ReelOS.AI 禅定｜这篇文章先记住一句话
AI Compute Fabric 不是“更快的网线”，而是 GPU 集群的算力组织方式。
- GPU 很贵。
- 但 GPU 越多，越依赖协同，而不是单卡性能。
- 协同分两层：节点内 Scale-up，节点间 Scale-out。
- Scale-up 解决一台服务器 / 一个机箱内 GPU 的高速互连，典型技术是 NVLink、NVSwitch、PCIe。
- Scale-out 解决服务器之间、机柜之间、集群之间的高速通信，典型技术是 InfiniBand、RoCE、RDMA。
- 训练和推理都会产生大量 GPU 间数据交换。
- 数据交换慢，GPU 就等待；GPU 等待，就是算力浪费。
- RDMA 减少 CPU 参与和内存拷贝，降低通信延迟。
- RoCE 在以太网上实现 RDMA，让以太网也能服务 AI 集群通信。
- 所以 AI Compute Fabric 的核心，不是连接 GPU，而是减少 GPU 空转，把理论算力变成有效算力。
过去理解数据中心，很多人会把 GPU、CPU、存储、网络分开看。
GPU 是算力。存储是数据。网络是连接。运维是保障。
但 AI 工厂改变了这个分工。
当训练任务从单机走向上千卡、上万卡，网络不再只是“把服务器连起来”的配套设施，而是决定 GPU 能不能一起工作的核心系统。
更准确地说，AI 工厂采购的不是一堆 GPU，也不是一批交换机，而是一套能够持续交付有效算力的系统。
这里的关键词不是 theoretical FLOPS，而是 effective compute。
也就是：
买来的理论算力，有多少真正转化成了训练吞吐、推理吞吐和单位时间内可交付的 Token。
这就是为什么 InfiniBand、RoCE、Spectrum-X、Ultra Ethernet 会成为 AI 基础设施里的高频词。
它们不是简单的网络名词，而是几种不同的 AI Compute Fabric 构建路线。
一、核心判断：AI 工厂的瓶颈，正在从“有没有 GPU”转向“GPU 能不能协同”
AI 集群不是把 GPU 堆在一起就完成了。
大模型训练通常会把模型、数据、梯度、激活值和专家路由拆分到不同 GPU 上。GPU 在本地完成一段计算之后，必须与其他 GPU 交换信息，才能进入下一轮计算。
这意味着 AI 训练不是单点计算，而是同步计算。
如果通信慢，GPU 就会等待。
如果网络拥塞，GPU 就会空转。
如果尾延迟抬高，整个训练 step 就会被慢节点拖住。
如果多任务互相干扰，集群利用率就会下降。
所以，AI 工厂里的网络价值，不应该只按“交换机多少钱、端口多少、速率多高”来理解，而应该按它保护了多少 GPU 时间来理解。
一句话：
在 AI 工厂里，网络不是连接 GPU 的成本项，而是把 GPU 时间转化为有效算力的放大器。
二、学习地图：先建立完整知识框架
要理解 AI 工厂网络，可以按五层学习。
| 层级 | 要回答的问题 | 关键词 |
|---|---|---|
| 第 1 层：通信模式 | GPU 之间到底在传什么？ | AllReduce、ReduceScatter、AllGather、AllToAll |
| 第 2 层：传输机制 | 数据如何绕开 CPU 高效传输？ | RDMA、GPUDirect RDMA、NIC、PCIe |
| 第 3 层：网络路线 | 跨服务器 GPU 通信走哪种 Fabric？ | InfiniBand、RoCE、Ethernet |
| 第 4 层：系统平台 | 谁把网卡、交换机、拥塞控制、遥测做成端到端系统？ | Spectrum-X、UFM、AI Ethernet |
| 第 5 层：产业选择 | 企业应该选哪条路线？ | 性能确定性、开放生态、运维复杂度、厂商绑定、有效带宽 |
这篇文章的目标不是让你记住几个网络名词，而是建立一张判断地图：
当一个 AI 集群性能不达预期时，你知道应该从哪里定位问题；当你选择 IB、RoCE 或 Spectrum-X 时，你知道自己真正选择的是什么。
三、AI Compute Fabric 到底是什么？
Fabric 直译是“织物”或“网状结构”。
在 AI 基础设施里，Fabric 指的不是某一根网线、某一台交换机，而是一套让大量计算节点协同工作的通信系统。
它包括：
| 组成 | 作用 |
|---|---|
| NIC / SuperNIC | 服务器侧的网络入口，负责高速收发、RDMA、拥塞控制等 |
| Switch | 交换转发，决定流量如何穿过集群 |
| Topology | 拓扑结构，例如 Fat Tree、Dragonfly、多平面网络 |
| RDMA | 让数据绕开 CPU 和内核路径，直接在内存之间传输 |
| GPUDirect RDMA | 让网卡与 GPU 显存之间建立更直接的数据通路 |
| Congestion Control | 拥塞发现、标记、降速、分流 |
| Telemetry | 采集队列、丢包、延迟、链路、作业等状态 |
| Runtime | NCCL、MPI、DeepEP、训练框架等通信运行时 |
| Operations | 部署、调优、告警、故障定位、容量规划 |
所以，AI Compute Fabric 可以这样理解：
AI Compute Fabric 是连接 GPU 集群的高性能通信系统，它的目标不是“连通”，而是让分布式计算在高负载、大规模、多任务情况下保持高有效带宽、低尾延迟和可预测性能。
四、NCCL：理解 AI 网络的入口
很多人谈 AI 网络，一上来就谈交换机和端口速率。
这容易误入歧途。
真正应该先看的，是 AI 训练的通信原语。
NVIDIA NCCL 是 GPU 集合通信库，官方文档列出了 AllReduce、Broadcast、Reduce、AllGather、ReduceScatter、AlltoAll、Gather、Scatter 等 collective operations。其中 AllReduce 会把多个 rank 的数据规约后分发给所有 rank；ReduceScatter 会规约后把结果切分给不同 rank；AlltoAll 则是每个 rank 向其他 rank 发送不同数据并接收不同数据。
这几个操作决定了 AI 网络为什么特殊。
| 并行方式 | 典型通信 | 网络压力 |
|---|---|---|
| 数据并行 Data Parallel | AllReduce / ReduceScatter | 梯度同步，流量大，强同步 |
| 张量并行 Tensor Parallel | AllGather / ReduceScatter | 层内高频通信，对延迟敏感 |
| 流水并行 Pipeline Parallel | Send / Receive | 阶段间传输，受调度和 bubble 影响 |
| 专家并行 Expert Parallel / MoE | AllToAll | Token 动态路由，热点难预测，尾延迟敏感 |
普通互联网业务可以容忍少量请求晚一点返回。
大规模同步训练不能轻易容忍某些 GPU 长时间掉队。因为一个慢节点，可能拖住整个 step。
五、RDMA：为什么 AI 网络不能只靠 CPU 转发？
RDMA 的全称是 Remote Direct Memory Access，即远程直接内存访问。
它的核心价值是减少 CPU 参与和内存拷贝，让一台机器上的数据更直接地写入另一台机器的内存区域。
在 GPU 集群里，更关键的是 GPUDirect RDMA。NVIDIA 官方文档说明，GPUDirect RDMA 允许 GPU 与第三方 PCIe 设备之间建立直接数据交换路径，网络接口卡就是典型的第三方设备之一。
这意味着，在理想路径下，GPU 通信不必每次都绕到 CPU 和系统内存里做多次拷贝。
可以简化成：
| 传统路径 | 更高效路径 |
|---|---|
| GPU → CPU 内存 → 内核网络栈 → NIC → 网络 → NIC → CPU 内存 → GPU | GPU 显存 ↔ NIC ↔ 网络 ↔ NIC ↔ GPU 显存 |
这就是 InfiniBand 和 RoCE 都高度关注 RDMA 的原因。
它们真正解决的不是“网络能不能通”，而是“GPU 与 GPU 之间的数据交换能不能少走弯路”。
六、系统位置：网络在 AI 工厂里处在哪一层？
一个 AI 工厂可以分成四个关键层次。
| 层级 | 代表组件 | 解决的问题 |
|---|---|---|
| 单卡计算层 | GPU、HBM | 单个 GPU 的计算与显存能力 |
| 机内互连层 | NVLink、PCIe、NVSwitch | 一台服务器或一个 rack 内 GPU 之间的高速通信 |
| 跨节点 Fabric 层 | InfiniBand、RoCE、Spectrum-X、UEC | 多台服务器、多机柜、多集群之间的通信 |
| 调度与运行时层 | NCCL、MPI、Kubernetes、Slurm、训练框架 | 任务如何切分、调度、通信、恢复 |
InfiniBand、RoCE、Spectrum-X 主要处在第三层：跨节点 Fabric 层。
这也是 AI 集群从“几台机器”走向“大规模工厂”时最容易出问题的一层。
原因很简单：
机内通信距离短、拓扑固定、可控性强。
跨节点通信距离长、路径多、交换层级多、拥塞点多、故障面也更大。
所以，当 GPU 数量从几十张扩到几千张，网络问题会从“偶发性能抖动”变成“系统性算力损耗”。
七、三条路线：InfiniBand、RoCE、Spectrum-X 分别是什么？
先给结论：
| 名称 | 本质 | 核心价值 | 核心代价 |
|---|---|---|---|
| InfiniBand | 专用高性能互连体系 | 高性能、低延迟、确定性、HPC 生态成熟 | 生态相对独立，供应和运维体系更专用 |
| RoCE | 在以太网上承载 RDMA 的技术路线 | 复用以太网生态，供应链更开放，部署更灵活 | 调优复杂，对拥塞控制、队列、PFC/ECN、遥测要求高 |
| Spectrum-X | NVIDIA 面向 AI 负载构建的端到端以太网平台 | 把 RoCE、SuperNIC、交换机、遥测、拥塞控制做成全栈平台 | 更偏 NVIDIA 全栈路线，需要权衡厂商绑定和开放性 |
这三者不是完全平行的概念。
InfiniBand 是一套专用网络体系。
RoCE 是一种在以太网上实现 RDMA 的技术路线。
Spectrum-X 是 NVIDIA 基于以太网和 RoCE，为 AI 工作负载做的端到端平台。
这是理解全文的关键。
1. InfiniBand：用专用体系换确定性
InfiniBand 长期被高性能计算和大规模 AI 训练采用，不只是因为它“快”。
它的价值在于端到端体系。
NVIDIA 对 Quantum InfiniBand 的介绍中强调了 In-Network Computing、SHARP、QoS、拥塞控制、自适应路由、自修复网络以及面向 AI/HPC 的大规模部署能力。
这说明 InfiniBand 的优势不是某一个参数，而是系统确定性。
它更像一条专用高速铁路：
- 轨道是专用的；
- 调度体系是统一的；
- 车辆规格是适配的；
- 拥塞和故障恢复机制是内建的；
- 面向 HPC / AI 集体通信做了长期优化。
对于大规模同步训练，这种确定性很重要。
因为训练性能不只看平均吞吐，还看最慢 step、最差链路、最拥塞时刻、故障恢复期间的性能波动。
InfiniBand 的核心优势可以总结为：
当你追求极致性能、低延迟和可预测集群行为时，InfiniBand 仍然是最成熟的高性能互连路线之一。
它的代价也明显：体系更专用，设备、软件、运维和人才体系都更接近 HPC 世界，不像以太网那样广泛融入传统云数据中心生态。
2. RoCE：把 RDMA 带进以太网，但把复杂度带给工程团队
RoCE 的全称是 RDMA over Converged Ethernet。
它的目标很直接：
在以太网上实现 RDMA。
这对云厂商和企业数据中心很有吸引力，因为它们本来就有大量以太网设备、布线、光模块、交换机和运维体系。
RoCE 的难点不是“能不能跑起来”，而是“能不能在大规模、高负载、同步通信下稳定跑”。
RoCE 网络通常要处理：
| 工程项 | 作用 |
|---|---|
| PFC | 优先级流控，用于降低特定队列丢包 |
| ECN | 显式拥塞标记，让端侧知道网络开始拥塞 |
| DCQCN | 数据中心量化拥塞通知，结合 ECN / PFC 进行速率调节 |
| Queue / Buffer | 队列和缓存规划，避免热点和队头阻塞 |
| ECMP / Load Balancing | 多路径负载均衡 |
| Telemetry | 链路、队列、丢包、延迟、PFC pause、作业性能监控 |
| QoS | 多业务、多租户、多任务隔离 |
| Topology | Fat Tree、Clos、多平面、机柜域设计 |
RoCE 的本质是一种权衡：
用开放的以太网生态换部署灵活性，同时把更高的系统调优复杂度交给网络工程、运维和平台团队。
所以，RoCE 不是“普通以太网插上 GPU 就能跑 AI 训练”。
更准确地说：
RoCE 是以太网生态进入 AI 高性能互连的主流路线，但它需要被当作一套工程系统设计，而不是一项网卡功能开关。
3. Spectrum-X：NVIDIA 把 AI Ethernet 做成端到端平台
Spectrum-X 经常被拿来和 InfiniBand、RoCE 放在一起比较，但它不是第三种独立协议。
Spectrum-X 是 NVIDIA 面向 AI 负载构建的以太网平台。
NVIDIA 官方介绍中，Spectrum-X 包括 Spectrum-X Ethernet Switches 和 Spectrum-X Ethernet SuperNICs，并强调它面向 AI training 和 distributed inference，提供 GPU-to-GPU 通信所需的高有效带宽和性能隔离。官方还提到 Spectrum-X Multiplane 能通过两层拓扑扩展到 128K GPUs。
这说明 Spectrum-X 的定位不是“新协议”，而是“AI Ethernet 平台化”。
它试图解决 RoCE 的核心痛点：
- RoCE 有开放生态，但调优复杂；
- 普通以太网负载均衡不理解 AI 通信节奏；
- 单纯靠交换机无法完整解决 GPU 通信问题；
- 多租户、多任务、故障恢复和遥测需要端到端闭环。
所以 Spectrum-X 的核心逻辑是：
让网卡、交换机、拥塞控制、遥测和 AI 通信软件协同工作，把以太网改造成更适合 AI 工厂的 Compute Fabric。
一句话总结：
Spectrum-X 是 NVIDIA 对 RoCE 以太网的“AI 工厂封装”：把开放以太网路线做成更接近 InfiniBand 确定性的产品平台。
八、为什么 AI 网络越来越重要？
第一，因为 AI 训练越来越同步。
大模型训练不是一堆 GPU 独立工作。它们必须在大量 step 中反复同步。只要有一部分通信慢下来，其他 GPU 就可能等待。
这就是所谓的 straggler effect：少量慢节点拖住整体。
AI 训练不是看某条链路的峰值，而是看整个通信系统在高负载下的稳定性。
第二，因为 MoE 把网络压力进一步放大。
传统 Dense 模型已经需要大量 AllReduce、ReduceScatter、AllGather。MoE 模型则引入了更多 AllToAll 通信。
因为每个 Token 可能被路由到不同专家，而专家又可能分布在不同 GPU、不同服务器甚至不同机柜。
这会带来三个变化：
| 变化 | 影响 |
|---|---|
| 通信更动态 | Token 路由不同，热点更难预测 |
| 流量更碎片化 | 小包、突发、跨节点通信增加 |
| 尾延迟更重要 | 某些专家过载会拖慢整体推理或训练 |
第三，因为单位 Token 成本开始取决于系统效率。
AI 基础设施最终要回到经济账。
对于训练，网络影响的是训练周期、GPU 利用率、实验迭代速度、作业失败和重启成本、多任务并发效率。
对于推理，网络影响的是吞吐、延迟、TTFT、ITL、多租户隔离和单位 Token 成本。
所以，AI 网络被重新定价的根本原因是：
网络节省的不是网络成本，而是 GPU 时间、机房资源、电力资源和模型迭代窗口。
九、产业逻辑：不是协议之争，而是三种建厂方式之争
1. InfiniBand 路线：专用体系优先
适合：
- 超大规模训练集群；
- 对性能确定性要求极高的场景；
- 团队愿意采用完整高性能互连体系；
- 更重视稳定交付，而不是多厂商开放选择。
核心问题：
我是否愿意为更强确定性接受更专用的技术栈？
2. RoCE 路线：开放生态优先
适合：
- 已经有强以太网基础设施的云厂商；
- 希望复用交换机、光模块、布线和运维体系的企业；
- 有能力做网络调优、遥测、自动化和故障定位的团队；
- 希望降低对单一专用网络体系依赖的客户。
核心问题：
我是否有足够强的网络工程能力，把开放以太网调成高性能 AI Fabric？
3. Spectrum-X 路线：以太网平台化
适合：
- 希望采用以太网，但又不想完全自行承担 RoCE 调优复杂度的客户；
- 已经大规模采购 NVIDIA GPU 的 AI 工厂；
- 希望网卡、交换机、AI 通信软件和遥测体系更紧密协同的团队；
- 需要多租户性能隔离、故障恢复和大规模扩展能力的云厂商。
核心问题：
我是否愿意用 NVIDIA 全栈平台换取更强的端到端优化？
4. Ultra Ethernet 路线：开放标准重构高性能以太网
除了 Spectrum-X 这种厂商全栈路线，另一个重要方向是 Ultra Ethernet Consortium。
UEC 在 2025 年 6 月发布 Specification 1.0，官方说明它覆盖 NIC、交换机、光互连、线缆等多个层面，目标是为 AI 和 HPC 工作负载提供开放、可互操作的高性能以太网栈。
更值得关注的是 UET，也就是 Ultra Ethernet Transport。
Ultra Ethernet 的突出贡献之一，是尝试从传输层、拥塞控制、互操作标准和硬件实现上重构高性能以太网。
未来 AI 网络的产业格局，很可能不是简单的“InfiniBand 被以太网取代”，而是形成三层市场：
| 市场层次 | 可能路线 |
|---|---|
| 极致性能与确定性 | InfiniBand |
| 超大规模开放云基础设施 | RoCE / UEC / UET |
| NVIDIA GPU 全栈 AI 工厂 | Spectrum-X / InfiniBand 双路线并存 |
十、容易被误读的地方
| 常见表达 | 可能误读 | 更准确的理解 |
|---|---|---|
| 网络成为算力的一部分 | 网络变成了计算芯片 | 网络不是计算芯片，但它决定理论算力能转化成多少有效算力 |
| Spectrum-X 与 InfiniBand、RoCE 一起讨论 | 三者是同一层级的协议 | InfiniBand 是体系，RoCE 是协议路线，Spectrum-X 是端到端以太网平台 |
| RoCE 把 RDMA 带到以太网 | 普通以太网直接升级就能跑 AI 训练 | RoCE 需要拥塞控制、队列、PFC / ECN、遥测、拓扑和端侧调优 |
| 早期强调无损网络，现在强调端到端拥塞控制 | PFC 已经过时或不重要 | PFC 仍常见，但行业希望减少对全局暂停机制的过度依赖 |
| 以太网会取代 InfiniBand 吗？ | 未来只有一个赢家 | 更可能是市场分层：极致性能、开放云、全栈平台各有选择 |
| 看 400G / 800G 速率 | 端口速率等于训练性能 | AI 网络更应该看有效带宽、尾延迟、隔离能力、故障恢复和 NCCL 性能 |
十一、如何选择 AI 网络路线？
如果你是算力供应商、云厂商、企业基础设施团队，不要先问“IB 还是 RoCE”。
应该先问五个问题。
1. 工作负载是什么？
| 工作负载 | 网络重点 |
|---|---|
| Dense LLM 训练 | AllReduce / ReduceScatter 有效带宽 |
| MoE 训练 | AllToAll、热点、负载均衡、尾延迟 |
| 分布式推理 | TTFT、ITL、多租户隔离 |
| RAG / Agent 工作负载 | 存储网络、东西向流量、任务调度 |
| 多租户云服务 | 性能隔离、QoS、可观测性 |
2. 集群规模是多少？
| 规模 | 网络策略 |
|---|---|
| 8–64 GPU | 重点看机内互连、基础 RoCE / IB 配置 |
| 128–1024 GPU | 开始关注拓扑、NCCL 调优、拥塞控制 |
| 1000–10000 GPU | Fabric 设计、遥测、自动化、故障隔离成为核心 |
| 10000+ GPU | 需要平台级设计，不能靠人工调参 |
3. 团队能力在哪里？
| 团队能力 | 更适合路线 |
|---|---|
| HPC / 超算经验强 | InfiniBand |
| 以太网云网络经验强 | RoCE / UEC |
| NVIDIA 全栈部署能力强 | Spectrum-X |
| 网络团队薄弱 | 尽量选择更完整的交付方案，而不是拼装式方案 |
4. 供应链目标是什么？
| 目标 | 倾向 |
|---|---|
| 最快交付高性能训练集群 | InfiniBand / Spectrum-X |
| 多厂商供应选择 | Ethernet / UEC |
| 与现有云网络融合 | RoCE |
| 与 NVIDIA GPU 平台深度协同 | Spectrum-X / InfiniBand |
5. 真正要优化的指标是什么？
不要只看端口速率、单链路带宽、交换机容量、设备单价。
更应该看：
| 指标 | 含义 |
|---|---|
| NCCL Bus Bandwidth | 通信库真实可用带宽 |
| Step Time | 训练单步耗时 |
| P95 / P99 Latency | 尾延迟 |
| MFU | 模型 FLOPS 利用率 |
| Job Completion Time | 作业完成时间 |
| Goodput | 有效吞吐，而不是理论吞吐 |
| Failure Recovery Time | 链路或节点故障后的恢复时间 |
| Tenant Isolation | 多任务互不干扰能力 |
AI 网络选型的核心不是：
哪个协议更先进？
而是：
哪条路线能在你的工作负载、团队能力和预算条件下，交付最高有效算力？
十二、对创业者、产品经理和基础设施团队的启发
1. 对创业者：AI 基础设施的机会不只在 GPU
很多创业者看到 AI 基础设施，只想到 GPU 租赁。
但真正的机会在有效算力交付。
未来客户不会只问：“你有多少张卡？”
客户会越来越关心：
- 训练能不能稳定跑完？
- NCCL 性能怎么样？
- 多租户是否互相影响？
- 故障后多久恢复？
- 推理延迟是否稳定？
- 单位 Token 成本有没有优势？
- 是否有完整监控、调优和诊断能力？
所以，算力创业不是简单卖 GPU 小时，而是卖一套可交付、可观测、可优化的 AI Compute Platform。
GPU 是资产入口。
网络是效率杠杆。
调度是运营系统。
监控是信任基础。
成本模型是商业闭环。
2. 对产品经理：把网络能力产品化，而不是停留在工程黑盒
AI 网络很容易被藏在工程团队内部。
但真正成熟的 AI 云平台，应该把网络能力产品化。
例如：
| 产品能力 | 用户价值 |
|---|---|
| 集群健康评分 | 让客户知道集群是否适合训练 |
| NCCL Benchmark 报告 | 让客户看到真实通信能力 |
| 网络拥塞热力图 | 帮助定位慢任务和热点链路 |
| 作业级网络画像 | 解释为什么某个训练任务变慢 |
| 多租户隔离等级 | 给企业客户 SLA 信心 |
| 故障影响分析 | 告诉客户链路故障是否影响训练 |
| Token 成本拆解 | 把网络效率映射到业务成本 |
产品经理应该理解：
AI 云平台卖的不是机器，而是确定性。
确定性越强，客户越愿意把核心训练和推理任务放上来。
3. 对基础设施团队：RoCE 不是采购问题，是系统工程问题
如果选择 RoCE，千万不要把它看成“买支持 RoCE 的网卡和交换机”。
真正要建设的是一套 RoCE Fabric 工程体系：
| 模块 | 关键工作 |
|---|---|
| 拓扑设计 | Clos、Fat Tree、多平面、机柜域 |
| 队列规划 | PFC 优先级、buffer、QoS |
| 拥塞控制 | ECN、DCQCN、端侧速率调节 |
| 路径均衡 | ECMP、adaptive routing、流量打散 |
| 遥测系统 | 队列深度、PFC pause、drop、latency、NCCL 指标 |
| 自动化 | 配置一致性、基线检查、变更回滚 |
| Benchmark | NCCL Tests、OSU、真实训练 replay |
| 故障演练 | 链路故障、交换机故障、节点抖动、性能退化定位 |
RoCE 的价值来自开放以太网生态。
RoCE 的风险也来自开放系统复杂度。
没有自动化、遥测和基准测试，RoCE 很容易变成“能跑，但不稳定；便宜，但不好交付”。
4. 对投资人和产业观察者：AI 网络正在成为算力产业的新定价层
未来 AI 基础设施的估值，不应该只看 GPU 数量。
更应该看：
- GPU 利用率；
- 网络有效带宽；
- 作业成功率；
- 多租户隔离能力；
- 自动化运维能力；
- 单位 Token 成本；
- 客户任务留存；
- 大规模扩展能力。
当 GPU 成为昂贵资产，所有能提升 GPU 利用率的系统都会被重新定价。
这包括高性能网络、光互连、DPU / SuperNIC、调度系统、遥测系统、故障定位系统、训练和推理优化框架。
这也是为什么 AI 网络从“设备采购项”变成了“算力资产效率层”。
十三、结语：未来的算力竞争，是 Fabric 竞争
AI 工厂不是数据中心换了一个名字。
它是一种新的计算组织方式。
在这个系统里：
GPU 决定单点计算能力。
HBM 决定模型和 batch 的承载能力。
NVLink / PCIe 决定机内通信效率。
InfiniBand / RoCE / Spectrum-X 决定跨节点协同效率。
NCCL / MPI / DeepEP 决定通信如何被软件调用。
调度和遥测决定系统能否稳定运营。
所以，真正的 AI 工厂不是“GPU 很多”，而是“GPU 能被持续、高效、可预测地组织起来”。
InfiniBand 的价值，是用专用体系换取高性能和确定性。
RoCE 的价值，是把 RDMA 带入开放以太网生态。
Spectrum-X 的价值，是把 AI Ethernet 做成端到端优化平台。
UEC / UET 的价值，是推动以太网阵营走向开放、高性能、可互操作的新标准。
最终，这场竞争不是协议之争，也不是端口速率之争。
它竞争的是：
谁能把更多理论 FLOPS，转化成真实可交付的有效算力。
AI 工厂时代，网络不再只是连接算力。
网络本身，正在成为有效算力的一部分。
参考资料
- NVIDIA NCCL Collective Operations：用于理解 AllReduce、ReduceScatter、AllGather、AlltoAll 等 GPU 集合通信原语。
- NVIDIA GPUDirect RDMA：用于理解 GPU 与 NIC / PCIe 设备之间的直接数据交换路径。
- NVIDIA Quantum-X800 InfiniBand：用于理解 InfiniBand 的 In-Network Computing、SHARP、QoS、拥塞控制、自适应路由和自修复 Fabric。
- NVIDIA Spectrum-X：用于理解 Spectrum-X Ethernet Switch、SuperNIC、AI Compute Fabric、性能隔离和 Multiplane 架构。
- Ultra Ethernet Consortium Specification 1.0：用于理解 UEC 的开放以太网标准路线。
- NVIDIA RoCE Documentation：用于理解 RoCEv2、UDP/IP 封装、PFC、ECN 与无损以太网关系。