AI 数据中心改用光网络，Halley 给它装上预判控制面

AI 数据中心的机间网络正在转向光通信，但光网络有它自己的脾气：共用封装、冷却和电源的激光器可能一起失效。论文 Halley（arXiv 2611.04408）指出，在这种相关性故障面前，固定备件比例有理论上的可用性上限，池子建得再大也突破不了。传统网络靠事后响应，光网络等不起。

Halley 的思路是把控制平面从「响应」改成「预判」：读取每个资源的下一状态，在故障发生之前就行动。四个组件各带形式化保证：LightReserve 为激光池定尺寸并给出覆盖界；FoldFit 做交换机调度，保证落在最优解的 11/9 以内；ThermaLead 对微环谐振器做一步前瞻控制；TriageGuard 负责在资源紧张时优先保护风险最高的模块。当预测不确定时，各层控制器会回退到已部署策略，宁可保守也不瞎动。

仿真结果按论文口径：备件耗尽导致整窗丢失的情形下，有效 goodput 从 65.2% 提升到 76.5%；仅受影响通道丢带宽时为 67.4%；每兆瓦训练吞吐提升 1.03 到 1.17 倍；同样的训练量，数据中心容量需求可以省下 3.3% 到 14.7%。回退电路经过形式化验证，在商用 FPGA 上时序接近达标，并通过了 130nm 签核，说明这不是纸上架构。

这篇对大多数读者的意义不在照抄实现，而在方向判断：当算力集群的规模以万卡计，网络可靠性开始直接折算成训练吞吐和电费，控制平面从软件工程问题变成了带形式化保证的系统设计问题。做万卡集群、光互连或训练基础设施的团队，这篇的四个组件划分值得对着自己的架构过一遍。