金融业 AI 大模型智算网络研究报告

一、研究背景

• AI大模型技术发展趋势：模型能力持续提升（从自然语言处理到多模态，形成人机混合智能体）、模型结构持续演进（从稠密模型向稀疏模型发展）、模型算力持续增长（GPU算力增长1000倍，模型参数量增长175倍）、模型效率持续优化（通过并行通信算法优化、模型算法优化等技术提升训练效率）。
• AI大模型智算网络面临的挑战：高性能传输挑战（千亿模型并行训练节点间带宽需求达13.5GB-200Gbps）、高可用互联挑战（ECMP选路不均衡导致网络局部堵点）、高可维网络挑战（训练周期长，运维复杂）、高安全模型保障（模型和数据安全风险）。
• 金融领域应用规划：中国人民银行等六部门印发《算力基础设施高质量发展行动计划》，提出“算力+金融”赋能金融行业应用；中央金融工作会议强调以大模型为抓手推进产业创新；北京金融科技产业联盟发布相关发展报告和建设指引。

二、智算网络方案综述

• 智算网络技术需求：提升AI集群算力依赖于高性能和高可用的网络，需要构建均衡无损传输、快速故障恢复、高效流量调度和智能运维的网络。
• 业界智算网络方案：AI芯片提供商（如英伟达、华为）通过网络和计算联合调优构建高性能网络；互联网厂商（如Google）通过端侧技术优化解决负载不均问题；网络设备厂商（如博通、中国移动）推动网络侧方案优化；产业联盟及公有云厂商（如UEC、AWS）持续推动端侧及传输层协议优化；OTT厂商打造可运维网络。

三、智算网络整体架构及关键技术

• AI智算网络架构：涵盖数据中心、骨干及分支网络，需要在高性能、高可用、高可维和高安全方面保障。
• 高性能网络拓展算力规模：使用高带宽网络设备（单端口400G/800G）、CLOS架构、数据消冗技术。
• 高可用网络提升算力效率：使用数据面快速故障恢复技术（亚毫秒级收敛）、流级/包级负载均衡、端网协同拥塞控制技术（DCQCN、AIECN、零队列拥塞控制）。
• 高可维网络增强算力可用性：构建AI训练系统化网络运维架构，包括网络风险预测、网络可观测、网络故障自动修复、故障跨层诊断、AI智能运维能力。
• 高安全网络保障算力安全：构建零信任连接、网存联动防数据泄漏、网算联动防入侵的体系化安全架构。

四、智算网络发展趋势

• 主要发展阶段：打造AI网络底座（支撑千亿模型训练）、构建AI网络系统（支撑万亿模型训练及推广推理应用）、完善AI网络生态（支撑模型能力延展，完善生态化服务场景）。
• 新技术创新方向：重构协议栈优化网络能力（如UEC全栈协议技术）、突破单机卡限制构建超万卡集群（如超节点技术）、构建网络智能体支撑AIagent基础设施生态构建。

五、案例实践

• 工商银行AI大模型算网融合创新实践：在算内网络选定RoCE技术路线，建设千亿AI算力集群；算间网络部署SRv6网络实现广域网灵活调度，率先完成广域网流量压缩技术生产落地；入算网络推广SD-WAN技术至分行网点。
• 邮储银行AI大模型算力网络创新实践：采用200GROCE网络匹配昇腾HCCL集合通讯库，规模上具备万卡扩展能力；采用控制器网络调优算法实现网络动态路由，计算调度协同保障训练过程实际带宽；搭建面向AI算力集群的运维系统，实现AI网络关键指标实时监控和预检查，故障时能快速定界定位，并辅助断点续训。