NVIDIA、次世代インターコネクト「NVLink 6」の多層耐障害性アーキテクチャを発表――Vera Rubin世代の大規模AIインフラで無停止稼働を実現

要点

• NVIDIAは2026年9月15日、次世代スケールアップインターコネクト「NVLink 6」に搭載される多層的な耐障害性フレームワークの技術詳細を発表した。
• 物理層およびリンク層で誤り訂正技術やクレジットベースのフロー制御を統合し、遅延増加を抑えながらパケット損失を設計段階で排除する。
• ハードウェアの単一障害点をゼロにする冗長設計に加え、管理CPUのリセット中もデータ転送を継続できる制御移行システムを備える。
• ソフトウェア層では「Dynamo Shadow Engine Recovery」により、B200環境における推論機能の復旧時間を従来の283秒から7.3秒へと大幅に短縮する。
• 72基のRubin GPUを統合するラック規模システム「Vera Rubin NVL72」に採用されるほか、サードパーティ製チップ向け「NVLink Fusion」にも同等の耐障害性を提供する。

リード文

米NVIDIAは2026年9月15日、大規模AIインフラ「AIファクトリー」向け次世代インターコネクト「NVIDIA NVLink 6」に搭載される多層耐障害性（マルチレイヤーレジリエンス）の技術詳細を公式技術ブログで公開した。同技術は、超大規模な学習や推論環境で避けられない信号エラーやハードウェア障害から自律的に復旧し、クラスタ全体の計算効率と連続稼働を担保するための統合フレームワークである。次世代AIスーパーコンピュータ基盤「NVIDIA Vera Rubin」の中核ネットワークとして導入されることが明らかになった。

大規模AIクラスタにおける停止リスクと「真のロスレス」の必要性

近年の大規模AIモデルの学習では、数千回におよぶGPU間の勾配同期処理が毎秒発生し、推論処理においてもシステムの停止が提供可能なリクエスト数の低下と収益の損失に直結する。クラスタ規模が拡大するにつれて、一時的な信号エラーやリンクの品質劣化、ノードの中断は確率的に避けられない事象となる。

NVIDIAは、密に連携するワークロードにおいて単一のパケット損失が推論遅延のスパイクや学習処理の停止を引き起こし、クラスタ全体の実効性能（グッドプット）を著しく損なうと指摘している。そのため、現代の大規模インフラでは事後対応的なプロトコルや単一箇所の修正では不十分であり、パケット廃棄を完全に防ぐ「真のロスレス（損失なし）」なファブリックが不可欠であると説明している。

物理層・リンク層での信号保護と自律的なトラフィック再調整

NVLink 6では、ハードウェア、システム設計、ソフトウェアにまたがる包括的なアプローチを採用している。まず物理層およびリンク層において、前方誤り訂正（FEC：受信側で通信エラーを自動検出・訂正する技術）、物理層リトライ（PLR）、Universal Physical Layer（UPHY）リカバリを組み合わせ、シリコンレベルで信号エラーを修復する。これにより、レイテンシ（通信遅延）の増加をほぼゼロに抑えながらリンクの安定性を確保するという。

さらに、受信側のバッファ状況に応じて送信量を調整するクレジットベース・フロー制御（CBFC）を採用することで、パケット破棄を構造的に排除している。物理リンクが劣化した際には自律的にトラフィックのリバランシング（再配分）を行い、障害が発生した際もアクティブなエラー封じ込め機能によって影響が他の領域へ波及するのを即座に防ぐとしている。

単一障害点を排除する冗長ハードウェアと管理制御の継続性

システム全体としては、あらゆる単一障害点（SPOF：1箇所の故障でシステム全体が停止する要因）を排除する設計が施されている。冗長構成のスイッチトレイ、分散配置された「NMX Controller」、デュアル構成のアウトオブバンド（帯域外）管理パスを実装し、一部のコンポーネントに障害が発生してもドメイン全体の稼働を維持できるという。

NMX Controllerには「Contain and Drain（封じ込めと退避）」状態および高可用性（High Availability）機能が組み込まれている。これにより、障害を局所的に隔離した上で制御機能を数秒以内に代替系へ移行させることが可能となり、管理用CPUのリセット中であってもデータプレーン（実際のデータ通信を担う領域）の転送処理を止めることなく継続できると説明している。

ソフトウェア層による高速復旧とチェックポイントの進化

上位のソフトウェア層においても、障害復旧を加速させる複数の新機能が導入されている。推論基盤「NVIDIA Dynamo」に搭載される「Shadow Engine Recovery」では、あらかじめ起動・待機させておいたレプリカプロセス（複製の処理プロセス）を活用して瞬時のフェイルオーバーを実現する。これにより、B200 GPU環境における推論キャパシティの復旧時間は、通常のコールドリスタート（完全な再起動）に要する283秒から、わずか7.3秒へと短縮されることが示された。

加えて、マルチノード環境で起動処理のほぼすべてを保存できる「cuda-checkpoint」機能について、通信ライブラリNCCL（NVIDIA Collective Communications Library）でのプロトタイプ対応が進められている。同機能は2026年末までに一般提供（GA）を開始する予定だという。

Vera Rubin世代への統合と「NVLink Fusion」によるエコシステム拡張

NVLink 6は、全ワークロード向けに柔軟な計算資源を提供するフルスタックAIプラットフォーム「NVIDIA Vera Rubin」に組み込まれる。同プラットフォームは、GPU数を4分の1に削減しながら学習を実施可能にし、ワットあたり最高水準の推論スループットと最小のトークンコストを実現するように設計されている。中核となるラックスケール製品「Vera Rubin NVL72」では、72基のRubin GPUをNVLink 6で相互接続し、単一の巨大なコンピュートユニットとして統合する。

さらに、これらの多層耐障害性スタックはカスタムXPU（専用アクセラレータなどのプロセッサ）向けプログラム「NVLink Fusion」にも拡張される。これにより、サードパーティ製の半導体であってもNVLinkのスケールアップファブリックと耐障害性機能をそのまま継承して利用できるようになるとしている。