隨著AI訓練叢集規模不斷攀升，物理基礎設施已成為關鍵設計考量。AFL近日釋出白皮書，聚焦如何以可擴充套件的光纖架構支撐16K-XPU規模的AI訓練叢集，在降低部署複雜度的同時，為未來算力迭代預留空間。白皮書提出了一套基於商用光連線技術的兩層Clos參考架構，並給出旨在減少未來物理改造的設計原則。

白皮書指出，當叢集規模達到16K加速器時，後端擴充套件網路的物理層設計至關重要。傳統佈線方式往往難以應對高密度光纖連線與長期演進需求。為此，AFL建議將網路物理層劃分為永久基礎設施與拓撲相關連線兩部分：前者包括骨幹中繼、區域佈線和裝置跳線中的固定部分，後者則可在裝置升級或拓撲調整時靈活更換。這種分離設計使得物理網路在部署和運維上更為簡單，同時能適應未來計算代際的變化。

具體而言，參考架構展示瞭如何通過面板到面板連線、工廠端接元件以及將拓撲邏輯實現在裝置跳線和區域佈線中，來構建一個既高效又靈活的物理網路。這種設計減少了現場端接工作量，降低了人為錯誤風險，並提升了整體可靠性。白皮書強調，採用商用現貨光連線技術，意味著無需定製化硬體即可實現規模化部署，從而縮短建設週期並控制成本。

從產業視角看，這份白皮書反映了AI基礎設施投資正從單純追求算力峰值，轉向關注物理層可擴充套件性與長期TCO。對於資料中心運營商和雲服務商而言，如何在當前建設階段就為下一代GPU/XPU叢集預留光纖容量和佈線結構，成為影響未來升級速度的關鍵因素。AFL的架構思路為行業提供了一種可操作的範式，即通過標準化、模組化的物理層設計，降低未來算力迭代時的改造難度。

值得注意的是，白皮書並未給出具體的效能測試資料或成本對比，而是側重於架構原則與設計方法論。這或許意味著，在16K加速器規模下，物理層設計的核心挑戰已從單純的光纖密度，轉向如何平衡永久設施的投資與拓撲靈活性。對於投資者而言，這類白皮書有助於理解AI叢集建設中非計算環節的投入價值，以及光連線、佈線廠商在AI資本開支週期中的潛在受益邏輯。