联想提出RNL技术，通过多维感知等解决AI训练中的难题

11月28日晚间消息，近日，联想万全异构智算研发团队的论文被IEEE CyberSciTech 2025大会接收，并即将收录于IEEE DL和EI Indexed。此次联想提出了一项创新性的RNL技术，通过多维感知、路径负载均衡优化与增量流量迁移，有效解决了AI训练与推理场景中RoCE网络负载均衡的长期难题。

随着大语言模型参数规模爆发式增长，AI集群规模不断扩大，RoCEv2（RDMA over Converged Ethernet v2）已成为AI网络的主流协议。然而，AI训练与推理基于通信原语（如all-gather、all-reduce）进行数据传输，这种模式容易导致网络流量呈现“低熵、大象流”特征，极易引发负载不均和链路拥塞，严重制约带宽利用率与整体性能。

联想方面表示，针对上述痛点，团队提出了RNL技术，可以构建“多维感知+路径负载均衡+增量迁移”闭环体系，兼具算法创新与实用价值：首先是多维感知机制，可以实时感知网络拓扑结构、AI任务网络需求及RoCE链路负载状态，为动态调度提供数据基础。其次是路径负载均衡优化，通过虚拟-物理网络映射与路径评分算法，智能选择最优数据传输路径，最大化带宽利用率。第三是增量流量迁移，该技术采用增量迁移策略，在链路流量调整时避免瞬时延迟，确保业务连续性。

未来，联想计划将RNL技术扩展至高性能存储、HPC等场景，并引入深度学习算法优化拥塞预测能力。同时，联想将在千卡、万卡节点的大型AI集群中验证其综合性能，持续推动AI网络技术的创新与迭代。