По мере приближения к 2026 году ландшафт искусственного интеллекта сместился от «моделецентричной» эпохи к «инфраструктуроцентричной». Выпуск таких монументальных моделей, как GPT-5.4 от OpenAI, Llama 4 от Meta и Gemini 3.5 Ultra от Google, коренным образом изменил требования к современным центрам обработки данных.
Мы больше не рассматриваем отдельный графический процессор как единицу вычислений; вместо этого кластер является вычислительным центром. В 2026 году для обучения передовой модели потребуются «мегакластеры», насчитывающие более 500 000 графических процессоров, работающих в тесно связанной среде. В таком масштабе основным узким местом производительности становится уже не количество терафлопс (TFLOPS) кремниевой микросхемы, а эффективность передачи данных между ними. Это эра межсоединений, где сетевая структура определяет реализованный интеллект системы.
Современные «модели нового поколения» представляют собой скачок как в возможностях рассуждения, так и в архитектурной сложности.
OpenAI GPT-5.4 и GPT-Next Эти модели, построенные на архитектуре «система в масштабе» (SoS), требуют беспрецедентной синхронизации. Они используют масштабные этапы «размышления», требующие обмена данными с низкой задержкой между сотнями стоек.
Серия Google Gemini 3.5 Использование собственных возможностей Google ТПУ v6 и Оптическая коммутация цепей (OCS) Модели Gemini ориентированы на многомодальные окна с большим контекстом (до 50 миллионов токенов), что требует огромной пропускной способности памяти и эффективных моделей трафика «от всех ко всем».
Meta Llama 4 (версии Dense и MoE) Приверженность Meta принципам открытого программного обеспечения для искусственного интеллекта привела к развертыванию крупнейших в мире кластеров H200/B200. Llama 4 использует гибридную архитектуру «смешанных экспертов» (Mixture-of-Experts, MoE), которая оказывает огромное давление на сеть, заставляя ее без задержек направлять токены к конкретным «экспертным» узлам.
Антропический Клод 4.6 Известный своими разработками в области искусственного интеллекта и высокоточной кодировки, Клод использует в обучении сложные циклы обучения с подкреплением на основе обратной связи от человека (RLHF), требующие быстрой передачи данных между вычислительными и ресурсоемкими узлами.
DeepSeek-V4 Pro «Чемпион эффективности» из Китая. DeepSeek. Многоголовочный латентный механизм внимания (MLA) Специализированные стратегии MoE позволяют достичь производительности уровня GPT с меньшим количеством активных параметров. Однако его эффективность зависит от высокооптимизированных ядер и практически нулевого дрожания в межсоединительной матрице для поддержания высокого коэффициента использования модельных флопсов (MFU).
В 2026 году отрасль достигла порога: на каждый доллар, потраченный на вычислительные ресурсы (GPU/TPU), приходится приблизительно от 0,25 до 0,35 долларов Теперь эти средства тратятся на межсоединительную инфраструктуру (коммутаторы, трансиверы и кабели). Без этих инвестиций эффективное использование графического процессора стоимостью 30 000 долларов может упасть ниже 40% из-за «накладных расходов на связь».
Проблемы взаимосвязи в области ИИ и высокопроизводительных вычислений
Масштабирование до «суперкластеров» создало физические и логические проблемы, для решения которых традиционные архитектуры Ethernet и InfiniBand изначально не были предназначены.
В архитектурах MoE, используемых DeepSeek и Llama 4, один запрос на вывод может потребовать маршрутизации к различным «экспертам» на разных стойках. Если задержка сети (в частности, «хвостовая задержка» или p99) высока, все вычисления останавливаются. Это часто называют Проблема закладки , когда множество узлов одновременно отправляют данные одному узлу, перегружая буферы.
По мере перехода трансиверов от 800G к 1,6 Тл и 3,2 Тл Потребление энергии резко возросло. Один модуль OSFP 1.6T может потреблять 20-25 Вт. В кластере из 100 000 модулей только межсоединение потребляет мегаватты энергии, что требует использования усовершенствованных систем жидкостного охлаждения или теплообменников типа «воздух-жидкость» внутри стойки.
Физическое пространство на передней панели коммутатора ограничено. Для увеличения пропускной способности отрасли необходимо перейти к модуляции более высокого порядка (от PAM4 к PAM8) или увеличить количество линий на порт, что приведет к доминированию на рынке. ОСФП форм-фактор.
Для решения этих задач центры обработки данных к 2026 году будут использовать многоуровневую иерархию физических соединений, каждое из которых оптимизировано для определенного расстояния и стоимости.
Он ОСФП Официально превзошёл QSFP-DD в качестве стандарта для сетей 800G и 1.6T с поддержкой искусственного интеллекта.
Тепловое превосходство Благодаря встроенному радиатору он способен выдерживать тепловую нагрузку более 20 Вт, характерную для 1,6-потоковых DSP-процессоров.
Принятие Это интерфейс по умолчанию для Компания NVIDIA Blackwell переключатели и Юпитер от Google сетевая инфраструктура.
Технология Direct Attach Copper остается "святым Граалем" для связи на коротких расстояниях (внутри стойки).
Производительность : Оно предлагает нулевое энергопотребление и практически нулевая задержка потому что это не требует преобразования оптического сигнала в электрический.
Инновации 2026 года С переходом на 224G SerDes радиус действия пассивных ЦАП сократился примерно до 1,5–2 метров. Для решения этой проблемы... ACC (активные медные кабели) Использование небольших линейных усилителей позволяет продлить срок службы меди до 3–5 метров, что дает возможность применять медные объединительные платы в таких системах, как... NVIDIA GB200 NVL72 .
AOCs заполняют пробел между медными кабелями и высококачественными трансиверами.
Использование Они в основном используются на расстояниях от 3 до 30 метров (между стойками).
Выгода Они легче и гибче, чем медь, что крайне важно для плотной прокладки кабелей, необходимой в... Мета Массивные кластеры Llama 4. В отличие от дискретных трансиверов, AOC имеют заводскую оконечную обработку, что повышает надежность и снижает «стоимость одного канала связи».
| Особенность | ЦАП (пассивный/активный) | AOC (активная оптическая система) | Трансиверы OSFP |
| Расстояние | < 3м | 3м - 100м | 100 м - 2 км+ |
| Власть | 0 Вт - 1 Вт | 5 Вт - 10 Вт | 15 Вт - 25 Вт |
| Задержка | Самый низкий | Середина | Средний/высокий (на основе цифровой обработки сигналов) |
| Лучше всего подходит для | Внутристоечный канал связи между графическим процессором и коммутатором. | Межреестровый листовой переплет к корешку | Основная сеть / DCI |
В перспективе на 2027 год и далее отрасль движется в сторону «линейных» и «совместно упакованных» архитектур, чтобы преодолеть энергетический барьер.
Технология LPO в настоящее время является «восходящей звездой» в сетях искусственного интеллекта. Удалив энергоемкий цифровой сигнальный процессор (DSP) из оптического модуля и полагаясь на специализированную интегральную схему (ASIC) коммутатора для управления сигналом, технология LPO позволяет снизить энергопотребление на 50% и задержка по 25% . Оба Мета и DeepSeek проявили большой интерес к LPO для оптимизации своих масштабных вычислительных ферм.
В конечном итоге эволюция заключается в следующем: CPO В этом случае оптический модуль перемещается внутрь корпуса коммутатора, непосредственно рядом с кремниевым кристаллом. Это устраняет необходимость в длинных медных дорожках с потерями на печатной плате, что позволяет использовать порты 3,2T и 6,4T. Хотя это технически сложная задача, ожидается, что CPO станет стандартом для кластеров «эпохи GPT-6».
Хотя компания InfiniBand (NVIDIA) традиционно лидировала в области искусственного интеллекта, Консорциум Ultra Ethernet (UEC) —при поддержке Google, Meta, AMD и Broadcom — набирает обороты. Ожидается, что к 2027 году Ethernet, совместимый с UEC, обеспечит характеристики «без потерь», как у InfiniBand, в сочетании с масштабируемостью и экономичностью Ethernet, создав стандартизированную инфраструктуру для следующего поколения открытых и закрытых моделей ИИ.
Революция искусственного интеллекта 2026 года — это в равной степени триумф сетевых технологий и нейронных сетей. Будь то масштабность этих технологий или их влияние на развитие технологий. OpenAI кластеры, контекстная глубина Gemini от Google или архитектурная эффективность DeepSeek общим знаменателем является межсоединение По мере того, как мы движемся к технологиям 1.6T OSFP, LPO и, в конечном итоге, CPO, цель остается неизменной: гарантировать, что «интеллект» кремния никогда не будет ограничиваться «проводами», которые его соединяют.
