谈到人工智能竞争，人们首先想到的，通常是大模型、GPU和算力中心。
但美国科研教育网络组织Internet2近期发布的一项进展，提醒我们：当人工智能进入大规模、分布式计算阶段，决定算力能否充分发挥的，可能还有一项经常被忽略的基础设施——网络。
Internet2是美国面向高校和科研机构建设、运营先进网络与数字基础设施的重要组织。它的网络主要服务数据密集型科研、高校计算、云服务连接以及国际科研协作，并与全球多个国家和地区的科研教育网络互联。
2025年，Internet2与一家产业成员合作，参与设计和建设一张专用于人工智能研究的超大规模网络。
按照Internet2此前披露的建设方案，这张网络规划连接美国5个数据中心，总容量超过138 Tbps，连接距离超过3400公里。首期工程已经在两个相距约300公里的数据中心之间建立57.6 Tbps的连接。
在2026年6月发布的中期进展中，Internet2将其称为一张专门面向分布式人工智能训练和推理的138 Tbps AI研究网络，并特别指出：这张网络在运行上与Internet2原有的科研教育骨干网相互独立。
为什么人工智能研究需要建设这样一张专用网络？
因为大模型训练并不是由一块GPU，或者一台服务器独立完成的。
在大规模训练过程中，分布在不同服务器、不同计算集群，甚至不同数据中心的GPU，需要持续交换训练数据、模型参数和计算结果。
当GPU数量不断增加，节点之间的数据交换量也会快速上升。如果网络带宽不足、时延过高，GPU就可能花费更多时间等待数据，昂贵的计算资源也难以得到充分利用。
因此，GPU决定单个计算节点有多强，网络则决定这些节点能否被高效组织起来，形成一个更大的计算整体。
这也是Internet2案例值得关注的地方。
它所建设的并不是一条普通的高校上网链路，而是面向大规模分布式AI任务设计的专用基础设施。网络不再只是把科研人员连接到算力中心，也开始进入计算过程本身，直接影响训练效率、资源调度和跨数据中心协同。
不过，Internet2这篇文章中最有启发性的，可能还不是138 Tbps这个数字。
文章开头提出，美国科研与高等教育领域关于人工智能的讨论正在发生变化。
过去，人们关注的是：学校应该订购哪些聊天机器人和生成式人工智能工具？
现在，问题正在转向：科研教育机构应该共同建设和持续运营什么样的基础设施，才能让更多机构获得人工智能资源和发展机会？
这意味着，人工智能正在推动高校和科研机构重新理解基础设施。
AI基础设施不仅包括GPU、服务器和算力中心，也包括连接这些资源的高速网络，以及支撑跨机构协作的数据、安全、身份认证和资源共享机制。
Internet2的选择也传递出一个信号：科研教育网络的作用，正在从支撑数据传输，进一步延伸到支撑算力协同和人工智能研究。
当然，一张高速网络并不能单独解决人工智能基础设施的所有问题。模型训练究竟在多大程度上需要跨数据中心协同，网络投入能否转化为实际算力效率，还取决于计算架构、任务类型、调度方式和应用需求。
但Internet2的实践至少提出了一个值得继续观察的问题：
当人工智能计算从单机走向集群，从单个数据中心走向跨地域协同，衡量算力能力的标准，是否也需要从“拥有多少GPU”，转向“能够把多少算力真正组织和利用起来”？
从这个意义上说，AI竞争拼的不只是一块芯片，也不只是一座算力中心。它拼的是一整套能够把计算、网络、数据和科研协作连接起来的基础设施。
监制：余兴真
来源：“中国教育网络”微信公众号
京公网安备 11040202430174号
![京网文[2017]10376-1180号](/images/indexnew/www1024.jpg){kind=link}