在人工智能技术迅猛发展的当下，大模型训练与推理对计算和内存的需求呈现出爆发式增长。为满足这一需求，AI集群纷纷借助高性能网络进行扩展，MoE架构、训推一体化以及xPU规模扩大等趋势，也对网络提出了全新的要求。在此背景下，阿里云网络基础设施团队撰写了一份白皮书，聚焦超高性能网络（UPN512）技术架构，旨在为构建大规模、高性能、高可靠、低成本且可扩展的xPU扩展系统提供切实可行的方案。
当前，xPU扩展系统在网络连接方面面临着诸多挑战。多数系统采用铜互连方式，虽然成本较低且稳定性尚可，但传输距离有限，在高密度机架设计时，会带来复杂度、可靠性和扩展性等方面的问题。而光互连虽被视为更大规模扩展网络的必然选择，却面临着成本高、可靠性存疑的困境，并且在高带宽通信场景下，计算开销较大。这些挑战严重制约了xPU扩展系统的发展，成为亟待解决的难题。
阿里云推出的UPN512架构，继承了高性能网络（HPN）的扩展网络设计原则，以“大规模、高性能、高可靠、低成本、可扩展”为设计目标。该架构采用了高基数以太网、LPO/NPO光互连以及单层交换设计等先进技术。与HPN相比，UPN512在GPU带宽、互连协议和互连规模上存在显著差异，并且能够与HPN共同组成高性能系统，为xPU扩展提供了更强大的网络支持。
在系统设计方面，UPN512的单层光解耦系统是其一大亮点。与AI机架紧密耦合的铜互连方式相比，单层光解耦系统采用全光互连技术，成功突破了距离限制，能够支持1K规模域。同时，其解耦设计降低了系统复杂度，提升了可靠性与灵活性，有效解决了铜互连在高密度机架设计中的诸多问题。在光互连方案上，UPN51512对可插拔光模块、高密度带宽光互连方案进行了深入分析，对比了LPO与NPO的适用场景、成本及稳定性，指出二者可互补选择，为不同需求的用户提供了多样化的解决方案。
在通信语义方面，UPN512基于ETH + 协议定义了三种低延迟通信语义，分别适用于不同的数据传输需求，进一步提升了网络通信的效率和灵活性。在网络内计算方面，UPN512通过在网络设备内执行计算加速集体通信，优化了对称与非对称集体通信流程，有效提升了数据传输效率，降低了计算资源消耗，为xPU扩展系统的高效运行提供了有力保障。
这份白皮书为AI基础设施中xPU扩展系统的发展指明了清晰的技术架构方向，提供了宝贵的实践参考，对于推动高性能网络技术在AI领域的广泛应用具有重要意义。随着AI技术的不断发展，相信UPN512架构将在更多场景中发挥重要作用，助力AI产业迈向新的高度。
