AI 推动光互连技术应用，实现 GPU 可扩展通信

AI 通常被定义为算力故事：更大的模型、更快的 GPU、布满加速器的数据中心。但随着系统持续扩容，真正的限制并非算力，而是数百、数千乃至数百万处理器间的通信。

图一：人工智能数据中心规模扩展集群规模的演变。

现代 AI 的核心是矩阵乘法，大型神经网络可将运算分配至多个处理单元，并行计算成为提升性能的首选方案。但模型规模超过约 100 亿参数后，小型本地计算域无法支撑扩容，工作负载需分配至多个图形处理器（GPU），覆盖板卡、服务器、机架，乃至跨建筑区域级光纤网络。

实际应用中，GPU 需协同如同一台超大处理器，需在集群内持续交换梯度、参数、激活值与同步流量。该规模下，网络性能与算力深度绑定 —— 数据传输速度不足，加速器将处于等待状态。行业面临 “铜墙瓶颈”，在层级延迟敏感环节形成阻碍，制约扩容集群内 GPU 互联所需的高速链路。

需要明确的是，铜互连并未过时。短距离场景中，电互连成熟、低成本、实用性强。但单通道 200 吉比特每秒信令场景下，权衡劣势凸显：200 吉比特每秒单通道下，直连铜互连传输距离缩短至 1 至 2 米，延长距离需中继器，增加功耗与成本。随着 AI 扩容集群规模更大、密度更高，铜互连已无法满足需求，行业转向光通信，实现更高带宽、更快速度、更高基数与更低功耗。

光互连向内渗透

光通信已在横向扩展网络（机架间、排间链路）成熟应用，当前行业核心议题是未来 AI 系统的光电转换边界。例如，开放计算项目的短距离光互连计划，通过定义光互连需求与指标，提升处理器间、处理器 - 内存带宽。

图 2. 人工智能网络中的互连方式。目前，服务器内的 GPU 之间使用铜质互连（2a），而用于服务器之间互连的则是可插拔的光收发器（2b）。未来，带有外部光源的 CPO（光互连处理器）有望用于服务器内部的规模扩展网络（2c）以及服务器之间的规模扩展网络（2d）。

传统插拔式光学设计中，电信号需穿过电路板到达收发器后转换为光信号。在最高数据速率下，这些电气路径的损耗、均衡、功耗与布局复杂度问题愈发突出。共封装光学（CPO）将光引擎直接部署在芯片封装旁，缩短高速铜迹线长度，实现更高带宽密度与更低每比特能耗；传统收发器被拆分为芯片旁光引擎、外部激光源与光纤互连三部分。

行业逐步转向外部激光架构，因激光对温度敏感，与封装最热区域分离更易管控。英伟达与博通均在 2025 年宣布共封装光学重大技术突破，预计 2028 至 2030 年实现量产。

共封装光学：优势显著，挑战重重

共封装光学本质是异质集成难题，需将不同材料体系、器件类型、制造工艺整合至紧凑高性能封装中。行业正探索多种激光方案、调制器方案，以及光引擎、光源、主机专用集成电路（ASIC）的功能划分方式。每种设计选择都会影响封装尺寸、插入损耗、热敏感性、可制造性、成本与长期可靠性。核心挑战不仅是打造高速光链路，更是保障链路可通过封装、认证、量产与现场部署。行业正积极应对这些挑战，2026 年光纤通信博览会（OFC）前后，涌现出多项多源协议，例如光计算互连多源协议、开放共封装多源协议产业联盟。

热管理是最大难题之一。GPU 与交换专用集成电路已处于极高要求的热环境中，将光学器件靠近这些器件，直接引发激光寿命、调制器性能、封装界面与系统稳定性问题。外部激光架构备受青睐的原因之一，是可将温度最敏感的元件远离最热区域，但该选择也带来封装、系统权衡问题，例如对准、布线、可维护性与整体系统复杂度。

制造环节进一步增加难度。光引擎输出光纤数量越多，AI 集群并行性越高、网络拓扑越扁平。但实际应用中，光纤附着是光学组装中最难、成本最高的环节，尤其是需要主动对准的场景。每增加一根光纤，都会影响良率与成本。这意味着最优方案并非物理原理最完美的方案，而是能最佳平衡带宽、组装复杂度、热管理与可制造性的方案。

综上，AI 首先让并行计算成为必需，随后让分布式计算不可避免，如今正推动互连架构重构。光链路已在长距离数据中心网络普及，下一步将深入计算封装内部 —— 铜互连越来越难以满足带宽、传输距离与能效的综合需求。共封装光学成为解决该问题的主流方案，并非因其简单，而是替代方案的扩容难度越来越大。