AI Factory 的系统架构与跨域约束
建立计算、状态、互联、电力、热管理和运行模型的共同坐标，追踪各技术域之间传递的需求与约束，并用联合容量模型连接系统设计。
系统架构 / 跨域协同↗
THE SYSTEM VIEW
技术路径
以技术域组织阅读，以前置知识连接章节。
展开系统技术地图 ↗43 篇文章 ↗ 为前置知识链接；编号表示域内阅读顺序
专题阅读路线
READING JOURNEYS全栈架构主线
由总体架构进入计算与互联，再沿机架接口进入电冷设施和运行模型。
计算—通信协同
沿执行依赖、状态移动和拓扑映射，深入传输、光学和可观测性。
高密度系统集成
从设施接口追踪电气与热流体设计，再进入测试、维护和生命周期评价。
技术规划与专家交流
对照性能模型、跨域约束和可验证交付物，形成技术布局与交流提纲。
SYSTEM ARCHITECTURE
总体架构
工作负载、开放集群和设备放置构成系统骨架；跨域接口把计算能力与设施承载联系起来。
AI Factory 的系统分层与运行闭环
从并行计算通信域出发，连接 OPG/XOC 模块、六类网络、网络控制与作业调度，再用 InfraGraph 和状态模型贯通设计与运行反馈。
系统架构 / OPG↗
从 Pod 组到开放集群的端口扩展
核算 OPG 的计算、存储和管理接入，比较两代 leaf 配置，重建 1,024 xPU 的共享 spine 预算，以及小集群、双平面和继续扩容的约束。
OPG-128 / XOC-1k↗
拓扑放置与端到端性能建模
用首跳域、同 rail 比例和跨域字节解释局部性，将 GPU/NIC 内部路径、workload DAG 与会话状态位置结合，建立可校准的放置优化方法。
放置 / 首跳域↗
面向 3–5 年的技术布局与验证资产
沿工作负载映射、状态层级、Fabric、电热机械、运行模型和设施生命周期，梳理值得持续积累的技术对象、联调方法与专家交流接口。
技术规划 / 跨域接口↗
COMPUTE & STATE
计算与状态
数值格式、并行执行、推理解耦、状态和内存层级，决定计算资源怎样形成有效产出。
低精度计算的表示、缩放与数据路径
拆解 E4M3 与 E5M2 的精确值域、舍入和溢出行为，推导缩放粒度、归约策略、存储页利用率与通信压缩如何共同决定有效吞吐。
OFP8 / FP8↗
并行策略塑造通信关键路径
逐步展开 TP8×PP4×DP4 的训练迭代，解释层内归约、流水线气泡、对应参数梯度同步与动态专家路由，并将通信依赖延伸到推理 KV 迁移。
TP / PP↗
推理解耦与 KV 数据路径
从 KV 字节与迁移窗口推导推理解耦的资源条件，连接 Minimal/Distributed 网络、租户 VRF、状态网关和会话恢复，分别配置网络、连接与状态容量。
前置阅读并行策略塑造通信关键路径 →
推理 / Prefill↗
Agent 状态与因果恢复
解释会话 KV、逻辑状态和外部效果的不同恢复要求，展开 AT 四字段、持久提交、故障窗口、有序协调与会话熔断，并连接开放集群的管理能力。
前置阅读推理解耦与 KV 数据路径 →
Agent / PD-KVC↗
存储层级与分布式数据服务
将 OPG 存储接入、主动数据服务和 T0–T3 会话层级交叉展开，分别计算容量、迁移与恢复预算，并区分大块 checkpoint 和小记录持久提交。
存储 / KV Cache↗
芯粒系统语义与封装内传输分层
把系统分区、一致性、地址翻译、启动和安全责任映射到芯粒接口，再沿 BoW.Flexi 四层协议分析宽度、ECC、并发、仲裁与测试。
Chiplet / FCSA↗
高带宽闪存的主机与媒体协同
从 HBF 的主机、基底和 NAND 堆栈重建读写路径，说明 64B 请求与 4KiB 页、通道交织、可选 SRAM、刷新和容量退役如何影响模型服务。
前置阅读芯粒系统语义与封装内传输分层 →
HBF / NAND↗
量子处理器的经典闭环与设施集成
从逻辑 QPU 的控制链重建经典计算与设施需求，区分异步任务、实时纠错和环境反馈，推导存储增长并比较不同量子模态的部署条件。
QPU / 量子经典混合↗
FABRIC & PHOTONICS
网络与光互联
从传输可靠性、多路径和拥塞控制，到 Scale-up Ethernet、光链路、光交换和硅光。
训练 Fabric 的流量控制与运行闭环
解释训练通信从 GPU/NIC 到交换队列的完整路径，区分流量分类、拥塞反馈和路径分配，并用 Day0/1/2、双平面维护和分层验证落实运行能力。
RoCE / PFC↗
AI 传输中的包序、事务序与完成边界
沿四包写操作的丢包恢复路径，比较三种传输对包收到、操作处理与软件完成的不同定义，解释选择性重传、有序交付及死锁避免的资源成本。
可靠传输 / 乱序放置↗
拥塞反馈与多路径的端点控制环
综合 Falcon 的 Swift/RUE/PLB 与 MRC 的 NSCC/EV 状态，说明网络排队和目标资源如何被分别测量，及 ECMP、Structured EV、SRv6 的路径控制代价。
拥塞控制 / 多路径↗
Scale-up Ethernet 的事务、打包与链路契约
解释命令打包、PDC 状态、Delivery/Operational ACK、AXI 映射与 ESUN 精简头，分析小事务线效率、端点面积和链路恢复之间的取舍。
Scale-up / SUE-T↗
光电链路的距离、功耗与维修边界
用完整信号路径解释铜光切换条件，比较光引擎位置与重定时策略，连接电裕量、光预算、器件封装、热可靠性和 400G/lane 路线。
LPO / CPO↗
光电路交换的拓扑与时间匹配
按端口、插损和时间尺度比较 OCS 路线，连接 Jupiter、TPU、ACTINA 与 MixNet 的不同控制模型，并推导重构的完成时间盈亏平衡。
OCS / MoE↗
硅光平台的封装、制造与开放集成
围绕出线几何、WDM/BiDi、封装维修与制造分布建立光子平台论证，解释 PKGD、PDK 工程流程、四层测试和现场数据的关系。
硅光 / PKGD↗
从链路恢复到作业进展的 Fabric 运维
结合传输协议和训练、推理参考架构，建立故障分层与遥测关联方法，展开路径排空、声明式恢复、双平面维护和资源回收的完整操作链。
Fabric 运维 / 故障恢复↗
THERMAL SYSTEMS
液冷与热管理
沿热获取、输运和排热展开，连接冷却路线、介质、材料、接口、测试和维护。
从结温到热汇：AI 冷却的热边界与设计包络
沿芯片、TIM、冷板、TCS、CDU 与设施热汇重建热路径，比较单相、两相与浸没路线，并用共同工况解释微通道的热水力取舍。
热边界 / 冷板↗
液体回路的热量、压头与动态平衡
联合计算显热输运、支路压降和泵功，解析 TCS/FWS 交接与 Brazos 双泵回路，连接温度预算、空气侧容量、控制和冗余。
TCS / CDU↗
冷却液与接液材料的共同设计
把完整工质配方与接液 BOM 共同资格化，区分配水与成品指标，解释金属腐蚀、聚合物抽提、过滤添加剂相互作用及浸没功能验证。
PG25 / 接液材料↗
液体连接器的尺度、自由度与服务接口
从设备支路、盲插托盘到机架干管，比较连接器流量、压降、配合公差、操作力、残液、密封冲刷和跨供应商验证。
UQD / MQD↗
冷却资格验证：从材料试片到动态系统验收
重建冷板设计资格与系统交接的验证层级，解释测试工况、对照、空白扣除、量纲和通过条件，并形成可追溯的动态验收路径。
冷板测试 / TTV↗
液冷系统的清洁、充排液与长期维护
按清洗、封存、运输、填充、运行和维修事件管理水分、气体、颗粒与缓蚀剂，给出浓度修复和膨胀演算，连接传感与系统处置。
清洁 / 充排液↗
POWER SYSTEMS
供电与能源
电压架构、转换、机架配电、负载动态、备电和保护，构成计算系统的电气运行包络。
从中压到芯片：AI 工厂电源架构的分层重构
高压直流降低配电电流，隔离位置、储能接入点和故障域决定系统如何兑现功率密度。结合 LVDC、SST、机架规格与 PCE，推导完整电力路径的工程取舍。
电源架构 / 800V↗
高压直流变换：SST、LLC DCX 与板级供电的协同
拆解 800 V 到低压母线的转换机制：LLC DCX 为何围绕谐振点运行，串并联怎样扩展功率，矩阵磁件如何控制大电流，以及缩减变换级数带来的约束。
LLC DCX / GaN↗
机架电源系统：从 72 kW AC 到 100 kW HVDC 的接口链
对照 12 kW／72 kW 和 18 kW／100 kW 两套 ORv3 体系，解析 N+1、WHIP、2,000 A 输出连接、sideband、PSU／BBU 信号与 PMM 自主失效边界。
ORv3 HPR / 电源框↗
AI 负载的电力动态：阶跃、储能与母线阻抗
用实际 PSU 阶跃和脉冲条款解释动态接口，推导缓冲能量与恒功率负阻抗，并分析多电源环路、线路寄生、SST 穿越和分批恢复如何协同。
负载阶跃 / 阻抗稳定性↗
备用与储能：从脉冲缓冲到清洁能源的连续供电
将功率型储能、持续备用与电网服务放入同一分层架构，解释 BBU 接替时序、化学体系失效机制、补电容量、清洁排放口径及系统验收。
ESS / BBU↗
高功率直流的安全闭环：故障能量、选择性与运行状态
从电容放电和健康支路反向馈电出发，解析直流选择性、TN-S／IT 接地、热插拔、ESS 安全系统，以及维护和恢复状态所需的验证证据。
直流保护 / 绝缘监测↗
PLATFORM ENGINEERING
平台集成与管理
机械、电冷接口、固件、硬件管理、安全、可靠性和时间同步共同支撑可交付系统。
机架集成与开放接口
综合ORW基础与实现规范、Diablo 400，解释机械兼容、载荷验证、物流路径、供电插拔时序及平台接口管理。
ORW / 机架↗
Redfish / BMC↗
PSP / L.O.C.K.↗
RAS / CPER↗
时间同步与跨域测量
区分物理时间、单调时间与因果关系，沿PTP分发、事件打点和GPU/CPU/NIC校准链构建可验证的时间基础设施。
PTP / PHC↗
光遥测 / CMIS↗
园区漫游组播的成员迁移与同步呈现
围绕跨 AP、跨交换机漫游，解释逐成员缓存与 proxy join、无线交付策略、GTK 安装、gPTP 重捕获和接收端呈现预算，形成园区 AV 集成与验证路径。
园区网络 / 无线组播↗
FACILITY & OPERATIONS
设施与运行优化
设施集成、数字孪生和能源水碳联合评价，将设计模型、工程验证和持续运行连接起来。
数字孪生：系统模型、联合仿真与运行闭环
从 InfraGraph 与执行轨迹到多域联合仿真，展开模型同步、时间步长、能力递进和变更预演，并分析物理感知选型案例。
Digital Twin / InfraGraph↗
设施接口与系统交付
从排级功率与流量预算进入2 MW CDU和热通道设计，连接下一代设施原则、POI扰动性能、场地自评及整系统验证。
Deschutes / CDU↗
能源水碳与材料联合评价
以现场和发电侧水足迹、缺水权重、运行碳及材料隐含碳建立共同评价，再用LC3框架和混凝土试点解释工程采用条件。
PUE / WUE↗