中科曙光万伟:超大规模智算集群,高速互连是关键
中科曙光高速网络互联产品部总工程师万伟在会上分享超大规模智算集群高速网络架构设计与工程实践,提出高速互连是算力基础设施实现规模扩展的关键。中科曙光将超节点内部互连与超节点之间的组网相结合。大会期间,中科曙光还获评“2026中国算力领军企业”,scaleFabric高速网络入选“2026中国算力应用典型案例”。超大规模集
大模型训练时,计算任务会被分发到众多计算设备上。各设备一边各自运算,一边通过网络互传数据,训练才能向前推进。一旦数据传输速度跟不上计算,一部分设备就只能干等着,整个任务的耗时也跟着拉长。参与运算的设备越多,怎样让设备少等待,就成了超大规模智算集群建设绕不开的一道坎。
11月15日,第八届中国超级算力大会(ChinaSC 2026)暨中国智能计算产业联盟理事会年会在北京召开。中科曙光高速网络互联产品部总工程师万伟到场,围绕超大规模智算集群高速网络架构设计与工程实践做了分享。他提出,算力基础设施要想扩大规模,高速互连是关键一环。

这个判断对应着集群建设中的现实要求:计算设备增加的同时,网络的连接、传输与管理能力也得跟上,新增的算力才能真正用在任务上。
集群规模变大,连接方式也得升级
《万卡级智算集群网络技术发展与国产化研究报告》在本次大会上发布,这是首份专门关注万卡级智算集群网络技术发展的研究报告。报告认为,集群规模持续扩大,网络互联、存储吞吐与资源调度等环节能不能高效协同,越来越重要。对建设者来说,光买设备还不够,设备之间如何配合也得想清楚。网络设计决定数据传输走什么路径,交换设备的连接能力则决定集群能以哪种架构扩展。
中科曙光的做法是把超节点内部互连和超节点之间的组网搭在一起。超节点可以看作一组紧密连接的计算单元,内部靠低时延连接应付频繁的数据交换;多个超节点之间,再由高速网络支撑更大范围的协作。局部通信和整体扩展各有安排,不同范围的连接对应不同任务需求。落到具体设计上,供电散热、布线以及维护条件都得兼顾,实际建设才落得下来。
这样的架构,需要网络芯片提供对应的连接和交换能力。交换芯片有多少端口,决定一台交换设备能连多少设备;数据处理能力则决定大量通信同时涌来时,交换设备能不能及时转发。中科曙光自研的scaleFabric高速网络把网卡芯片、交换芯片与组网架构放在一起,采用多平面组网,在单一子网内实现大规模互连,并按任务特点和网络连接关系优化通信。芯片和架构配合起来,连接更多计算资源时,设备间的协作效率才有保障。
数据传得稳,计算设备才能少空等
设备连上之后,下一个考验是大量数据能不能及时、完整地送到。大模型训练中,有些计算步骤要等相关节点的数据齐了才能往下走。传输过程中一旦出现拥塞,或者数据丢了要重发,等待时间就会变长。训练任务反复交换数据,这些通信开销会一点点累积,计算资源实际能用上多少,也就打了折扣。
scaleFabric采用无损传输机制,靠流量控制与链路层重传等手段保证传输可靠,把传输异常对任务的影响压下去。流量控制管的是发送与接收之间的协调,链路层重传处理的是链路传输中冒出的错误。两者再配合通信优化,目标一致:让数据更稳地送到计算节点,少因通信问题空等。
数据传输之外,通信发起这一环节本身也有开销。面向大模型训练与推理,scaleFabric借助IBGDA等技术让GPU直接发起网络通信,CPU参与通信调度带来的开销因此减少,节点间的通信等待随之缩短。目前scaleFabric已完成DeepEP通信框架适配,为大模型多节点协作和Token生成效率提升提供支持。高速网络的优化由此进一步接上应用软件,实际任务才用得好硬件给出的通信能力。
从网络研制到工程运行,考的是完整系统能力
通信效率得在持续运行中稳住,链路故障也要及时处理。scaleFabric支持毫秒级链路切换,路由恢复时间不会随集群规模变大而拉长。网络扩展之后实际能不能用,这项能力很关键。连接规模继续往上走,网络仍要尽快恢复通信,局部故障对并行任务的影响才能压住。
除了故障恢复,运维人员还得准确掌握网络状态。FabricView高速网络管理平台把配置部署、健康筛查与运行监测合到一起,任务上线前可以筛查异常节点,任务执行中可以定位繁忙链路和异常端口。应用跑得慢了,这些信息能帮运维人员判断网络有没有问题,把排查范围缩小。网络硬件与管理软件就此接上,一起服务于集群的日常运行。
中科曙光的相关网络设计已在曙光8000上完成工程验证,scaleFabric与曙光8000的工程实践也被上述研究报告收录。大会期间,中科曙光获评“2026中国算力领军企业”,scaleFabric高速网络入选“2026中国算力应用典型案例”。这两项荣誉,分别对应行业对中科曙光算力系统研制能力和高速网络应用成效的认可,从自主研发到工程应用的技术积累,也因此有了具体呈现。
超大规模集群建设,对高速网络提的是一整套要求。连接规模扩大后,应用通信能不能保持高效、故障能不能及时处理、网络状态好不好管理,都会影响算力投入的最终效果。中科曙光把这些要求贯穿到芯片研制、架构设计与工程运行中,为国产智算集群的持续扩展提供系统性支撑。对使用者来说,这些技术最终要落到计算任务能不能高效、稳定地完成上。