AI集群网络，你可能只看了皮毛

RDMA、Collectives、Fabric——这三组缩写扔出来，有多少人能张嘴就讲清楚它们各自解决什么问题、互相之间怎么咬合？我翻到这份GitHub阅读清单时有点意外，它不是某篇博客，而是一个精心攒出来的知识地图，把AI集群网络工程从底层传输协议一路铺到集合通信优化。说实话，现在跑大模型的人都在聊GPU互联，但真正卡脖子的是网络这一层。很多人以为多机训练慢就是带宽不够，其实拓扑选择、拥塞控制、通信模式这些细节往往才是元凶。这份清单的价值不在于替你读完，而在于帮你确认自己到底漏了哪块拼图。如果你正在折腾分布式训练，建议先通读一遍再动手调参数。

原文：AI cluster networking reading list: RDMA, collectives, fabrics · 来源：Hacker News