关于 AI 网络的光交换，Meta 尝试了新玩艺儿！

众所周知

谷歌走在了光交换的前列

OCS已经成为独门秘制的杀手锏

谷歌Apollo：DCN网络游戏规则改变者

随着AI的火爆

Meta也盯上了光交换

OCS的问题是价格太贵端口太少

所以Meta另辟蹊径联合业界小伙伴

尝试使用可重新配置的光交换机和配线架

成果发表于20届USENIX网络系统设计与实现

我们提出了用于深度神经网络（DNN）训练的新型直连交换结构 TOPOOPT。它结合计算、通信和网络拓扑三个维度共同优化分布式训练过程。我们演示了 AllReduce 流量的可变性，并利用此属性为 DNN 训练作业构建高效的网络拓扑。然后，TOPOOPT 使用交替优化技术和名为 TotientPerms 的群论启发算法，结合并行化策略，找到最佳网络拓扑和路由计划。我们建立了一个功能齐全的 12 节点直连原型，它具有 100 Gbps 的RDMA转发功能。在真实分布式训练模型上进行的大规模仿真表明，与成本相近的胖树互联相比，TOPOOPT 可将 DNN 训练时间缩短 3.4 倍。

和所有校企联合都一样

Meta提供了生产集群的数据

麻省理工和卡内基梅隆的劳力提供算法

然后核心的光交换设备来自Telescent公司

从原理看

Telescent配线架

重新配置延迟很明显要远超OCS

估计这也是未能大规模应用的主要原因

想在数据中心部署需要结合计算提前规划路径

Telescent 公司的配线架，通过 "机械臂抓取传输侧的光纤并将其连接到接收侧的光纤 "来重新配置网络。机械臂由软件控制，可以上下移动，将发射光纤与系统中任意位置的接收光纤连接起来。这为快速重新配置网络提供了所需的灵活性和弹性。

2015年

Telescent公司

还在中国申请了上述专利

Meta对开源生态是真爱，在网络探索上也是不遗余力。

第一波：Meta 最新网络架构研究可将大型语言模型训练网络成本降低 75%

第二波：Meta TOPOOPT对分布式训练的网络拓扑和并行化策略的协同优化