然而，AI的快速發展對云服務提供商和企業數據中心的基礎設施提出了更高的要求。數據作為AI發展的關鍵“燃料”，必須得到有效的收集、保護和傳輸。探索新AI應用的組織必須應對這些挑戰。為了支持AI所需的海量數據和計算資源，我們需要構建更高效、更可靠的網絡基礎設施。

　　在此背景下，以太網技術憑借其成熟而廣泛的生態系統，正在成為AI網絡基礎設施的重要支撐。以太網顯示出強大的潛力，可以滿足AI的高要求并提供統一的平臺，這對AI的經濟可行性產生了重大影響。它可以跨各種網絡和云實現一致的運營模型，避免維護多個基礎設施所產生的高昂成本。

　　AI網絡發展的關鍵要求

　　速度：AI業務的快速增長推動了數據中心和邊緣網絡對更高速度的需求，推動網絡向400Gbit/s甚至800Gbit/s等新一代網絡邁進。

　　隱私和安全：網絡必須高效處理數據，同時確保多租戶環境中的高端加密和安全，以保護數據隱私。

　　邊緣推理：隨著企業部署大型語言模型(LLM)或小型語言模型(SLM)和混合私有AI云，推理能力的前端部署將成為關注點。

　　短作業完成時間(JCT)和低延遲：優化網絡以提供無損傳輸，通過擁塞管理和負載平衡確保高效的帶寬利用率，是實現快速JCT的關鍵。

　　靈活的集群：在AI數據中心，處理器集群可以配置成各種拓撲。優化性能需要避免層或區域之間的超額訂閱以減少JCT。

　　多租戶支持：出于安全原因，AI網絡需要分離數據流。

　　標準化架構：AI 網絡通常由后端基礎設施(訓練)和前端(推理)組成。以太網的通用性允許后端和前端集群之間的技術重用。

　　以太網技術的持續創新

　　以太網技術不斷創新發展，以滿足人工智能對網絡規模的更高要求。一些關鍵的技術進步包括：

　　數據包噴射：該技術允許每個網絡流同時訪問到目的地的所有路徑。數據包的靈活排序充分利用了所有以太網鏈路，實現了最佳負載平衡，僅在人工智能工作負載中帶寬密集型操作需要時才強制排序。

　　擁塞管理：基于以太網的擁塞控制算法對于人工智能工作負載至關重要。它們可以防止熱點并在多條路徑上均勻分配負載，確保人工智能流量的可靠傳輸。

　　統一和優化的企業基礎設施

　　企業需要部署統一的人工智能網絡基礎設施和運營模式，以降低人工智能服務和應用的成本。采用基于標準的以太網作為支撐技術是核心要素。它確保前端和后端系統之間的兼容性，避免不同架構帶來的標準化過程障礙和經濟影響。例如，Arista 主張建立一個“人工智能中心”，在那里通過無損網絡高效地訓練 GPU。訓練好的AI模型連接到AI推理集群，讓終端用戶可以方便地查詢這些模型。

　　以太網的市場優勢

　　以太網憑借其開放性、靈活性和適應性在AI部署方面表現出強大的競爭力。其性能超越了InfiniBand，隨著超級以太網聯盟(UEC)的增強，其優勢將進一步擴大。此外，以太網更具成本效益，擁有更廣泛和更開放的生態系統，為后端和前端集群提供通用性、統一的操作和技能集，以及集群之間的平臺重用機會。隨著AI用例和服務的不斷擴展，以太網基礎設施的機會將大大增加，無論是在超大規模LLM的核心還是在企業邊緣。AI就緒的以太網可以滿足需求，并提供基于行業特定私有數據的AI推理。

　　總而言之，以太網技術在AI網絡基礎設施中起著至關重要的作用。它可以滿足AI在速度、安全性、邊緣推理等方面的多方面需求。以太網通過持續的技術創新和廣泛的生態系統支持，為企業提供更高效、更經濟的解決方案，促進人工智能的廣泛應用和發展。