網路時間標準NTP、PTP是什麼?Meta為何引進PTP?有助於元宇宙嗎?
網路時間標準NTP、PTP是什麼?Meta為何引進PTP?有助於元宇宙嗎?

積極開發元宇宙的科技巨頭Meta Platforms, Inc.近日宣布引進新的網路時間標準PTP(Precision Time Protocol,精確時間協議)於內部系統,以取代原有的NTP(Network Time Protocol,網路時間協議),保持資料中心(data center)內所有伺服器的時間精準度。

PTP是什麼?Meta為什麼要引入新時間協定?

網路上所有活動都仰賴於眾多伺服器,這些可能分布在不同位置的伺服器需要彼此同步,以確保時間準確無誤;假如出現任何誤差,就可能導致網路延遲、錯誤甚至是斷線,因此對於資料中心營運商來說,內部每個伺服器的時鐘都必須保持同步。而該同步過程的核心關鍵就是「網路時間標準」。

Meta近日宣布於自家資料中心的網路系統中,採用同步電腦時間的協議PTP,以利伺服器時間的同步速度達到奈秒(nanoseconds)等級,並取代精度為毫秒(milliseconds)的先前技術NTP。也就是說,PTP在速度上的表現無疑優於NTP,並有效減少伺服器之間的時間誤差。

PTP的應用除了提高時間精準度,還能改善Meta旗下所有服務的體驗,包括在Facebook與Instagram上建立與觀看Reels、利用Messenger進行文字與語音聊天,以及在元宇宙Horizon Worlds中展開探索。另外,官方也指出,PTP可能實現跨資料中心的GPU(圖形處理單元)同步,甚至開發人工智慧(AI)的潛能,且PTP亦助於保持未來系統的同步,故其有望成為元宇宙技術的基礎要件之一。

Horizon Worlds
Horizo​​n Worlds是一款由Meta Platforms開發的虛擬世界遊戲。在這個VR社群平台上,玩家可以舉辦活動、玩遊戲、進行社交活動。

Meta表示目前已經成功在部分設施試用PTP,希望未來可以拓展到資料中心內所有系統。不過Meta項目負責人Ahmad Byagowi與工程師Oleg Obleukhov也提到,雖然PTP比NTP更精確,但前者對於硬體的要求也更加嚴格,於是便有內部工程師發現部分硬體裝置的設計與PTP並不符。

此外,Meta還另外開發一項名為Time Appliance的專用設備,透過一種高精準度的時鐘:原子鐘,用來幫助伺服器確定目前時間。

NTP又是什麼?為什麼相對PTP時間較不精準?

因應早期利用網路同步電腦時間的需求,NTP早在1985年就問世,由美國電腦工程師兼德拉瓦大學教授Dave Mills所設計,是目前仍在使用最古老、最穩定的網際網路協定(TCP/IP)之一。

NTP可將網路上的電腦時間同步至UTC(世界協調時間,Coordinated Universal Time)的毫秒誤差內,並採用Marzullo演算法來選擇準確的時間伺服器,減輕網路延遲的影響,在國際上提供統一的時間。

為了尋求並提供精確時間,NTP的時間伺服器會與客戶端交換時間,其再利用對方給予的資料計算延遲或誤差秒數,並重新調整伺服器時間。NTP傳輸UTC時間的模式為階層狀,第零層接收「真實時間」的衛星系統為所有時鐘的參考,並將時間傳到第一層,第一層再傳到第二層,第二層接著傳到第三層,如此一來可以避免請求量過大的情況,相對的時間精準度可能也會隨著階層下降。

Network_Time_Protocol_structure
NTP時間傳輸階層式架構圖。

而作為開源(open source)標準,NTP最初是在Linux與類UNIX平台上開發,因此大部分Linux系統都包含NTP,而在macOS與Windows這兩個常見的作業系統中,也都內建有NTP的同步應用程式。此外,NTP亦應用於日常生活與各種產業,如電信業傳輸數據、衛星導航定位與一般企業的上班打卡等,可說是扮演了相當重要的角色。

速度更快、誤差更少,PTP逐漸崛起

PTP的前身為IEEE 1588-2002,其開發者兼《Measurement, Control and Communication Using IEEE 1588》一書的作者John C. Eidson表示,IEEE 1588旨在填補NTP和GPS兩協議之間的利基市場,不僅提供優於NTP的精準度,其成本也低於GPS接收器,適用距離亦比GPS訊號遠、廣。PTP正式發布於2002年,可用於軟硬體中,並持續針對準確度與穩定性推出新版本。

其同步模式採用主從式(master-slave architecture)架構,指每個PTP網域內只有一個主時鐘(grandmaster clock),主時鐘可直接收到衛星系統的時間,故其最為穩定、精準,在節點底下接收的則為從屬時鐘,換言之,主時鐘與從屬時鐘同步時間後,後者會再將精確資料送到不同設備。PTP亦使用最佳主時鐘演算法(Best master clock algorithm),自動選擇每個網域內的主要時鐘。

PTP之所以優於NTP,Meta指出是因為前者擁有硬體時間戳(Timestamps)與透明時鐘(Transparent clock),比起利用在應用層紀錄時間戳的NTP,PTP利用實體層(硬體)更能將延遲降到最低,並計算出以供接收端計算自己與網路時間的誤差,透明時鐘則是用來測量通訊介質的延遲,再交由系統補足延誤的時間。

目前,PTP已應用於路由器與交換器的開發,微軟推出的Windows Server 2022、Windows Server 2019與Windows 10(1809版),也提供使用者透過PTP同步時間;Amazon旗下的串流影片編碼服務AWS Elemental Live亦可開啟PTP時間。半導體公司Silicon Labs則是在2019年收購Qulsar的PTP軟體與模組,希望加速推出實體層的時脈產品,因應行動網路設施等市場需求。

Windows_Server_2022_screenshot.png
Windows Server 2022系統預覽圖。

Meta也表示,隨著5G世代的到來,電信產業也開始大力支持PTP,期盼旗下資料中心可以擴大使用PTP。在台灣,中華電信現也已推出PTP校時服務,主打「用戶可透過光纖連接至中華電信主時鐘,取得比NTP更精確、更低延遲的時間源,並應用於金融交易、高頻交易、導航、智慧網路、廣播系統、電力網等環境」。

PTP的時代要來了嗎?總結PTP與NTP比較

比起PTP,成本、硬體要求皆較低的NTP現今仍較為廣泛使用,但是無論是商業還是科技,可能都會越來越講究時間的精準度。在Meta宣布採用PTP後,為追求相同利益,或許會出現更多大廠仿效,一同積極支持PTP發展。

NTP與PTP特色比較

網路時間協議 NTP 精確時間協議 PTP
年份 1985 2002
時間戳位置 應用層 實體層(硬體)
誤差/速度單位 毫秒 奈秒
精確度 敗(2-3毫秒) 勝(20-30奈秒)
成本 偏低 偏高
硬體要求 較低 較高
客戶端數量 基本上無限制 取決於網域如何配置
範圍 多用於公共、廣域廣路,也可用於區域網路 廣域、區域網路
優勢 泛用、延展性好、性能穩定 面對高精準時間同步需求漸增,PTP可能取代NTP
《數位時代》整理、製表

資料來源:DatacenterdynamicssiliconANGLEMakeUseOfTimeToolsGeeksforGeeksEngineering at Meta

責任編輯:林美欣

往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓