在人工智能大模型训练迈向万卡、十万卡集群规模的新阶段，算力竞争的焦点已从单纯的GPU数量堆叠转向网络基础设施的优化。行业数据显示，稠密大模型训练中通信耗时占比超30%，MoE稀疏模型更突破50%，网络抖动、延迟或丢包均会导致大规模GPU集群空转，显著拉低算力利用率。这一背景下，中科曙光自主研发的scaleFabric国产IB网络解决方案实现批量商用，凭借原生无损RDMA架构与全栈自研技术，成为超大规模智算集群组网的关键突破。
传统智算集群网络建设长期面临两难选择：进口InfiniBand（IB）技术成熟但成本高昂，单张400G IB网卡价格达数千美元，800G光模块与高速线缆价格翻倍，万卡集群网络硬件投入轻松突破亿元；同时，高端IB设备受出口管制限制，供货周期长达3-6个月，且需捆绑采购特定厂商的GPU，导致供应链风险与议价能力丧失。另一条技术路线RoCE虽硬件成本仅为IB的一半，但其基于以太网的补丁式改造存在先天缺陷，千卡以上集群规模扩展时，故障回滚与算力损耗足以抵消初始成本优势，且运维依赖专家经验，参数调优复杂度高。
中科曙光历时三年攻克核心技术，推出的scaleFabric 400G网络解决方案实现从112G PAM4 SerDes IP、交换芯片、高速网卡到驱动软件的全栈自研。该方案采用ADC-DSP架构，通过电感峰化补偿技术与FFE/DFE联合均衡算法，有效解决超高速长距传输中的信号衰减与噪声干扰问题；反射补偿与噪声白化DSP算法则将系统误码率降低至行业领先水平，适配复杂电磁环境。在稳定性设计上，高性能LDO电源净化技术为信号处理提供稳定供电，原生IB信用流控机制从根源杜绝丢包与缓冲区溢出，避免大规模集群中的PFC风暴风险。实测数据显示，其交换机转发时延仅260纳秒，端到端通信时延0.9微秒，核心性能对标国际一线产品。
在国家超算互联网郑州核心节点的部署中，scaleFabric支撑的三套万卡级集群从设备上电到业务开通仅用36小时，部署效率较RoCE方案提升十倍。该节点已稳定运行超10个月，累计承载十万级AI训练与超算仿真任务，期间未发生网络故障或训练中断，完全满足7×24小时高强度算力调度需求。在集群扩展性方面，scaleFabric单子网支持11.4万卡集群，是传统IB的2.33倍，端口密度提升25%，单芯片可支持80个400G端口或40个800G端口，显著减少交换机与线缆用量，降低运维压力与能耗。
规模化商用带来的成本重构效应同样显著。相较于同规格进口IB设备，scaleFabric整体组网成本降低30%以上，与国产高端RoCE方案持平。这一突破得益于全栈自研带来的供应链掌控力：从芯片IP到硬件设备均实现国产自主，摆脱海外技术依赖，稳定供货能力有效规避断供风险。同时，该方案深度适配国产CPU、GPU与加速卡，兼容国产算力生态，为“东数西算”等国家级工程提供安全可控的网络底座。
在生态兼容性上，scaleFabric完全支持国际标准IB协议，PyTorch、TensorFlow等主流AI框架与NCCL、OpenMPI等通信库可无缝迁移，无需修改代码，大幅降低替换成本。中科曙光联合科大讯飞、中兴通讯等企业成立高速网络专项工作组，推动国产高速网络标准制定与技术迭代，构建覆盖芯片、设备、软件的全产业链生态。
随着AI大模型训练规模向十万卡级演进，网络性能已成为决定集群算力释放的核心要素。scaleFabric的商用落地不仅填补了国产原生无损RDMA网络的技术空白，更重新定义了超大规模智算集群的选型标准：500卡以下集群可沿用RoCE方案，500卡至万卡级集群推荐“前端RoCE+后端国产IB”混合组网，而万卡以上核心场景中，国产IB凭借成本、性能与稳定性的综合优势，已成为行业唯一最优解。这一转变标志着国内智算集群建设从“被动选择”迈向“主动优化”，为国产算力产业的高质量发展奠定基础。
