OpenAI开放MRC协议：实现微秒级故障恢复，确保大规模AI训练网络通信稳定

【导语：OpenAI通过OCP开放了超大规模AI训练时使用的网络协议——MRC。该协议由OpenAI联合英伟达、AMD等厂商花两年时间打造，旨在确保大规模训练环境下网络通信的稳定性。】

OpenAI开放MRC协议，多厂商参与合作

OpenAI通过Open Compute Project向全行业开放了超大规模AI训练使用的网络协议MRC。此次开放是和硬件厂商合作，英伟达、AMD和英特尔都参与其中。网友认为能把这些厂商聚在一起合作制定标准十分困难。MRC协议由OpenAI联合英伟达、AMD、英特尔、微软和博通花两年时间完成，目前跑在OpenAI所有最大规模的NVIDIA GB200超算上。

MRC协议解决大规模集群通信难题

同步预训练的通信模式对网络极度敏感，随着集群规模扩大，网络故障频率上升。为解决此问题，MRC主要做了三件事。一是多平面网络拓扑，将800Gb/s的网卡拆成8条100Gb/s子链路，连到独立交换机，形成8个并行网络平面，降低互联成本和故障点。

二是自适应包喷射，扩展RoCE的乱序处理能力，允许将单次传输的包喷射到数百条路径上并行传输，拥塞检测和路径切换在连接层完成，响应在微秒级。三是用SRv6静态源路由取代动态路由协议，将路径决策移到发送端，消除路由收敛引发的抖动。

MRC协议发布后同步推出播客

MRC技术博客公布后，OpenAI同步发布了一期播客，OpenAI网络负责人Mark Handley和工作负载负责人Greg Steinbrecher在播客中聊了MRC从动机到落地的完整过程。

编辑观点：OpenAI开放MRC协议是AI领域的重要突破，其多维度设计确保了大规模网络可靠性，多厂商合作也为行业发展提供了新方向。