夜雨聆风
过去建设数据中心，网络通常被视为服务器之外的配套设施。只要端口够用、链路稳定，它往往不会成为整套系统最受关注的部分。
AI 工厂改变了这种关系。
当数千甚至数万颗 GPU 共同训练一个模型时，任务会被拆分到不同服务器和机柜。每完成一轮计算，GPU 之间都可能交换梯度、参数、激活值或专家路由数据。通信没有完成，下一轮计算就很难继续。
于是，一个问题被不断放大：
为什么采购了更多 GPU，训练速度却没有等比例提升？
原因之一就在网络。集群规模越大，一次拥塞、一次路径不均衡，甚至少量节点的延迟，都可能让大量 GPU 一起等待。
此时，网络开始影响 GPU 利用率、训练周期、推理吞吐和单位 Token 成本。这也是 InfiniBand、RoCE 和 Spectrum-X 受到越来越多关注的背景。
一、AI 工厂为什么比普通数据中心更依赖网络？
传统互联网业务的流量通常更加分散。少量请求晚到，并不会让整个系统停止运行。
分布式 AI 训练则具有很强的同步性。以数据并行为例，每张 GPU 先处理一部分训练数据，随后进行梯度同步。只有不同节点的数据交换基本完成，下一轮计算才能继续。
MoE 模型还会产生更加动态的通信。不同 Token 可能被路由到不同专家，节点之间的数据交换更复杂，流量热点也更难预测。
所以，AI 网络不能只看端口速率，还要看：
• 高负载时能够获得多少有效带宽；• 拥塞能否被及时发现和分流；• 多个任务并发时能否相互隔离；• 少量慢流量会不会拉高整体尾延迟。
AI 工厂需要的不是一张平均速度很快的网络，而是一张在大规模同步通信下依然稳定的网络。
二、InfiniBand 为什么长期占据高性能集群？
InfiniBand 不是在普通以太网上增加一个加速功能，而是一套面向高性能计算构建的网络体系。
它从传输、网卡、交换机到管理和软件能力，都围绕低延迟、高吞吐和大规模节点协同设计。借助 RDMA，数据可以减少 CPU 参与和多次内存复制，更直接地在不同节点之间传输。
InfiniBand 的优势也不只是“延迟低”。自适应路由、拥塞控制、服务质量和网内计算等能力，可以共同改善高负载下的通信效率。
对于同步训练而言，这种端到端协同非常重要。企业不仅希望平均性能高，也希望集群负载升高后，通信表现不要突然恶化。
它的局限同样明显。InfiniBand 拥有相对独立的设备、软件和运维体系，企业需要相应的技术能力。对于已经拥有庞大以太网基础设施的云厂商而言，全面切换另一套技术体系并不轻松。
因此，InfiniBand 的核心竞争力是高性能与确定性，而它长期面对的挑战，是如何与生态更广、供应选择更多的以太网竞争。
三、RoCE 如何把 RDMA 带到以太网？
RoCE 的全称是 RDMA over Converged Ethernet，也就是通过以太网实现 RDMA。
它提供了一条很有吸引力的路线：企业不必放弃熟悉的以太网生态，也能减少 CPU 参与和数据复制，提高服务器之间的通信效率。
这对云厂商尤其重要。它们已经拥有大量以太网交换设备、光模块、布线体系和运维团队。如果能够在这些基础设施上承载高性能 AI 集群，部署灵活性和供应链选择都会更大。
但“运行在以太网上”不代表普通数据中心网络直接连接 GPU 就够了。
AI 训练会产生大规模、突发式的同步流量。当多个节点同时把数据发送到少量目标时，交换机队列可能迅速堆积。一旦出现持续拥塞、丢包或路径利用不均衡，RDMA 性能就可能明显波动。
稳定的 RoCE 网络通常需要同时处理队列规划、ECN 拥塞标记、端侧拥塞控制、多路径负载均衡、缓存管理和网络遥测。
早期部署经常强调通过优先级流控构建无损网络。现在的发展方向，则更强调端到端拥塞控制和精细调度，尽量降低对复杂人工配置和全局暂停机制的依赖。
RoCE 的价值来自开放的以太网生态，它的难度也来自这种开放性。设备选择越多、网络承载的业务越复杂，端到端设计就越重要。
四、Spectrum-X 到底是什么？
Spectrum-X 经常与 InfiniBand、RoCE 放在一起讨论，但三者并不处于完全相同的层级。
InfiniBand 是一套专用网络体系；RoCE 是通过以太网实现 RDMA 的协议和技术路线；Spectrum-X 则是 NVIDIA 围绕 AI 工作负载构建的端到端以太网平台。
Spectrum-X 建立在标准以太网和 RoCE 基础上，其组成不只是交换机，还包括 SuperNIC、自适应路由、拥塞控制、遥测和软件能力。
它的目标不是发明第三种网络协议，而是改善以太网在 AI 负载下的有效带宽、性能隔离和稳定性。
传统负载均衡通常根据有限的数据流信息选择路径。当大量通信同时发生时，多条流量可能集中到同一条拥塞链路，而其他链路仍未被充分使用。
Spectrum-X 强调网卡和交换机协同，根据网络状态调整流量路径，并通过遥测和拥塞控制降低局部热点对整个作业的影响。
它背后的逻辑是：
AI 网络的问题已经不能只由交换机单独解决。
所以，Spectrum-X 不是一个新的网络协议，也不只是一款交换机，而是一套针对 AI 通信模式进行端到端优化的以太网平台。
五、三条路线真正竞争的是什么？
如果只比较 400G、800G 或更高速率，三条路线之间的差异很容易被低估。
因为它们真正竞争的，是不同的 AI 网络建设方式。
InfiniBand 强调专用体系和端到端确定性，适合希望快速建设高性能计算集群，并愿意采用相对完整技术栈的客户。
RoCE 强调标准以太网、开放设备生态和部署灵活性，能够更好地融入现有数据中心，但对网络规划、拥塞控制和运维能力要求更高。
Spectrum-X 本质上也是一条 RoCE 以太网路线。它的差异在于，通过 NVIDIA 的网卡、交换机和软件协同，为 AI 负载提供更完整的端到端优化。
这场竞争最终落到几个问题：
• 标称带宽能转化成多少有效带宽；• 集群扩大后，尾延迟是否稳定；• 多个训练和推理任务能否相互隔离；• 部署、调优和故障定位是否足够简单；• 企业是否愿意采用一家厂商的完整技术栈。
AI 工厂采购的不是一批端口，而是一套让 GPU 持续协同工作的通信系统。
六、为什么 AI 网络正在被重新定价？
过去采购网络设备，企业主要比较交换机价格、端口数量和链路成本。
但在 AI 工厂中，只比较网络设备本身的采购价格，已经无法反映它的系统价值。
如果一套大型 GPU 集群因为网络拥塞，长期有部分 GPU 处于等待状态，损失的不只是网络性能，而是已经购买的 GPU、电力、机房和运维资源。
训练时间延长，还可能推迟模型迭代和产品上线。在推理场景中，网络效率同样会影响并发能力、响应时间和单位 Token 成本。
因此，高性能网络的价值需要按照另一套逻辑衡量：
它能够保护多少 GPU 投资，又能把多少理论算力转化成有效算力？
这是一个产业分析，而不是某个厂商公布的统一定价公式。但其逻辑正在变得越来越清晰：GPU 资产规模越大，提高 GPU 利用率的网络、光互连、遥测和调度软件，系统价值就越高。
网络并不是突然变成了计算芯片，而是开始直接影响 AI 工厂能够交付多少有效计算。
七、以太网会取代 InfiniBand 吗？
InfiniBand、增强型 RoCE 和 Spectrum-X 可以进入不同场景，也允许部分重叠。中央设置“工作负载”“规模”“生态”“运维能力”四个选择因素，体现没有适用于所有客户的唯一答案。
很难用简单的“会”或“不会”回答这个问题。
在追求极致性能和确定性的训练集群中，InfiniBand 仍然拥有深厚积累。它的专用体系、RDMA、拥塞控制和 HPC 软件生态，不会因为以太网进步就迅速失去价值。
但以太网拥有更广泛的产业基础。云厂商、交换芯片企业、网卡厂商和系统厂商，都在推动以太网适应 AI 与 HPC 负载。
Spectrum-X 代表厂商端到端优化路线。Ultra Ethernet Consortium 则代表多厂商开放标准路线，其 1.0 规范已经覆盖网卡、交换机、光互连和软件栈等多个层面。
两者都说明，以太网正在从通用数据中心网络，向面向 AI 和 HPC 的高性能网络演进。
未来更可能出现的，不是一种网络完全消灭另一种网络，而是市场进一步分层：
• 极致性能集群继续采用 InfiniBand；• 超大规模云厂商加速建设增强型以太网；• 企业客户在性能、生态和运维复杂度之间寻找平衡。
最终选择哪条路线，要看工作负载、集群规模、既有基础设施和团队能力，而不能只看协议名称。
结语
AI 工厂把过去相对独立的服务器，变成了一台由成千上万颗 GPU 共同组成的超级计算机。
在这样的系统中，GPU 决定单点计算能力，网络决定这些 GPU 能否真正协同起来。网络跟不上，更多 GPU 不一定带来等比例的性能提升，反而可能带来更多拥塞和等待。
InfiniBand 的价值在于专用体系和性能确定性；RoCE 的价值在于把 RDMA 带入开放的以太网生态；Spectrum-X 的价值，则在于通过网卡、交换机和软件协同，让 RoCE 以太网更适合大规模 AI 负载。
所以，这场竞争的核心不是谁拥有更高的标称速率，而是谁能让更多昂贵的 GPU 时间转化为有效计算。
当网络开始影响 GPU 利用率、训练周期、推理吞吐和单位 Token 成本，它就不再只是连接算力的基础设施。
它已经成为决定有效算力的一部分。