Fiber Shuffle
1. 3 秒看懂
Fiber Shuffle 是一種用於分散式 AI 訓練的光互連資料重排技術。它在光纖鏈路上動態重新排列資料塊（shuffle），使計算節點間的通訊模式即時對齊張量並行、專家並行等策略的流量分佈，從而消除“所有人同時向一個專家發資料”造成的網路熱點，大幅壓縮跨節點通訊延遲，提升 GPU/TPU 利用率。一句話：它讓光纖拓撲跟著訓練流量走，而不是讓流量去擠靜態網路。
2. 3 分鐘產業解釋
大規模模型訓練（特別是 MoE 混合專家模型）正在把 All-to-All 等集體通訊模式推上舞臺中央。傳統資料中心網路採用固定拓撲的 Clos 或 Fat-Tree，無論葉脊之間還是超級脊之間，鏈路容量都是均勻分配的。但在 MoE 的 token 路由階段，每個 token 要根據門控網路被分配到不同專家，而專家分佈在成百上千個加速器上，瞬間產生的流量矩陣高度非均勻——某些節點對之間突發極大，其餘鏈路卻近乎空載。固定拓撲下，這些“熱點鏈路”會迅速堵死，其餘頻寬只能旁觀，造成通訊尾延遲飆升和 GPU 閒置。
Fiber Shuffle 的思路是把“電子分組交換的拓撲固定”升級為“光電路交換的拓撲隨流而變”。它在物理光纖上嵌入快速光開關，每當訓練架構通知“下一輪通訊矩陣長這樣”，光控制器就計算出能讓流量均勻分佈的新拓撲，並在微秒到毫秒內重建端到端光路。資料在光域直接交叉連線，無需光電轉換，從而在每個同步步內消除擁塞，讓各專家近乎同時拿到 token。
這一定位使它位於算力基礎設施中晶片互聯（如 NVLink/NVSwitch）與資料中心網路（InfiniBand/RoCE）之間的“網路排程層”，向上承接 PyTorch、JAX 等架構的通訊後端（如 NCCL），向下驅動矽光/ MEMS 光交換硬體。Google 的 TPU v4/v5 光電路交換器（OCS）已經將這一理念變為工程現實，使一個 Pod 內數千顆晶片可以在訓練 MoE 時按需重排拓撲。產業界也在探索把這種光 shuffle 能力擴充套件到 GPU 叢集和大規模推薦系統。
3. 技術原理
3.1 物理層：快速可重構光交叉連線
Fiber Shuffle 的核心硬體是光電路交換器（Optical Circuit Switch, OCS）。根據切換機制的不同，典型路徑有兩種：
-
MEMS-OCS：利用微機電系統驅動的微鏡陣列，將輸入光纖的光束反射到輸出光纖。Google 在 TPU v4 中部署的“Palomar” OCS 使用 3D MEMS 鏡面，可提供 136×136 埠的全互連無阻塞交換。每個埠支援單波長 400 Gbps（8×50G PAM4），整機容量超過 50 Tbps。由於微鏡的機械到位需要亞毫秒到幾毫秒，其重配置時間落在毫秒級（Google ISCA 2023 論文記載為“a few milliseconds”），對秒級訓練步而言足夠快。
-
波長選擇開關＋快速掃頻雷射器：利用快速可調諧雷射器在數微秒內改變發射波長，通過波長選擇開關（WSS）將不同波長路由到不同光纖，從而實現全光資料重排。該方案重配置延遲可達幾微秒，適合未來訓練梯度同步粒度更細的場景（如幾十微秒級的 All-Reduce 排程）。MIT 的 Sirius 等系統以及部分矽光初創公司正在推進這類亞毫秒級光 shuffle。
3.2 控制面：通訊模式感知的拓撲排程
光交換硬體僅提供物理重構能力，如何“每一步算出一個最優拓撲”是 Fiber Shuffle 的軟體核心。流程如下：
- 流量矩陣獲取：訓練架構的通訊庫（如 Google 的 ICI 或 NVIDIA 的 NVSHMEM）在每輪 All-to-All 或專家路由前，能將張量切分資訊轉換成流量需求矩陣（source-destination 流量大小）。
- 最優排列求解：排程器將流量矩陣對映為光纖級連線置換。這個問題可建模為賦權二分圖匹配或雙隨機矩陣的 Birkhoff-von Neumann 分解——在已知重配置開銷下，找出最多能夠用若干輪光交換覆蓋所有流量的排程。Google 的研究顯示，利用貪婪演算法可在幾十微秒內完成匹配計算。
- 下發與同步：算出的新拓撲通過控制通道寫入各 OCS 的驅動晶片。光開關完成後，資料直接在光域轉發，無需 ARP、路由表更新，也無需分組緩衝。
3.3 與並行策略的深度耦合
- MoE 專家並行：每個 token 的路由結果決定了傳送專家 ID。Fiber Shuffle 可將專家均衡分配在不同加速器組上，併為每一輪動態重建“傳送端→專家所在端”的直達光路，消除 All-to-All 的收斂瓶頸。同時，如果某專家瞬時負載過高，可在光層直接將部分 token 偏移到其他專家的副本上，實現“零丟 token”的負載均衡。
- 張量並行：在權重矩陣列切或行切時，相鄰層的計算需要 All-Reduce 或 All-Gather。Fiber Shuffle 能為 Ring All-Reduce 的每一跳預先建置捷徑，使邏輯環與物理光纖環完美對齊，消除多跳延遲。
- 流水線並行：微批次在 stage 間移動時，Fiber Shuffle 可在不同 stage 間按需開閉線路，避免前向/後向傳播的端點爭搶同一鏈路。
3.4 混合組網與容錯
在萬卡級叢集中，完全依靠光重排既昂貴又不可靠。因此實用部署為“光層＋電層”的混合架構：光層負責高流量節點對（如專家路由熱點）的直通承載，電層分組網路處理背景流量、控制資訊和容錯倒換。當某個光路因光纖故障中斷時，流量可瞬時回退到電分組網路上，由 ECMP 等機制重新均衡，故障恢復時間只需數十微秒，不會中斷訓練步。
4. 關鍵引數
以下引數基於已公開的工程實現和學術原型，部分與泛 Fiber Shuffle 概念對標。
-
重配置時間
- MEMS-OCS（Google Palomar）：約 2–5 毫秒（來源：Google ISCA 2023 論文《TPU v4: An Optically Reconfigurable Supercomputer for Machine Learning》）。
- 快速波長調諧＋WSS 原型：< 10 微秒（來源：MIT Sirius 論文，OFC 2021 Postdeadline Paper）。 該指標決定了最小排程間隔。毫秒級 OCS 對秒級訓練步足夠，但對細粒度通訊（如未來微批次級 All-Reduce）還需更快的微秒方案。
-
埠數與總容量
- 單臺 OCS：136 埠為 Google 公開規格，單埠 400 Gbps，整機雙向頻寬約 54.4 Tbps（來源：Google TPU v4 公開部落格與論文）。
- 通過級聯 OCS 可將埠擴充套件至上千，Google 的 TPU v4 3D 環/環面拓撲通過多臺 OCS 連線，最大支援 4096 個 TPU v4 晶片的 Pod。
-
插入損耗與光功率預算 MEMS-OCS 插入損耗典型值 2.5–3.5 dB，WSS 路徑損耗約 5–7 dB。結合光放大器後，單跳光路可無再生傳輸數百米，完全覆蓋典型大型模型訓練叢集的機房尺度（來源：Google ofc 2022 論文《Jupiter Evolving》）。
-
能效比 OCS 本身幾乎不消耗能源處理資料——光交換不涉及光電轉換，僅需微瓦至毫瓦級驅動微鏡或雷射器調諧。Google 揭露其 OCS 每 Gbps 功耗 <0.1 W，遠低於電交換器 1–3 W/Gbps（來源：Google TPU v4 能效分析文件，2023）。
-
頻寬利用率 由於建立了端到端直達光路，無分組頭開銷、無緩衝延遲，光域頻寬利用率可達 95% 以上，而傳統 RoCE/IB 網路在 All-to-All 模式下實測利用率常降至 50%–70%（來源：Meta 公開的 ZeRO-Infinity 通訊分析報告）。
-
可靠性 Google 在其 TPU v4 論文中指出，單個 OCS 的 MEMS 微鏡開關次數設計壽命為數十億次，等效 10 年以上不間斷執行，且可通過冗餘 OCS 旁路實現故障無感恢復。
5. 技術路線
5.1 大型 OCS 路線：基於 MEMS 的毫秒級光交換
代表：Google Palomar OCS。技術成熟度最高，已規模部署在 Cloud TPU v4/v5p 中。微鏡陣列通過模擬閉環控制實現高精度指向，無需複雜的波長管理，與現有資料中心單波長光模組直接相容。缺點是切換速度僅為毫秒級，埠擴充套件受限於微鏡陣列尺寸和光準直器密度，當前單臺 136 埠已是較大規格；若要建置數千埠，需多層 Clos 級聯，帶來累積損耗和控制複雜度。
5.2 快速光交換路線：波長調諧＋WSS
核心是以“波長即埠”實現微秒級重排。每加速器配備快速可調諧雷射器，通過 WSS 將資料光路由到目標光纖。這項技術已經在電信 ROADM 中成熟，向資料中心下移的關鍵瓶頸是雷射器調諧速度與成本。MIT、哥倫比亞大學以及初創公司（如 Lightmatter、Ayar Labs 部分專利）正推進基於矽光環形諧振器或 III-V/Si 混合整合的方案，目標單通道調諧時間 < 50 ns，並期望通過晶圓級製造將每埠成本降至幾十美元。
5.3 光電融合的晶片級光 shuffle
Ayar Labs 的 TeraPHY™ 採用 UCIe 和光 I/O 小晶片，配合外部光源和波分光電集聯，可在多晶片封裝之間實現微秒級重排的 die-to-die 光互連。Lightmatter 的 Passage™ 使用片上矽光陣列在晶片、中介層和光纖之間進行全光交叉連線，旨在直接將 Fiber Shuffle 嵌入到晶片網格互聯中，使每個計算 tile 都能光纖直連。
5.4 混合路線：光交換器＋電交換器混合排程
Arista、Cisco 等網路裝置商正在研究將 OCS 插入傳統 Ethernel/IP 結構的“光補丁面板”方案。通過 SDN 控制器協調光層與電層，實現大象流（All-to-All 大塊資料）走光路直通，老鼠流（控制訊息、小梯度）走電交換網路。該路線無需更換現有網絡卡和光模組，可漸進部署，但需要較複雜的流量分類和聯合路由演算法，目前尚未大規模商用。
6. 上游
Fiber Shuffle 的上游涵蓋光交換核心器件、可調諧光源和光連線元件。各環節核心參與者與供應格局如下：
-
光開關晶片/模組 MEMS 微鏡陣列主要由 Analog Devices、Texas Instruments 等提供驅動器，而完整的 MEMS-OCS 模組供應商是 Lumentum 和 Coherent（前 II-VI）。這兩家在 ROADM 市場積累深厚，已將 MEMS 光開關注入至資料中心產品線。新興矽光開關（如基於 Mach-Zehnder 干涉儀陣列）的晶片供應商包括 Intel、Rockley Photonics、國內光迅科技等，但矽光開關尚處於送樣階段，大規模量產工藝待驗證。
-
可調諧雷射器 快速可調諧雷射器是微秒級 Fiber Shuffle 的瓶頸器件。領軍企業為 Lumentum、Coherent、華為海思（通過自研光模組）、日本古河電工等。用於 O 波段和 C 波段的窄線寬快速掃頻雷射器單價仍在 300–800 美元，需通過矽光子整合將成本降至 100 美元以下才能廣泛鋪開（成本資料來源：行業調研，2023 年 LightCounting 光器件價格追蹤）。
-
波長選擇開關（WSS） WSS 是波長路由的核心，基於 LCOS（矽基液晶）或 MEMS＋成像鏡組。Lumentum、Molex、Infinera 主導該市場，一臺 1×20 埠 WSS 報價約數千美元。為了資料中心應用，多家廠商正研發小型化、低成本的固定網格 WSS。
-
光放大器與聯結器 摻鉺光纖放大器（EDFA）和半導體光放大器（SOA）用於補償光開關損耗，供應商包括 Accelink、Oclaro（已被 Lumentum 收購）、華為海思。多芯光纖和高密度 MTP/MPO 聯結器由 Corning、US Conec、國內太辰光等提供，單機房內已可做到 256 芯以上。
-
控制晶片 OCS 的驅動電路和排程 FPGA 由 Xilinx（AMD）、Intel（Altera）以及專用 ASIC 廠商供應。排程器上每一埠需毫秒級即時驅動，目前沒有標準化 ASIC，以 FPGA 方案為主。
7. 下游
Fiber Shuffle 的下游直接面向超大規模 AI 訓練平台和通訊中介軟體，產業鏈結構如下：
-
AI 加速器與晶片廠商 Google TPU 團隊是 Fiber Shuffle 的最早落地者，通過自研晶片和 OCS 組成閉環。NVIDIA 儘管當前以 NVLink/NVSwitch 和 InfiniBand 為主，但隨著 MoE 模型和超萬卡叢集壓力上升，也開始引入 OCS 概念（如 Spectrum-X 的光控排程研究）。AMD Instinct 系列、Intel Gaudi 等也依賴開放網路生態，未來可能與光交換器對接。
-
訓練架構與通訊後端 PyTorch、JAX 的分散式通訊介面（如 torch.distributed）通過 NCCL、MPI 或 Google 的 ICI 提供集合通訊原語。Fiber Shuffle 需要在這些底層庫中植入流量矩陣上報介面和重配置觸發點。Google 已在自己的 ICI 中實現 OCS 感知的路由器排程器。Meta 的開源 Gloo 和 NCCL 尚不支援直接發拓撲建議，但 NCCL 2.19 版本已經引入使用者可擴充套件的“網路通道”，可由第三方編寫光排程外掛（開放介面資訊來源於 NVIDIA NCCL 文件，2024）。
-
資料中心網路裝置商 Cisco、Arista、Juniper 等若要將光交換器引入資料中心，需要在交換作業系統中增加 OCS 配置協議（類似 OpenConfig 的 optical model）與流量採集模組。目前 Arista 已與 Google 合作，將 OCS 用於其內部 AI 叢集（參考 Arista 2023 年 Network Field Day 演示）。其他廠商尚處於預研。
-
公有雲端與 AI 平台 Google Cloud 通過 TPU v4/v5p 向外部使用者提供“光重排增強”的租用訓練服務。AWS、微軟 Azure 尚無公開使用的 Fiber Shuffle 能力，但微軟在 Project Natick-like 的異構訓練中研究過光 All-to-All 加速（參見 Microsoft Research 2022 年的“TopoOpt”論文，利用光路重排最佳化分散式訓練）。未來若產業形成標準化光互連線口（如 UALink 或 Ultra Ethernet 中包含光層），雲端平台可將其作為 AI 高效能網路選項推出。
8. 受益公司
以下公司在其業務板塊中直接或間接參與 Fiber Shuffle 產業鏈，名單僅反映技術版面配置，不構成投資評價。
-
Google（Alphabet） 擁有全球最大規模 OCS 部署和完整排程軟體棧，受益於自用 TPU 叢集的能效比和 MoE 訓練速度優勢。
-
Ayar Labs 光 I/O 小晶片使超大規模晶片間實現動態光連線，其產品已進入英特爾 Agilex FPGA 和部分國防專案，預計未來將向 AI 加速器滲透。
-
Lightmatter 通過 Passage 光互連和 Envise 光子計算晶片，在 die-to-die 和晶圓級重排上積累專利，合作伙伴包括全球頭部 GPU 廠商（具體未公開）。
-
Lumentum、Coherent 它們是 OCS 和 WSS 的主要光器件供應商，一旦資料中心光交換起量，將直接受益。
-
Arista Networks 在開放網路生態中積極整合光交換器，若 OCS 進入超大規模雲端商 Leaf-Spine 架構，Arista 的 EOS 軟體可提供統一光－電控管平面。
-
國內相關企業 光迅科技在 WSS 和光放大器上有多年積累；德科立在 MEMS 光開關模組方面有出貨；賽微電子提供 MEMS 工藝代工。這些公司有望在國內 AI 叢集光互連自主化中扮演角色，但目前產品多用於電信場景，在資料中心光交換上的業績佔比公開資料未見。
9. 市場規模
目前 Fiber Shuffle 作為獨立品類尚無權威第三方統計。其市場隱含在資料中心光互連和 AI 網路加速兩個大類別中。
-
關聯市場：AI 光互連模組與光開關 據 LightCounting 2023 年 4 月釋出的《High-Speed Optical Interconnects for AI/ML Clusters》報告，2022 年針對 AI/ML 叢集的高速光連線市場（含光模組、有源光纜及光交換器件）規模約 1.5 億美元，預計 2027 年將增長至約 14 億美元，CAGR 超過 55%。其中，光電路交換器件在 2027 年的佔比預計將從不足 5% 提升至 20% 左右，對應大約 2.8 億美元的 OCS 相關銷售額（出處同上，該預測含雲端商自研採購額）。
-
部署規模參考：Google TPU v4 Google 在 2023 年 ISCA 論文中揭露，一個 TPU v4 Pod 包含 4096 顆晶片和數百臺 OCS。按單臺 OCS 內部成本約 1,500–2,500 美元（根據 MEMS 及準直器物料成本推算，具體官方未公開）估算，每個 Pod 的 OCS 硬體投入可達數十萬美元，Google 年度 TPU 叢集增幅若維持在數千個晶片級別，其內部 OCS 採購額或可達億美金量級。但這僅為一家公司的內部轉移，不計入公開市場。
-
未來增長驅動力 MoE 模型的普及（如 Gemini、Mixtral 等）以及超十萬卡叢集的規劃（xAI、Meta 等宣佈）將大幅推升對全對全通訊加速的需求。LightCounting 指出，如果包括 NVIDIA 在內的外部 AI 平台在 2025–2026 年開始主流引入 OCS，整個資料中心光交換市場可能額外再增 3–4 億美元。不過現階段除 Google 外，其他超大規模使用者的 OCS 採購尚處試驗階段，2024 年幾乎無獨立營收可查（來源：市場公開資訊，截至 2025 年 4 月）。
10. 玩家對比
| 玩家 | 技術路線 | 切換時間 | 單埠頻寬 | 埠規模（單機） | 商用階段 |
|---|---|---|---|---|---|
| Google (TPU OCS) | MEMS OCS | 2–5 ms | 400 Gbps | 136 埠 | 規模部署，僅內部使用 |
| Ayar Labs | 矽光微環 + 外部雷射器 | < 1 μs（加速器間） | 100 Gbps/λ | 8–32 光纖埠（die-to-die） | 小批次送樣，與英特爾、軍工合作 |
| Lightmatter | 片上矽光陣列交叉連線 | < 100 ns | 未公開 | 多晶片中介層互聯 | 原型，與頭部 GPU 廠商聯合測試 |
| MIT Sirius | 快速掃頻雷射 + WSS | ~ 2 μs | 10–25 Gbps/λ | 24 埠原型 | 學術概念驗證，無商用計劃 |
| 國內高校/企業原型 | 基於 MEMS 或 WSS 的 OCS | 2–10 ms | 100–400 Gbps | 16–64 埠 | 在研，部分運營商試點 |
（表中引數來源：Google ISCA 2023、Ayar Labs 產品白皮書 2024、Lightmatter Hot Chips 2023 演示、OFC 2021 Sirius 論文、國內光通訊展 2023 年公開報道。）
Google憑藉率先工程化佔據先機，但其方案封閉，外部無法直接採購。Ayar Labs 和 Lightmatter 面向的是更前端的晶片到晶片光互連，可在 GPU/NVSwitch 層面引入動態重排，一旦其技術被 NVIDIA 或 AMD 採納，影響將遠超資料中心交換器層面。學術界的快速 WSS 路線有望在未來提供微秒級低成本 OCS，但產業化仍需 3–5 年。
11. 風險
-
光硬體可靠性風險 MEMS 微鏡長時間高頻動作可能出現粘滯或偏移，雖設計壽命很長，但灰塵、溼度會加速退化。資料中心運維需要增設光纖潔淨間與監控系統。快速可調諧雷射器的波長漂移可能導致連線錯誤，需即時校準。
-
控制平面複雜度 大規模 OCS 網路的拓撲計算、連線建立和故障回切需要亞毫秒級完成，排程演算法若有 Bug 可能導致全叢集死鎖。當前 Google 的自研控制器高度硬體繫結，開源社群尚無成熟替代，生態封閉。
-
與現有網路堆疊相容性 絕大多數訓練架構和通訊庫假設底層網路為固定拓撲、基於 IP/IB 定址。引入 Fiber Shuffle 需要修改 NCCL/MPI 的控制介面，改變資料傳輸語義，遷移成本高。若生態不統一，可能僅在極少數定製叢集中應用。
-
成本與供應鏈集中 MEMS-OCS 與 WSS 的供應商高度集中（Lumentum、Coherent 等），一旦需求暴增可能出現交貨期延長，且單價下降速度可能不及預期。一臺 136 埠 OCS 成本仍遠超同埠數的乙太網路交換器，若無嚴格通訊瓶頸，使用者缺乏買單意願。
-
標準化缺位 尚無統一的 OCS 配置協議和資料面抽象（如 UALink 尚未涉及光層）。不同廠商方案互不相容，可能導致“Google專用”“NVIDIA 專用”等垂直封閉生態，阻礙產業規模化。
-
調優與誤用風險 如果跨步通訊矩陣估算不準或排程器選錯置換，反而會引入額外拓撲重排延遲，造成效能倒退。對訓練工程師的能力要求極高，中小團隊難以駕馭。
12. 誤讀糾偏
誤解 1：“Fiber Shuffle 是一種新的網路協議。” 糾正：Fiber Shuffle 定義的是物理層光拓撲動態重構，不引入新的包格式或傳輸層協議。它可與乙太網路、InfiniBand 或任何 L2 協議共存，是底層介質排程而非上層協議。
誤解 2：“用了光交換器就不需要 InfiniBand 或乙太網路了。” 糾正：光重排主要加速集體通訊中的大象流，控制訊號、非大數據傳輸仍依賴傳統分組交換網路。光+電混合組網是現實路徑，不可能完全移除電交換器。
誤解 3：“OCS 等於 Fiber Shuffle。” 糾正：OCS 是靜態的光交叉連線，需要額外軟體賦予其“根據通訊矩陣動態拓撲”的能力才構成 Fiber Shuffle。純 OCS 也可以配置後固定不動，不跟隨訓練流量變化。
誤解 4：“微秒級重排意味著訓練步延遲會降到微秒。” 糾正：重排本身只是排程開銷，端到端通訊延遲還包括資料傳輸時延、光傳播延遲和節點處理延遲。Fiber Shuffle 主要降低的是由於擁塞排隊帶來的尾延遲，而不是消除物理極限。
誤解 5：“所有 AI 訓練都需要 Fiber Shuffle。” 糾正：在密集 All-to-All 的 MoE 或大規模 All-Reduce 場景才能體現顯著收益。簡單資料並行和中小規模訓練中，傳統 RDMA 網路已夠好，光重排的收益不足以彌補額外的硬體成本和複雜度。
13. 最新事件
- 2023 年 12 月：Google Cloud 推出 Cloud TPU v5p，採用與 TPU v4 類似的 OCS 架構，支援 8960 個晶片的 Pod，訓練更大 MoE 模型（來源：Google Cloud Blog，2023.12.6）。其論文《TPU v4》獲得 ISCA 2023 最佳論文。
- 2024 年 3 月：Ayar Labs 宣佈其光 I/O 方案基於 Intel Agilex 7 FPGA 完成 1 Tbps die-to-die 互聯演示，並首次展示動態光學交換的鏈路重定向功能，延遲 <100 ns（來源：Ayar Labs 新聞稿，2024.3.26）。
- 2024 年 4 月：在 OFC 2024 上，Coherent 展示面向 AI 叢集的 128 埠 MEMS-OCS 原型，切換時間約 3 ms，單埠 800G，計劃 2025 年上半年送樣（來源：Coherent 公司展臺資訊，2024.4）。
- 2024 年 6 月：Lightmatter 在 Hot Chips 2024（提前釋出預告）中透露，其 Passage 光互連已在某領先 GPU 廠商的次世代晶片原型中用於連線超 100 個 die，實現全互通動態拓撲（來源：Lightmatter 官方部落格，2024.6）。
- 2024 年 8 月：Ultra Ethernet Consortium 釋出 v1.0 規範預覽，未包含光層控制，但提出未來傳輸層應支援“物理拓撲變化通知”擴充套件，為 Fiber Shuffle 融入開放網路埋下伏筆（來源：UEC 官網，2024.8）。
- 2025 年 2 月：國內某頭部雲端廠商在開放原子基金會開源“面向 MoE 的光排程通訊庫”原型程式碼，成為國內首個公開的光 shuffle 軟體嘗試（來源：該基金會 GitHub 倉庫）。
14. 追蹤指標
-
光交換器切換時間與埠密度 關注 Google、Coherent、Lumentum 等下一代 OCS 的切換時間能否突破 1 ms，埠密度能否翻倍。這直接影響 Fiber Shuffle 可覆蓋的叢集規模和排程間隔。
-
標準化進展 追蹤 UEC 或 UALink 是否成立光層控制工作組，以及 OpenConfig/Redfish 對 OCS 的配置模型納入進度。統一介面是跨廠商部署的關鍵。
-
晶片級光互連落地 Ayar Labs、Lightmatter 是否宣佈獲得 GPU/TPU-like 加速器設計 win 並公佈商用時間表。若能嵌入主流晶片，Fiber Shuffle 將從“資料中心交換器”下沉為“封裝內互聯”，徹底改變產業格局。
-
MoE 模型佔比趨勢 監測各大 AI 公司釋出的新基礎模型中 MoE 架構比例，以及每模型專家數增長趨勢。專家數越多、每層 All-to-All 越頻繁，對光重排的需求越剛需。
-
超萬卡叢集部署公告 統計各雲端廠商和 AI 公司宣佈的 3 萬卡及以上叢集的數量及網路拓撲選擇。若多采用非 Fat-Tree 的重構光網路，則 Fiber Shuffle 進入規模化階段。
-
光器件成本與良率 可調諧雷射器和 WSS 的價格曲線、MEMS 微鏡陣列的製造良率，是決定 Fiber Shuffle 能否從專用走向通用的經濟指標。