行业技术背景 - AI集群规模随大语言模型参数爆发式增长而不断扩大，RoCEv2已成为AI网络主流协议[1] - AI训练与推理基于通信原语（如all-gather、all-reduce）进行数据传输，导致网络流量呈现“低熵、大象流”特征，易引发负载不均和链路拥塞，严重制约带宽利用率与整体性能[1] 公司技术突破 - 联想万全异构智算研发团队提出创新性RNL技术，其论文被IEEE CyberSciTech 2025大会接收，并将收录于IEEE DL和EI Indexed[1] - RNL技术通过多维感知、路径负载均衡优化与增量流量迁移，有效解决了AI训练与推理场景中RoCE网络负载均衡的长期难题[1] 技术方案细节 - 多维感知机制可实时感知网络拓扑结构、AI任务网络需求及RoCE链路负载状态，为动态调度提供数据基础[2] - 路径负载均衡优化通过虚拟-物理网络映射与路径评分算法，智能选择最优数据传输路径，最大化带宽利用率[2] - 增量流量迁移技术采用增量迁移策略，在链路流量调整时避免瞬时延迟，确保业务连续性[2] 未来发展规划 - 公司计划将RNL技术扩展至高性能存储、HPC等场景，并引入深度学习算法优化拥塞预测能力[2] - 公司将在千卡、万卡节点的大型AI集群中验证其综合性能，持续推动AI网络技术的创新与迭代[2]