这次准备 AI Infrastructure and Operations Fundamentals（Prepare for NCA-AIIO Certification），对我来说不是单纯为了多拿一张证书。

更真实一点说，是因为我发现自己过去很熟悉的那套 DCN 语言，在 AIDC 场景里开始不够用了。

AIIO 课程完成证书（已对姓名部分做隐私处理）

我过去主要做传统数据中心网络。

Spine-Leaf、EVPN/VXLAN、DCI、路由收敛、链路冗余、QoS、Telemetry，这些东西并不陌生。很多时候，看到一张网络拓扑，大概就能判断哪里是带宽瓶颈，哪里是故障域，哪里后期扩容会难受。

但这两年接触 AIDC 相关话题之后，我明显感觉到，客户的关注点变了。

以前聊数据中心网络，大家会问：

“这张网怎么做高可用？”

“东西向流量怎么走？”

“跨数据中心怎么互联？”

“设备故障后业务怎么收敛？”

这些问题我很熟。

但现在聊 AI 集群，问题经常变成：

“GPU 为什么没有跑满？”

“RoCE 网络看起来没丢包，训练为什么还是慢？”

“存储、调度、网络到底是哪一层拖了后腿？”

“客户要建 AIDC，网络方案怎么和算力、业务目标放在一起讲？”

听到这些问题时，我意识到，传统 DCN 的知识不是没用了，而是需要换一个坐标系。

有一次准备 AIDC 相关客户交流，我翻以前做 DCN 项目时常用的材料，里面写得最多的是高可靠、低时延、大带宽、可扩展。

这些当然没错。

但我一边看一边觉得不太对。

如果对面是传统数据中心客户，这些话可以直接成立；但如果对面在建设 AI 集群，只讲这些就有点悬。客户真正关心的不是“网络指标看起来很好”，而是训练任务能不能更快完成，GPU 资源会不会被通信卡住，集群出了问题能不能快速定位。

那一刻我有一个很明显的感觉：

我不能再只从交换机、链路、协议栈往外讲，必须往上多走几层，去理解 AI 任务到底怎么使用这张网络。

比如过去看到 400G 端口，我会先想端口密度、收敛比、布线、ECMP、Buffer。

现在还要继续想：这个带宽服务的是训练还是推理？是单机多卡通信，还是跨节点 AllReduce？流量是持续型还是突发型？GPU 等待时间和网络拥塞之间有没有关系？存储能不能把数据喂上来？

这些问题让我开始认真补 AI Infrastructure and Operations 这一块。

AIIO 就是在这个时候进入我的学习计划的。

我对 AIIO 最大的感受是，它没有让我“从网络转行去学算法”。

它更像是帮我把原来的网络经验，重新放到 AIDC 的上下文里。

传统 DCN 里，我们经常说网络稳定、链路可靠、路由收敛快。

到了 AIDC，这些能力仍然重要，但它们要服务一个更具体的目标：让 AI 作业跑得稳、跑得快、跑得可运营。

这中间的差别很大。

比如“网络没丢包”这句话，在传统业务场景里已经是一个很强的结论。但在 AI 训练场景里，它可能只是排查的开始。

因为训练慢不一定是显性丢包造成的。它可能和拥塞控制、尾延迟、PFC/ECN 配置、NCCL 通信模式、作业调度、存储吞吐都有关系。

也就是说，AIDC 里的网络问题，很多时候不是单独存在的网络问题，而是算力、数据、调度、存储和网络一起表现出来的系统问题。

这也是我觉得传统网络工程师需要转型的地方。

不是把过去学的东西推倒重来，而是要把过去的能力接到新的业务链路上。

备考过程中，我没有把 AIIO 当成“背概念”的考试。

我更关注几个问题：

第一，AI 基础设施到底由哪些部分组成。

GPU、服务器、Scale-up、Scale-out、RoCE、InfiniBand、存储、Kubernetes、调度、监控，这些名词单独看都不难，但放在一个 AI 集群里，它们之间的关系才是重点。

第二，传统网络知识怎么迁移到 AIDC。

CLOS 不是过时了，而是在 AI Fabric 里继续发挥作用。QoS、PFC、ECN 也不是配置项而已，它们会直接影响 RDMA/RoCE 的表现。Telemetry 也不只是采集端口流量，而是要和作业状态、GPU 利用率、故障定位结合起来看。

第三，网络方案怎么讲到业务结果。

过去我们说高带宽、低时延、高可靠。现在我会更希望自己能讲清楚：这些能力如何影响训练效率，如何减少 GPU 等待，如何提高集群利用率，如何降低运维复杂度。

这个变化对我挺关键。

因为 AIDC 不是把交换机堆得更大，也不是简单把数据中心网络升级到 400G/800G。它背后是 AI 工作负载对基础设施提出了新的要求。

如果让我总结这次 AIIO 学习的收获，我觉得最重要的不是某个知识点，而是视角变了。

以前我看网络，第一反应是拓扑、协议、带宽、故障域。

现在再看 AIDC，我会先问：

这套基础设施服务什么 AI 任务？

训练还是推理？

瓶颈可能出现在计算、网络、存储还是调度？

网络指标和 GPU 利用率能不能放在一起看？

后续扩容和运维怎么做？

这些问题会逼着自己跳出单纯的网络视角。

这也是我觉得 AIIO 对传统 DCN 背景的人比较有价值的地方。它不是让你变成算法工程师，而是让你知道 AI 基础设施到底怎么运行，网络在里面到底承担什么角色。

我也踩过一个认知坑。

刚开始看 AIDC 的时候，很容易被各种新词带着走：GPU、NCCL、RDMA、RoCE、InfiniBand、KV Cache、AI Factory。

名词很多，看起来很热闹，但如果只停留在名词层面，其实很容易写出一篇“看起来懂 AI、其实全是概念”的东西。

后来我给自己定了一个原则：每学一个概念，都要问它和我过去熟悉的 DCN 有什么关系。

RoCE 和传统以太网有什么关系？

PFC/ECN 为什么在 AI 网络里被反复提？

Scale-out Fabric 和传统 Spine-Leaf 有哪些相同点、不同点？

AI 集群的可观测性，为什么不能只看端口和链路？

这样学下来，很多东西就不再是空的。

如果你也是传统网络背景，想往 AIDC 方向转，我觉得不用焦虑。

我们过去积累的东西仍然有价值。

网络架构、协议理解、故障定位、容量规划、自动化、可观测性，这些能力在 AIDC 里依然需要，而且会变得更重要。

只是表达方式要变。

以前我们证明的是：这张网是稳定的。

现在还要进一步证明：这张网能让 AI 任务稳定、高效、可持续地跑起来。

这句话听起来差别不大，但背后要求完全不一样。

拿到这张证书，只能算是一个开始。

但它对我有一个很实际的提醒：

传统 DCN 的经验不能丢，但也不能只停在原来的边界里。

AIDC 时代的基础设施工程师，不能只会讲网络设备，也要能理解算力、存储、调度、作业和运维。

未来真正有价值的能力，可能就是把这些东西串起来。

对我来说，AIIO 的意义就在这里。

它不是终点，而是我从传统 DCN 走向 AIDC 的一个清晰起点。