一句话看懂：Meta 正与韩国初创公司 Panmnesia 合作，用 CXL 技术把约 960 块 AI 加速器连进同一个一致性域，让多机架算力像一颗芯片一样协同工作，目标直指大规模 AI 训练中跨服务器通信延迟这个老难题。
事件核心：发生了什么
据 TechRadar 报道，Meta 与韩国初创公司 Panmnesia 合作设计了一套基于 CXL（Compute Express Link）的 AI 数据中心架构。与英伟达 GB200 NVL72 中一颗 CPU 通过 NVLink-C2C 直接协调两块加速器不同，Panmnesia 的方案让一颗 CPU 协调最多 16 块加速器，提升约 8 倍；再由约 60 个这样的分组构成一个一致性域，容纳约 960 块 AI 加速器。整个系统由高扇出交换机、链路加速单元和 fabric 控制器组成，并按 tray、pod、fabric 分层组织，借鉴了芯片内部功能块的布局思路。目前公开信息显示，其 fabric 控制器和链路加速单元已完成硅验证，交换机也已流片。
为什么重要
AI 训练规模上去之后，真正的瓶颈往往不是单卡算力，而是跨机架通信。传统以太网或 InfiniBand 需要包处理和软件协调，负载铺开越大，延迟抖动越明显，一块卡掉队就可能拖慢整批任务。CXL 提供共享一致性机制，让 CPU、加速器和内存处于同一资源环境。按这套设计，跨机架访问延迟可从微秒级降到几百纳秒，约一个数量级；设备故障时还能单独更换，而不必整台服务器下线。这对超大规模训练集群的资源利用率有直接意义。
对用户/开发者/创作者的影响
短期看，普通用户和大模型 API 调用者不会直接感知变化，这类底层架构通常先服务于 Meta 自家训练集群。对开发者和企业采购方而言，它提示了一个判断维度：未来选算力不只看 GPU 数量和单价，还要看互联拓扑与故障隔离能力，因为后者决定集群实际有效吞吐。做推理服务或多模态训练的团队，也可关注 CXL 内存池化是否降低显存与主机内存的调度成本——目前仍属早期。物理限制仍在：电信号 CXL 在 128 GT/s、两个 retimer 下约 7 米，更长距离需转向光互连，Panmnesia 称已完成硬件概念验证。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是这套架构是否从设计验证走向 Meta 生产集群部署，以及实际训练任务中的延迟与利用率数据；二是英伟达 NVLink 生态与 AMD、英特尔等 CXL 阵营的竞合走向，尤其是交换机与 fabric 控制器能否形成开放供应链；三是光学 CXL 的商用进度与成本，这决定它能否跨出单机房。
来源：TechRadar
