前沿大模型在AI数据中心里用数万加速器训练,每一步结束都要全体同时交换数据。机架之间是光网络,从激光器到交换机共四层,现行做法是固定策略或事后补救。共享机箱、冷却和供电的激光器会成批失效。论文指出:固定备件比下,相关故障会给资源池可用性加上天花板,池子再大也冲不破。Halley是一套预测控制平面,读取各资源下一状态,在故障发生前动作。
四个带保证的控制器
Halley四个组件各自附带形式化保证:LightReserve给激光池定规模并给出覆盖界;FoldFit调度交换机,质量在最优的11/9之内;ThermaLead用一步超前控制维持微环;TriageGuard优先保护风险最高的模块。每层预测控制器在不确定时退回已部署策略,不强制接管。
仿真中的有效吞吐
在该设定点组合仿真后,有效吞吐(相对理想吞吐保留的份额)在丢失耗尽备件的窗口时从65.2%升到76.5%;若只丢失暗通道带宽,则为67.4%。折合每兆瓦最多1.03-1.17倍训练量;同等训练最多少用3.3%-14.7%数据中心容量。回退电路经形式化验证。摘要在此处截断,未给出仿真拓扑、通信模式和对照策略,上述数字只能视为该仿真点上的报告值。
我的判断
问题意识清楚:相关失效会在固定备件比下封顶可用性,控制必须预测、必须抢在故障前,拿不准就让路。四个组件各绑一条保证,比只报经验曲线更可讨论。数字克制,最好情形有效吞吐大约多十一个百分点,容量节省上限约15%。适用面窄,只覆盖机架间光互连的激光、交换机、微环和风险模块,不能外推到电气网络或训练算法。材料仅有摘要,暗通道与备件窗口的定义、仿真如何取样都未知,截断后的验证范围也不能补写。适合当光互连控制问题的框架来读,不宜当成已兑现的机房吞吐承诺。