如果优化器是老师，模型是学生，那么"教会学生如何优化"这件事本身，可能才是 AI 原生网络缺失的那一层。9 月 18 日提交到 arXiv 的《Learning-to-Optimize as the Missing Architectural Layer of AI-Native Networks》就是这么主张的：把优化算法从"在线决策引擎"重新定义为"离线知识生成器"，让神经网络继承优化专家经验，再用低延迟推理应付动态网络环境。
[1]论文速览：arXiv:2609.21519（9 月 18 日提交，6 页会议论文），作者 Giambattista Amati、Federica Mangiatordi、Pierpaolo Salvo、Emiliano Pallotti、Simone Angelini。这是一篇观点论文（perspective），不是实验报告——它的贡献在于提出一个架构抽象，而不是给出一个可复现的排行榜。
作者论证的核心是：现有 AI 原生网络架构把智能嵌进了各个网络功能（资源管理、自适应控制、零接触运维），却几乎没有回答一个问题——优化知识应该怎样被系统化地生成、迁移和利用？他们提议的答案是 Learning-to-Optimize（L2O）作为缺失的架构层，并提出一个通用的四阶段工作流：优化（用精确求解器生成高质量解）→ 知识生成（把这些解变成监督信号）→ 代理学习（训练神经代理模型）→ 运行时推理（低延迟在线决策）。
这个思路并不新鲜——L2O 领域过去几年一直在做"用网络加速优化器"。这篇论文的分野在于它把 L2O 从技巧升格为架构抽象：不再追求某个优化器跑得更快，而是把精确优化器变成离线教师、把轻量模型变成线上学生，并宣称这套抽象可以横跨异构通信与计算系统复用。论文用 NR-V2X（车联网）中继选择问题做了示意：混合整数线性规划（MILP）求解器生成解，图神经网络（GNN）学习在实时中复现近优决策。
值得注意的局限：第一，这是观点性质的文章，6 页、会议体量，没有大规模实验；NR-V2X 是"illustrated"（示意）而非系统性评测。第二，四阶段流程的工程代价被轻描淡写了——离线生成监督数据本身需要持续运行昂贵的求解器，"离线教师"的成本只是从在线搬到了离线，并没有消失。第三，"代理模型继承优化专家经验"的泛化边界（换一个网络拓扑、换一类约束还成不成立）没有讨论。第四，作者没有披露与传统在线优化方案（如启发式或深度强化学习直连决策）的基线对比，因此"低延迟近优"的实际增益无从判断。
但作为一篇架构主张，它的观察是准的：网络自治如果只把"在线算优化"换成"在线跑神经网络"，那神经网络优化能力从哪来、谁来教、教出来的模型怎么迁移，确实是被大多数 AI-native 架构文档跳过的空白。把 L2O 摆进架构图里，至少让这个问题变得可见。对做网络侧 AI 的团队，这篇的价值是提醒：与其争论"用不用 AI 优化"，不如先回答"优化知识从哪来"。
[1]