系列导读上一篇我们聊了 AI 数据"全球漂流"是怎么实现的；这一篇深入到 AI 训练阶段——这是网络压力最极致的环节。一个事实：大模型训练过程中，通信时间占训练总时间的 30% 以上。网络不解决，万张 H 卡也只能"摸鱼"。
一、训练网络的真实瓶颈：东西向流量，从 20% 飙到 80%
传统业务：用户 → 服务器，南北向流量为主，对称、可预测。
大模型训练：GPU ↔ GPU，东西向流量为主——AllReduce、AllGather、参数同步……每一步都依赖海量小包的高频通信。
这意味着：东西向流量占比从 20% 突增到 80%；
通信时间一旦拉长，算力利用率（MFU）直接腰斩；
单条链路抖动，可能让整轮 step 全部回退。
所以 AI 训练对网络的要求很"极端"：要么不丢包、要么超高吞吐、要么毫秒级故障收敛。
阿里云这一波升级，正是冲着这三件事去的。
二、一张图看懂"全球训练算力资源池"
整个方案的核心思路：把分散在不同 VPC、不同 IDC、不同 Region 的 GPU 集群，"拼"成一个统一的算力资源池。
这背后由三层升级支撑：机头网络、混合云专线、跨地域骨干。
三、第一层升级｜机头网卡 ENI：200Gbps + RDMA 直通
云上的 AI 集群，机内一般跑高速 RDMA（即所谓"机尾网络"），机间走 VPC（也就是"机头网络"）。
过去机头网络只承担管理和外部访问，是个"小水管"；现在它要承担集群间算力池构建和推理 PD 分离后的 KVcache 流量卸载——压力陡增。
阿里云灵骏智算服务器的 ENI 网卡这一波直接拉满：
吞吐拉到 200Gbps：靠 Jumboframe + 硬件卸载实现；
VPC 自研拥塞控制算法：适配大规模组网，不靠传统 ECN 也能稳；
按需开启 RDMA 直通：高速存取能力直接在 VPC 上，特别适合推理 PD 分离场景；
支持 TCP/RDMA 比例自定义：同一张卡，不同任务可以拆带宽。
一句话：以前 RDMA 只能在机内玩，现在 VPC 上也能跑。这意味着跨服务器、跨 VPC 的算力池化真正可行了。
四、第二层升级｜专线：400Gbps 单端口 + 倒换组毫秒级容灾
很多企业的 AI 训练是"混合云"形态——部分算力在自己 IDC、部分在云上、部分在他云。
这就要靠专线把多方算力拉通，构建跨云算力资源池。
痛点 1：突发大流量丢包
过去用多条小专线 + ECMP 凑带宽，但 hash 不均时，burst 流量会在某条专线上瞬间打爆丢包，算力效率直接崩。
阿里云方案：单端口/单专线 400Gbps，从根上消灭 hash 不均。
痛点 2：多业务混跑互相挤
一条专线既跑训练数据回传又跑算力池通信，离线流量一起来就会挤掉算力集群带宽。
阿里云方案：专线出向 QoS——按业务优先级配带宽比例，互不干扰。
痛点 3：专线故障收敛慢
专线物理中断不可避免，传统冗余专线 + BFD 收敛是秒级（1~10s），对训练来说还是太慢。
阿里云方案：专线倒换组——同一倒换组里的 VBR 之间建容灾隧道，故障切换 < 100ms，业务无感。
小科普：什么是 VBR？可以理解成专线接入云上的"虚拟边界路由器"。倒换组的本质是：让同一组里的 VBR 互相做"备胎"，谁挂了流量就跳到隔壁。
五、第三层升级｜跨地域：Tbps 级骨干 + 金银铜链路 + ZooRoute
阿里云全球 29 个 Region 自建光传输网络，连接全球各区域数据中心。
对 AI 训练来说，关键三件事：
① Tbps 级互联 + 99.995% SLA
主要 Region 之间 Tbps 互联带宽，每天数百 PB 数据在 Region 间流动。
② 金/银/铜差分链路
不同业务挑不同档：
训练数据跨地域同步：选铜牌，降本；
关键参数同步、checkpoint 回传：选银牌，性价比；
跨地域推理请求：选金牌，最低时延。
加上 TR 的流量调度功能，可以按业务划分带宽配额，避免离线训练数据挤掉在线推理带宽。
③ ZooRoute：故障 1 秒内收敛
阿里云自研的主动式重路由技术：
多平面探测协议主动感知故障；
分级多指标调度算法自动选最优路径；
多链路批量秒级切换。
通常网络故障收敛时间从分钟级 / 秒级压到 1 秒内，业务层无感知——对动辄训练几天几周的大模型来说，这一点比带宽数字更重要。
六、规划落地：四步搭好训练网络
如果你正在规划企业 AI 训练网络，这 4 步是教科书级别的：
Step 1｜训练 VPC 子网划分
至少包含：算力子网（灵骏/EGS/ACS-GPU）、存储子网（CPFS/OSS）、TR 接入子网、NAT 子网。职责清晰，不混跑。
Step 2｜同 Region 跨 VPC 池化
所有训练 VPC 都挂到同 Region 的 TR，实现 VPC 间高速互通，构建同 Region 算力池。
Step 3｜混合云接入
选 2 条以上冗余专线接入；
VBR 通过ECR 低时延接入 TR（避免跨 AZ 绕行）；
配 BGP + BFD +专线倒换组；
大流量场景上400Gbps 单专线。
Step 4｜跨地域池化
不同 Region 的 TR 互联；
按业务挑链路等级（金/银/铜）；
按业务配跨地域 QoS（避免离线挤在线）。
七、一个被低估的事实
很多人以为，AI 网络优化就是"加带宽"。
但白皮书里反复在讲一句话：网络是算力效率的"放大器"。
ENI 200Gbps + RDMA → 让单机头不再是瓶颈；
400Gbps 专线 + 倒换组 → 让混合云算力池真的能跑训练；
Tbps 骨干 + 金银铜 + QoS → 让跨地域协同不抢带宽；
ZooRoute → 让长任务不被一次抖动毁掉。
算力堆得再高，没这套网络，利用率就会被卡在 50% 上不去。
下一篇我们聊推理——那是一个完全不同的网络故事：入口在哪、模型在哪、用户在哪，全都要被网络重新缝合。
