中国启用跨越2000公里的"虚拟超算”，单个数据中心效率高达98%

在数据中心物理距离超过2000公里的情况下,让分散的计算资源像一台统一的超级计算机那样协同工作,效率还能达到集中式数据中心的98%——这听起来像科幻小说的场景,如今在中国已成为现实。12月3日,由中国工程院院士刘韵洁领衔的未来网络试验设施正式投入运行,这个覆盖全国40个城市、光传输总长度超过5.5万公里的分布式人工智能计算网络,标志着全球算力基础设施建设进入了一个全新阶段。

这套被称为FNTF的系统,本质上是用高速光纤网络和确定性传输技术,将地理位置分散的数据中心"焊接"成一台逻辑上统一的巨型计算机。它的革命性意义不在于单纯堆砌算力规模,而在于突破了物理距离对计算资源整合的限制。在传统认知中,训练大型AI模型需要将数万颗GPU集中部署在同一个数据中心内,以最小化网络延迟带来的通信损耗。但FNTF通过广域确定性网络技术,让相距千里的计算节点也能实现准实时同步,为算力资源的灵活调度打开了想象空间。

从物理瓶颈到逻辑突破

刘韵洁在接受采访时透露了一组令人震撼的数据:训练一个拥有数千亿参数的大型AI模型通常需要超过50万次迭代,而在FNTF的确定性网络支持下,每次迭代仅需约16秒。如果采用传统的广域网络,每次迭代可能耗时超过20秒,整个训练周期将因此延长数月之久。这4秒的差距看似微不足道,但乘以50万次迭代后,累积效应极为可观——不仅节省大量训练时间,还能显著降低数万颗GPU长时间运转产生的电力和冷却成本。

这背后的技术突破在于"确定性网络"的实现。在传统互联网架构中,数据传输的延迟是不可预测的,可能因为网络拥塞、路由变化等因素产生剧烈波动。而FNTF通过服务定制网络架构和全球首个分布式大网网络操作系统,实现了对数据传输路径和时延的精确控制。这就像把原本拥挤不堪的公共道路改造成了专用的数据高速公路,保障关键任务的数据包能够按时准确到达目的地。

据报道，该系统旨在服务于国家“东西方数据计算”项目。（示意图） 伏尔泰

该设施还具备同时支持128个异构网络、并行运行4096项业务试验的能力,这意味着它不仅能服务于AI大模型训练,还能支撑工业互联网、远程医疗、低空经济等对实时性要求极高的应用场景。例如在远程手术场景中,确定性网络可以保障手术操作指令的毫秒级传输,让千里之外的专家也能精准操控手术机器人。

东数西算的技术底座

FNTF的落地并非孤立事件,而是嵌入在中国"东数西算"国家战略的宏大叙事中。这项于2022年全面启动的工程,旨在构建8个算力枢纽节点和10个数据中心集群,形成覆盖东中西部的算力网络体系。截至目前,该工程已带动社会投资超过万亿元,为全国提供了约八成的智算服务。

西部地区拥有丰富的清洁能源和较低的土地成本,非常适合建设大规模数据中心,但却远离东部沿海的算力需求中心。传统模式下,这种地理错配导致西部算力资源难以被东部企业高效利用。而FNTF通过确定性网络技术,让东部的AI训练任务可以实时调用西部的计算资源,真正实现了"东数西算"的物理闭环。甘肃庆阳、贵州贵安等西部数据中心集群,在这套系统的支撑下,不再是孤立的算力孤岛,而是融入全国一体化算力网络的重要节点。

这种模式也为解决数据中心能耗问题提供了新思路。相比在东部沿海建设大型数据中心,将算力负载转移到西部可以利用当地的风电、光伏等清洁能源,降低碳排放。同时,西部地区的自然冷源也能大幅减少数据中心的制冷能耗。根据规划,未来该网络还将在AI大模型训练、算力调度、算网协同、光电融合等领域持续提供开放试验支撑。

挑战犹存的野心

尽管FNTF展示了令人印象深刻的技术能力,但要在如此广阔的地理范围内长期维持高效稳定运行,仍然面临诸多挑战。首先是网络可靠性问题,任何一个节点的故障或光纤链路的中断,都可能影响整个系统的协同效率。项目团队需要建立完善的容错机制和冗余备份策略,确保系统在极端情况下也能持续运转。

其次是能源消耗的巨大压力。虽然分布式部署有助于利用西部清洁能源,但多个互联数据中心同时运行所需的总能耗依然相当可观。如何在算力规模扩张和碳中和目标之间找到平衡,将是长期考验。此外,随着接入节点和业务类型的增加,网络调度的复杂度将呈指数级上升,对调度算法和系统算力本身也提出了更高要求。

从国际竞争角度看,FNTF代表了中国在算力基础设施领域的一次大胆创新。在美国科技巨头为数据中心选址和电力供应焦头烂额的当下,中国通过体制优势和超大规模工程能力,探索出了一条不同的技术路径。但算力竞争的核心仍在于芯片制程、算法创新和生态构建,基础设施的领先只是必要条件而非充分条件。未来这套系统能否真正支撑起中国AI产业的崛起,还需要时间和实践的检验。