OpenAI 開源 MRC 網路協定：13 萬 GPU 同步訓練不怕單點故障

OpenAI 公開 MRC (Multipath Reliable Connection) 網路協定，並透過 Open Compute Project 開源。這套協定已部署在最大規模的 GB200 超級電腦上，讓 13 萬 GPU 進行同步訓練時，鏈路或交換機故障也能在微秒級繞行不停拍。本文整理 MRC 的三個設計選擇與實戰證據，看懂 Stargate 級訓練背後的網路打法。 ⭐ 文章深度讀：想看 MRC 三個設計的完整拆解，到部落格深入讀 → https://heymaibao.com/openai-mrc-supercomputer-networking/ ⚡ 章節重點 13 萬顆 GPU 同步訓練的災難放大器 00:00 MRC 三個反直覺的設計 02:27 壞了不停機的實戰證據 06:46 為什麼整個業界都要重做網路 07:50 📝 懶人包 ∙ MRC 是 OpenAI 公開的網路協定，重點不是「更快」，是壞掉也不停機。 ∙ 三招：把一條 800Gb/s 拆成 8 條平面、把封包灑在數百條路上、用 SRv6 把 switch 做笨。 ∙ 已部署在 OpenAI 所有最大 GB200 超級電腦，規格交給 OCP，業界都會跟。 ∙ 大規模 AI 的下一個瓶頸是「算力之間的可預測性」，不是算力本身。 📚 參考資料 Supercomputer networking to accelerate large scale AI training → https://openai.com/index/mrc-supercomputer-networking/ OCP MRC 1.0 PDF → https://www.opencompute.org/documents/ocp-mrc-1-0-pdf Resilient AI Supercomputer Networking using MRC and SRv6 → https://cdn.openai.com/pdf/resilient-ai-supercomputer-networking-using-mrc-and-srv6.pdf