📰 概要

2026年5月6日，AI训练迎来基础设施革命。OpenAI联合AMD、博通、英特尔、微软、英伟达发布MRC协议。

这6大巨头罕见地坐到了一起。原因很残酷：没有可靠的网络，再多的GPU也训练不出智能。

MRC全称多路径可靠连接。它解决的是AI训练的"最后一公里"问题：网络延迟导致GPU闲置。

协议已通过开放计算项目向全行业开放。这意味着任何云厂商或超算中心都能采用这个标准。

---

🔍 解读

对你来说，这意味着AI训练更可靠了。如果你在云上训练模型，网络故障导致的停机会减少。

成本可能降低。GPU闲置时间减少，训练效率提升，最终反映在账单上。

技术上看，这是网络与计算的深度融合。传统网络设计不考虑AI训练特性，现在专门优化。

6大巨头的合作信号明显。竞争再激烈，在基础设施标准上也需要协作。

已部署在NVIDIA GB200和Oracle云。实际效果显示，即使链路抖动也不中断训练。

---

💎 深挖

大规模AI训练的网络挑战很真实。单一数据传输延迟可导致整个进程中断。

GPU因此闲置。网络拥塞、链路故障是主要诱因。集群越大，问题越多。

传统网络架构扩展性不足。三层或四层交换机，功耗高，恢复慢。

MRC采用多平面网络设计。将800Gb/s接口拆分为多个较小链路。

仅需两层交换机即可连接约13.1万块GPU。对比传统架构，显著降低功耗。

流量调度引入自适应数据包喷淋技术。与传统单路径传输完全不同。

将数据包分散至数百条路径并行传输。有效避免核心网络拥塞。

即使数据包乱序到达，接收端也能正确重组。这是关键技术突破。

为简化网络控制，MRC摒弃复杂动态路由协议。如BGP这类传统协议。

转而采用SRv6源路由。发送端直接指定数据包路径，交换机依据静态配置表转发。

这种机制消除动态路由故障行为。网络故障恢复从秒级缩短至微秒级。

实际部署数据令人信服。MRC已应用于NVIDIA GB200超级计算机。

也部署在Oracle Cloud Infrastructure站点。真实训练场景验证效果。

即使发生链路抖动，MRC也能不中断训练任务自动绕过故障。

这对持续训练至关重要。传统网络中，故障可能导致数小时中断。

OpenAI的动机很清晰。训练大模型需要可靠网络，这是瓶颈。

通过OCP开源协议，推动行业采纳。建立生态领导权。

英伟达的参与合理。GB200超级计算机需要可靠网络发挥GPU性能。

AMD和英特尔作为竞争者参与。在基础设施标准上，合作大于竞争。

博通是网络芯片巨头。MRC可能催生新一代网络芯片。

微软Azure云服务受益。云上AI训练需要优化网络。

Oracle OCI也参与部署。云计算竞争延伸到基础设施。

网络与计算正在深度融合。传统网络设计独立于计算特性。

现在为AI训练专门优化。这是高性能计算新阶段。

开源硬件标准成为共识。OCP平台让竞争对手在标准层面合作。

最终使用者受益。获得更优解决方案，降低总体成本。

对AI行业影响深远。训练效率提升意味着更大模型成为可能。

成本下降加速AI技术进步。

但MRC不是万能药。它解决网络问题，但AI训练还有算力、算法等挑战。

实施需要硬件支持。现有网络设备可能需要升级。

标准化需要时间。虽然开源，广泛采纳需要生态建设。

从投资角度看，利好网络设备厂商。新协议催生新硬件。

什么情况不建议用？如果你不涉及大规模AI训练，这个协议影响有限。

但如果你在云上训练模型，或关注AI基础设施，MRC值得深入研究。

OpenAI用MRC协议揭示了AI竞赛底层逻辑。不仅是算法和数据竞争，更是基础设施竞争。

6大巨头合作提醒我们。在技术发展关键时刻，合作可能比竞争更重要。

网络作为AI训练"最后一公里"，终于有专门解决方案。这可能比新模型更有价值。