OpenAI 开源 MRC：超级计算机网络的新协议

OpenAI 刚刚开源了一个可能改变 AI 训练基础设施的新协议：MRC（Multipath Reliable Connection）。这不是模型发布，而是比模型更底层的网络层创新——一个让十万 GPU 集群高效协同的新网络协议。

问题：当网络成为瓶颈

训练大模型时，一次迭代涉及数百万次数据传输。只要有一个传输迟到，整个集群的 GPU 就会空等。网络拥堵、链路故障、设备失效——这些在传统数据中心可以接受的问题，在 AI 训练集群里就是灾难。

OpenAI 的数据显示，在最坏情况下，单点故障可能导致训练任务崩溃，或者让网络花费数秒甚至数十秒重新计算路由。对于需要所有 GPU 同步锁步的预训练任务来说，这种中断的代价是巨大的。

MRC 的三层设计

MRC 的核心思路是：与其追求单条链路的最快速度，不如追求整体网络的确定性。

第一层：多平面网络拓扑

传统的 800Gb/s 网络接口被拆分成 8 条 100Gb/s 链路，连接到不同的交换机上。这样做的好处是：一个原本需要 3-4 层交换机才能连接 13 万 GPU 的网络，现在只需要 2 层。

更少的层级意味着更少的组件、更低的功耗、更少的故障点。

第二层：自适应包喷洒（Packet Spraying）

传统协议要求每个数据流走固定路径以保证顺序。MRC 打破了这一点——它将一个数据流的包分散到数百条路径上，同时发送。包到达时可能乱序，但 MRC 包头包含目标内存地址，接收端可以直接按地址写入。

如果某条路径拥堵，MRC 会立即切换到其他路径；如果检测到丢包，它会假设该路径可能故障并停止使用。这种反应发生在微秒级别，而不是传统网络的几秒。

第三层：SRv6 源路由

MRC 更进一步，禁用了动态路由协议（如 BGP），改用静态的 SRv6 源路由。发送方直接在包头中指定完整的路径，交换机只需要根据静态表转发，不需要运行复杂的路由算法。

这意味着交换机更简单、更可预测，也消除了动态路由故障的整类问题。

实际效果

OpenAI 已经在其最大的 NVIDIA GB200 超算集群上部署了 MRC，包括 Oracle Cloud Infrastructure (OCI) 在德州 Abilene 的站点和 Microsoft 的 Fairwater 超算。

在训练前沿模型的过程中，他们观察到每分钟都有多次链路抖动（link flaps）——但 MRC 确保了这些抖动对同步预训练任务几乎没有可测量的影响。事实上，影响小到不需要立即修复这些链路。

更夸张的是：训练过程中需要重启 4 台 Tier-1 交换机，以前这需要运维团队小心翼翼地协调，避免中断训练。有了 MRC，甚至不需要通知训练团队。

开源的意义

MRC 已经通过 Open Compute Project (OCP) 开源，这是 OpenAI「共享标准以规模化 AI 基础设施」战略的一部分。

协议背后是 AMD、Broadcom、Intel、Microsoft、NVIDIA 的两年协作。这不是某家公司的专有技术，而是一个行业共识——当 AI 训练集群规模达到 Stargate 级别（十万级 GPU），网络设计不再是「锦上添花」，而是决定能否训练的核心变量。

MRC 的技术细节很工程化，但它揭示了一个趋势：AI 竞争正在从「谁有更好的模型」下沉到「谁有更好的基础设施」。算力、网络、存储、调度——这些曾经是云厂商的差异化领域，现在成了每个 AI 实验室必须自建的能力。

如果你在多个 AI 模型之间频繁切换，推荐试试 OfoxAI（ofox.ai）— 一个账号搞定 Claude、GPT、Gemini 等主流模型。