OpenAI 與 NVIDIA 攜手打造 MRC 協定,以革新 AI 訓練網路
OpenAI 已正式宣布與五家業界龍頭——AMD、博通(Broadcom)、英特爾(Intel)、微軟(Microsoft)及 NVIDIA——合作,共同推出「多路徑可靠連接」(MRC)協定。這項透過開放運算計畫(OCP)發布的開源協定,旨在解決大規模 AI 訓練中常見的網路延遲與故障問題。

消除「單點故障」:從三層架構轉向雙層架構
在傳統的 AI 模型訓練中,網路擁塞或單一鏈路的輕微故障可能像多米諾骨牌般引發連鎖反應,迫使數萬顆 GPU 進入閒置狀態,導致巨大的運算資源浪費。
為從根本上提升系統韌性,MRC 協定引入了多平面網路設計。它能將單一 800Gb/s 介面智慧地分割為多個較小的鏈路。此結構優化使系統僅需兩個交換機層,即可支援多達約 131,000 顆 GPU 的大型叢集。 相較於傳統的兩層或四層架構,此變革不僅大幅減少了實體元件數量與能源消耗,更顯著降低了建置成本。
進階流量管理:封包「噴灑」與微秒級恢復
除了架構簡化之外,MRC 還引入了一種嶄新的流量分配方法。它採用自適應封包噴灑技術,擺脫了傳統的單路徑傳輸模式。此方法將任務封包拆解,並將其分散至數百條平行路徑上。即使封包抵達順序錯亂,接收端仍能準確地將其重新組裝,有效防止核心網路中的局部擁塞。
在網路控制方面,MRC 以SRv6 來源路由技術取代複雜的動態路由協定(如 BGP)。這使發送方能直接指定路徑,而交換機僅執行簡單的靜態轉發。此設計將網路故障恢復時間從數秒縮短至微秒級,使系統在面對鏈路不穩定時,能實現近乎「無縫的自我修復」。
實務驗證:超級電腦「穩定器」
MRC 協定已部署於 NVIDIA 的 GB200 超級電腦及 Oracle 的雲端基礎架構中。測試數據證實,即使在活躍的訓練情境下,MRC 也能自動繞過干擾(例如突發的鏈路抖動或交換機重新啟動),確保複雜的訓練任務得以不中斷地持續進行。
相關文章
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work
Google 測試 Remy AI 代理,以 Gemini 為重點轉向使用者控制
根據《商業內幕》的報道,谷歌正在測試 Remy,這是 Gemini 的一款全新 AI 個人代理工具。該工具旨在代表使用者執行任務,從而簡化專業工作流程和日常事務。目前,Remy 正在 Gemini 應用的內部員工專屬版本中進行測試。該報告引用了一份內部檔案以及對兩位熟悉該專案的個人的採訪。內部資料將 Remy 描述為“全天候個人代理”,將 Gemini 定位為能夠代表使用者行事的主動助手。接近該專案的訊息人士證實,谷歌員工正在積極測試 Remy。谷歌發言人拒絕提供進一步評論。該報告未提及公開發布
如何修復核心網頁指標以獲得更好的 SEO 排名
利用 AI 工具簡化成績單評語撰寫引言用於生成成績單評語的 AI 工具Magic SchoolAlmanac AIChat GPT使用 Magic School 生成成績單評語登入 Magic School選擇成績單評語工具為學生定製評語使用 Almanac AI 生成成績單評語設定課程與評分方案配置評語長度與學生資訊使用 Almanac AI 生成評語比較 Magic School 與 Almanac AI設定的便捷性可定製性與課程內容的整合速度與效率使用
相關專題推薦
評論 (0)
0/500
OpenAI 已正式宣布與五家業界龍頭——AMD、博通(Broadcom)、英特爾(Intel)、微軟(Microsoft)及 NVIDIA——合作,共同推出「多路徑可靠連接」(MRC)協定。這項透過開放運算計畫(OCP)發布的開源協定,旨在解決大規模 AI 訓練中常見的網路延遲與故障問題。

消除「單點故障」:從三層架構轉向雙層架構
在傳統的 AI 模型訓練中,網路擁塞或單一鏈路的輕微故障可能像多米諾骨牌般引發連鎖反應,迫使數萬顆 GPU 進入閒置狀態,導致巨大的運算資源浪費。
為從根本上提升系統韌性,MRC 協定引入了多平面網路設計。它能將單一 800Gb/s 介面智慧地分割為多個較小的鏈路。此結構優化使系統僅需兩個交換機層,即可支援多達約 131,000 顆 GPU 的大型叢集。 相較於傳統的兩層或四層架構,此變革不僅大幅減少了實體元件數量與能源消耗,更顯著降低了建置成本。
進階流量管理:封包「噴灑」與微秒級恢復
除了架構簡化之外,MRC 還引入了一種嶄新的流量分配方法。它採用自適應封包噴灑技術,擺脫了傳統的單路徑傳輸模式。此方法將任務封包拆解,並將其分散至數百條平行路徑上。即使封包抵達順序錯亂,接收端仍能準確地將其重新組裝,有效防止核心網路中的局部擁塞。
在網路控制方面,MRC 以SRv6 來源路由技術取代複雜的動態路由協定(如 BGP)。這使發送方能直接指定路徑,而交換機僅執行簡單的靜態轉發。此設計將網路故障恢復時間從數秒縮短至微秒級,使系統在面對鏈路不穩定時,能實現近乎「無縫的自我修復」。
實務驗證:超級電腦「穩定器」
MRC 協定已部署於 NVIDIA 的 GB200 超級電腦及 Oracle 的雲端基礎架構中。測試數據證實,即使在活躍的訓練情境下,MRC 也能自動繞過干擾(例如突發的鏈路抖動或交換機重新啟動),確保複雜的訓練任務得以不中斷地持續進行。
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work
如何修復核心網頁指標以獲得更好的 SEO 排名
利用 AI 工具簡化成績單評語撰寫引言用於生成成績單評語的 AI 工具Magic SchoolAlmanac AIChat GPT使用 Magic School 生成成績單評語登入 Magic School選擇成績單評語工具為學生定製評語使用 Almanac AI 生成成績單評語設定課程與評分方案配置評語長度與學生資訊使用 Almanac AI 生成評語比較 Magic School 與 Almanac AI設定的便捷性可定製性與課程內容的整合速度與效率使用





首頁






