人工智能将如何重塑数据中心内外部网络架构？

尽管存在市场炒作周期，人工智能已进入实质性技术拐点，其引发的范式变革正在突破传统效率边界。类比蒸汽机开启工业革命、电力重塑生产模式、互联网重构信息生态，AI 作为新一代通用目的技术（General-Purpose Technology）正在催生独特的网络架构挑战与创新机遇。

人工智能 （AI），一个新的技术拐点

AI基础设施面临三维扩展困境：在存储、计算、网络资源的规模化扩展过程中，需同步应对指数级增长的能源消耗（年复合增长率>65%）与可持续发展需求。为深入解析这一命题，我们首先剖析数据中心内部网络架构变革，继而延展至跨数据中心互联的技术演进路径。

数据中心内部AI网络重构

传统云服务架构虽支撑了初期AI发展，但面对大型语言模型（LLM）训练、生成式AI（GenAI）等新型负载，其网络性能瓶颈日益凸显。以ChatGPT为代表的GenAI应用揭示出传统架构的局限性——尽管成本效益与弹性扩展仍是核心诉求，但AI工作负载对网络提出了颠覆性要求，如下图所示。

传统云和 AI 基础设施要求的比较

深度学习驱动的LLM训练场景中，数据中心内部网络需满足：

• 超高频宽需求：单节点400Gb/s至1.6Tb/s传输带宽
• 亚微秒级时延：GPU集群间通信延迟要求<1μs
• 无损传输特性：零丢包率与精准拥塞控制机制

AI 由数据中心内部和之间的高性能网络提供支持

产业界通过双重路径应对挑战：

• 物理层突破：硅光集成收发器（1.6Tb/s PAM4）、光电路交换矩阵（OCS）、共封装光学（CPO）等技术演进
• 协议层革新：Ultra以太网联盟（UEC）增强RoCEv2协议，UALink产业联盟制定加速器互连标准

AI园区网络

单个现代 GPU 是 AI 计算集群的基本元素，其功耗可能高达 1,000 瓦，因此，当数万到数十万（甚至更多）互连用于 LLM 训练等目的时，相关能耗将成为数据中心运营商面临的巨大挑战。新的 AI 基础设施将迅速消耗现有数据中心内的能源和空间。这将导致在数据中心相距不到 10 km 的“园区”中建造新的数据中心，以最大限度地减少延迟，从而提高 AI 应用程序的性能。

而校园则需要位于可靠、可持续且具有成本效益的可用能源附近。园区数据中心将使用针对特定成本、功率、带宽、延迟和距离优化的光学器件相互连接，并与远程数据中心相连。

• 能耗挑战：单颗AI加速芯片功耗突破1200W，十万级集群PUE优化至1.1以下；
• 拓扑创新：采用3D-Torus与Hypercube拓扑结构，光互连距离<300米；
• 能效优化：液冷系统搭配48V直流供电，能源利用率提升35%。

数据中心互联（DCI）网络

由于 AI 基础设施托管在新的和现有的数据中心中，因此需要将它们互连，就像它们今天对于传统云服务的互连一样。这将使用类似的光传输解决方案来实现，尽管速率更高，包括 1.6Tb/s。根据 Omdia 预测2023-2030年AI相关流量年复合增长率达126%

边缘推理网络

• 模型优化：知识蒸馏技术压缩LLM体积达90%
• 时延控制：边缘节点端到端时延<10ms
• 合规架构：同态加密与联邦学习实现隐私保护

AI基础设施面临严峻能效挑战：

• 计算维度：每PFLOPS能耗从20kW向5kW突破
• 传输维度：光模块能效比从15pJ/bit向1pJ/bit演进
• 架构创新：第三代相干算法使频谱效率提升40%，每比特功耗下降35%

构建AI原生网络生态

AI价值实现依赖于数据流动效率，这要求：

1. 协议革新：QUIC协议替代TCP/IP降低30%时延；
2. 安全架构：拟态防御体系融合量子密钥分发（QKD）；
3. 智能管控：基于数字孪生的网络自优化系统。

尽管 AI 基础设施计算和存储消耗的电能远高于将它们互连的网络，但网络带宽的增长无法与相关的功耗线性扩展——这既不可持续也不具有成本效益。这意味着网络技术还必须始终减少每比特的电力（和空间），以便在对实现 AI 功能至关重要的行业中“尽其所能”。

撇开炒作不谈，人工智能将为不同行业提供前所未有的好处，对我们的商业和个人生活产生积极影响。然而，AI 的快速和广泛采用带来了一系列与其基础设施（包括计算、存储和网络构建块）相关的新挑战。成功应对这些挑战需要广泛的跨行业创新和协作，因为只有当数据能够安全、可持续且经济高效地从托管 AI LLM 培训的核心数据中心内部移动到托管 AI 推理的边缘数据中心时，AI 才能成功扩展。