Protokół MRC OpenAI – co to jest i co zmienia w sieciach GPU

Protokół MRC (Multipath Reliable Connection) to otwarty standard sieciowy opracowany przez OpenAI, który rozszerza RDMA over Converged Ethernet (RoCE) o adaptacyjne rozpraszanie pakietów po setkach ścieżek równolegle. Dzięki temu klaster ponad 100 000 GPU można połączyć przy użyciu zaledwie dwóch warstw przełączników, a awarie łączy są omijane w skali mikrosekund — bez restartu zadań treningowych.

Czym jest protokół MRC i skąd pochodzi

7 maja 2026 roku OpenAI opublikował specyfikację MRC w ramach Open Compute Project (OCP). Prace nad protokołem trwały ponad dwa lata; do projektu dołączyli AMD, Broadcom, Intel, Microsoft i NVIDIA — producenci GPU, dostawcy sieci i operatorzy chmury objęli tym samym pełny łańcuch od karty sieciowej po przełącznik.

MRC rozszerza istniejący standard RDMA over Converged Ethernet (RoCE) zdefiniowany przez IBTA. Czerpie techniki z Ultra Ethernet Consortium (UEC) i łączy je ze źródłowym routowaniem opartym na SRv6. Rezultatem jest protokół zaprojektowany specjalnie pod duże tkaniny sieciowe AI, gdzie dziesiątki tysięcy GPU muszą wymieniać parametry i gradienty z minimalnymi opóźnieniami.

Protokół jest otwarty — specyfikacja dostępna przez OCP oznacza, że dostawcy sprzętu i chmur mogą implementować MRC bez licencji własnościowych. To przyspiesza drogę do powszechnych wdrożeń, a dla użytkowników oznacza większy wybór komponentów zgodnych ze standardem.

Jak MRC rozwiązuje problem wąskich gardeł w sieciach GPU

Rosnące klastry GPU generują ruch o charakterze silnie synchronicznym: setki tysięcy procesorów wymienia gradienty w tych samych momentach operacji all-reduce. Tradycyjne mechanizmy równoważenia obciążenia kierowały ruch przez te same ścieżki, tworząc zatory w rdzeniu sieci i wydłużając czas trenowania. Każda przerwa lub retransmisja na dużych ramach zwiększała tzw. time-to-train w sposób trudny do przewidzenia.

MRC rozwiązuje ten problem trzema mechanizmami:

• Adaptacyjne rozpraszanie pakietów (adaptive packet spraying) — pojedyncza transmisja jest dzielona na pakiety i rozsyłana adaptacyjnie po setkach ścieżek równolegle. Pakiety mogą docierać w innej kolejności, ale każdy niesie finalny adres pamięci, więc GPU składa je bez dodatkowego sortowania. Zatory w rdzeniu sieci zostają praktycznie wyeliminowane.
• Wielopłaszczyznowe sieci (multi-plane networks) — zamiast klasycznej głębokiej topologii Clos lub sieci InfiniBand o wysokiej złożoności sterowania, MRC pozwala budować wiele płaszczyzn Ethernet z prostszą kontrolą routingu. Duże klastry można zbudować z mniejszej liczby przełączników i linków.
• Szybkie omijanie awarii przez source routing — decyzje o ścieżkach są zakodowane w pakietach (SRv6), a nie wymagają konwergencji protokołów sieciowych. Uszkodzone łącza lub przełączniki są omijane w mikrosekundach, nie w sekundach czy dziesiątkach sekund.

Protokół jest zaimplementowany w interfejsach sieciowych 800 Gb/s. Pojedynczy port 800 Gb/s można logicznie podzielić na osiem niezależnych ścieżek po 100 Gb/s każda, co zwiększa efektywne wykorzystanie przepustowości przy zachowaniu granularności sterowania.

Co MRC zmienia w topologii i skali klastrów GPU

Najistotniejszą zmianą architektoniczną jest możliwość połączenia ponad 100 000 GPU przy użyciu tylko dwóch warstw przełączników Ethernet. Tradycyjnie klastry tej skali wymagały topologii Clos z trzema lub czterema warstwami, co oznaczało więcej punktów awarii, wyższe opóźnienia między węzłami i wyższe koszty integracji.

Płytsza topologia przekłada się na kilka praktycznych korzyści:

• Niższe latencje między GPU — każdy pakiet pokonuje mniej przeskoków (hop).
• Mniejsza liczba przełączników obniża nakłady inwestycyjne (CAPEX) i zużycie energii (OPEX).
• Mniej punktów awarii upraszcza operacje i skraca okna serwisowe.
• Prostsza topologia ułatwia planowanie rozbudowy klastra.

Pierwsze wdrożenia produkcyjne potwierdzają działanie w praktyce: MRC pracuje na Oracle Cloud Infrastructure w Abilene (Teksas) i na superkomputerze Microsoft Fairwater. W obu przypadkach protokół obsługuje ruch treningowy frontier models w środowiskach produkcyjnych, nie laboratoryjnych.

Znaczenie MRC dla trenowania dużych modeli językowych

Trenowanie modeli frontierowych — dużych modeli językowych, multimodalnych i kolejnych generacji — jest procesem, w którym sieć bywa równie krytycznym ograniczeniem co moc obliczeniowa GPU. Każde zawahanie przepustowości lub restart spowodowany awarią sieci wydłuża czas trenowania i podnosi koszty obliczeń.

MRC adresuje ten problem bezpośrednio: adaptacyjne rozpraszanie utrzymuje przepustowość nawet przy częściowych awariach, a szybkie omijanie uszkodzonych łączy minimalizuje utratę iteracji treningowych. Dla zespołów ML oznacza to bardziej przewidywalny throughput, łatwiejsze estymacje budżetów obliczeniowych i mniejsze ryzyko przerywania wielodniowych lub wielotygodniowych sesji treningowych.

W kontekście polskich instytucji prowadzących zaawansowane prace nad modelami AI, takich jak ACK Cyfronet AGH — Akademickie Centrum Komputerowe AGH obsługujące infrastrukturę HPC dla projektów Bielik i PLLuM — standaryzacja protokołów sieciowych AI w ramach OCP otwiera drogę do integracji kolejnych generacji sprzętu sieciowego ze zgodnymi z MRC interfejsami. Otwartość standardu oznacza, że polskie ośrodki obliczeniowe nie są uzależnione od jednego dostawcy sieci przy rozbudowie klastrów GPU. Więcej o polskiej infrastrukturze HPC można przeczytać w dziale aktualności AI na AI Puls.

MRC jako otwarty standard — co to oznacza dla rynku

Publikacja specyfikacji przez OCP to coś innego niż ogłoszenie produktu własnościowego. Open Compute Project to organizacja, przez którą Meta, Microsoft i inne firmy wcześniej otwierały projekty centrów danych — co pozwalało rynkowi szybko budować ekosystem zgodnych rozwiązań. MRC wchodzi na tę samą ścieżkę.

Dla dostawców chmury oznacza to możliwość budowania sieci AI na standardowych komponentach zamiast drogiego sprzętu InfiniBand lub rozwiązań własnościowych. Dla producentów sprzętu — jasny cel implementacyjny. Dla użytkowników końcowych (zespołów ML, operatorów klastrów GPU) — większa konkurencja między dostawcami, co długoterminowo może wpłynąć na dostępność i ceny usług obliczeniowych.

Warto śledzić, jak MRC wpisuje się w szerszy obraz standaryzacji sieci AI — w tym prace Ultra Ethernet Consortium, w którym uczestniczą AMD, Intel i NVIDIA. MRC i UEC mają wspólne korzenie techniczne, co sugeruje, że rynek zmierza w stronę kilku otwartych standardów zamiast fragmentacji własnościowej. Przegląd narzędzi i infrastruktury AI dostępny jest w katalogu narzędzi AI Puls.

Dla polskich firm planujących skalowanie obliczeń AI — czy to we własnych serwerowniach, czy w chmurze — otwartość MRC oznacza, że wybór infrastruktury nie musi być zakładem na jednego dostawcę. Standardy sieciowe zdefiniowane w OCP przekładają się na realniejszy vendor lock-in mitigation przy projektowaniu klastrów. Więcej o strategiach wdrożeń AI w polskich firmach znajdziesz w sekcji AI w biznesie.

Przy ocenie zgodności infrastruktury AI z wymogami AI Act (UE, pełne wymagania od sierpnia 2026 r.) warto uwzględniać warstwę sieciową jako element dokumentacji technicznej systemu AI — szczególnie przy systemach wysokiego ryzyka wymagających DPIA. Wsparcie w tym obszarze oferuje polska platforma zgodności AI EU Act. Podstawy regulacyjne AI Act omówiono szerzej w sekcji edukacyjnej AI Puls.