【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，能确保大规模训练环境下网络通信的稳定性。】
OpenAI通过Open Compute Project向全行业开放了MRC协议，这是实现微秒级故障恢复、能支持10万块以上GPU高效协作的底层通信协议。而且，英伟达、AMD和英特尔等硬件厂商在OpenAI的组织下参与了这个项目。网友表示，把这些厂商聚在一起合作制定标准，难度极大。
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有三层设计。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，降低了互联成本和故障点。
二是自适应包喷射，扩展了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，压低了训练step完成时间的抖动。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，消除了路由收敛引发的抖动。
MRC现在跑在OpenAI所有最大规模的NVIDIA GB200超算上，包括OCI在德克萨斯Abilene建的星际之门和微软的Fairwater超算。此外，MRC技术博客公布之后，OpenAI还同步发布了一期播客，其网络负责人和工作负载负责人聊了MRC从动机到落地的完整过程。
编辑观点：OpenAI开放MRC协议是行业的重要突破，多厂商的参与有望推动标准统一，其三层设计有效解决了大规模训练的网络难题，未来有望在更多场景发挥作用。
