NVIDIA 介绍 NVLink 6 面向 AI 工厂的多层容错设计

用途与变化

据 NVIDIA 开发者博客 2026 年 9 月 15 日文章，NVLink 6 被定位为面向 AI 工厂的 scale-up 网络架构，强调以多层容错来维持大规模训练与推理的连续运行。文章把可靠性拆分为物理层、链路层、应用与软件层、系统层四个层面。

各层要点

• 物理层：采用轻量级前向纠错（FEC），配合物理层重传（PLR）和 UPHY 恢复，在接近零延迟代价下纠正信号错误。
• 链路层：使用基于信用的流控制（CBFC），发送端在获得下一跳缓冲信用前不注入数据包，从设计上消除丢包；链路管理器可自主重新平衡链路。
• 应用层：NMX Controller 与 GPU 驱动配合，将受影响链路置入 contain and drain 状态；NMX High Availability 支持控制器在数秒内迁移；交换机数据面与管理 CPU 解耦，管理面重启时数据面继续转发。
• 软件恢复：NVIDIA Dynamo 的 Shadow Engine Recovery 维持预热的副本进程，文章称在 B200 GPU 上可将推理恢复时间从冷重启的 283 秒降至 7.3 秒。
• 检查点：NCCL 对 cuda-checkpoint 的原型支持允许多节点检查点，文章称通用可用预计在当年年底。

适用场景

面向运行超大规模 AI 训练与推理集群的运维方，以及关注 scale-up 互联可靠性的基础设施团队。NVLink Fusion 部分称可将同一容错栈扩展到第三方 XPU。

限制与待核实

文中的延迟、恢复时间和吞吐对比均为 NVIDIA 官方表述，未提供独立的第三方验证；NCCL 对 cuda-checkpoint 的支持仍为原型，正式可用时间以官方后续说明为准。