OCP Global Summit 2025_Credo & Oracle_The Path to Zero Flap: Reinventing Optical Reliability for Scalable AI Clusters

simpletechtrend
11月3日
讀畢需時 4 分鐘

前言

AI 時代的資料中心正進入「兆瓦級叢集」的時代。當單一叢集規模從 3MW 成長到 30MW，再到 300MW、1GW 甚至 10GW，網路穩定性成為關鍵命脈。

在這樣的超大規模環境中，Link Flap（鏈路閃斷） 已成為阻礙 AI Fabric 擴展的最大隱憂。

在 OCP 2025，Credo 與 Oracle Cloud Infrastructure（OCI） 共同發表「Zero Flap」計畫，目標是以智慧光模組、即時遙測（Telemetry）與分散式監控機制，

徹底消除 Link Flap 問題，重新定義 AI Cluster 的光連接可靠度。

內容

1. 問題根源：L1 穩定性是所有層的瓶頸

OCI 網路工程主管 Steve Manley 開場直言：

「Link Flap 不是小問題，它讓整個 Fabric 卡頓、重建、甚至讓數萬 GPU 的訓練任務崩潰。」

在 AI 叢集中，一條光連線的非預期中斷會導致：

L1~L3 層級的全面重置（Reset）；
IGP 重新收斂（Re-convergence）；
RDMA Job Instability 與 Checkpoint Thrashing；
每次閃斷都可能讓數萬 GPU 小時的運算報廢。

Manley 強調：「如果 L1 不穩，所有上層協定的穩定都只是幻覺。」

2. Link Flap 為何難以根治

過去 18 個月，Oracle 的工程團隊深入分析 Link Flap 的成因，發現它是「系統性問題」而非單一元件缺陷。主要原因包括：

光收發器缺陷：雷射老化、PD 靈敏度漂移；
連接器與光纖污染：灰塵、接頭鬆動、MPO 對位誤差；
環境因素：施工粉塵、熱循環（Thermal Cycling）導致光模組性能漂移；
ESD 靜電損傷：安裝人員誤觸造成潛在延遲故障；
韌體與 DSP 可靠性差異：光模組與交換器間的互通性問題。

這些問題在小規模環境中可被容忍，但當系統放大至 上百萬條連線、上萬節點 時，

每一次閃斷都會放大成整體網路壅塞與訓練延遲，嚴重影響運算效能與營收。

3. 傳統解法的極限

Oracle 現行的臨時應對方式是「Accelerated Fabric Grooming」：

當偵測到可能不穩定的連線，就直接關閉該 Port；
以「犧牲頻寬」換取穩定度；
透過能量分析、誤碼分布、Histograms 與 Pattern Matching 來預測異常；
並在 Host 層收集更多資料以協助診斷。

這種做法有效但成本高昂。Manley 形容：「我寧願少幾條線，也不要一個會閃的 Fabric。」

他展示一個現場實例──資料中心一角的「光模組桶（Bucket of Optics）」，

裝滿被移除的昂貴 800G 模組：「這些本該在 Switch 裡發光，而不是在桶裡積灰。」

4. 問題轉機：從集中監控走向分散智慧

Manley 提出一個根本性觀點轉變：

「我們當年讓網際網路成功的原因，是因為它是分散式的；那為什麼光網路還在依賴集中式監控？」

他主張讓 光模組本身成為智能節點，由模組內建 DSP 直接進行健康監測與判斷。

光模組知道：

自己的溫度、功率、SNR、BER；
對端模組的序號與狀態；
可主動發出「Check Engine Light」式告警。

這就是「Zero Flap Optics」的核心理念──讓每個模組都有自我診斷與報警能力。

5. Credo 的解法：Zero Flap 光模組

Credo CEO Bill Brennan 接著介紹技術細節。

Zero Flap 模組是與 Oracle 共同研發的 智慧光模組平台，具備以下三個核心能力：

(1) 強化設計（Hardened Optics）

在熱循環與環境應力測試下反覆破壞、修復、再測試；
可靠度比傳統模組高出 2～3 個數量級；
適用於 800G / 1.6T 模組。

(2) 內建 Telemetry 系統

提供即時的 I-height、SNR、Pre-FEC BER、Error Histogram、功率漂移等資料；
能即時標記潛在劣化鏈路，類似「光層健康圖譜」；
新增 ESD 損傷偵測 功能，可預測潛在延遲性失效。

(3) In-band Messaging & 自我隔離機制

模組間可直接通訊、交換健康資訊；
可在閾值觸發時自動將不穩定鏈路隔離，不等待外部控制系統；
同時可將狀態上傳至集中式管理平台（Zero Flap Agent）。

Credo 強調：「這不僅是更好的模組，而是一個會思考的模組。」

6. 開放標準化：Optical Reliability Project

Credo 與 Oracle 已將 Zero Flap Host Spec 提交給 OCP，

正式啟動 Optical Reliability Project，

目標是建立跨廠商可互通的光層遙測與自我診斷標準。

這個計畫將包含：

公開 Host Driver 與 API；
與多家 Switch Vendor（含 Broadcom、Cisco、Arista）合作驗證；
推動業界形成「Zero Flap Ready」認證。

Manley 總結道：

「800G 是重複 400G 的錯誤。1.6T 會更難。我們該在這裡畫下一條新線。」

總結

「Zero Flap」不只是 Credo 與 Oracle 的合作專案，而是 AI 資料中心可靠度的轉折點。

當 AI Fabric 跨越數萬節點、數百萬連線時，

唯有讓 光模組具備即時自我感知、分散決策與開放遙測能力，

才能真正實現「AI Ready Optical Infrastructure」。

資料中心的穩定性，將從電變成光的智慧。

延伸觀點

技術啟示
- Zero Flap 模組代表光層智慧化的起點，未來光模組將朝「自我修復、分散控制、軟體可定義」演進。
- DSP 在光層中扮演的角色將從信號處理擴展到「邊緣 AI 監測核心」。
產業意涵
- 這項標準化動作可能成為 800G / 1.6T 世代的可靠性分水嶺。
- Credo 以「光模組 Telemetry 平台」切入，可能對傳統光模組供應商（如 Coherent、Lumentum、InnoLight）形成顛覆性影響。
供應鏈趨勢
- 當 Oracle 將 Zero Flap 機制整合入 OCI 網路架構後，其他 Hyperscaler（AWS、Google、Meta）勢必跟進。
- 未來光模組規格書可能不只要求功耗、BER 與溫度範圍，而會新增「Telemetry Capability」與「Self-Isolation Behavior」欄位。