SHARP/NVLink 协同

1 3 秒看懂

SHARP/NVLink 协同是将 InfiniBand 交换机在网归约（SHARP）与 GPU 节点内 NVLink 高速直连归约深度耦合的层次化通信架构。它让分布式 AI 训练的梯度聚合操作分别在 GPU 本地与网络交换机两级并行完成，使计算与通信重叠，从根本上消除跨节点 All‑reduce 的冗余数据传输与同步停顿，成为万卡级集群保持线性扩展效率的必要条件。

2 3 分钟产业解释

在生成式 AI 时代，训练一个大模型需数千张 GPU 协同工作。传统做法中，每张 GPU 产生的梯度必须通过“All‑reduce”操作在所有节点间同步——数据反复进出 GPU 显存、穿越 CPU 内存、网卡与交换机，每一步都拉长训练时间，且随着卡数增加，通信开销呈比例膨胀，最终使增加 GPU 几乎无法带来加速。SHARP/NVLink 协同正是这一瓶颈的产业答案。

它的核心思路是将原来必须由 GPU 依次执行的全局求和“拆成两层流水线”。节点内部，所有 GPU 通过 NVLink 和 NVSwitch 构成一个全互联域，先在极高的带宽（如 NVLink 4.0 双向 900 GB/s）下完成局部归约，只产出一份“部分和”。这一部分和随后借助 GPUDirect RDMA 直接推送到 InfiniBand 网卡，不再经过 CPU 中转；数据在穿越交换机芯片时，交换机内的 SHARP 引擎就在转发路径上实时执行求和/求最大值等浮点或整数操作，将最终归约结果直接返回各节点。整个过程使通信带宽的有效利用率倍增，节点间交换的数据量下降数倍，GPU 不再因归约而被迫空闲等待。

这一架构位于 AI 基础设施互连层，向上支撑 Megatron‑LM、DeepSpeed 等分布式训练框架，向下依赖 NVIDIA 的 NVSwitch 芯片、Quantum InfiniBand 交换机和 ConnectX 网卡及 NCCL 集合通信库。它不仅是 NVIDIA DGX SuperPOD 等全栈方案的内核，也是云服务商（如 Microsoft Azure、Oracle Cloud）和超算中心构建十万卡级训练平台时衡量互连能力的关键指标。从产业链视角，它使 InfiniBand 超越了纯带宽竞赛，转向以 “网内计算” 换取端到端训练吞吐效率的范式。

3 技术原理

3.1 分层归约流水线

全局 All‑reduce 被解耦为 节点内本地归约 与 节点间网络归约 两级。梯度一旦在反向传播中产生，同一个服务器内的 8 或 16 张 GPU 首先经由 NVLink 与 NVSwitch 进行高带宽、超低延迟的局部收缩。每张 GPU 只保留或接收一份本地部分和，而非全部副本。随后，每个节点仅需将本地部分和推入网络，由交换机执行跨节点归约。这种分层策略将原本需要 O(P) 通信量的全局操作降为 O(logN) 级别，并极大减少了进出 GPU 显存的无效数据。

3.2 SHARP 网络内归约

SHARP（Scalable Hierarchical Aggregation and Reduction Protocol）是 InfiniBand 交换机芯片内部实现的硬件归约引擎。它在数据包经过交叉开关矩阵时，根据指定的归约算子（如大整数/浮点 SUM、MIN、MAX 等）动态“汇总”数据，并且可将结果多播回所有参与节点。以 Mellanox Quantum‑2 平台为例，SHARP 可支持多达数百个并发归约组，归约延迟通常被压至几微秒级别，而传统端到端 All‑reduce 往往在数十微秒以上（来源：NVIDIA SHARP 技术白皮书，2022 年）。重要的是，归约发生在数据移动的过程中，不额外消耗 GPU 或 CPU 周期。

3.3 NVLink/NVSwitch 域内本地归约

节点内通过 NVSwitch 实现无阻塞的全互联。以 H100 HGX 系统为例，8 块 GPU 通过 4 颗第三代 NVSwitch 互连，每颗提供 8 个 NVLink 4.0 端口，总聚合双向带宽达 7.2 TB/s。NCCL 可在此拓扑上高效执行 NVLink‑AllReduce，仅将部分和交由网卡处理。节点内归约使跨节点流量被“压缩”数倍，这在万卡集群中可将交换机的扇出压力降低一个数量级。

3.4 GPUDirect RDMA 与 NCCL 协同

GPUDirect RDMA 允许 ConnectX 网卡与 GPU 显存通过 PCIe 总线直接通信，绕过 CPU 内存拷贝与内核协议栈。NCCL 库实时感知物理拓扑，自动将用户调用的 ncclAllReduce 映射为“NVLink 本地归约 + GPUDirect RDMA 写网卡 + SHARP 网络归约”的多阶段流水。NCCL 还会根据张量大小、节点数、梯度产生顺序动态调度阶段重叠，确保计算和通信异步执行。通过这种协同，典型大模型训练中通信开销可被掩盖至接近零。

3.5 计算‑通信重叠机制

在 PyTorch 或 JAX 的自动微分过程，梯度在后向传播中逐层生成。NCCL 会在梯度分片尚在 GPU 流处理器产生时，就启动 NVLink 域内的局部归约，并立刻通过 GPUDirect RDMA 向网卡推送。此时网络归约与下一层的梯度计算在时间上重叠，GPU 的 SMs 几乎全周期维持饱和计算。实验表明，这种机制可在 2K A100 集群上实现的 LLM 训练中，通信开销占比从传统方案的 30％ 以上压缩至 5％ 以内（来源：NVIDIA GTC 2021 演讲 “Scaling Language Model Training”）。

4 关键参数

• NVLink 带宽：NVLink 4.0 单链路双向 100 GB/s，H100 GPU 18 链路聚合 900 GB/s（来源：NVIDIA H100 数据手册，2022 年）。NVLink 5.0（Blackwell）单链路提升至 200 GB/s（来源：NVIDIA Blackwell 架构白皮书，2024 年）。
• NVSwitch 聚合：第三代 NVSwitch 提供每芯片 64 个 NVLink 4.0 端口，聚合双向带宽 12.8 TB/s（来源：NVIDIA NVSwitch 技术概述，2023 年）。HGX H100 8‑GPU 区域聚合 7.2 TB/s。
• InfiniBand 端口速率：NDR（400 Gbps）自 2021 年商用，单端口信令速率 400 Gb/s；XDR（800 Gbps）于 2024 年随 Quantum‑X800 平台推出（来源：NVIDIA GTC 2024 专题）。
• SHARP 延迟与吞吐：Quantum‑2 交换机 SHARP 组最大支持 64 个节点归约，延迟低至 1.5 µs（针对小消息），聚合归约吞吐约 200 GB/s 每交换机（来源：Mellanox/NVIDIA Quantum‑2 规格表，2022 年）。
• 端到端 All‑reduce 效率：在 2K‑GPU 集群线性扩展测试中，启用 NVLink 本地归约 + SHARP 相比传统 All‑reduce 可降低延迟 2‑3 倍，提高 Goodput 30‑50%（来源：NVIDIA “In-Network Computing” 白皮书，2021 年，具体数字取决于模型规模与拓扑）。
• NCCL 协议：从 NCCL 2.8 起，自动协商 NVLS（NVLink Sharp）路径，支持 FP16/BF16/FP32 归约（来源：NCCL 官方文档，2023 年）。
• 能耗：NVSwitch TDP 约 100 W（每个），Quantum‑2 交换机典型功耗约 60 W/端口，暂无公开全集群协同能效比精确数字。

5 技术路线

NVLink 与 InfiniBand SHARP 的协同路线经历多代迭代，且与 NVIDIA 的 GPU 平台绑定紧密。

• Pascal‑Volta 时代（2016‑2018）：NVLink 1.0/2.0 仅提供 GPU 间点到点互联，无 NVSwitch，节点内归约仍需借助环拓扑。InfiniBand 侧 SHARP v1 仅支持整数归约，与 NCCL 未深度打通，协同主要以用户自定义 MPI 实现。
• Ampere 与 NVSwitch 2.0（2020 年）：A100 引入 NVSwitch 2.0，实现节点内全互联直接归约；SHARP v2 支持 FP32/BF16 浮点归约；NCCL 2.8 开始支持“NVLink Sharp”协议，首次将本地归约与网络归约自动流水线化，实质奠定了当前的协同范式。
• Hopper 与第三代 NVSwitch（2022 年）：H100 搭载 NVLink 4.0，NVSwitch 容量翻倍，8 卡 HGX 本地归约效率再提升；Quantum‑2 交换机 SHARP 支持 FP64 和更大归约组，结合 GPUDirect RDMA 异步，使千卡至万卡训练成为标准配置。
• Blackwell 与 NVLink 5.0（2024 年）：GB200 NVL72 通过 NVLink 5.0 和 NVLink Switch 将 72 个 GPU 整合为单一超节点，节点内本地归约规模激进扩展；与之配合的 Quantum‑X800 交换机和 ConnectX‑8 网卡提供 800 Gbps InfiniBand 链路，SHARP 汇流能力进一步放大，超节点与网络的比例协同成为前沿课题。
• 未来方向：NVIDIA 公布了 Spectrum‑X 以太网平台引入自适应路由与局部拥塞控制，并计划将网内计算能力带向以太网。业界预计 NVLink 将在节点间延伸（如 NVLink Switch 系统），使 DGX 机架内通信完全 NVLink 化，SHARP 可能继续演化为更广义的“数据流归约”处理器，与内存语义互连融合。

6 上游

• 交换机芯片与网卡：Quantum InfiniBand 交换机 ASIC（由 NVIDIA 内部设计，台积电代工），ConnectX 网卡芯片（如 ConnectX‑7/8）是 SHARP 引擎的载体。上游涉及 SerDes IP、先进封装、高带宽存储器（如 HBM 用于交换机缓存？交换机一般用 SRAM）、PCIe 控制器 IP 等。
• GPU 与 NVSwitch 芯片：NVSwitch 是节点交互的心脏，采用 NVIDIA 定制大芯片，依赖台积电 4nm/5nm 工艺与 CoWoS 封装。GPU 内 NVLink 控制器、HBM 堆栈和硅中介层是关键前道环节。
• 光模块/有源光缆：NDR 400G 和 XDR 800G 端口使用 QSFP112/QSFP‑DD 光模块，主要供应商如 Coherent、中际旭创、Finisar 等；NVLink Over Fibre 实验性方案依赖高密度 VCSEL 或硅光引擎，但目前 NVLink 节点内仍以铜缆为主。
• 连接器与背板：NVSwitch 模组通过高密度板端连接器或 NVLink 铜缆背板（如 DGX 的 NVLink Spine）连接 GPU，对信号完整性与 PCB 材料（超低损耗覆铜板）有苛刻要求。
• 晶圆代工与封测：NVIDIA 依赖台积电先进制程（4NP, 3nm）及封装（CoWoS‑L 等），上游产能扩张直接影响互连交换机与 GPU 供应。2023‑2024 年 CoWoS 产能紧张一度制约 AI 芯片出货。

7 下游

• 巨型云服务商：Microsoft Azure、Amazon Web Services、Google Cloud、Oracle Cloud 等均基于 NVIDIA HGX/H100 等方案构建超大规模训练集群，SHARP/NVLink 协同是其实现有效扩展的必备条件。Azure 自研的 Maia AI 加速器集群主推 RoCE，但现有对外 AI 服务依旧大量依赖 InfiniBand 方案。
• AI 平台与企业：OpenAI（GPT‑4 训练）、Meta（Llama 系列）、xAI、Anthropic 等前沿 AI 公司大规模采用此类协同架构。公开资料显示，Meta 的 24K H100 集群采用 InfiniBand 互连（来源：Meta AI 基础设施博客，2024 年）。
• 超算中心：国家级超算系统如 EuroHPC 的 LUMI 与 Leonardo、美国 NERSC Perlmutter 等均选用 InfiniBand 并启用 SHARP 功能，用于融合 AI 与传统 HPC 负载。
• 服务器/集成商：Supermicro、Dell Technologies、HPE 等出售内置 NVSwitch 与 InfiniBand 的 GPU 服务器，作为 NVIDIA 的 OEM 渠道，使得企业客户得以部署标准化 SHARP/NVLink 协同集群。
• 框架与工具链：PyTorch、JAX、DeepSpeed、Megatron‑LM 通过 NCCL 使用底层通信，用户通常无感，但优化方向围绕如何更细粒度地暴露拓扑感知，例如在流水线并行与张量并行中更好地分区。

8 受益公司

（本节仅客观列举与协同技术关联紧密的公司，不构成任何投资建议或买卖建议。）

• NVIDIA：唯一同时拥有 GPU、NVLink/NVSwitch、InfiniBand（收购 Mellonox）和 NCCL 全栈的厂商。SHARP/NVLink 协同是其数据中心业务的核心护城河。网络业务年化营收运行率在 2024 财年 Q4 超过 130 亿美元（来源：NVIDIA 财报电话会议，2024 年 2 月），主要由 InfiniBand 驱动，但公司未单独披露 SHARP 相关收入占比。
• Mellanox 团队（现属 NVIDIA）：其 Quantum 系列交换机和 ConnectX 网卡是 SHARP 的实际承载硬件，内部深度整合入 NVIDIA 产品线。
• 云服务商：通过对外提供配备完整协同架构的 GPU 虚拟机或裸金属实例，在 AI 训练托管服务中获取超额收益，边际利润率受益于训练效率提升。
• OEM/ODM：Supermicro、广达、纬创等 NVIDIA 合作伙伴供应的 HGX/ DGX 系统因集成 NVSwitch 而具有较高的价值量，每节点售价远高于纯 GPU 代工销售。
• 光模块与互连组件公司：受益于 InfiniBand 800G 升级周期，相关供应商获得增量订单，但协同技术本身对其无直接附加值。

9 市场规模

• InfiniBand 交换机市场：据行业分析机构 650 Group 和 Crehan Research 的公开摘要（2024 年），2023 年全球 InfiniBand 交换机市场收入估计在 20 亿至 25 亿美元之间，同比增长强劲，其中几乎全部具备 SHARP 能力（Quantum 系列）。但综合考量口径差异，更精确的绝对数字公开资料未见。NVIDIA 2023 财年（截至 2023 年 1 月）网络业务营收约 91 亿美元，2024 财年大幅增长，其中 InfiniBand 贡献主体。
• NVSwitch 相关市场：NVSwitch 芯片不单独出售，其价值已计入 H100/HGX 系统。摩根士丹利等券商估算，2023 年 NVIDIA 的 NVSwitch 芯片相关收入（含 NVLink 专利授权）约在数十亿美元量级，但并无独立财报科目可核验。
• AI 训练互连 TAM：根据 Dell’Oro Group 报告（2024 年 7 月），2024 年 AI 后端网络（含 InfiniBand 与高速以太网）市场约 100 亿美元，到 2027 年预计超过 200 亿美元。SHARP/NVLink 协同在 InfiniBand 方向占据绝大部分份额，但未来以太网网内计算可能分流。
• 归约加速可寻址市场：尚无公开市场研究将“网内归约协同”单独作为品类测算。公开资料未见针对 SHARP/NVLink 协同的独立市场规模统计。通常通过 InfiniBand 端口和 DGX 系统出货量间接推断。

10 玩家对比

• NVIDIA 专有体系 vs. 传统 All‑reduce + RoCEv2：多数非 NVIDIA 方案依赖以太网 RoCEv2 加标准 MPI/NCCL 通信，无网络内归约。节点内归约借助 PCIe 或 GPU 环，跨节点归约需要 GPU 收发全部数据，往往导致有效带宽仅 50‑60% 线速。实验表明，在万卡级别，RoCEv2 集群的通信开销可达 NVIDIA SHARP/NVLink 方案的 2‑3 倍（来源：MLPerf 提交数据对比，2023 年），但后者锁定在专有生态。
• AMD Infinity Fabric Link + 以太网：AMD MI300X 平台通过 Infinity Fabric 提供高达 896 GB/s 的 GPU 间直连，并可通过网卡连接以太网。AMD 开放 ROCm 与 RCCL 堆栈，但目前无公开资料证实其在网络交换机内实现了归约卸载，也未形成协同流水线公开测试结果。在大规模训练中，AMD 集群多依赖标准以太网，通信效率相对 NVIDIA 协同方案尚有差距。
• Intel Gaudi + RoCE 与集成 RDMA：Intel Gaudi 3 内置 24 个 200 GbE RDMA 端口，将通信嵌入加速器内，但未采用网络归约交换机，需依赖服务器 CPU 或 GPU 参与全域 All‑reduce。其集中式设计可在部分模型中获得良好扩展，但未提供类似 SHARP 的网内计算协同。
• Google TPU 与 ICI 互连：TPUv5p 使用电路交换的 ICI 互连和光开关，支持大规模片上归约，不与 InfiniBand 生态竞争。TPU 系统本质上是通过专用网络拓扑实现本地化归约，不属于通用 GPU 范畴。
• Cray Slingshot / HPE Rosetta：Slingshot 采用以太网衍生协议，支持部分限定的网内计算，但部署集中在超算，尚未在主流 LLM 训练中形成与 NVLink 协同的案例。

11 风险

• 供应商锁定与技术依赖：SHARP/NVLink 协同完全依赖 NVIDIA 的专有软件、硬件和芯片设计，客户无法更换任一组件。一旦 NVIDIA 改变产品路线、供应链中断或调整定价，集群扩展与维护将面临结构性风险。
• 成本过高：InfiniBand 交换机与网卡的每端口单价数倍于同等速率的以太网方案，NVSwitch 与 NVLink 互连组件同时抬升服务器物料成本。对于研发预算有限的企业，构建具备协同优化的大规模集群门槛极高，可能导致 AI 训练算力进一步向巨头集中。
• 供应链瓶颈：2023‑2024 年台积电 CoWoS 和封测产能紧张已延迟 DGX 系统和交换机交付，叠加 NVSwitch 芯片与 HBM 短缺，直接制约协同架构的落地速度。
• 以太网阵营追赶：超大规模企业（如 Meta、Google、Microsoft）正大力投入基于以太网的训练架构，UEC（Ultra Ethernet Consortium）推动支持网内计算的以太网规范。若未来 Ethernet 交换机普遍实现集合通信卸载，并配合 NVLink‑over‑Ethernet 或 PCIe 6.0 等，可能削弱 InfiniBand SHARP 的独特性。
• 跨平台兼容风险：NVIDIA 协同架构要求 NCCL、CUDA、InfiniBand 驱动与 GPU 固件版本强绑定，混合部署不同世代硬件或混用第三方加速器时可能出现集成困难，阻碍异构计算集群演进。

12 误读纠偏

• “SHARP 可以替代 NVLink”：错误。SHARP 优化的是节点间网络归约，NVLink 负责节点内归约和 GPU 间超高速通信。两者是层级互补关系，缺一则需依靠 CPU 或 GPU 完成两级归约，导致效率大幅倒退。
• “只要有 InfiniBand 交换机就自动启用协同”：部分不正确。需要交换机固件支持 SHARP，且 NCCL 版本、GPU 驱动和系统拓扑需正确配置才会启用 NVLink+SHARP 流水线。很多老款 EDR InfiniBand 交换机不支持 SHARP，或 NCCL 回退至纯环 All‑reduce。
• “NVSwitch 只是性能加分”：并非如此。若没有 NVSwitch 提供全互联域，节点内归约必须走环或树拓扑，带宽与延迟显著劣化，网络归约也无法收到压缩后的部分和，协同效应会大打折扣。
• “SHARP/NVLink 协同能消除所有通信开销”：不现实。虽然可将大部分归约操作隐藏在计算之后，但随着模型尺寸扩大、张量并行度上升，某些控制消息和首尾梯度同步仍可能暴露延迟，特别是在故障频发的松弛同步协议下。
• “这是纯硬件优化，软件无关紧要”：误解。NCCL 对拓扑感知和协议调度决定了协同是否真正生效。没有 NCCL 的动态流水，即便硬件都支持，性能仍可能远不及预期。

13 最新事件

• GB200 NVL72 系统发布（2024 年 3 月 GTC）：NVIDIA 发布全新 Blackwell 平台，NVLink 5.0 聚合带宽达 1.8 TB/s；通过 NVLink Switch 将 72 个 GPU 组成 72‑GPU 超节点，内部通信完全采用 NVLink，外部依然由 Quantum InfiniBand 对接 SHARP 协同。该系统强化了超节点内“本地归约”的极致能力。
• Quantum‑X800 XDR 交换机（2024 年）：NVIDIA 推出 800 Gbps InfiniBand 交换平台，集成增强的 SHARP 引擎，支持更大规模和更复杂的归约算子，预计在 2024 年底开始向大型云客户出货（来源：NVIDIA 新闻稿，2024 年 3 月）。
• Spectrum‑X 以太网初步进入 AI 网络：NVIDIA 的 Spectrum‑4 交换机（2023 年）结合 BlueField‑3 DPU 实现自适应路由和拥塞控制，为以太网引入部分网络内处理能力，但尚未完全实现对等 SHARP 归约。其与 NVLink 协同验证仍在早期。
• 云服务商大规模部署：Microsoft Azure 在 2024 年 Build 大会上展示其针对 OpenAI 的专用集群，采用 H100+InfiniBand NDR，并确认启用 SHARP 与 NVLink 协同。Oracle Cloud 亦宣布其 OCI Supercluster 利用完整 NVIDIA 栈（来源：Oracle 新闻，2024 年）。
• NCCL 2.20 更新：2024 年 6 月 NCCL 发布新版本，进一步优化了 NVLS（NVLink Sharp） 协议，在张量并行与专家并行场景下可动态选择节点内归约路径，减少了多租户干扰。

14 跟踪指标

• NVIDIA 网络业务营收：季度财报中的“Networking”收入（目前约在每季度 30‑40 亿美元量级，2024 财年 Q4 为 32.9 亿美元，同比增长 237%，来源：NVIDIA 财报）反映 InfiniBand 与 Spectrum 需求趋势，持续高速增长意味着更多集群搭载 SHARP 能力。
• InfiniBand 端口出货量：由 Crehan Research、650 Group 等机构每季度统计。端口增速与平均速率提升间接验证 SHARP 部署规模。2023 年全年 InfiniBand 端口出货量同比估计增长超过 60%，公开数据需付费获取。
• NVIDIA DGX/HGX 系统出货：因 HGX 搭载 NVSwitch，OEM 服务器出货量可揭示节点内归约域的部署量。跟踪 Suermicro、Dell 的 GPU 服务器销售或 NVIDIA 的 DGX 系统指引可推断。
• MLPerf Training 成绩：关注使用 NVIDIA 平台提交的提交者说明，是否主动提及启用 SHARP+NVLink 协同及其带来的扩展效率。例如，NVIDIA 自身的 MLPerf 提交中通常会披露优化细节。
• NCCL 发布说明：每个新版本 NCCL 的变更日志（如对 NVLS 的增强、对新型交换机的支持）可反映协同功能成熟度及技术路线落地进程。
• 超算 TOP500 中 InfiniBand 份额：InfiniBand 系统占比变化，特别是具备 SHARP 标志的新系统入榜，作为协同架构在高性能计算领域渗透的佐证。
• 各大云服务商 AI 训练实例配置文档：AWS、Azure、GCP 对外公开的 AI 训练实例是否继续选用 NVIDIA 网络，并在文档中提及 SHARP 支持。
• UEC 规范进展与 NVIDIA 响应：以太网在网计算标准化将对 SHARP 构成竞争，跟踪 Ultra Ethernet Consortium 发布 1.0 规范的时间节点和 NVIDIA 的应对产品（如 Spectrum‑X 新功能）。

15 信源

• NVIDIA Networking 官方技术门户 “In-Network Computing” 与 SHARP 技术概述（https://network.nvidia.com）
• NVIDIA NVLink 和 NVSwitch 技术白皮书（2023、2024 版）
• NCCL 文档与发布说明（https://github.com/NVIDIA/nccl）
• NVIDIA GTC 演讲：例如 GTC 2021 “Scaling Language Model Training”，GTC 2024 “Blackwell Networking”
• Mellanox/NVIDIA Quantum‑2 产品规格表与性能白皮书（2022 年）
• NVIDIA H100 Tensor Core GPU 数据手册（2022 年）
• NVIDIA Blackwell 架构白皮书（2024 年）
• NVIDIA 财务报与电话会议记录（FY2024 Q4, 2024 年 2 月；FY2025 Q2 等）
• 第三方市场报告：650 Group “Data Center Switch Report” (2024)；Crehan Research “InfiniBand Switch Market” (2024)；Dell’Oro Group “AI Networks for AI Workloads” (2024 年 7 月)
• Meta AI 基础设施博客 “Building Meta’s GenAI Infrastructure” （2024 年）
• Azure 和 Oracle Cloud 公开发布的高级 AI 基础设施细节（2024 年）
• MLPerf Training 官方结果与提交描述（2023‑2024 轮次）
• Ultra Ethernet Consortium （UEC） 技术白皮书（2023‑2024）