随着AI训练集群规模不断攀升，物理基础设施已成为关键设计考量。AFL近日发布白皮书，聚焦如何以可扩展的光纤架构支撑16K-XPU规模的AI训练集群，在降低部署复杂度的同时，为未来算力迭代预留空间。白皮书提出了一套基于商用光连接技术的两层Clos参考架构，并给出旨在减少未来物理改造的设计原则。

白皮书指出，当集群规模达到16K加速器时，后端扩展网络的物理层设计至关重要。传统布线方式往往难以应对高密度光纤连接与长期演进需求。为此，AFL建议将网络物理层划分为永久基础设施与拓扑相关连接两部分：前者包括骨干中继、区域布线和设备跳线中的固定部分，后者则可在设备升级或拓扑调整时灵活更换。这种分离设计使得物理网络在部署和运维上更为简单，同时能适应未来计算代际的变化。

具体而言，参考架构展示了如何通过面板到面板连接、工厂端接组件以及将拓扑逻辑实现在设备跳线和区域布线中，来构建一个既高效又灵活的物理网络。这种设计减少了现场端接工作量，降低了人为错误风险，并提升了整体可靠性。白皮书强调，采用商用现货光连接技术，意味着无需定制化硬件即可实现规模化部署，从而缩短建设周期并控制成本。

从产业视角看，这份白皮书反映了AI基础设施投资正从单纯追求算力峰值，转向关注物理层可扩展性与长期TCO。对于数据中心运营商和云服务商而言，如何在当前建设阶段就为下一代GPU/XPU集群预留光纤容量和布线结构，成为影响未来升级速度的关键因素。AFL的架构思路为行业提供了一种可操作的范式，即通过标准化、模块化的物理层设计，降低未来算力迭代时的改造难度。

值得注意的是，白皮书并未给出具体的性能测试数据或成本对比，而是侧重于架构原则与设计方法论。这或许意味着，在16K加速器规模下，物理层设计的核心挑战已从单纯的光纤密度，转向如何平衡永久设施的投资与拓扑灵活性。对于投资者而言，这类白皮书有助于理解AI集群建设中非计算环节的投入价值，以及光连接、布线厂商在AI资本开支周期中的潜在受益逻辑。