在當今基于 AI 的數據中心中，性能不理想的原因有很多。首先，AI 網絡需要一致的端到端服務質量以保證無損傳輸。這意味著服務器中的網卡以及網絡平臺必須擁有統一的標記/映射、精確的控制和擁塞通知（包括使用數據中心量化擁塞控制（DCQCN）的優先流控制（PFC）和顯式擁塞通知（ECN））以及適當的緩沖區利用率閾值，以使每個組件都能及時響應網絡事件（如擁塞），確保發送方能夠精確控制流量速率，避免丟包。然而，目前網卡和網絡設備是分開配置的，在大型 AI 網絡中，任何配置不匹配都極難調試。

性能不佳的一個常見原因是組件故障。服務器、GPU、網卡、收發器、電纜、交換機和路由器都可能出現故障，導致重傳（go-back）或更糟糕的結果——可能使整個作業停滯，從而導致巨大的性能損失。隨著集群規模的擴大，組件發生故障的可能性變得越來越大。傳統上，GPU 供應商的集體通信庫（CCL）會嘗試使用定位技術來發現底層網絡拓撲，但發現的拓撲與實際拓撲之間的差異可能會嚴重影響 AI 訓練的作業完成時間。

AI 網絡的另一個問題是，大多數運營商都有單獨的團隊來設計和管理不同的計算和網絡基礎設施。這涉及使用不同的編排系統進行配置、驗證、監控和升級。缺乏單點控制和可見性使得識別和定位性能問題變得極其困難。隨著 AI 集群規模的擴大，這些問題會變得更加嚴重。

不難看出，這些孤島問題是如何不斷加劇問題的嚴重性的。計算和網絡之間的分割會導致將這兩項技術結合起來以最大化性能的操作充滿挑戰，同時延誤診斷和解決性能下降或宕機等問題。網絡本身也可以分為基于以太網的數據中心網絡和 InfiniBand 高性能計算（HPC）集群孤島網絡。這反過來又可能造成孤島間數據傳輸的挑戰，迫使組織使用笨拙的網關，并造成計算和存儲到最終用戶的連接障礙。只關注某一技術（如計算）而忽視整體解決方案的其他方面，會忽視技術之間相互依賴和相互連接的本質，如下圖所示。