NVLink 6 如何为 AI 工厂提供多层弹性
来自 NVIDIA Developer · 期号 2026-09-16
摘要
大规模 AI 工厂中，瞬态错误、链路降级和节点中断是数学上的必然。NVIDIA NVLink 6 通过多层弹性堆栈来保证无损传输和持续运行。 物理层用轻量级前向纠错（FEC）和物理层重传（PLR）在硅片级别纠正信号错误，延迟代价接近零。链路层采用基于信用的流控（CBFC），发送端只有确认下一跳有缓冲区才发包，从设计上消除丢包，避免了以太网 PFC 的头端阻塞和死锁问题。 应用层由 NMX 控制器执行“包含与排空”状态，在数秒内隔离故障并迁移控制功能；即使管理 CPU 重启，数据平面仍继续转发。NVIDIA Dynamo 的 Shadow Engine Recovery 维护一个预初始化的副本进程，在 B200 GPU 上将推理恢复时间从冷重启的 283 秒降至 7.3 秒。 NCCL 对 cuda-checkpoint 的原型支持可实现多节点检查点，捕获几乎所有启动工作，预计年底正式可用。NVLink Fusion 将同一套弹性栈扩展到自定义 XPU，让第三方芯片继承 NVLink 的容错能力。 原文是技术详解，附了架构对比图。