DriveNets 完成 4.1 亿美元 D 轮融资：当 AI 数据中心的算力需求让网络成为瓶颈，这家以色列公司用以太网重新定义 GPU 集群的互联架构
每一轮 AI 军备竞赛结束之后，下一个瓶颈总会在意想不到的地方显现。GPU 的算力在过去三年以几何级数扩张——从单节点几块卡，到万卡集群——但随着规模的急剧扩大，一个长期被忽视的问题越来越刺眼：把这些 GPU 连接在一起的网络，正在成为整个系统的新瓶颈。
2026 年 6 月，总部位于以色列拉阿纳纳的网络基础设施公司 DriveNets 宣布完成 4.1 亿美元 D 轮融资，由 Bessemer Venture Partners 和 Atreides Management 领投，AMD 战略投资参与，Red Dot Capital、Pitango、D1 Capital Partners 跟投。这是网络基础设施领域近年来金额最大的单笔融资之一，也标志着「以太网取代 InfiniBand」这场静悄悄的网络革命正在进入主战场。
万卡集群时代，NVIDIA 的专有网络开始成为系统性风险
理解 DriveNets 的价值主张，需要先理解当今 AI 基础设施的一个核心矛盾。
AI 训练集群的主流互联方案长期以来由 NVIDIA 的 InfiniBand 主导。InfiniBand 的延迟极低、带宽极高，在数百到数千块 GPU 的集群规模下性能无可挑剔。然而，随着超大规模集群的兴起（10 万块 GPU 甚至更大），InfiniBand 的结构性问题开始暴露：
- 专有生态锁定：InfiniBand 与 NVIDIA 的硬件深度绑定，采购、运维、故障排查都高度依赖单一供应商
- 扩展成本非线性增长：InfiniBand 交换机和光模块的成本随集群规模扩大呈陡峭上升，万卡集群的网络成本可能占整体基础设施投入的 30% 以上
- 与云原生架构的摩擦：现代数据中心高度依赖以太网生态，InfiniBand 作为一个独立的平行网络层，增加了运维复杂度和协同成本
与此同时，以太网技术在过去三年经历了重大升级。超低延迟以太网、RDMA over Converged Ethernet（RoCE）等技术的成熟，让标准以太网在 AI 工作负载的延迟和吞吐量指标上正在逼近 InfiniBand。
这正是 DriveNets 的历史性机遇：用标准以太网重建 AI 基础设施的互联层。
「网络分解」：把软件逻辑从硬件中分离出来
DriveNets 的核心技术方案叫做 Network Disaggregated Cloud（NDC，网络分解云）。
传统网络基础设施的逻辑高度耦合在专有硬件中——思科的路由器运行思科的操作系统，NVIDIA 的 InfiniBand 交换机运行 NVIDIA 的控制平面。DriveNets 的 NDC 彻底打破了这一模式：
1. 硬件白盒化：DriveNets 使用基于商用 ASIC（如 Broadcom 的 Tomahawk 系列）的白盒交换机，而非专有黑盒设备，采购成本大幅降低 2. 软件定义控制平面：DriveNets 的软件层在白盒硬件上运行完整的网络操作系统，提供媲美专有设备的性能和可靠性 3. AI-Fabric 优化：专为大规模 GPU 集群设计的流量调度和拥塞控制算法，在万卡规模下保持接近线速的吞吐量
关键数据：DriveNets 已与 AT&T、Comcast 等大型电信运营商建立深度合作，其技术也在向 AI 数据中心场景快速拓展。在电信基础设施这个对可靠性要求极为严苛的市场经过验证的技术，正是 AI 数据中心客户最需要的信任基础。
从电信到 AI 数据中心：一条走得通的商业化路径
DriveNets 最初的核心市场是电信运营商的核心网络——这是一个对延迟、可靠性和规模化有极端要求的场景。在 AT&T 和 Comcast 等客户的骨干网络中运行数年，DriveNets 积累了大规模网络运营的核心能力。
这一背景为其进入 AI 数据中心市场提供了天然优势：
- 运营商级可靠性：电信客户要求”五个九”（99.999%）的在线率，这一标准远高于一般企业 IT 基础设施
- 超大规模验证：处理过运营商骨干网络的流量调度逻辑，在万卡 GPU 集群的规模面前不会临阵失措
- 成本结构优势：白盒硬件 + 软件授权的模式，相比 InfiniBand 交换机的整体成本低 30%-50%，这在资本支出动辄数十亿美元的超大规模数据中心中是重大差异
AMD 的战略投资是这一轮融资最值得深读的细节。AMD 正在全力冲击 NVIDIA 在 AI 加速器市场的主导地位，其 MI300X 和 MI400 系列 GPU 已经在云厂商和超算中心获得规模部署。但 AMD GPU 的一个历史弱点恰恰是生态——它没有 NVIDIA 那套完整的 CUDA + InfiniBand 垂直整合堆栈。DriveNets 的以太网互联方案对 AMD 来说是战略填补：AMD GPU + DriveNets 网络 = 一个不依赖 NVIDIA 的完整 AI 集群方案。这不仅是财务投资，更是两家公司联合对抗 NVIDIA 生态锁定的战略结盟。
竞争格局：一场「去 NVIDIA 化」的网络革命
DriveNets 面临的竞争格局可以分为几个维度：
| 竞争对手 | 核心定位 | 对 DriveNets 的威胁 |
|---|---|---|
| NVIDIA InfiniBand | 垂直整合的 AI 集群互联标准 | 最主要的对手，但锁定效应也是最大弱点 |
| Arista Networks | 数据中心以太网交换机领导者 | 硬件实力强，但缺少 AI-specific 软件层 |
| Juniper（HPE） | 企业网络 + AI Fabric | 同样在布局，但软件化程度不如 DriveNets |
| AWS EFA / Google Jupiter | 超大型云厂商自研网络 | 自用为主，不对外销售 |
DriveNets 的差异化护城河在于：电信级验证 + AI 专用软件优化 + 开放以太网生态 的组合。NVIDIA 的反击会是更激进的 InfiniBand 降价，但一旦 AMD 的 GPU 生态成熟，对 NVIDIA 专有互联的依赖就会从「不得不选」变成「可以选择不选」。
投资人逻辑：4.1 亿美元押注「AI 基础设施去 NVIDIA 化」
Bessemer Venture Partners 长期深耕云基础设施投资，其投资组合包括 Twilio、Cloudflare、PagerDuty 等基础设施软件公司。在 Bessemer 的框架里，DriveNets 是一个经典的「层叠基础设施」机会——底层硬件商品化，软件层创造价值、建立护城河。
更宏观的投资逻辑是：全球 AI 数据中心资本支出预计在 2025-2028 年间超过 2 万亿美元，其中网络基础设施占比通常在 15%-25%。一旦以太网方案在大规模 AI 集群中的地位得到广泛认可，这是一个数千亿美元级别的市场重构机会。
AMD 的战略投资则代表了另一层逻辑：半导体生态竞争的战场已经从芯片层延伸到了互联层。赢得网络生态，就是为自家 GPU 铺路。
风险与挑战
⚠️ 风险一：NVIDIA 的防守反击。NVIDIA 是一个极具攻击性的竞争对手。面对以太网的威胁，NVIDIA 可能通过 InfiniBand 降价、捆绑销售或加速收购 Mellanox 技术迭代来维持市场份额。DriveNets 需要在 NVIDIA 全力防守之前尽快锁定足够多的大客户。
⚠️ 风险二：超大模型训练对极低延迟的特殊需求。目前的共识是以太网在推理场景和中等规模训练集群中已经有竞争力，但在超大规模（10 万卡以上）的分布式训练场景中，InfiniBand 的延迟优势仍然显著。如果前沿 AI 训练持续向更大规模发展，DriveNets 的方案可能在最顶端的客户中遭遇性能天花板。
⚠️ 风险三：云厂商自研的替代威胁。AWS 的 EFA、Google 的 Jupiter、微软的 Azure Accelerated Networking——超大型云厂商有能力自研网络基础设施并拒绝采购外部方案。DriveNets 的核心市场可能主要是中型超算中心和企业级 AI 数据中心，而非头部云厂商。
⚠️ 风险四：AMD GPU 生态成熟速度的不确定性。DriveNets 与 AMD 的战略协同能否兑现，取决于 AMD 能否在大规模部署场景中真正打破 NVIDIA 的垄断。如果 AMD 的进攻不如预期，DriveNets 的某些战略价值将难以兑现。
DriveNets 的这轮融资，代表的不只是一家公司的成长，而是整个 AI 基础设施生态向「去锁定化」演进的一个关键节点。网络，从来都是计算系统中最容易被低估的组成部分——直到它成为瓶颈的那一刻。以色列在网络技术领域有着深厚积累（Checkpoint、Radcom、ECI），DriveNets 或许是这一传统在 AI 时代最具雄心的延续。
