被低估的算力隐形引擎：智算网络如何重构AI算力基础设施？

文/海峰看科技

当我们谈论AI时，目光总是不自觉地投向GPU的算力参数、大模型的参数量级，却常常忽略了一个决定AI集群真实效能的关键因素--网络。在AIGC全面爆发、大模型加速落地的今天，没有高性能的智算网络，再强的GPU集群也只是一堆孤立的计算单元。

为什么很多企业砸下重金建设的智算集群，规模上去了但实际训练效率却跟不上？为什么网络故障会成为大模型训练中最拖后腿的因素？带着这些问题，让我们一起看看联想如何将网络从数据搬运工打造成算力放大器。

算力狂飙时代，网络才是真正的天花板

过去三年，AIGC带来了算力需求的指数级增长。从千亿参数的通用大模型到万亿参数的行业垂类模型，从AI推理的规模化落地到科学计算的复杂运算，智算中心已经从可选建设变成了数字经济的刚需基建。

一组数据足以说明市场的火爆程度：2021-2026年，中国200G/400G以太网交换机市场规模年复合增长率高达51%，从2021年的4.4亿元将快速增长至2026年的47.9亿元，五年增长近11倍。

这背后，是数据中心流量结构的根本性变化--东西向流量（数据中心内部服务器之间的横向数据传输，区别于用户访问服务器的南北向流量）占比超过85%，传统网络架构早已不堪重负。

所以智算网络必须满足四大核心要求：高带宽、低时延、低成本、高密度。简单来说，网络是架构基础，网络越强，算力才越强；算力越强，AI回报越高。然而，现实情况却不容乐观。Meta公布的OPT-175B模型训练日志显示，在56天的训练周期里，出现了50多次断点，最长的3次连续训练时间只有2.8天、2天和1.5天，训练业务故障平均间隔时间仅3天。而在Llama3的训练中，16K H100 GPU在54天的预训练过程中发生了419次意外故障，平均每3小时就有一次中断。

更值得关注的是，虽然网络故障只占所有故障的10%左右，但网络故障的恢复时间却是最长的。上海AI LAB发表在NSDI 24（网络系统领域顶级学术会议）的论文指出，GPU服务器相关故障占比高，但网络故障一旦发生，往往需要数小时甚至数天才能恢复，对训练进度的影响最为致命。

这正是当前智算建设中普遍存在的剪刀差现象：企业投入巨资购买了最先进的GPU，却因为网络瓶颈导致算力利用率不足30%。AI时代的算力竞争，本质上是网络效率的竞争。真正卡住集群效率的，往往是看不见的网络延迟与稳定性。

硬核技术创新，破解智算网络卡脖子难题

面对智算网络的诸多挑战，联想通过多年技术积累，持续打造从硬件到软件的全栈解决方案。

依托IB网络与以太网双架构并行的完整硬件产品矩阵，联想打造出端到端一体化的智算网络全栈方案，覆盖从服务器、存储、数据网络到统一管控平台的完整链路，能够按需适配不同规模的算力集群，支持快速部署、开箱即用，全面覆盖AI训练、训推一体、HPC科学计算等多元业务场景。

在多机互联的产品布局上，联想双架构并行的模式可充分匹配不同算力集群的建设需求：AI/HPC服务器侧形成了全场景产品阵列，包含联想问天 WA7780 G3 AI大模型训练服务器、联想问天 WA5480 G3 AI训推一体服务器等，覆盖从大规模训练到轻量化推理的全场景计算需求；数据网络交换机侧则搭建了梯度完整的交换机组网体系，涵盖400G/800G IB网络交换机、400G核心交换机、100G汇聚交换机等多档位产品，可灵活支撑从几十张卡到上万张卡的不同规模集群组网。

本次重磅发布的新一代旗舰AI交换机--联想问天 NE8780-128QC2XS，正是这套全栈解决方案能力最核心的硬件载体。该产品搭载博通最新5nm工艺Tomahawk5芯片，交换容量高达102.4Tbps，包转发率达21000Mpps，性能较上一代产品翻倍。其配备128个400G端口+2个10G SFP+专用监控端口，解决传统千兆带外端口无法满足智算场景精细化运维采样需求的痛点，在8K规模组网中可大幅减少交换机设备投入，有效降低智算中心的整体组网建设成本与日常运维复杂度。

在完整的产品矩阵与核心硬件能力之上，联想还通过三大核心技术创新，从根本上破解了智算网络的性能与稳定性难题。

首先，负载均衡：让每一条高速公路都跑满。传统的ECMP（等价多路径路由，传统网络中最常用的负载均衡技术）负载均衡就像红绿灯，只能根据目的地粗略分流，很容易出现一条路堵死，另一条路空着的情况。为了解决这个问题，联想经历了三代技术演进：

• 一是RALB（逐包负载均衡技术），逐包负载加网卡乱序重组，就像把一辆大卡车拆成多个小包裹分别运输，到达目的地后再重新组装，但这种方式依赖网卡的特殊能力，适用范围较窄；
• 二是AILB（端口级路径规划负载均衡技术），端口级的路径规划，等于提前给每辆车规划好固定路线。在交通流量固定的情况下效率很高，但如果路线突然变化，就容易出现拥堵；
• 三是ENLB（端网协同负载均衡技术），端网协同的负载均衡，这是联想目前最先进的方案。它结合前两种技术的优点，先把单个网卡的流拆成多个QP（队列对，RDMA 远程直接内存访问通信的基本单位），再通过交换机的特殊算法进行智能散列。

ENLB就像一个智能交通指挥系统，能够实时根据路况调整车流。测试数据显示，在64M~512M数据量区间，ENLB的性能比传统AR（自适应路由）方案快10%。更重要的是，当4条上行链路中断1条时，Allreduce（分布式训练中最核心的集合通信操作，用于所有GPU之间同步梯度数据）带宽仅下降13%，而传统方案会下降50%以上。

其次，双平面组网：打造永不堵车的算力大动脉。联想采用了IB（InfiniBand，一种专为高性能计算设计的低延迟高速网络）网络与以太网并存的异构互联架构，能够完美适配从几十张卡的小规模推理集群到上万张卡的大规模训练集群。在此基础上，联想推出双平面组网技术，相当于在城市里修建了两条平行的高速公路，平时分流行驶，一条路出现故障时，另一条路可以立即接管全部流量。

更令人惊喜的是联想的ARP（地址解析协议，用于将IP地址转换为MAC物理地址）镜像去堆叠技术。传统的堆叠技术需要两台交换机之间用专用线缆连接，浪费了宝贵的端口资源。而联想的技术无需修改服务器内核，也不需要交换机之间的物理连接，就能实现网卡端的高可靠接入。这不仅让二级组网的规模翻倍，还降低了40%的组网成本。

最后，端侧逃生：秒级恢复，让训练永不中断。大模型训练动辄需要数周时间，一次意外中断就可能导致几天的算力白费。联想的端侧逃生技术彻底解决了这个痛点，它会提前为每条通信路径计算好备用路线，一旦主路径出现故障，能够在秒级内自动切换到备用路径，上层应用完全无感知。

以前网络故障需要几十分钟甚至几小时才能恢复，现在只需要几秒钟。通过这项技术，网络导致的训练中断率降低了90%以上。

全生命周期服务，让AI落地不再有门槛

再好的技术和产品，最终都要通过服务落地。联想的交钥匙工程和全生命周期服务能力，展示联想如何通过服务与硬件的协同，帮助企业快速、低成本落地AI应用。

联想打造了全国最大的智能化服务交付体系：24000多名认证工程师覆盖全国1-6级城市，北京、上海两大核心备件库加上1400多个前置备件库，能够实现7×24小时响应。无论是贵州、甘肃还是内蒙的偏远数据中心，联想工程师都能在最短时间内到达现场。

• 在部署效率方面，联想的智能运维系统将千卡集群的交付时间从3周缩短到1天。通过配置自动化、自动巡检和自动验收，实现设备0配置上线，大大降低部署门槛和人为错误；
• 在运维方面，联想的智能运维平台基于Telemetry（遥测技术，一种实时、高精度的网络数据采集技术）技术实现了秒级遥测，能够实时监控设备、接口、队列甚至流级别的状态。通过AI算法进行故障预测和根因分析，将故障定位时间从原来的6-12小时缩短到3分钟。

智算网络，AI竞争的下半场

智算网络不只是算力的配套设施，也是释放AI生产力的高速引擎。从联想问天系列交换机的硬件迭代，到ENLB、双平面组网等技术突破，再到覆盖全生命周期的服务交付体系，联想把网络从被动的数据搬运通道，变成了主动的算力放大器，并帮助客户解决了集群利用率低、训练不稳定、部署运维难的核心痛点。

随着智能体时代全面到来，行业大模型、多模态应用将进一步爆发，智算网络也会向更高带宽、更低时延、更智能运维的方向持续演进。面向未来，联想将持续深耕智算网络领域，依托全栈方案能力与全域服务体系，赋能各行业AI应用落地，携手产业伙伴共建智能体时代的高效算力底座。