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]

技术突破与核心创新 - 论文提出RNL技术，通过多维感知、路径负载均衡优化与增量流量迁移，解决AI训练与推理场景中RoCE网络负载均衡的长期难题 [1] - 技术构建“多维感知+路径负载均衡+增量迁移”闭环体系，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 [1] - 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，增量流量迁移策略在调整链路流量时避免瞬时延迟 [1] - 与传统方案不同，RNL基于通用RoCE交换机实现AI网络优化，无需绑定专用硬件，核心创新在于融合AI业务通信带宽与时延评估算法，结合多维链路拥塞评估机制 [2] 性能表现与成本优势 - 在实测环境中，RNL技术展现出高可靠性，集合通信原语性能提升50%，带宽利用率达85%，负载均衡离散度降低90% [2] - AI推理场景下，TPS（每秒处理事务数）提升26%，TTFT（首字节时间）时长减少30%，TPOT（每输出令牌时间）时长减少22% [2] - 整体部署成本降低60%，为AI集群的规模化落地提供了经济高效的网络基础 [2] 商业应用与战略影响 - RNL技术已纳入联想万全异构智算平台的落地规划，将巩固该平台在AI异构计算市场的技术壁垒 [4] - 该技术有助于提升公司在AI异构计算行业的行业影响力与核心竞争力 [4]