近日，全球极具影响力的计算机科学与技术领域盛会——IEEE CyberSciTech 2025（国际计算机科学与技术大会）公布了最新一批论文收录名单，联想万全异构智算研发团队提交的学术成果成功入选。该论文聚焦AI训练与推理场景中的核心网络瓶颈，提出的RNL创新技术构建了“多维感知+路径负载均衡+增量迁移”的闭环体系，为解决RoCE网络负载均衡难题提供了突破性方案，充分彰显了联想在异构智算领域的技术深耕与创新实力。
作为AI基础设施的关键组成部分，网络性能直接决定了AI计算的效率与成本。当前，RoCE（RDMA over Converged Ethernet）网络凭借低延迟、高带宽的优势，已成为AI训练与推理场景的主流网络选择，但随之而来的负载均衡难题却长期困扰行业——AI任务的动态性与数据传输的突发性，易导致网络链路“忙闲不均”，部分路径拥堵不堪，部分路径却资源闲置，不仅严重制约AI计算性能的发挥，还推高了部署与运维成本。这一痛点在大模型训练、高并发推理等场景中尤为突出，成为阻碍AI技术规模化落地的重要瓶颈。
针对这一行业核心诉求，联想万全异构智算研发团队历经多轮技术攻坚，推出了RNL（Resource-aware Network Load Balancing）技术。该技术的核心创新在于构建了“感知-调控-优化”的全链路闭环体系：首先通过“多维感知”模块实时采集网络带宽占用、延迟波动、任务优先级等多维度数据，精准刻画网络运行状态与资源需求；随后“路径负载均衡”模块基于感知数据，动态调整数据传输路径，将负载智能分配至空闲链路，避免单点拥堵；最后“增量迁移”模块则实现了任务数据的平滑迁移与无缝衔接，在调整过程中保障计算任务的连续性，避免性能损耗。
严苛的实测数据充分验证了RNL技术的实用价值。在模拟真实AI训练场景的测试中，该技术使集合通信原语性能提升50%——这意味着AI模型训练过程中多节点间的数据交互效率大幅提升，可显著缩短大模型的训练周期；在高并发AI推理场景下，系统TPS（每秒事务处理量）提升26%，能够更好地满足金融风控、智能客服等实时性要求高的业务场景需求；同时，通过优化网络资源利用率，RNL技术可降低60%的部署成本，帮助企业在提升AI服务能力的同时，有效控制基础设施投入，实现“降本增效”的双重目标。
IEEE CyberSciTech大会以其学术严谨性与技术前瞻性著称，此次论文收录不仅是对联想RNL技术创新性与实用性的高度认可，也标志着该技术在国际智算领域获得了权威肯定。据联想万全异构智算研发团队负责人介绍，目前RNL技术已进入产业化落地筹备阶段，后续将正式纳入联想万全异构智算平台的核心功能模块。该平台作为联想面向AI时代打造的一体化智算解决方案，整合了异构计算、高速网络、智能调度等核心能力，RNL技术的融入将进一步强化其网络性能优势，为金融、制造、医疗、教育等多行业用户提供更高效、更经济的AI基础设施支撑。
