北京
当企业把人工智能推入生产环境，一个原本安静的基础设施层突然站到了聚光灯下：AI工厂的网络。它不再只是链接服务器的管道，而是决定性能、扩展性和成本的关键变量。theCUBE Research首席分析师Bob Laliberte在一份新分析中提出了一个容易被忽视的问题——为什么评估AI基础设施，不能只盯着GPU的数量和速度？
这份分析源于Laliberte与英伟达网络高级副总裁Gilad Shainer的一次讨论，由Laliberte和theCUBE Research首席分析师Dave Vellante共同主持。双方的核心判断是：计算、网络、存储和软件必须像一个紧密协调的系统那样工作，单点优势再也撑不起整个AI工厂。
感知的变化比预想中更快。theCUBE Research在“面向AI的网络”研究中发现，近95%的受访组织表示，网络对于实现业务目标的重要性较两年前明显提升。Laliberte在报告中写道：“这是一个显著的观念转变，反映出AI正如何重塑基础设施的优先级。”
之所以会出现这种转变，与AI生产工作负载对底层资源的调用模式直接相关。传统企业应用大多跑在相对独立的服务器上，而AI训练、分布式推理、检索增强生成以及代理式应用，需要GPU、CPU、数据处理器和存储设备持续交换信息。Laliberte解释说，AI工厂网络的作用远不止搬运数据，它决定了整个分布式基础设施究竟表现为一个统一的AI平台，还是仅仅一堆相互连接的服务器。
他在分析中进一步点出：“AI工厂的成功取决于分布式资源协作的效率。网络不再只是把信息从一台服务器传到另一台，而是在协调整个分布式计算环境的运作。”进入生产推理阶段后，系统的协同要求更加复杂——处理器、数据库、存储平台、检索系统与用户请求可能同时交织在一起。代理式AI又把这一连串活动进一步放大：自主系统要不断检索信息、调用工具、跨越多步工作流交换上下文。Shainer的回应很直接：“如果你想构建一台AI超级计算机，就需要一个能让这些计算引擎像单一单元那样工作的网络。”
顺着这个逻辑，Laliberte的分析也重点关注了英伟达的“极端协同设计”策略，其要义是把网络、计算、存储和软件视作一个平台内相互依赖的组件。他指出，随着AI环境的规模和复杂度不断攀升，这种系统级设计正变得越来越关键。以太网在讨论中也占据了重要篇幅：英伟达Spectrum-X平台的定位就是降低分布式AI系统中的拥塞、抖动和性能不均衡。相关讨论提及，该平台试图让以太网适应AI工作负载的确定性需求，而非让AI应用委屈地去迁就传统网络。
留给行业的思考很明确：当每一条计算流水线都在告诉你网络是瓶颈时，也许正是时候像对待算力一样，严肃地设计你的AI工厂网络。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
