A mesterséges intelligencia által vezérelt betanító klaszterek ma már túlmutatnak a kelet-nyugati irányú forgalom és a késleltetés tekintetében a hagyományos Ethernet-hálózatok által megcélzott szinteken. Ahogy a GPU-k száma növekszik, és a feladatok rackek és sorok között skálázódnak, minden mikroburst, csomagvesztés vagy torlódási esemény közvetlenül befolyásolja a betanítási átviteli sebességet és a GPU-kihasználtságot. A veszteségmentes RoCEv2 és a GPUDirect RDMA tervek kritikus fontosságúvá válnak ahhoz, hogy a költséghatékony gyorsítókból kiszámítható, hatékony mesterséges intelligencia infrastruktúrát építsenek, ne pedig rekedt kapacitást.

A következő szakaszok arra összpontosítanak, hogyan lehet determinisztikus, skálázható MI-hálózatot felépíteni Arista leaf-spine és 400G spine kapcsolók, valamint Huawei CloudEngine alapú 100G/400G modulok használatával. Kiemelt hangsúlyt kapnak a topológiaválasztás, a puffer- és torlódáskezelés, a RoCEv2 finomhangolása és a migrációs útvonalak, hogy a tervezőcsapatok kiválaszthassák a megfelelő kapcsolószinteket és modulokat az adott GPU-klasztermérethez, hibatartományokhoz és bevezetési ütemtervhez.