近年来，人工智能大模型的参数规模呈指数级增长，从早期的百亿级一路攀升到如今的万亿级，分布式训练也随之成为主流开发模式，但节点间的通信瓶颈正逐渐制约训练效率与集群扩展性。麦肯锡2025年《全球AI算力发展报告》指出，当训练集群节点数超过1000个时，通信延迟导致的算力利用率损失可达35%以上，这一问题在超大规模模型训练中尤为突出。
2026年5月6日，OpenAI联合AMD、博通、英特尔、微软及英伟达五大科技巨头正式推出多路径可靠连接（MRC）技术，系统性地解决了这一通信瓶颈。该技术针对AI系统间的数据传输需求，通过多路径并行传输、动态负载均衡与链路容错机制，同时实现了带宽提升、延迟降低与可靠性增强，适用于大规模分布式训练与推理场景。合作各方将共同推动MRC在硬件接口、协议栈及云基础设施中的集成与标准化，覆盖从芯片级到系统级的全链路优化工作。
MRC技术的核心思路是利用多条物理通信链路实现数据并行传输，通过智能算法动态分配数据流，确保每条链路的负载最优。例如在英伟达DGX H100集群中，MRC可同时利用InfiniBand与以太网链路传输数据，遇到链路拥塞或故障时能自动切换，容错能力达99.999%；针对AI训练中小数据包高频传输的特性优化的协议栈，能将端到端延迟降低40%，单节点带宽也提升到了传统方案的2.5倍。
各合作方在MRC落地过程中扮演着差异化角色：AMD负责优化GPU与网络接口的兼容性，让Radeon Instinct GPU原生支持MRC；博通则在新一代网络交换芯片中集成MRC协议处理单元，以减少转发延迟；英特尔适配Xeon CPU与Optane内存的通信链路，提升节点内部的交换效率；微软将MRC集成到Azure AI超级计算集群中，提供开箱即用的分布式训练环境；英伟达则在DGX OS中内置MRC驱动，确保GPU集群的性能充分释放。
MRC技术的推出对AI行业意义重大，不仅解决了超大规模模型训练中的通信瓶颈，还为集群可扩展性提供了支撑。据OpenAI测算，采用MRC后，10万亿参数模型的训练时间可缩短30%，集群规模也能扩展到10000节点以上而不损失算力利用率，这将加速大模型的迭代、降低开发成本，推动AI向通用人工智能（AGI）等更复杂的场景发展。
行业最新数据显示，2026年第一季度全球AI算力市场规模达1200亿美元，同比增长45%，分布式训练集群占比超60%，通信技术已成为算力升级的核心赛道。竞争对手方面，谷歌DeepMind在2026年4月宣布研发“Global Fabric Link”分布式通信技术，计划年底推出，重点解决跨区域集群的低延迟通信问题；阿里达摩院则在测试自研的“星链通信协议”，以提升国产AI集群的通信效率，预计2027年初实现商业化应用。
快报