束和踏实性上，元脉网罗智能运管平台ICE撑持端网一键部署，不错和谐纳管交换机、网卡、光模块、GPU、处事器等开拓，完结拓扑建树一键校验、全网自动上线。同期，撑持训前一键NCCL压力测试，将部署时期从数周裁汰到数天，极大简化用户的运维部署资本。

　　此外，元脉网罗AI Fabric有贪图搭建了更先进的高精度遥测中枢技能，可完结AI流量的精确可视。

　　三级“可靠”加固 AI网罗“安全感”拉满

　　为提高智算中心集群网罗的可靠性，元脉网罗从“开拓-链路-系统”三个维度进行可靠性加固，按捺智算中心诞生过程中的单点故障率，擢升系统无故障查考时期，激勉算力潜能。

　　元脉网罗AI Fabric有贪图内置始创的IGE智能谨防引擎，硬件层面遴荐RAS可靠性架构瞎想，对所相重要部件推行冗余备份，委果完结“单一开拓失效，悉数系统无感启动”；软件层面遴荐模块化架构，将业务模块进行容器化崎岖部署，确保各模块独处启动、互不干扰，同期为要津模块配备热重启与热升级功能，充分得志AI网罗环境的高踏实性要求；此外，通过独处的管制监控平台OpenBMC，提供更高档别的安全谨防与可靠性保险，全处所适配AI期间数据中心的管制需求。

　　由于集群限度浩大，光模块数目繁多，一朝光模块发生故障，将极大影响大模子的查考进度。对此，元脉网罗AI Fabric有贪图可完结对光模块各步地想法精确监控，大致及时掌捏其健康情状并提前预警，达到故障“主动预警、提前扰乱”的目的，灵验减少查考中断的情况，按捺故障带来的影响。

　　在系统级可靠性瞎想方面，元脉网罗AI Fabric有贪图具备多重技能上风。一是遴荐智能负载平衡技能，当链路发生故障时，智能负载平衡可依据全局链路情状，再行平衡AI流量，性能较传统RoCE越过2.3倍；针对单平面架构易出现单点故障的风险，有贪图遴荐多平面架构技能，为算力不竭可用提供坚实保险，不仅不错完结 AI 通讯零中断，更使灵验查考时长占比高达99%。（张梦凡）

开端：光明网开云体育