会议回顾 | 上海交大诸葛群碧：AI算力集群光互连技术发展现状与未来趋势

文章作者

诸葛群碧，上海交通大学集成电路学院（信息与电子工程学院）教授、副院长，博士生导师，Optica Fellow。2026年CIOE中国光博会《AI算力集群光互连技术发展论坛》特邀主持人。

本文系诸葛教授基于论坛嘉宾的分享内容，对AI算力集群光互连技术的发展现状与未来趋势作了梳理与思考。

超节点时代到来，互连正成为AI算力的核心瓶颈

大模型训练与推理的规模化演进，正在把AI算力系统从"一机八卡"的传统服务器形态，推向数十卡、数百卡乃至千卡级别的超节点。算力总量的增长不再单纯依赖单芯片性能的提升，而是越来越取决于海量计算单元之间能否高效协同。在这一背景下，互连的重要性被提到了前所未有的高度。随着超节点打破单一机柜的界限，Scale-up高速互连场景正从机柜内走向机柜间，而铜缆的物理极限决定了它无法胜任这段距离。光互连凭借其在带宽、能效和距离等方面的优势，正从 Scale-out 场景进一步拓展到 Scale-up 领域。

值得注意的是，互连的瓶颈压力在 Scale-up 与 Scale-out 两个维度上并不同等。相对 Scale-out，Scale-up 在带宽需求上有着近十倍的提升，超节点内部需要支撑数千条甚至上万条并行数据流的实时交互，对吞吐量、时延及系统可靠性和可用性的严苛要求远超传统集群互连，这主要从三个维度对光互连技术提出了全新挑战：1）带宽密度方面，超节点内部空间极度紧凑，机柜内需要容纳的互连带宽总量呈数量级增长，光互连必须在有限的空间和功耗预算内实现更高的总传输速率。2）时延方面，Scale-up 承载的是计算总线语义，通信时延直接叠加在计算关键路径上，任一链路的抖动都会通过同步屏障放大为全局性能损失，要求光互连将端到端时延压缩至极低水平，并具备高度确定性。3）可靠性和可用性方面，超节点中任一互连链路的失效都可能影响整体训练/推理任务的连续性，大规模部署下故障概率被显著放大，这就要求光互连在链路冗余、故障隔离、热插拔维护以及全生命周期稳定性上达到极高水准，同时兼顾可维护性以缩短故障恢复时间。

NPO崭露头角，近封装光互连开启新赛道

可插拔光模块仍是未来3-5年Scale-out的主力选择，但它的物理形态决定了无法满足超节点内部高带宽密度和高能效的需求。今年的论坛嘉宾主要聚焦近封装光互连（NPO）的讨论，并明确了其核心价值。NPO将光引擎移至ASIC封装附近，但两者不共封装，光引擎保持独立可插拔形态。相比于传统的DSP可插拔光模块，采用SerDes直驱的NPO，单位比特能耗上可降低约50%，链路时延从百纳秒级压缩至十纳秒级，同时保留了可拆卸、可维护的特性，在超节点这种高密度、高价值的部署场景中，这意味着享受光电合封能效红利的同时，不必完全牺牲模块的可维护性。NPO可在交换机、xPU、MPU存储扩展、网卡等方面实现应用。市场层面，LightCounting已在其预测体系中全面纳入NPO出货量，预计未来五年将呈现爆发式增长，反映出产业研究机构对这一形态商业化前景的认可。

从技术实现与规格来看，当前讨论较多的方案采用光源与光引擎分离、并以硅光技术承载光引擎的架构；同步推进的还有光引擎内置光源的硅光方案，以及采用VCSEL实现光源与调制一体化的路线。架构上，NPO通常采用线性直驱方式，由SerDes直接驱动光电器件，电信号传输距离可缩短至5cm量级，省去DSP的功耗与时延，但需在信号适配、链路均衡等环节投入更多设计精力。一旦引入shuffle机制以及未来的光交换，硅光方案在性能裕量上的优势便凸显出来。封装技术包括2D FC、2.5D TMV和3D TSV。标准化工作也在多线并进：OIF的6.4T/12.8T规范、IPEC的7.2T规范、ODCC的UPO 6.4T规范（该规范内部存在多档规格），以及Open NPO MSA的7.2T规范和致力于封装级光引擎互连互通的Open CPX MSA。具体规格上，光引擎总带宽6.4T对应32路单通道200G，7.2T对应36路单通道200G，均支持百米以上的传输距离并支持总线协议。支撑这些指标的背后，是光电子集成芯片、Driver/TIA电芯片、大功率激光器芯片、FAU以及先进封装等一系列环节的共同进步。

展望未来，NPO的演进将沿三条主线展开。速率与容量上，将从当前的6.4T/7.2T迈向12.8T/14.4T，单通道速率由200G向400G攀升。架构与形态上，行业观点逐步从“NPO是通往CPO的过渡方案”，更多转向“NPO与CPO长期共存”。器件与工艺上，micro-LED、micro-VCSEL、硅光微环等新型器件指向更高的带宽密度与更优的能效，为下一阶段NPO的竞争打开新的竞争维度，也为OIO终局形态的实现打下重要基础。

Scale-up或成OCS下一个杀手级应用

作光交换（OCS）在端口之间移动光信号而无需经历光电光转换，具备鲜明优势：交换延迟极低，速率协议无关，功耗更低。但局限同样存在：它无法做包交换，链路中断时存在较大故障域。因此需要采用OCS与电交换混合组网，形成"光承载大象流、电承载细粒度报文"的分层调度格局。OCS的关键指标包括端口数、插损、切换速度和可靠性，其中插损直接决定链路功率预算，是AI数据中心落地的关键约束指标。主要技术路径有MEMS、硅光、液晶、压电等，目前不存在全维度最优方案，各自依托性能特征适配差异化场景。

当前，OCS在Scale-up场景中的应用前景受到广泛关注。随着Scale-up网络逐步走向光互连，OCS开始在时延、功耗、空间等方面显现出独特的吸引力。Scale-up场景对切换速度、功耗和尺寸有更高的要求，但对端口规模（Radix）要求相对较低，因此非常适合采用硅光OCS方案。此外，Scale-up场景的流量特征正在改变。随着MoE混合专家模型的大规模普及，不同Token被动态分配至各个专家单元，GPU之间的连接关系瞬息万变，网络时延会直接转化为GPU空闲损耗。这要求物理网络拓扑能够随训练/推理阶段和专家分布动态重构，而 OCS 正是实现这种重构的关键手段。因此，在OCS系统中，不仅要求硬件满足指标需求，还需要实现拓扑与算法协同优化。

市场数据印证了这一判断，Cignal AI预计2026年市场规模约20亿美元，2030年超过80亿美元，2026至2030年复合增速超30%。当前主要的规模应用仍是Google TPU网络的Scale-out场景，但至2030年，面向Scale-up的OCS收入有望与Scale-out持平。

结语

回顾本届论坛的讨论，一个清晰的共识是：光互连的演进不是一场替代赛，而是一次场景分工的重新划定。可插拔、NPO、CPO、OIO将在Scale-out、Scale-up的不同距离上长期共存，OCS与电交换也将以混合组网的方式互补而行。真正决定竞争力的，不再只是单点速率的快慢，而是能否围绕特定场景把光、电、封装、协议、算法与组网做成一套协同优化的系统，满足未来智算系统对互连带宽密度、能效、时延、可靠性和可用性等不同维度的迫切需求。

点分享

点点赞

点在看