一、案例背景
（一）AI算力竞赛的范式转移
2026年，全球人工智能产业的竞争格局正在经历一场深刻的底层逻辑重构。过去数年，业界习惯于以单颗GPU的算力指标——如每秒浮点运算次数（FLOPS）——来衡量AI基础设施的先进程度。英伟达等芯片巨头每年推出的新一代GPU产品，其算力性能的跃升往往被视为AI产业进步的标志性事件。然而，当大模型训练集群从千卡规模迈向万卡乃至十万卡规模时，一个此前被忽视的瓶颈开始浮出水面：网络。
这并非一个全新的问题。早在2023年前后，业界就已经开始关注到AI集群中“GPU空转”的现象。但到了2026年，这一问题已经严重到足以改写算力竞赛规则的程度。正如一条高速公路，即便车道修得再宽，如果收费站拥堵，车辆依然无法快速通行。AI集群正在遭遇的，正是这样一场系统性的“交通瘫痪”。
（二）数据的“拥堵时代”
是德科技（Keysight Technologies）网络与数据中心副总裁Joachim Peerlings在Keysight World大会上展示的一组数据，揭示了问题的严峻性：在计算机视觉模型训练中，GPU有超过60%的时间花费在数据移动和通信上，真正用于计算的时间仅占20%左右。这意味着，一块价值数万美元的GPU，其大部分生命周期不是在“计算”，而是在“等待”——等待数据从相邻的GPU传输过来。
更令人忧虑的是训练失败率。在资源最密集的大语言模型训练任务中，因网络问题导致的训练失败率高达21%。换言之，每五次训练就有一次因网络故障而中断，而一次中断可能意味着数小时甚至数天的计算成果付诸东流。对于动辄投入数千万美元训练成本的大模型项目而言，这一比例带来的经济损失是天文数字。
中科曙光高级副总裁李斌的估算进一步说明了问题的规模：传统CPU计算节点，一台机器配一张网卡即可满足需求；但如今以GPU为中心的计算节点，一台机器需要配置八张甚至更多网卡。“相比原来的数据中心高速网络用量，基本提升了10到20倍。”这种网络需求的指数级增长，使得数据中心的基础设施架构面临根本性的重构压力。
……