nextplatform.com·2026/10/08
为什么重要 多站点同步训练的瓶颈从算力转向站点间光网络，做集群与网络规划时要提前算清相干光端口数和百公里级时延反馈适合 规划多站点 AI 集群网络与光层的架构与基础设施工程师
| 对比项 | 之前 / 基线 | 现在 / 本方案 | |
|---|---|---|---|
| 流量性质 | 异步复制流量与应用数据 | 同步集合通信的梯度与中间结果后者必须锁步完成 | |
| 相干光端口 | 约 1,000-2,000 个 | 12,000-32,000 个同为连接两座 100MW 站点 | |
| 聚合带宽 | 传统 DCI 基线 1x | 约 14xCisco 建模估算 | |
| 缓冲策略 | 浅缓冲、追求极低时延 | 深缓冲、单一全共享缓冲池吸收长距反馈延迟 | |
| 链路距离 | 机架内与园区，数百米至约 2km | 城域与区域，跨 100km 以上站点内可用 800G-1.6T 与可插拔光模块 |
EVIDENCE / METHODS
要点
Google 称 Gemini 在多个位置的集群间同步训练；Microsoft 把 Wisconsin 与 Georgia 的 AI 数据中心连成一台分布式 AI 超算。