Apa yang berlaku
MarkTechPost melaporkan bahawa Meta memperkenalkan MetaRoCE, protokol pengangkutan RDMA baharu yang direka untuk beban kerja AI yang berjalan merentasi rangkaian Ethernet yang besar. Laporan itu mengatakan MetaRoCE menganggap rangkaian sebagai rugi dan bukannya memerlukan penghantaran tanpa kerugian melalui kawalan aliran keutamaan, manakala kad antara muka rangkaian boleh atur cara mengendalikan pesanan paket, pemilihan laluan dan pemulihan terpilih.
MarkTechPost melaporkan bahawa Meta memperkenalkan MetaRoCE sebagai pengangkutan RDMA bersih untuk Ethernet skala AI. Menurut outlet itu, protokol itu direka bentuk mengikut corak komunikasi kluster latihan model dan penyajian yang besar, di mana operasi kolektif seperti all-reduce dan all-to-all memerlukan banyak pemecut untuk bertukar data berulang kali. Laporan itu mengatakan bahawa Meta telah mengendalikan kluster yang mencecah ratusan ribu GPU merentas berbilang pusat data dan wilayah, walaupun tuntutan skala tersebut dikaitkan dengan MarkTechPost dan tidak disahkan secara bebas di sini.
Reka bentuk yang dilaporkan berbeza daripada RoCEv2 konvensional dalam cara ia mengendalikan kesesakan, pesanan dan kehilangan. MarkTechPost berkata MetaRoCE menyembur paket merentasi pelbagai laluan dan membenarkannya tiba dalam keadaan tidak teratur. Setiap paket membawa maklumat yang mencukupi untuk NIC penerima untuk meletakkan data terus ke lokasi ingatan terakhirnya, mengelakkan penimbal susunan semula dan mengurangkan penyekatan kepala talian. Laporan itu juga mengatakan setiap sambungan boleh mengandungi berbilang aliran tertib dan berbilang laluan rangkaian, membolehkan titik akhir mengimbangi semula trafik tanpa membuka sejumlah besar pasangan baris gilir yang berasingan.
Outlet melaporkan bahawa MetaRoCE menggunakan penandaan ECN dan penghalaan ECMP daripada fabrik Ethernet, sambil memindahkan lebih banyak risikan pengangkutan ke NIC. Ia dilaporkan mengalih keluar keperluan untuk kawalan aliran keutamaan dan bingkai jeda, yang merupakan pusat kepada penggunaan RoCE tanpa kerugian. Struktur pengakuan terpilih 256-bit dikatakan dapat mengenal pasti paket yang hilang dan mencetuskan penghantaran semula yang disasarkan. MarkTechPost juga menghuraikan kawalan tambahan-tambahan-penurunan-penurunan-berganda berasaskan ECN berasaskan penghantar yang digabungkan dengan pembayang kadar perkongsian saksama yang disediakan oleh penerima.
MarkTechPost berkata Meta melaksanakan protokol pada NIC boleh atur cara AMD Pensando dan mengujinya pada kluster GPU AMD 64-nod yang menjalankan kolektif RCCL. Artikel tersebut melaporkan daya pemprosesan yang lebih tinggi dan masa penyiapan aliran yang lebih rendah daripada RoCEv2 dalam perbandingan semua-kurangkan dan semua-ke-semua. Ia selanjutnya melaporkan bahawa MetaRoCE mengekalkan kira-kira 86% daya pengeluaran pada 1% kehilangan paket dan terus menyediakan lebar jalur yang berguna pada kerugian 10%. Artikel itu tidak menyediakan metodologi boleh disemak secara bebas yang mencukupi, ukuran mentah atau konfigurasi garis dasar untuk mengesahkan keputusan tersebut.
Pelan keluaran yang dilaporkan tidak lengkap. MarkTechPost berkata Meta berhasrat untuk menerbitkan spesifikasi melalui Open Project, pelaksanaan rujukan perisian yang dioptimumkan DPDK, suite pematuhan dan model tingkah laku libsoftmetaroce. Outlet menempatkan artifak tersebut pada Sidang Kemuncak Global OCP 2026 pada bulan Oktober, tetapi menggunakan bahasa yang layak tentang masa. Sumber itu juga mengatakan pelaksanaan perkakasan tambahan sedang dijalankan, tanpa menamakan vendor atau komited kepada ketersediaan.
Butiran sumber: marktechpost.com ↗
Mengapa ia penting
Latihan AI yang besar dan pekerjaan berkhidmat bergantung pada operasi kolektif yang memindahkan data di kalangan banyak pemecut. Pengangkutan yang kekal berguna semasa kehilangan paket boleh mengurangkan gerai dan menjadikan kluster AI berasaskan Ethernet lebih berdaya tahan, tetapi keputusan yang dilaporkan tidak disahkan secara bebas dan tidak mewujudkan kesediaan pengeluaran.
Isu praktikal adalah penggunaan. Dalam AI teragih, langkah latihan boleh ditangguhkan oleh laluan komunikasi yang paling perlahan, meninggalkan pemecut mahal menunggu. Akaun MarkTechPost mencadangkan MetaRoCE bertujuan untuk memastikan pemindahan bergerak apabila beberapa paket atau pesawat rangkaian gagal, dan bukannya membenarkan kesalahan kecil untuk menghentikan kolektif yang lebih besar. Jika diterbitkan semula secara bebas, itu boleh menjadikan Ethernet asas yang lebih fleksibel untuk kelompok AI dan mengurangkan pergantungan pada konfigurasi fabrik lossless yang dikawal ketat.
Reka bentuk juga boleh mempengaruhi cara organisasi membina dan mengendalikan rangkaian. Laporan itu mengatakan MetaRoCE memerlukan ECN dan ECMP, keupayaan yang dikaitkan secara meluas dengan pensuisan Ethernet, tetapi tidak memerlukan pemangkasan paket, penyemburan sisi suis, telemetri dalam rangkaian atau kawalan aliran berasaskan kredit. Ini mungkin penting bagi pengendali yang menggunakan peralatan vendor campuran atau persekitaran awan yang mempunyai kekangan konfigurasi suis. Walau bagaimanapun, keserasian dengan peralatan Ethernet biasa akan bergantung pada NIC, pemacu, susunan perisian dan tetapan operasi, bukan hanya pada kehadiran ECN dan ECMP.
Pendekatan yang dilaporkan meletakkan lebih banyak tanggungjawab pada titik akhir. Itu mungkin memudahkan fabrik, tetapi ia boleh meningkatkan kepentingan perisian tegar NIC, perisian hos, peletakan memori dan kebolehmerhatian. Kegagalan yang sebelum ini boleh dilihat dalam suis boleh menjadi tingkah laku peringkat pengangkutan yang memerlukan diagnostik baharu dan ujian pematuhan. Artifak OCP yang dicadangkan boleh membantu mewujudkan kesalingoperasian, tetapi kegunaannya akan bergantung pada seberapa lengkap spesifikasi itu dan betapa ketatnya vendor menguji pelaksanaan.
Perbandingan dengan RoCEv2 berpotensi penting kerana ia menangani pertukaran seni bina sebenar: rangkaian tanpa kerugian boleh mengelakkan penghantaran semula tetapi mungkin menggunakan mekanisme jeda yang merebakkan kesesakan, manakala reka bentuk yang tahan kerugian boleh mengekalkan kepelbagaian laluan dengan kos trafik pemulihan dan kerumitan titik akhir. Sumber itu membentangkan keputusan kehilangan paket MetaRoCE sebagai bukti yang memihak kepada pendekatan yang terakhir. Keputusan tersebut harus dianggap sebagai tuntutan teknikal berkaitan syarikat yang dilaporkan oleh MarkTechPost, bukan sebagai bukti umum bahawa pengangkutan tahan kerugian adalah unggul dalam setiap topologi atau beban kerja.
Kesan awam adalah tidak langsung tetapi besar jika teknologi itu matang. Sambungan yang lebih berdaya tahan boleh mempengaruhi kos, pengedaran geografi dan campuran vendor infrastruktur AI. Ia juga boleh menjejaskan prestasi perkhidmatan latihan, kumpulan inferens dan beban kerja saintifik yang menggunakan pemecut teragih. Pada masa ini, tiada bukti dalam sumber penggunaan meluas, penerimaan pelanggan, ulasan bebas yang diterbitkan atau perubahan dalam ketersediaan AI yang dihadapi pengguna.
Mekanisme Interaktif: Bagaimana Ia Berfungsi Sebenarnya
Terokai teknologi asas di sebalik pembangunan ini secara interaktif.
Which component of an AI application is the machine-learning model itself?
Apa yang perlu ditonton seterusnya
Langkah utama seterusnya ialah sama ada Meta menerbitkan spesifikasi yang dijanjikan, pelaksanaan rujukan dan suite pematuhan melalui Projek Pengiraan Terbuka, sama ada vendor lain menyokong protokol dan sama ada ujian bebas menghasilkan semula hasil yang dilaporkan. Pembeli juga harus melihat bukti daripada penggunaan pengeluaran dan bukannya hanya bergantung pada kegagalan simulasi atau platform perkakasan tunggal.
Titik pengesahan pertama ialah penerbitan. Pembaca harus mencari spesifikasi MetaRoCE sebenar, perisian rujukan dan bahan pematuhan Meta melalui Open Project. Dokumen tersebut akan menjelaskan format paket, keperluan saling kendali, pelesenan, status pelaksanaan, pertimbangan keselamatan dan sama ada masa Oktober adalah tegas atau hanya cadangan yang dilaporkan oleh MarkTechPost.
Penanda aras bebas adalah ujian utama seterusnya. Bukti berguna akan termasuk hasil daripada lebih daripada satu vendor NIC, platform suis yang berbeza, saiz kluster yang berbeza-beza dan beban kerja di luar kolektif RCCL. Ujian harus melaporkan daya pemprosesan, kependaman ekor, masa penyiapan aliran, overhed penghantaran semula, penggunaan CPU dan NIC, tingkah laku di bawah kegagalan berkorelasi dan pemulihan selepas pesawat atau laluan tidak tersedia.
Ketersediaan perkakasan dan perisian akan menentukan sama ada laporan itu menerangkan teknologi yang boleh digunakan atau projek seni bina awal. MarkTechPost berkata Meta telah menunjukkan MetaRoCE pada NIC boleh atur cara AMD Pensando dan pelaksanaan lain sedang dijalankan, tetapi ia tidak mengenal pasti produk komersial umum, matriks pemacu yang disokong atau penggunaan pengeluaran. Operator harus menunggu pelaksanaan yang dinamakan, dokumentasi dan komitmen sokongan sebelum menganggap protokol sebagai pilihan perolehan.
Angka kerugian yang dilaporkan juga memerlukan tafsiran yang teliti. Mengekalkan kira-kira 86% daya pengeluaran pada 1% kehilangan paket dan mengekalkan lebar jalur yang berguna pada kehilangan 10% mungkin bermakna, tetapi sumber itu tidak menentukan sama ada kerugian adalah rawak atau pecah, sama ada ia menjejaskan satu laluan atau banyak, cara pemprosesan dinormalkan atau bagaimana kos penghantaran semula berbanding dengan RoCEv2 dalam keadaan yang setara. Replikasi bebas harus menguji kesesakan dan corak kegagalan yang realistik daripada hanya bergantung pada simulasi terkawal.
Akhir sekali, industri harus melihat bagaimana MetaRoCE sesuai dengan inisiatif rangkaian AI yang lain, termasuk kerja Ethernet yang lebih luas Open Project dan pengangkutan proprietari yang bersaing. Persoalan penting bukan sahaja sama ada reka bentuk Meta berprestasi baik dalam satu kelompok, tetapi sama ada vendor boleh melaksanakannya secara konsisten, pengendali boleh menyelesaikan masalahnya dan aplikasi boleh menggunakannya tanpa perubahan yang mahal. Sehingga soalan-soalan tersebut dijawab, pembangunan paling baik difahami sebagai cadangan infrastruktur yang dilaporkan dengan demonstrasi perkakasan awal, bukan pengganti yang tersedia secara meluas untuk RoCEv2.