当 GPU 集群从千卡迈向十万卡，单卡算力已不再是唯一标尺。数据显示，大模型训练中 GPU 真正用于计算的时间仅占 20% 左右，而 21% 的训练任务因网络问题中断——网络，正在卡住 AI 算力的脖子。
过去几年，人们习惯用单颗 GPU 的算力指标来衡量 AI 基础设施的先进程度。但在 2026 年，算力竞赛的底层逻辑已经被改写。当大模型训练集群从千卡迈向万卡甚至十万卡，真正的瓶颈早已不是芯片算力，而是网络。
就像一条高速公路，车道修得再宽，如果收费站堵死了，车还是跑不起来。
是德科技网络与数据中心副总裁 Joachim Peerlings 给出了一组令人深思的数字：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。
注：以上为计算机视觉模型训练场景的时间分布估算，不同模型架构与集群规模下比例会有浮动。斜纹区域代表非计算开销。
这还不是最糟糕的。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%。每五次训练就有一次因网络中断，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。
一块昂贵的 GPU，大部分时间不是在"算"，而是在"等"。
面对网络瓶颈，最本能的反应是堆硬件——更高速的光模块、更大端口的交换机、更粗的铜缆。从 400G 到 800G 再到 1.6T，接口速率每隔一两年就翻一倍。但这条看似最直接的路，正越走越窄。
为人与人通信设计，流量随机且不着急，丢几个包大不了重传。承载可预测流量，偶尔抖动无伤大雅。
机器与机器的对话，周期性极强、同步要求极高。任何一个慢节点都会拖垮整个集群，一个丢包可能引发连锁反应。
更棘手的是，传统网络的负载均衡算法依然停留在"逐流 ECMP"时代——通过哈希算法将每条数据流分配到某条链路。但 AI 训练需要成千上万个 GPU 同时发起通信，流量像潮水一样涌来，哈希算法根本来不及反应，结果就是部分端口满载、部分端口闲置的资源错配。
一位互联网大厂基础设施负责人曾透露：设备采购花了几个亿，实际跑起来发现，三分之一的算力都损耗在网络等待上——相当于每三台 GPU 就有一台在空转。
你可以把带宽修到 800G，但如果流量调度依然靠"蛮力"，大部分带宽依旧是被浪费的。
在此背景下，行业开始从堆硬件转向通过协议、软件等方式让数据流跑得更顺畅。LLR 与 CBFC 这两项原本不受关注的技术，开始被 AIDC 运营方高度重视。
把重传机制下沉到链路层，让交换机自己发现丢包、自己重传，不等上层发号施令。恢复时间从毫秒压到微秒级，解决了传统网络中因单包丢失引发的重传延迟。
发送端在发数据之前，先确认接收端有足够缓存空间再发，避免数据发过去对方装不下只能丢弃。在成百上千个发送端同时汇聚流量时，协调精度直接决定网络通畅程度。
今年 3 月，是德科技与 Broadcom 在 OFC 2026 上完成了业界首个基于超以太网联盟规范、在 800GE 线速下实现 LLR 和 CBFC 的公开互操作性演示。这标志着两项技术正式从实验室协议走向真实互联互通。
但从协议到大规模现网部署，还有很多路要走。不同厂商设备、不同网络拓扑、不同工作负载，都需要精细化参数调优。相比传统 ECMP 方案，新的端到端负载均衡方法可将网络带宽利用率提升最高 38%，训练任务时长缩短超过 3%。
在十万卡集群里，3% 意味着节省数百万美元的电力成本和数周的研发周期。
服务器买回来了，交换机上架了，线也插好了，标准测试跑了一遍——带宽达标、延迟正常，一切看起来完美。但一跑大模型训练，问题就来了：频繁掉线、速度上不去、莫名其妙卡住。
问题出在了验证环节。
是德科技从三个维度拆解了 AI 网络验证的挑战。其中，最容易被企业忽视的恰恰是 Scale-Up 环节——它发生在机柜内部，距离短、看起来技术含量不高，但承载着最密集、最频繁的数据交换。
机柜内部互联。距离虽短，却承载 GPU 间每一次参数同步与梯度聚合。一旦出问题，整个集群性能打折扣。
大量交换机间互联，拓扑复杂、路径繁多。传统验证方式无法覆盖真实负载下的性能表现。
跨数据中心长距离协同训练。延迟与可靠性面临物理极限——光速本身都成了限制因素。
注：三大维度按网络覆盖范围递进。Scale-Up 指机柜内 GPU 互联，Scale-Out 指机柜间互联，Scale-Across 指跨数据中心互联。
是德科技的一项调查显示，95% 的运营商认为真实工作负载测试对 AI 网络验证至关重要。但现实是，很多企业仍在用传统数据中心的测试方法——跑几个标准 benchmark，测一下带宽和延迟，就认为没问题了。
传统网络承载的是可预测流量，但 AI 网络的流量模式突发性强、东西向流量巨大、对丢包和延迟极度敏感。未来五年，AI 集群的东西向流量将增长 10 倍或更多，等 GPU 到位再测试网络的旧模式根本无法扩展。
过去的大模型推理，用户提交一个任务，等十几秒出结果，大家都能接受。但现在，AI 正在嵌入对话系统、实时翻译、自动驾驶、金融高频交易等场景——都要求毫秒级响应。
传统网络可以容忍偶尔的抖动——视频卡一下、文件下载慢几秒，不会太影响体验。但在实时推理场景下，每一次抖动都会直接转化为用户感知到的"卡顿"。
网络不仅要快，还要稳。
当十万卡集群成为标配，实时推理渗透进每一个日常应用，网络就不再只是传输流量的管道，而是决定 AI 算力能否真正释放的命门。
一个诚实的注脚：LLR 与 CBFC 从协议到大规模现网部署仍有长路。不同厂商设备的互操作性、真实生产环境下的参数调优、跨拓扑的负载适配——每一步都可能影响网络性能的成败。协议写好了、标准通过了，不等于现网跑得顺。
但方向已经清晰：AI 网络的竞争，正在从"堆硬件"转向"拼系统工程"。那些只买最贵设备却不投入流量调度与验证能力的企业，终将发现三分之一的算力在空转。
AI 基础设施的下半场，比拼的不再是谁能堆出更高的带宽，而是谁能把每一比特带宽用到极致——网络系统工程能力，将成为算力变现的决定性变量。