过去几年，整个 AI 产业最受关注的关键词几乎都是：GPU。H100。Blackwell。
算力。大模型。
但当 GPU 越来越强、AI 集群从几千张卡扩展到几万张、几十万张甚至百万张 GPU 以后，一个新的问题开始浮出水面：
芯片已经足够快了，但芯片之间“说话”的速度，开始跟不上了。
这也是为什么英伟达最近的一个动作，可能比单纯发布一颗新 GPU 更值得关注。
英伟达已经把 Spectrum-X Ethernet Photonics 推向商用阶段。其核心变化，是把 CPO——Co-Packaged Optics，共封装光学——真正带入 AI 数据中心交换网络。
英伟达官方资料显示，Spectrum-X Ethernet Photonics 基于 Spectrum-6 架构，把光学器件更靠近交换 ASIC 集成，最高可提供 409.6Tb/s 交换带宽，并计划在 2026 年下半年投入市场。英伟达同时宣称，相比传统方案，这类光子交换系统可实现约 5 倍功耗效率提升、10 倍可靠性提升，以及更长的 AI 应用正常运行时间。
一些近期产业报道进一步显示，该产品已经进入全面量产阶段，并被称为首款进入生产阶段的 200Gb/s 单通道 CPO 以太网交换系统。
如果这个产业化节奏持续推进，它意味着一件很重要的事情：
AI 基础设施的竞争，正在从“算得快不快”，进一步转向“数据搬得动不动”。
而这背后，可能正是硅光产业真正进入规模商业化的一个重要拐点。
一、为什么 GPU 越来越强之后，网络反而成了瓶颈？
理解 CPO 之前，先要理解一个基本变化。
过去，我们总把 AI 算力理解成：
GPU 性能。
比如：
一颗 GPU 每秒可以做多少次计算。
一台服务器有多少张 GPU。
但真正的大模型训练，并不是一颗 GPU 自己完成的。
而是：
成千上万颗 GPU 一起完成。
假设有 10 万张 GPU 同时训练一个模型，那么真正的问题就不只是：
每张 GPU 算得多快。
而是：
10 万张 GPU 之间，能不能持续高速交换数据。
可以简单理解：
过去 AI 竞争是在比“每个人的大脑有多快”，未来则开始变成：
10 万人组成一个组织以后，他们彼此沟通的效率有多高。
如果每个人都很聪明，但是沟通效率极低，整个组织效率仍然会下降。
AI 集群也是如此。
GPU 越多，网络越重要。
二、AI 数据中心正在进入一个新的瓶颈：数据搬运
一颗 GPU 内部计算速度已经极高。
但 AI 训练需要不断交换：
参数。
梯度。
模型状态。
Token 数据。
存储数据。
这意味着 GPU 大量时间实际上都在做另外一件事情：
等数据。
所以 AI 计算里面一直存在一个非常重要的问题：
计算速度增长，正在快于数据传输速度增长。
芯片越来越强。
GPU 越来越多。
但是如果网络跟不上，GPU 就会出现空转。
比如：
一颗价值数万美元的 GPU 本来可以满负荷计算，结果因为网络数据还没有传过来，它只能等待。
这时候企业真正浪费的已经不是带宽。
而是：
昂贵的 GPU 利用率。
所以网络效率已经直接影响 AI 数据中心的投资回报率。
三、传统光模块为什么开始碰到极限？
目前 AI 数据中心大量使用的是：
可插拔光模块。
大致可以理解为：
交换芯片 → 电信号 → PCB 走线 → 光模块 → 光纤
这种架构在过去几十年非常成熟。
最大的优势是：
标准化。
坏了可以直接换。
设备维护简单。
供应链成熟。
但是随着速率不断提高：
400G。
800G。
1.6T。
甚至未来 3.2T。
一个越来越严重的问题出现了：
电信号传输距离正在变成瓶颈。
速度越快：
电信号损耗越严重。
功耗越高。
发热越大。
信号完整性越难控制。
因此你会发现，真正的问题不是光纤。
而是：
芯片和光模块之间那一小段电连接。
这时候工程师自然会想到一个问题：
既然最后数据都要变成光，为什么不把“光”直接搬到芯片旁边？
CPO 就是由此而来。
四、CPO 到底是什么？
CPO 全称：
Co-Packaged Optics，共封装光学。
它最核心的逻辑其实非常简单：
过去：
交换芯片和光模块分开。
现在：
把光学引擎直接搬到交换芯片附近。
简单理解：
传统方案：
芯片 → 很长的电信号 → 光模块 → 光纤
CPO：
芯片 → 很短的电信号 → 光引擎 → 光纤
距离缩短之后：
电信号损耗下降。
功耗下降。
带宽提高。
可靠性提升。
所以 CPO 真正解决的是：
高速网络时代“最后一段电连接”的问题。
这也是为什么它和硅光技术紧密相关。
硅光的核心，是把传统光学器件尽可能通过半导体工艺进行集成，最终实现电子芯片和光子芯片越来越紧密地结合。
五、为什么英伟达现在推动 CPO，不是偶然？
时间点非常重要。
如果五年前推 CPO，产业意义可能没有今天这么大。
因为当时 GPU 集群规模还没有达到今天的程度。
现在完全不同。
AI 正在从：
千卡集群
进入
万卡集群
再进入
十万卡、百万卡 AI 工厂。
英伟达自己已经明确提出面向百万 GPU 规模 AI 工厂的网络设计。Spectrum-X Photonics 最高支持 409.6Tb/s 交换能力，就是为这种超大规模生成式 AI 基础设施而设计。
这意味着 AI 数据中心的核心矛盾正在变化。
过去的问题是：
没有足够 GPU。
现在正在变成：
如何让海量 GPU 真正高效协同。
下一步甚至可能变成：
如何降低整个 AI 工厂每生成一个 Token 的能耗和成本。
而网络，正好处于这个核心位置。
六、为什么“功耗降低”甚至比“带宽提高”更重要？
很多人看到 CPO，首先关注的是：
带宽翻倍。
但我认为长期更值得关注的，其实是：
功耗。
因为未来 AI 真正的上限，很可能不是芯片，而是电力。
前面我们讲过，AI 数据中心本质上正在做一件事情：
把电力转化为算力，再把算力转化为智能。
因此 AI 数据中心所有基础设施最终都会围绕一个指标竞争：
每瓦电可以产生多少有效 Token。
网络当然也消耗电力。
当 GPU 达到几十万张规模以后，网络交换、光模块、散热的整体能耗都会变成巨大的数字。
英伟达官方披露，Spectrum-X Ethernet Photonics 相较传统网络方式可实现约 5 倍功耗效率提升。
换算过来，理论意义上相当于在相同工作量下大幅降低网络部分能耗。
这件事情看起来只是工程参数。
实际上它直接影响：
数据中心电力成本。
制冷成本。
机柜密度。
GPU 利用率。
最终影响：
AI 推理和训练的单位成本。
所以 CPO 不是简单的“光模块升级”。
它其实是：
AI 经济学的一部分。
七、真正值得关注的，是产业链价值开始重新分配
任何一次技术路线变化，真正重要的都不只是：
新产品出现了。
而是：
产业链价值量重新分配了。
传统光通信产业链里面，核心产品是可插拔光模块。
但进入 CPO 以后，产业链结构开始发生变化。
原来：
交换芯片 → PCB → 光模块 → 光纤
未来：
交换 ASIC → 硅光芯片 → 光引擎 → 激光器 → 先进封装 → 光纤阵列
整个产业链都可能重新组合。
这意味着未来真正值得观察的，不只是“光模块公司”，而是至少六个方向。
八、第一个机会：硅光芯片
这是最底层的技术机会之一。
过去大量光通信器件依赖传统光学制造。
但随着硅光成熟，越来越多光学功能开始进入半导体制造体系。
这意味着：
光通信和半导体产业正在融合。
台积电等晶圆制造和先进封装企业因此越来越重要。
台积电已经建立面向下一代数据通信的硅光平台，并持续把硅光与先进封装技术结合。
这背后的产业逻辑非常值得注意：
过去：
芯片制造是电子产业。
光通信是光学产业。
未来：
光和电可能进入同一个封装体系。
半导体产业链因此获得了新的增量市场。
九、第二个机会：光引擎
CPO 里面一个非常核心的部件就是：
光引擎。
它负责：
电信号和光信号之间的转换。
过去光引擎藏在光模块里面。
未来它可能直接围绕交换 ASIC 布置。
这意味着：
传统完整光模块的价值结构可能发生变化。
其中一些：
高速光器件。
FAU 光纤阵列。
激光耦合。
精密封装。
可能拥有更高价值量。
英伟达此前公布的硅光生态伙伴包括台积电、Coherent、Lumentum、康宁、富士康以及 TFC Communication（天孚通信）等企业。
这里需要注意：
进入生态合作伙伴名单，不等于可以简单推导具体订单份额。
对于具体企业的供应份额、收入贡献和订单规模，仍应该以公司公告和正式披露为准。
十、第三个机会：外置激光器
这是 CPO 里面非常有意思的一环。
因为光通信需要光源。
传统可插拔光模块：
每个模块里可以配置自己的激光器。
CPO 架构下：
越来越可能采用外置激光源，也就是：
ELS——External Laser Source。
为什么？
因为把激光器放在交换 ASIC 旁边，会带来：
散热。
可靠性。
维修。
寿命等问题。
所以可以把激光源独立出来。
未来：
激光芯片 + 外置激光器模块
可能成为一个新的重要细分市场。
这里真正的壁垒包括：
激光效率。
稳定性。
寿命。
耦合精度。
规模制造能力。
十一、第四个机会：先进封装
这一点特别容易被低估。
CPO 真正难的地方，不只是：
把光芯片造出来。
而是：
如何把电子芯片和光子芯片高精度地装在一起。
GPU 时代已经让市场认识了 CoWoS。
AI 时代下一阶段，很可能继续强化先进封装的重要性。
因为未来芯片不再是简单的一块 Die。
而会变成：
计算芯片。
HBM。
I/O 芯片。
硅光芯片。
光引擎。
共同组成一个复杂系统。
所以未来芯片竞争越来越可能变成：
谁能够把不同芯片最高效地封装在一起。
先进封装已经从半导体制造辅助环节，逐渐变成：
决定系统性能的核心能力。
12. 第五个机会：精密光学连接
光通信有一个非常现实的问题：
光纤必须精准对准。
误差稍微大一点，信号就会严重损失。
CPO 的集成度越高，精度要求越高。
因此：
FAU。
连接器。
光纤阵列。
精密陶瓷。
耦合器件。
也可能迎来新的价值量提升。
这类公司看起来不像 AI 公司，甚至很多公司几十年前就存在。
但是技术革命经常出现这种现象：
新产业爆发，最后让一些非常传统、非常细分的工业能力重新变得稀缺。
这也是产业研究最有意思的地方。
不是只找“最新的公司”，而是寻找新技术发展之后，什么旧能力突然变得不可替代。
十三、第六个机会：AI 网络本身
我认为这是更大的机会。
CPO 只是底层技术。
真正大的产业变化是：
AI 网络正在成为独立基础设施。
过去数据中心主要服务：
网页。
数据库。
企业软件。
因此网络流量相对分散。
但 AI 训练完全不同。
大量 GPU 同时工作，瞬间产生巨大东西向流量。
这对：
交换机。
网卡。
网络调度。
拥塞控制。
负载均衡。
拓扑结构。
都提出完全不同的要求。
英伟达 2026 年的 Spectrum-X 研究显示，其网络设计已经围绕超大规模 AI 训练进行优化，包括多平面架构、硬件负载均衡和微秒级动态调度。
这意味着未来 AI 数据中心可能出现一个重要变化：
过去我们讨论：
GPU 集群。
未来可能越来越多讨论：
计算 + 网络 + 存储 + 能源的整体 AI 工厂。
十四、为什么说这可能是“硅光商业化拐点”，但还不能简单理解为全面替代？
这里必须保持一点克制。
CPO 进入量产，并不等于传统光模块马上被淘汰。
原因很简单。
可插拔光模块拥有几个非常大的优势：
标准化。
易维修。
供应链成熟。
部署灵活。
成本成熟。
而 CPO 也存在自己的挑战：
封装复杂。
维修困难。
良率要求高。
激光器可靠性。
热管理难度。
产业标准尚在演进。
所以未来一段时间更可能出现：
可插拔光模块 + CPO 长期共存。
不同距离。
不同带宽。
不同网络层级。
使用不同解决方案。
因此更准确的判断应该是：
CPO 正在从实验验证进入规模商业化阶段，而不是传统光模块一夜之间退出历史舞台。
这两句话看起来区别不大。
但对商业判断而言完全不同。
十五、把 CPO 放回整个 AI 产业链，会发现一个更大的趋势
我们之前讨论 AI 时代的机会时，把产业分成：
算力基础设施。
算力调度平台。
行业智能体。
机器人。
现在，CPO 实际上补齐了算力基础设施里面非常关键的一块：
网络。
如果重新画一遍 AI 产业链：
电力 → GPU → HBM → AI 服务器 → 高速网络 / CPO / 硅光 → AI 数据中心 → 算力调度平台 → 大模型 → Agent → 机器人 → 行业应用
你会发现：
AI 产业正在变成一个越来越庞大的工业系统。
它已经不再只是一个软件行业。
它同时开始影响：
半导体。
光通信。
电力。
数据中心。
液冷。
网络设备。
机器人。
精密制造。
先进封装。
这也是这一轮 AI 革命与过去互联网革命很不一样的地方。
AI 正在重新拉动整个工业基础设施升级。
十六、真正值得观察的指标，不是“CPO 概念涨了多少”
如果站在产业研究角度，我认为未来更应该关注几个指标。
第一：
Spectrum-X Photonics 真实出货量。
第二：
头部云厂商是否开始规模部署 CPO。
第三：
CPO 占高速交换机的渗透率。
第四：
800G → 1.6T → 3.2T 升级过程中，CPO 的成本优势是否持续扩大。
第五：
单位 bit 传输功耗下降速度。
第六：
整个系统的故障率和维护成本。
第七：
GPU 集群规模继续增长之后，网络占 AI 数据中心资本开支的比例是否持续上升。
其中我认为最重要的是：
每传输 1bit 数据需要消耗多少电。
因为 AI 基础设施最终所有技术竞争都会回到同一个问题：
单位智能的成本能不能继续下降？
十七、从商业角度看，CPO 真正改变的可能不是光通信，而是 AI 基础设施的成本曲线
这是我认为这件事情最值得关注的地方。
我们今天为什么可以每天使用 ChatGPT？
不是因为 AI 突然出现了。
而是因为：
每生成一个 Token 的成本正在不断下降。
未来 AI 能不能真正进入：
企业。
汽车。
机器人。
手机。
眼镜。
家庭。
本质上都取决于：
智能成本能不能继续下降。
而智能成本包含：
芯片。
内存。
网络。
电力。
冷却。
存储。
软件。
所以 CPO 真正的价值不是：
“光模块升级”。
而是：
它可能帮助 AI 数据中心继续降低传输数据的边际成本。
这才是它真正进入 AI 产业大逻辑的位置。
GPU 之后，AI 基础设施正在进入“光的时代”
回顾 AI 基础设施过去几年的发展：
第一阶段：
市场发现 GPU 不够。
于是全球开始疯狂建设算力。
第二阶段：
市场发现 HBM 不够。
于是高带宽内存成为新的瓶颈。
第三阶段：
电力和液冷开始受到关注。
因为 AI 服务器密度越来越高。
现在：
网络又开始站到舞台中央。
因为几十万颗 GPU 需要真正连接成一个整体。
所以 AI 基础设施正在不断出现新的瓶颈：
算力瓶颈 → 存储瓶颈 → 能源瓶颈 → 网络瓶颈
而每解决一个瓶颈，就会催生一条新的产业链。
CPO 和硅光真正值得关注的地方就在这里。
它们并不是突然出现的新概念。
而是当 AI 计算进入超大规模时代以后，物理规律开始逼迫数据传输从“电”进一步走向“光”。
过去几十年，光纤连接了城市，连接了国家，连接了互联网。
接下来，光可能开始进入芯片旁边，连接成千上万甚至数百万颗 GPU。
如果说 GPU 解决的是：
机器如何拥有更强的大脑。
那么 CPO 解决的就是：
这些大脑如何以更低成本、更低功耗、更高速度彼此沟通。
所以英伟达推动 Spectrum-X Photonics 进入产业化，真正值得关注的可能并不是又出现了一款新交换机。
而是一个新的信号：
AI 算力的下一场战争，正在从“计算芯片”延伸到“高速互联”。
而硅光，很可能正在从一个长期存在的技术方向，正式走进 AI 基础设施的核心舞台。
本文基于英伟达官方资料、公开报道及行业信息整理，旨在进行 AI 基础设施、CPO 及硅光产业趋势研究与商业模式讨论。部分供应链信息来自产业报道，具体合作关系、订单份额及收入贡献应以相关上市公司正式公告和监管披露为准。
文中涉及的企业、技术路线、产业趋势及未来判断不构成任何投资建议、证券推荐、收益承诺或商业决策依据。CPO 及硅光产业仍处于快速商业化过程中，技术路线、市场渗透速度、竞争格局及相关企业业绩均存在较大不确定性。投资及商业决策请结合自身情况独立判断并充分评估风险。
发表于 2 小时前
|
查看: 5|
回复: 0
