電子發燒友網綜合報道 在最近的Hot Chip2025大會上，華為進行了一場線上分享，提出了一種全新的AI數據中心網絡架構UB-Mesh。

隨著大語言模型（LLM）規模持續擴張，其訓練對計算算力與網絡帶寬的需求呈指數級增長。傳統數據中心多采用 Clos 架構，雖能提供對稱節點帶寬，卻因依賴大量高基數交換機與光模塊，存在成本高昂、可用性低等問題，難以滿足 LLM 訓練的大規模、高帶寬、低成本、高可用四大核心需求（R1-R4）。

那么UB-Mesh是通過分層本地化 nD-FullMesh 拓撲與多維度優化，實現性能、成本與可用性的平衡。

UB-Mesh 的設計遵循三大核心原則：一是流量驅動拓撲（P1），利用 LLM 訓練中張量并行（TP）、序列并行（SP）占 97% 流量且集中于近距離節點的特性，構建分層網絡；二是拓撲感知計算通信（P2），將并行策略、路由等與拓撲深度協同，避免帶寬浪費；三是自愈容錯（P3），通過硬件備份與快速故障恢復，保障訓練連續性。

UB-Mesh的整體架構設計，展示了從2D-FullMesh（機柜內）到4D-FullMesh（Pod內）再到SuperPod的擴展方式。

在核心架構設計上，UB-Mesh 以nD-FullMesh 拓撲為基礎，通過 “維度遞推” 實現規模化擴展：從板級 1D 全連接（相鄰 NPU 直接互連），到機架級 2D 全連接（1D mesh 間互連），最終形成 Pod 級 4D-FullMesh（UB-Mesh-Pod），可支持 8K NPU 的高帶寬域。UB-Mesh-Pod是一個由1024個NPU組成的4D-FullMesh集群。該集群內部，每個機柜包含64個NPU，構成一個2D-FullMesh；16個這樣的機柜再構成一個2D-FullMesh，從而形成一個4D-FullMesh的Pod。

該拓撲以短距離電連接為主（占比 86.7%），大幅減少對高成本光模塊與交換機的依賴，同時通過靈活帶寬分配，為近距離通信（TP/SP）提供高帶寬，遠距離通信（數據并行 DP）分配低帶寬，精準匹配 LLM 流量特征。

硬件層面，UB-Mesh 通過統一總線（UB） 實現組件互連，替代傳統混合互連（PCIe/NVLink/IB），支持 Load/Store 等同步操作與 Read/Write 等異步操作，不僅簡化驅動設計，還實現 IO 資源靈活分配與硬件資源池化（如 CPU、NPU、DDR 共享）。核心硬件包括支持 72 路 UB 通道的 NPU、32 路 UB 通道的 CPU，以及低基數交換機（LRS，用于機架內聚合）、高基數交換機（HRS，用于 Pod 間互連）。此外，架構采用 “64+1 備份設計”，每機架額外配置 1 個備用 NPU，節點故障時可通過 LRS 快速切換，僅增加少量延遲而不中斷訓練。

為解決架構落地挑戰，UB-Mesh 提出多維度優化機制。路由方面，創新全路徑路由（APR） ，結合源路由（8 字節緊湊頭實現路徑指示）、結構化尋址（按 Pod / 機架劃分地址段，減少路由表開銷）與拓撲感知無死鎖流控（TFC 算法，僅用 2 個虛擬通道實現無死鎖），充分利用多路徑帶寬，避免擁塞。故障恢復方面，采用 “直接通知” 機制，節點故障時直接向通信目標節點發送信息，相比傳統逐跳通知，大幅縮短收斂時間。通信優化方面，針對 All-Reduce 設計多環算法，通過 idle 鏈路復用與流量分區提升帶寬利用率；針對 All-to-All 采用多路徑傳輸與分層廣播 / 歸約，適配 MoE 模型的專家并行需求。

實驗驗證顯示，UB-Mesh 相比傳統 Clos 架構優勢顯著：成本效率提升 2.04 倍，減少 98% 高基數交換機與 93% 光模塊使用，網絡基礎設施成本占比從 67% 降至 20%；可用性達 98.8%，較 Clos（91.6%）提升 7.2%，其 Mean Time Between Failure（MTBF）達 98.5 小時，是 Clos 的 7.14 倍；在 LLAMA-70B、GPT3-175B、MoE-10T 等模型訓練中，性能僅下降 7% 以內，且集群規模擴展至 64 倍時，線性度仍保持 95% 以上，可支持超大規模 LLM 訓練。

UB-Mesh架構通過其創新的nD-FullMesh拓撲、統一總線技術以及一系列系統級優化，成功地解決了大規模LLM訓練所面臨的“通信墻”問題。它不僅在理論上證明了分層局部化網絡設計的優越性，更在實踐中展示了其在成本、性能和可靠性方面的巨大優勢。UB-Mesh為構建下一代超大規模、高性價比的AI計算集群提供了一個強有力的范例，預示著AI基礎設施設計的一次重要范式轉移。