网络赋能AI的思考和实践-中国移动研究院_23页_9mb

网络赋能AI的思考和实践总结

核心内容

随着数字经济高质量发展和通用智能技术的加速发展，通信网络正从传统通信网络向新型信息通信网络转变。网络与AI的融合成为推动科技跨越、产业优化和生产力提升的重要方向，形成了“AI赋能网络”和“网络赋能AI”双向驱动的融合趋势。6G网络和算力网络作为新一代信息通信网络的重要组成部分，正通过创新技术体系和架构设计，为AI提供更强大的支持。

主要观点

• 网络与AI的融合趋势：网络正从信息交换平台向“连接+算力+能力”的新型信息服务平台演进，AI的普及和应用需要网络提供泛在算力和高效传输能力。
• 6G架构赋能AI：提出“三体、四层、五面”的6G总体架构，其中数据面和计算面是新增的关键功能面，支持AI模型的数据采集、处理、存储和算力资源的按需调度。
• 算网一体创新技术：通过算力路由、在网计算等核心技术，实现算力与网络的深度融合，提升AI计算效率和网络性能。
• AI大模型与网络性能的关联：AI大模型训练依赖高性能网络，网络性能直接影响算力加速比和系统稳定性。
• 广域高通量网络需求：面对超算和智算业务的快速增长，广域网络需要支持海量数据的高效传输，尤其是在长距离、高丢包率等复杂环境中。

关键信息

网络与AI的双向驱动

• AI赋能网络：AI通过优化网络运行效率、降低运维成本、提升用户体验，推动网络向智能化方向发展。
• 网络赋能AI：新型信息通信网络为AI提供泛在化、平台化的服务支持，使AI成为社会级服务。

6G架构与数据面、计算面

• 数据面：构建统一可信的数据服务框架，支持数据采集、预处理、分析、存储和转发，为AI提供高质量数据。
• 计算面：以任务为中心进行算网联合编排，提供计算即服务，实现算网一体内生设计目标。
• 服务使能层：对AI服务需求进行分解和编排，实现资源调度和业务保障。
• 数字孪生体：为AI提供真实训练环境和可靠预验证平台。

算力路由技术

• 问题：云边和边边调度中存在“性能反转”问题，造成算力资源闲置和网络成本增加。
• 解决方案：在路由中引入计算信息，实现联合调度，提升性能。
• 进展：中国移动推动IETF成立算力路由工作组CATS，完成标准立项，研发样机并验证性能提升。

在网计算（NACA）

• 技术优势：通过流量压缩、缩短传输路径、线速处理、降低时延等方式，显著提升分布式AI系统的性能。
• NACA架构：围绕拓扑映射、编程范式、计算实现、资源管理形成“四个统一”，提升通用性。
• 标准推进：CCSA牵头完成《在网计算应用场景和技术需求》标准立项。
• 试验验证：基于CFITI试验网进行性能测试，验证在网计算的可行性。

广域高通量网络

• 需求背景：东数西训、东数西渲等场景需要广域网络支持海量数据的高质量传输。
• 技术体系：提出端网协同的广域高通量网络技术体系，支持在长肥网络（LFN）环境下保持高吞吐。
• 测试结果：广域RDMA协议单流吞吐量是传统TCP协议的16倍，显著提升数据传输效率。

未来展望

• “芯合”平台：中国移动联合合作伙伴推出支持智算应用一键式跨架构迁移的“芯合”平台，降低AI应用向国产芯片迁移的成本和复杂度。
• 全调度以太网（GSE）：通过革新以太网转发机制，实现无阻塞、高带宽、低时延的新型智算中心网络，推动AI产业发展。
• 技术攻关与标准建设：深化算力指标定义、通告频率优化、多维选路等关键技术研究，推动CATS架构等标准体系的建设，丰富算网一体产业生态。

产业实践与挑战

• 应用场景竖井化：不同应用场景（如AI、HPC、大数据）对网络和计算资源有不同需求，需定制化支持。
• 设计实现封闭化：当前只有Infiniband支持在网计算，但其生态封闭，成本高。
• 编程方式不友好：应用开发者需掌握网络设备编程，学习门槛高。
• 未来方向：推动算力路由、在网计算、全调度以太、广域高通量网络等关键技术突破，实现算网一体与AI的深度融合。