Meta 百万 GPU 集群曝光：千兆瓦级 AI 工厂背后的通信网络大考

Meta 工程团队披露了其位于美国俄亥俄州的 AI 超算集群 Prometheus：这是一个千兆瓦级设施，满配状态下将接入约 100 万颗 GPU，并已被用于训练 Meta 的 Muse 基础模型。对通信行业而言，这条消息真正值得关注的，不只是 GPU 数量本身，而是“百万卡”与“千兆瓦”两个量级同时出现——它意味着 AI 基础设施竞赛正在从芯片层面，转入网络、光互联、电力、散热和系统工程能力的综合较量。

过去几年，行业谈 AI 算力，焦点多集中在加速卡性能、HBM 带宽和单机柜功率密度。但当集群规模逼近百万 GPU、园区能耗达到千兆瓦级，决定训练效率的瓶颈就会迅速向网络侧转移。GPU 之间的数据搬运、集群之间的协同调度、长距离光传输、电力与冷却约束，都会成为影响模型迭代速度的关键变量。Prometheus 的意义，正在于把这些问题推到了产业前台。

百万 GPU 集群，首先是一张超级网络

百万 GPU 不是把服务器简单堆进机房，而是构建一张超大规模、低时延、高带宽的互联网络。基础模型训练以分布式并行计算为主，数据并行、张量并行、流水线并行等策略都会产生大量 GPU 间通信。与传统云计算以南北向流量为主不同，AI 训练集群的核心是东西向流量：参数同步、梯度交换、激活值传输、集合通信操作，都会在集群内部持续产生高强度流量。

集群规模越大，网络的重要性越高。万卡级集群中，一次集合通信的效率波动，就可能让大量 GPU 进入等待状态；到了十万卡、百万卡级，网络拥塞、尾时延、丢包和链路故障都会被显著放大。对训练任务而言，最昂贵的成本不是电费，而是 GPU 因等待网络而闲置的时间。因此，AI 集群网络通常追求低收敛甚至无阻塞拓扑，并在拥塞控制、无损网络、RDMA、集合通信库等层面做深度优化。

这也直接拉动光通信产业链。百万 GPU 满配意味着交换端口和光模块数量将呈倍数增长。高速光模块从 400G、800G 向 1.6T 演进，硅光、CPO、LPO 等路线加快成熟，交换芯片容量持续提升，光纤布线密度和散热要求同步提高。AI 超算集群已不只是服务器市场的机会，更是光通信、交换设备、连接器和数据中心基础设施的系统性机会。

千兆瓦级园区：数据中心正在变成“AI 工厂”

Prometheus 的另一个关键词是千兆瓦级。这个量级接近大型工业设施的用电规模，远非传统云数据中心可比。AI 训练集群需要持续、稳定、高密度的电力供应，同时还要解决高功率机柜的散热问题。液冷、冷板、浸没式方案、余热回收、变电站接入和备用电源系统，都从配套选项变成前置条件。

选址逻辑也随之变化。传统数据中心强调靠近用户、降低网络时延；AI 超算集群则越来越看重电力容量、土地供给、冷却条件、政策环境和长途光纤资源。俄亥俄州成为 Prometheus 的承载地，说明 AI 基础设施的地理布局正在向能源和网络骨干条件倾斜。对通信行业而言，这意味着数据中心内部网络和外部 DCI 网络都要重新设计。

园区内部需要高密度布线、高速铜缆与光互联混合组网；园区之间则需要相干光、OTN、大容量骨干链路连接多个建筑或节点。若训练任务跨园区分布，长距离传输的时延、抖动和带宽成本会进一步约束集群架构。AI 工厂不是孤立机房，而是一个由电力、冷却、计算、存储和网络共同构成的复杂系统。

Muse 训练背后：算力闭环决定模型迭代节奏

Meta 将 Prometheus 用于训练 Muse 基础模型，说明自建超算已进入其模型研发主流程。基础模型训练通常是长周期、强同步、大规模任务，对集群稳定性和网络效率要求极高。谁能更快完成训练、更低成本迭代，谁就更容易在模型能力、产品体验和商业化上取得先机。

对 Meta 这类平台型企业而言，自建 AI 集群还有一层战略意义：降低对外部云算力的依赖，掌握数据、模型、算力和网络调度的完整闭环。社交推荐、广告排序、生成式 AI、多模态理解等业务，都依赖大规模模型能力。算力基础设施不再只是成本中心，而是产品竞争力和平台生态的底座。

这也解释了为何全球头部科技公司持续加码 AI 数据中心。模型架构、数据质量和算力规模相互强化，而网络则是把三者连接起来的“神经系统”。没有高效网络，再多的 GPU 也只能形成算力孤岛。

全球竞赛：瓶颈从芯片扩散到光互联与电力

Meta 的 Prometheus 是全球 AI 算力基础设施竞赛的一个缩影。北美主要云厂商和互联网公司都在扩大 AI 数据中心资本开支，规划规模从数百兆瓦走向千兆瓦级。竞争焦点也从单一芯片性能，转向集群规模、网络效率、能源获取、供应链韧性和工程交付能力。

瓶颈正在扩散。GPU 供应依然紧张，但电力设备、变压器、液冷系统、高速光模块、交换芯片和光纤施工同样可能成为限制因素。AI 数据中心建设周期长、资本密度高，任何一环交期延长，都会影响集群上线节奏。通信行业因此被推到更关键的位置：网络不再只是配套，而是决定算力集群有效利用率的核心基础设施。

在这一过程中，以太网与 InfiniBand、专有互联与开放生态之间的路线竞争也会持续。无论具体方案如何，百万 GPU 级集群都会放大对开放、可扩展、可运维网络架构的需求。标准组织、设备商、光模块厂商和云厂商之间的协同，将直接影响下一阶段 AI 基础设施的成本和效率。

中国通信产业的机会与考题

对中国通信产业而言，Meta Prometheus 带来的启示很直接：AI 算力竞争已进入“系统战”阶段。国内正在推进“东数西算”和一体化算力网建设，三大运营商持续建设智算中心与全光底座，400G/800G OTN、OXC、SRv6、算网调度等能力逐步落地。头部互联网企业和设备商也在向万卡、十万卡级智算集群演进。

中国在光通信、光模块、光纤光缆、液冷、电源等环节具备较强产业基础，全球 AI 数据中心供应链中已有重要位置。AI 集群对高速光互联、大容量交换和高效散热的需求，为国内通信企业提供了明确增量。但高端加速器、交换芯片、EDA、基础软件和集群调度等环节仍有短板，需要产业链协同突破。

更重要的是，运营商和通信设备商需要理解 AI 训练流量的特殊性。传统云数据中心可以容忍较高收敛比，AI 集群则追求低时延、低抖动、无损传输；传统业务关注南北向访问，AI 训练以东西向集合通信为主；传统网络扩容周期相对可控，AI 集群则要求网络与算力同步规划、同步交付。全光网络、IPv6+、算网协同和智能调度，需要更紧密地贴合智算集群需求。

Prometheus 的百万 GPU 和千兆瓦级规模，不只是一个企业的基建新闻，而是对通信网络承载能力的一次压力测试。AI 竞赛的下半场，不只是芯片之争，更是光、电、网、算协同的系统之争。谁能在超大规模集群中把网络效率、能源效率和工程交付做到极致，谁就更有机会在下一阶段 AI 产业格局中掌握主动。