共计 1068 个字符，预计需要花费 3 分钟才能阅读完成。
AI 基建的竞争, 正在从“算得快”延伸到“传得快”。 随着大模型训练、推理和 Agent 应用对集群规模提出更高要求, 数据中心内部与机柜之间的数据流动压力持续上升,CPO(共封装光学) 因此成为光互联赛道中被频繁提及的关键词。
📌 算力之后, 网络互联成为新卡点
过去几年,AI 基础设施的关注点主要集中在 GPU、CPU、存储和供电等环节。但当模型参数量、MoE 架构和多节点协同不断扩大后, 算力并不是唯一约束。大量数据需要在服务器、交换机、GPU 与存储之间高速流转, 传统网络架构开始面临带宽、延迟、功耗和散热的多重压力。
可以简单理解: 如果 GPU 是“大脑”, 存储是“记忆”, 那么网络互联就是让信息在各个计算单元之间高速流动的“神经系统”。AI 集群越大, 这套神经系统的重要性就越高。
🔍 CPO 到底是什么?
这与传统可插拔光模块不同。 可插拔光模块更像外接接口 , 便于替换和维护;CPO 则把光电转换环节向芯片侧前移, 以缩短电信号传输距离, 提升端口密度, 并降低高速传输带来的功耗损耗。
💡 为什么 AI 数据中心需要 CPO?
当前数据中心互联大致可以分为机柜内互联和机柜间互联。 机柜内常见方案仍大量依赖铜连接 ; 机柜间则主要依赖光纤和可插拔光模块。随着传输速率提升, 这两类方案都遇到边界。
- 带宽压力: 可插拔光模块受限于交换机面板空间和模块尺寸, 端口密度继续提升难度加大。
- 信号衰减: 铜连接在高速、较长距离下容易出现衰减和失真, 传输距离受到明显限制。
- 功耗与散热: 高速链路会带来更高能耗, 叠加数据中心电力约束, 成本压力进一步放大。
- 集群扩展: 超大规模 AI 集群需要更高效的节点互联, 否则算力资源难以充分释放。
📊 商业化仍有几道门槛
不过,CPO 还不能被简单视为“即将全面替代”的成熟方案。 它的落地依赖先进封装、光子集成、测试、散热和材料等多个环节协同 , 技术难度明显高于传统光模块。
首先,CPO 需要将电子集成电路与光子集成电路进行异质集成, 对封装能力和良率提出更高要求 。其次, 可插拔光模块的一大优势是维护方便, 而 CPO 将光引擎与芯片封装在一起后, 检修和替换复杂度会增加。再者, 高密度封装下的局部热管理也是实际部署必须解决的问题。
🚀 观察:CPO 是方向, 但不会一夜普及
值得注意的是,CPO 并非唯一技术路线 。NPO、LPO、CPC、OIO 等方案也在不同场景中被讨论。比如 NPO 可被看作更靠近封装但未达到 CPO 集成程度的方案;LPO 则通过简化可插拔光模块结构来降低功耗;OIO 更进一步, 面向计算芯片层面的光 I/O 集成。
