面向 3–5 年的技术布局与验证资产

AI Factory 的技术布局可以沿两条轴展开：一条轴是计算、存储、互联、电力与热管理等技术域，另一条轴是结构描述、行为建模、接口集成和工程验证等系统能力。前者决定可选技术路径，后者决定这些路径怎样组成可交付系统。

本篇根据各专题的跨文档研读，将未来 3–5 年值得持续积累的技术对象归纳为六组。每组保留它要改变的系统约束、与相邻技术域的接口，以及可以逐步沉淀的验证资产。这里的阶段划分服务于技术规划，路线成熟度以具体规范版本、样机和验证证据记录。

工作负载—系统映射#

第一组能力是把模型执行和系统资源建立定量联系。工作负载需要表达运算、内存访问、通信集合和依赖关系，硬件需要表达设备、链路、带宽层级和容量，映射算法再决定操作与状态的放置。AI Fabrics 白皮书用硬件表示、工作负载刻画和映射决策引擎组织这一流程，并讨论仿真搜索、学习预测与分层混合方法。S044 pp. 51–55

技术积累可以从“可复算”起步。首先建立典型工作负载的执行轨迹与通信矩阵，保留模型版本、并行配置、输入输出形态和运行条件；随后让同一组轨迹评价不同拓扑及设备配置；最后把运行遥测反馈到模型中。这样，器件带宽、交换容量或链路延迟的变化，都能沿关键路径回到训练完成时间或推理服务指标。

长期资产是可更新的工作负载库、硬件模型库与校准方法。新增一代加速器时，替换设备模型并检查映射；新增一种通信策略时，更新执行轨迹并检查瓶颈迁移。其技术难点在于表达足够的行为细节，同时控制搜索空间和评价成本。

状态层级与解耦计算#

第二组能力围绕状态生命周期展开。推理阶段解耦、长上下文和 Agent 工作流，使 KV、请求元数据、检查点与外部状态成为资源调度的重要输入。计算池、内存池和存储层级之间的交换，影响阶段衔接、会话亲和与恢复过程。S045 pp. 11–27, 34–46 S047 pp. 14–25

在这条路径上，技术验证应同时观察容量、访问与恢复。容量模型记录不同状态随上下文和并发增长的大小；访问模型记录预载、命中、迁移和回写；恢复模型记录确认、持久化和故障后的重建范围。它们共同决定状态适合放在本地 HBM、主机内存、远程资源还是持久层。

HBF 规范提供另一类值得跟踪的器件路径：通过主机接口、基底裸片和堆叠 Flash 媒体组织高带宽容量。其读写粒度、通道组织、主机管理责任和可选暂存区，需要进入系统访问模型，再与实际状态访问形态匹配。S060 pp. 15–26, 112–117 内存与 Flash 专题 沿这条链展开具体接口。

Fabric 的端点控制与光电协同#

第三组能力可以拆成三个相连的层面。端点传输管理包序号、确认、乱序、重传和资源释放；拥塞及多路径控制管理发送量、反馈与路径选择；物理互联管理电段距离、光学放置、封装、连接与维护。每层有自己的状态和接口，并共同影响完整通信路径。

Falcon 与 MRC 展示了端点状态组织的不同选择。Falcon 的网络窗口与接收端窗口分别约束 Fabric 在途量和远端资源压力，MRC 将选择确认、接收跟踪范围与路径反馈结合。ESUN 的运营需求进一步连接故障处理、维护和可观测性。这些能力适合用相同的流量形态与故障场景进行对照，记录反馈延迟、队列、尾时延和恢复进展。S039 pp. 65–71, 82–103 S040 pp. 37–43, 54–68 S043 pp. 11–15

光电协同则引入放置与制造接口。CPO、NPO 和前面板光学改变电气路径和可维护单元，线性方案改变均衡及链路联调责任，OCS 改变可配置的物理拓扑。硅光制造还要同时管理光耦合、电气、机械、热和测试数据。S056 pp. 66–81, 145–152, 206–215 S057 pp. 8–17, 26–29 S058 pp. 39–57, 66–77

这组布局的共同资产应是一套“端点—链路—拓扑—工作负载”的验证平台：协议状态能回到包级事件，链路行为能回到参考面和信号预算，拓扑变化能回到执行时间。平台覆盖的场景越一致，比较不同技术路径时就越能找到真正的设计差异。

电—热—机械的共同设计#

第四组能力处理高密度设备的物理约束。热设计从结温和局部热流密度出发，沿冷板、介质、支路、CDU 和设施热汇逐级展开；电设计从电压、转换和配电出发，沿连接器、保护、暂态和储能逐级展开；机械设计将这些接口放进同一个可装配、可运输和可维护的对象。S014 pp. 14–20, 27–35 S018 pp. 23–50, 166–202

技术路径之间存在明确的约束传递。缩小冷板流道提高局部换热时，需要重新评价压降、泵功和结构载荷；提高供液温度改善设施工作条件时，需要重新分配结温预算；提高配电电压降低输送电流时，需要重新设计绝缘、接地、保护与维护接口。每条路径都适合维护一组可行域，而不是单个最高参数。

共同验证件可以是一段具有真实电冷接口的机柜系统：设备热模拟器生成空间和时间上的负载，电源与配电复现供电变化，水路测量流量、压差和温度，机械接口复现插拔、公差和维护状态。测试输出应保留正常、故障与服务操作的条件，使部件试验能够逐步连接到整柜与行级行为。

从可观测硬件到可操作模型#

第五组能力将系统集成经验转化为可复用运行知识。设备身份、固件基线、端口与配电连接、液路归属、故障和时间戳，是建立运行模型的底座。数据进入同一对象关系后，模型才能追踪一次维护或故障涉及的系统范围。

数字孪生框架将结构与行为、持续同步、联合仿真和控制结合起来。不同模型以共同接口交换数据，用实际测量进行校准，并以独立场景检验预测能力。采用的详细程度和同步节奏由决策任务确定：容量比较、维护预演与实时动作需要不同的时效和模型成本。S070 pp. 27–38

技术积累可以分为三步：先形成可信配置和可关联遥测，再支持具体变更的情景评价，随后把经过验证的决策接入运行流程。每一步保留版本、条件、预测、动作和实际结果，逐步形成设备模型、故障案例和控制策略的知识资产。

设施复用与生命周期优化#

第六组能力将 IT 更新周期与设施寿命连接起来。OCP Open Data Center 倡议强调可支持多种架构的设施接口、缩短部署时间和供应链对齐；0.7.0 设计原则进一步给出结构、行布局、电力与冷却的共同包络。S051 pp. 6–10 S053 pp. 7–9

这组能力的规划对象包括模块化电冷接口、多代机柜适配、故障与维护状态下的容量，以及能源、水和碳的联合评价。技术投资可以沿两个方向积累：设计阶段保留不同设备与设施组合的评价模型，运行阶段保留真实容量使用和环境绩效数据。模型之间使用同一组设备和配置坐标，后续改造才有可比较的基线。

将路线转成可验证的技术布局#

下表按研究、系统联调与复用交付三类工程活动组织六组能力。它们可以并行推进，项目根据已有资产选择切入点。

这张表是本文对各技术专题的规划归纳。实际路线评审可以固定使用一页“技术对象卡”：明确对象与接口，写出约束和评价变量，列出候选方案，附上已有证据，再给出下一阶段要完成的验证。这样，不同团队讨论的是同一组可比较的工程事实。

外部专家交流的技术接口#

专家交流可以沿具体设计接口展开，而不是只交换路线名称。讨论传输协议时带上包级状态、流量形态和故障场景；讨论光互联时带上链路参考面、电光预算、维护单元与量产测试；讨论冷板时带上热图、温度预算、流量与压力条件；讨论直流配电时带上转换链、故障域、保护时序和负载动态；讨论数字孪生时带上模型输入输出、同步节奏和验证记录。

每次交流的产物都可以回到前面的布局表：补充一个设备模型、校准一条曲线、确认一个接口、识别一项尚待验证的假设，或获得一个可开展联调的技术路径。持续积累这些成果，体系导航中的文章便能进一步转化成团队共享的设计语言与验证资产。