OpenAI开放MRC协议：实现微秒级故障恢复，确保大规模AI训练网络通信稳定

【导语OpenAI通过OCP开放了超大规模AI训练时使用的网络协议——MRC。该协议由OpenAI联合英伟达、AMD等厂商花两年时间打造旨在确保大规模训练环境下网络通信的稳定性。】OpenAI开放MRC协议多厂商参与合作OpenAI通过Open Compute Project向全行业开放了超大规模AI训练使用的网络协议MRC。此次开放是和硬件厂商合作英伟达、AMD和英特尔都参与其中。网友认为能把这些厂商聚在一起合作制定标准十分困难。MRC协议由OpenAI联合英伟达、AMD、英特尔、微软和博通花两年时间完成目前跑在OpenAI所有最大规模的NVIDIA GB200超算上。MRC协议解决大规模集群通信难题同步预训练的通信模式对网络极度敏感随着集群规模扩大网络故障频率上升。为解决此问题MRC主要做了三件事。一是多平面网络拓扑将800Gb/s的网卡拆成8条100Gb/s子链路连到独立交换机形成8个并行网络平面降低互联成本和故障点。二是自适应包喷射扩展RoCE的乱序处理能力允许将单次传输的包喷射到数百条路径上并行传输拥塞检测和路径切换在连接层完成响应在微秒级。三是用SRv6静态源路由取代动态路由协议将路径决策移到发送端消除路由收敛引发的抖动。MRC协议发布后同步推出播客MRC技术博客公布后OpenAI同步发布了一期播客OpenAI网络负责人Mark Handley和工作负载负责人Greg Steinbrecher在播客中聊了MRC从动机到落地的完整过程。编辑观点OpenAI开放MRC协议是AI领域的重要突破其多维度设计确保了大规模网络可靠性多厂商合作也为行业发展提供了新方向。