AI 算力集群的规模这几年涨得很快但很多人可能忽略了一个问题GPU 再多如果 GPU 与 GPU 之间的数据搬运速度跟不上整个集群的实际算力会被通信卡住。光通信在这个环节里是最关键的基础设施而 CPOCo-Packaged Optics共封装光学则是最近两年被讨论最多的演进方向之一。今天这篇文章要聊的是 AI 光通信核心平台 LITE 在 CPO 时代为什么仍然处于领先位置以及这种领先背后的技术逻辑到底是什么。这里先说明一点本文不做任何投资建议只从技术路线、产业能力和工程验证的角度分析 LITE 的平台价值。你可以把 LITE 理解成一个围绕光通信核心器件、光引擎和激光光源构筑起来的技术体系它解决的问题是在 AI 数据中心越来越需要高带宽、低功耗、高可靠光互连的前提下光信号从产生、调制到耦合进光纤的这条链路如何做到更稳、更快、更便宜。下面会先梳理 AI 光通信和 CPO 的背景再拆解 CPO 时代真正的技术难点然后重点说明 LITE 为什么能在这个阶段保持领先最后给出一套面向工程师的验证与测试思路。1. 核心概念速览在展开具体分析之前先把这篇文章涉及的核心概念放到同一张表里。方便后续章节引用也方便对光通信不熟的读者快速建立上下文。概念定位与 CPO 的关系LITEAI 光通信核心平台与技术体系提供激光光源、光芯片、光引擎和封装方案是 CPO 中的核心器件供应商和方案集成者AI 光通信面向 AI 数据中心的光互连技术总称覆盖光模块、光引擎、光缆、交换芯片之间所有光信号传输环节CPO共封装光学把光引擎与交换芯片封装在同一个基板或封装体内缩短电互连距离可插拔光模块当前主流的模块形态与 CPO 形成对照当前仍在演进但面临功耗和面板空间瓶颈硅光用硅基工艺做光波导、调制器、探测器CPO 光引擎的主流实现方式之一外部激光源ELSCPO 中独立于光引擎的光源组件解决激光器散热和可维护性问题是 CPO 架构中的关键子模块LPO线性驱动可插拔光模块去掉模块内 DSP简化功耗是 CPO 的竞争性路线从这张表可以看出CPO 不是一个单点技术而是一个从芯片设计、光器件制造、封装工艺到系统测试都涉及的系统工程。任何想在 CPO 时代占据位置的公司都必须在这些环节里至少拿下两到三个关键链路的控制力。LITE 的领先本质上是在光源和光芯片这两个最底层环节上建立了比较深的壁垒。2. AI 算力集群为什么把光通信推到前台2.1 分布式训练的网络瓶颈现代大规模 AI 模型训练几乎都是分布式进行的。以常见的大模型训练为例数据并行、张量并行、流水线并行会同时存在。每个训练步骤里GPU 之间需要同步梯度、交换中间激活值这就产生了大量通信流量。从集群网络拓扑看常用的 Leaf-Spine 架构里每个 GPU 服务器通过网卡接入接入层交换机再通过接入层交换机上联到骨干层交换机。跨节点通信一个转发路径就可能经过几个交换机。数据量越大网络压力越大网络时延和丢包对训练效率的影响就越明显。这里可以用一个简单的估算来理解通信量的量级。假设一个训练任务有 N 张 GPU每张 GPU 每步要同步 M 字节的梯度数据那么单个训练步骤的通信总量大约是def estimate_allreduce_traffic(gpu_count, grad_bytes_per_gpu, steps_per_hour): 估算单节点模型下 AllReduce 通信总量。 实际工程中会考虑拓扑、并行策略和梯度压缩这里只做量级估算。 traffic_per_step gpu_count * grad_bytes_per_gpu * (gpu_count - 1) traffic_per_hour traffic_per_step * steps_per_hour return traffic_per_step, traffic_per_hour gpu_count 1024 grad_bytes_per_gpu 100 * 1024 * 1024 # 每卡每步 100MB 梯度 steps_per_hour 60 * 6 # 每小时 360 步 traffic_per_step, traffic_per_hour estimate_allreduce_traffic( gpu_count, grad_bytes_per_gpu, steps_per_hour ) print(f单步通信量: {traffic_per_step / 1024**3:.2f} GB) print(f每小时通信量: {traffic_per_hour / 1024**3:.2f} GB)从量级上看单步通信量很容易达到几十 GB 甚至更高。这也是为什么 AI 数据中心对交换机带宽、光互连带宽的要求迭代速度明显快于传统云计算数据中心。2.2 光模块速率演进节奏光通信有一个明显规律速率每三到五年翻一倍。从早期的 10G/25G到数据中心的 100G/400G再到今天的 800G 和规划中的 1.6T速率提升的速度并没有放缓。速率提升带来的直接压力有两个。第一个是芯片信号调制复杂度的上升需要更高级的调制格式比如 PAM4 和将来的相干方案。第二个是功耗的上升高速光模块里的 DSP、驱动芯片、激光器、探测器、TIA 都会增加功耗。当整个集群包含几万张 GPU 和数千台交换机时光互连部分的功耗会变成一个不可忽略的数字。还有一个更隐蔽的问题是面板空间。交换芯片的带宽在提升交换机前面板的端口密度却不能无限增加。标准机箱尺寸下能塞进的光模块数量有限。如果每个端口速率要做到 800G 或 1.6T可插拔模块的物理尺寸和散热能力会成为约束。2.3 功耗、距离与成本的三角矛盾从 AI 数据中心的角度看光互连方案需要在三个指标之间做平衡功耗、传输距离和系统成本。可插拔光模块的优势是灵活、可维修、供应链成熟但在超大规模场景里功耗和面板空间的问题越来越难回避。CPO 的思路是从架构层面解决这两个问题把光引擎尽量靠近交换芯片电信号传输距离从几十厘米缩减到几厘米甚至更短从而降低信号衰减和驱动功耗。与此同时去掉可插拔模块的外壳、连接器和独立供电电路可以在单位面积内塞进更多光通道。然而CPO 也带来了新的问题光引擎和交换芯片封装在一起后激光器的热源离核心芯片更近散热设计更困难光引擎一旦损坏维修成本远高于更换一个可插拔模块。这就是为什么 CPO 时代的竞争重点不仅是性能还包括可靠性和可维护性。LITE 核心器件供应能力恰好对应到这些痛点上。3. CPO 共封装光学技术演进与优势3.1 可插拔光模块的天花板可插拔光模块是过去十多年数据中心的主流形态从 SFP 到 QSFP-DD、OSFP速率和体积一直在迭代。但这种形态有一个物理上限电信号从交换芯片到模块连接器的传输距离越长信号损耗越大需要的驱动功耗越高。进入 51.2T 和 102.4T 交换芯片时代后交换芯片本身的功耗已经到了 500W 甚至更高再加上光模块的功耗整机热密度会非常夸张。如果要继续提高端口速率比如让每个端口支持 1.6T单纯依赖可插拔模块的难度会非常大。3.2 CPO 的封装方式CPO 的核心改变在于位置关系。传统可插拔方案中光模块插在交换机面板上通过 PCB 走线与交换芯片连接。CPO 方案中光引擎直接与交换芯片封装在同一基板或同一封装体内光信号在芯片附近完成电光转换。典型 CPO 架构包含几个部分交换芯片、光引擎、激光器光源、光纤连接器。其中激光器可以采用内置或外置两种方式。外置光源的好处是激光器的热量不会直接传导到交换芯片附近维修时也可以单独更换光源组件因此目前被更多方案采用。3.3 CPO 的性能优势从技术指标看CPO 的收益体现在几个方面。第一是带宽密度更高光引擎可以紧贴交换芯片排列单位面板面积内的光通道数比可插拔模块高出不少。第二是功耗降低短距离电互连减少信号调制和驱动开销系统级功耗可能降低 20% 到 40%。第三是时延更低信号路径缩短后传输时延和抖动都会下降。当然这些优势能否兑现取决于光引擎的耦合效率、激光器的工作温度和封装良率。如果其中任何一项做不好CPO 的优势就会被测试成本、维修成本抵消。3.4 CPO 面临的技术挑战CPO 目前还不是一个完全成熟的方案挑战主要集中在三个方面。第一是散热。光引擎中的激光器对温度很敏感波长和输出功率都会随温度变化。放在交换芯片旁边热环境比单独的模块恶劣得多需要专门的散热通道设计。第二是良率与维修。可插拔模块坏了可以直接拔插替换CPO 光引擎一旦失效可能要把整块交换机板卡返厂维修。这个成本差异决定 CPO 必须把器件可靠性做到非常高的水平。第三是标准化和供应链。光引擎接口、光纤连接器规格、测试标准还没有完全统一不同厂商的方案不互通这会提高客户的使用成本和备件成本。4. CPO 时代的关键技术壁垒拆解在 CPO 时代真正决定方案能否落地的不是某个单一算法或封装技术而是下面这几个技术壁垒。4.1 激光器与光源能力激光器是光通信系统的起点。CPO 对激光器的要求比传统模块更高需要更高的输出功率、更窄的线宽、更好的高温特性、更长的寿命。外部激光源ELS方案中激光器被设计成独立组件通过光纤把光输入到光引擎里这时候激光器的可靠性和高功率输出能力就变得非常关键。磷化铟InP是当前高速激光器的主流材料体系。能做高性能 InP 激光器的厂商在全球范围内并不多因为它涉及材料生长、外延工艺、腔面镀膜、老化筛选等多个高难环节。这个壁垒不是靠资本短期能堆出来的。4.2 硅光引擎设计硅光是 CPO 光引擎的主流实现路径。硅光引擎里集成光波导、调制器、光电探测器、光栅耦合器等无源和有源器件。调制器可能是 MZM 或微环调制器探测器则是锗硅探测器。硅光的难点在于设计平衡波导损耗要低调制效率要高带宽要够大同时还要耐受封装过程中的应力。不同工艺节点、不同晶圆厂的 PDK 差异很大设计团队需要有足够的流片经验和测试数据积累。4.3 先进封装与耦合工艺光引擎与交换芯片封装在一起需要 2.5D 或类似的先进封装工艺。光引擎的电信号要与交换芯片基板连通同时光信号又要通过光纤阵列或光连接器耦合出去。这个过程中涉及晶圆级封装、倒装焊、光纤对准、折射率匹配胶等多道工序。光纤与光引擎之间的耦合效率直接决定链路插损。插损越低系统余量越大激光器需要的输出功率就越小。耦合工艺的稳定性也影响批量生产的良率这是 CPO 从样品走向规模化交付的关键。4.4 测试与可靠性验证光器件与电芯片不同它的失效模式更多激光器突然失效、光功率缓慢衰耗、波长漂移、耦合点偏移等。CPO 器件需要在封装前做筛选测试封装后做系统级测试整个测试流程比可插拔模块复杂。可靠性验证还涉及高温高湿、温度循环、振动、机械冲击等环境试验。对激光器来说老化测试尤其重要通常需要几百到上千小时的高温加速老化才能对寿命作出判断。这也是为什么 CPO 供应商与客户之间的认证周期很长一旦通过认证替换成本就会很高。5. LITE 的核心平台能力解析5.1 LITE 在光通信产业链中的位置从行业公开信息看LITE 所代表的业务体系覆盖了光通信最核心的几个环节激光器光源、光芯片、光引擎和模块级封装。它不是纯粹的芯片设计公司也不是纯粹的系统集成商而是从光源到光引擎再到模块解决方案都有布局的垂直整合型平台。这种垂直整合能力在 CPO 时代是有价值的。CPO 方案需要光源、硅光、封装和测试密切配合如果这些环节分散在不同供应商手里系统集成时需要大量定制沟通。LITE 可以在内部完成协同优化缩短开发周期降低供应链风险。5.2 激光器与光源积累激光器是 LITE 的核心优势之一。从电信级泵浦激光器到数据通信用 EML、DFB 激光器再到 CPO 用的外部激光源LITE 在 InP 基激光器方面有多年积累。激光器不是标准化产品每提高一档输出功率、每扩展一个温度范围都需要在外延结构、腔面处理和封装散热上做长期迭代。CPO 场景中激光器的高温性能和寿命直接影响系统可用性。外部激光源方案虽然把激光器移出交换芯片的紧邻区域但导热路径和空间仍然有限。能提供高功率、好温度特性和高可靠性的激光器供应商是 CPO 生态里的稀缺资源。5.3 光引擎与模块封装能力光引擎层面LITE 同时具备硅光设计和模块级封装能力。硅光引擎需要光学仿真、版图设计、晶圆测试和光纤耦合等能力这些都需要数据和经验积累。对 LITE 来说长期做光模块和光器件封装所形成的工艺数据库可以直接复用到 CPO 光引擎的耦合和测试阶段。从产业链看模块级封装能力让 LITE 既可以做光引擎组件也可以做完整的光模块或光互连子系统。这种灵活性意味着无论市场选择 CPO 还是继续采用可插拔 LPO 方案它的产品组合都可以适配不会把赌注押在单一技术路线上。5.4 客户认证与规模交付光通信行业有个特点客户一旦验证通过某个供应商的产品后续切换成本非常高。因为光学器件需要与系统里的交换芯片、驱动芯片、光缆、连接器协同工作任何一个改动都可能引入新的可靠性风险。LITE 与一线交换芯片厂商、云服务商和光模块厂商的长期合作关系使它拥有较深的客户认证壁垒。这种壁垒在 CPO 时代不仅没有消失反而因为共封装结构带来的维修难度而进一步加强。这也是“仍然领先”的重要基础。6. 为什么在 CPO 时代 LITE 仍然领先6.1 领先的逻辑底层器件不可绕开CPO 方案无论采用哪种具体形态都需要激光器。光源是整个光链路里最难替代的部分之一因为它涉及量子阱设计、外延生长、解理镀膜和后道封装技术门槛极高良率和一致性需要多年积累。LITE 在光源方面有全流程能力这使它成为 CPO 生态里不可绕开的供应商。对交换芯片厂商和云服务商来说与其冒险使用缺乏验证经验的新供应商不如与已经在数万甚至数十万模块里验证过的 LITE 合作。这就是“仍然领先”的第一层含义。6.2 领先的第二层垂直整合带来系统优化空间CPO 不是将光引擎模块简单贴到交换芯片旁边就结束它需要做大量的联合优化。比如激光器输出功率要与光引擎的调制器插损匹配驱动电路的摆幅要适配光引擎的调制效率散热设计要同时考虑交换芯片和激光器。这些优化需要跨环节的协同能力。LITE 同时掌握激光器、硅光引擎和封装工艺可以在内部完成参数匹配和联合仿真减少与外部供应商之间的反复沟通成本。在样品开发阶段可以更快收敛方案在批量阶段可以更快定位问题。6.3 领先的边界也不是没有风险需要冷静看待的是CPO 时代 LITE 的领先不等于可以放松。CPO 市场目前还在初期渗透率并不高可插拔模块和 LPO 方案仍会长期存在。如果 CPO 普及速度慢于预期LITE 的高速增长节奏也会受到影响。另外国内光通信厂商在激光器、硅光和模块封装上的追赶速度很快尤其在成本控制和本地服务响应上具备优势。LITE 要保持技术领先必须持续加大对新材料、新调制格式和新封装工艺的投入否则行业地位可能在下一轮技术切换中被改写。7. 面向工程师的光通信验证与测试思路对于关注光通信或 CPO 的技术读者来说理解架构之后更需要一套可落地的验证流程。这里给出一个面向光引擎和激光器的通用测试框架不限定具体品牌和仪表型号重点是方法和流程。7.1 测试对象与测试环境CPO 光引擎测试通常涉及以下对象测试对象关注指标常用仪表激光器光源输出光功率、工作波长、线宽、光谱光功率计、光谱仪、线宽测试仪光引擎调制眼图、带宽、插损、回损高速示波器、误码仪、OBPF光纤耦合插损、回损、偏振相关损耗光功率计、插回损测试仪整体链路误码率、灵敏度、温度特性误码仪、温箱、光衰减器建议把测试环境分成三层裸片/芯片级、封装组件级和系统级。每一层用不同的夹具和仪表不能跨层混用否则问题定位会很困难。7.2 创建测试配置模板批量测试时建议先建立一份标准测试配置统一参数和阈值。下面是 JSON 配置的参考模板{ test_batch: cpo_light_engine_20250214, device_type: light_engine, optical_channel: 8, wavelength_nm: [1310, 1310, 1310, 1310, 1310, 1310, 1310, 1310], modulation_format: PAM4, baud_rate_gbaud: 100, laser_power_mw: 30, target_insertion_loss_db: 4.5, max_ber: 1e-12, temperature_range_c: [0, 70], aging_hours: 1000, output_dir: ./reports }实际测试时需要按照被测器件规格调整波长、速率、损耗阈值和老化时间。模板的作用是保证同批次测试条件一致减少人为差异。7.3 误码率测试与报告生成光链路验证最核心的指标是误码率BER。对于 800G 甚至 1.6T 的 PAM4 链路误码率通常要求低于某个非常小的阈值同时还要关注 FEC 前误码率和 FEC 后误码率。常用做法是先将误码仪接到光引擎两端在固定光功率下连续跑一段时间记录累计误码数。下面是一个简单的 Python 脚本用于读取误码率日志并生成汇总结果import json import csv from pathlib import Path def parse_ber_log(log_path): 解析误码仪日志提取时间、累计误码数和误码率。 records [] with open(log_path, r, encodingutf-8) as f: for line in f: if BER not in line: continue parts line.strip().split(,) # 假设日志格式为: timestamp, bit_count, error_count, ber timestamp parts[0] bit_count int(parts[1]) error_count int(parts[2]) ber float(parts[3]) records.append({ timestamp: timestamp, bit_count: bit_count, error_count: error_count, ber: ber }) return records def generate_report(records, output_path): 生成误码率汇总 CSV 报告。 with open(output_path, w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnames[timestamp, bit_count, error_count, ber]) writer.writeheader() writer.writerows(records) if __name__ __main__: log_path Path(./ber_sample.log) out_path Path(./ber_report.csv) data parse_ber_log(log_path) generate_report(data, out_path) print(f日志解析完成共 {len(data)} 条记录报告已输出: {out_path})这里的日志格式是假设的实际使用时要按误码仪导出的格式调整解析逻辑。关键是保留原始数据、处理脚本、汇总报告这样才能追踪批次质量问题。7.4 温度与老化测试光器件对温度很敏感CPO 场景尤其明显。建议在 0℃、25℃、70℃ 三个温度点分别测光功率、光谱和误码率。温度测试能暴露激光器波长漂移和调制器效率变化。老化测试则是在高温条件下长时间加电运行。一般先做短时老化几十小时筛选早期失效器件再做长时老化数百小时以上评估长期可靠性。老化过程中要定期记录光功率变化率变化率超过阈值的器件应判为不合格。7.5 批量测试与数据闭环如果有多台设备需要测试建议先建立统一的目录结构test_batch_20250214/ ├── config/ │ └── test_config.json ├── raw/ │ ├── device_001/ │ │ ├── ber_log.csv │ │ └── spectrum.csv │ └── device_002/ │ ├── ber_log.csv │ └── spectrum.csv ├── reports/ │ └── summary.json └── scripts/ ├── parse_logs.py └── generate_report.py每个被测设备的原始数据都放进独立目录配置、脚本、报告分离。这样做的好处是当某个批次出现质量波动时可以快速定位是工艺问题还是测试条件漂移。8. 需要持续跟踪的技术变量与风险CPO 时代的格局还没有完全确定有几个变量值得持续关注。8.1 CPO 与 LPO 的路线之争LPOLinear-drive Pluggable Optics线性驱动可插拔在功耗上比传统可插拔模块有明显改善而且可以借用现有可插拔模块的维护体系。对部分客户来说LPO 可能比 CPO 更务实不需要改动交换芯片封装、不需要引入光引擎维修流程就能获得一部分功耗收益。LITE 的产品布局同时覆盖两种路线。但路线之争会影响整个供应链的投资节奏如果更多客户选择 LPOCPO 的规模上量时间会推后。8.2 标准化进展CPO 目前还没有完全统一的光引擎接口标准和测试规范。OIF 等组织正在推动相关标准但不同厂商的设计差异仍然很大。标准化会影响器件互换性和客户采购意愿需要持续跟踪。8.3 交换芯片生态节奏CPO 最终要跟交换芯片绑定。交换芯片厂商是否愿意在新的 102.4T 芯片上支持 CPO 封装直接决定 CPO 能否量产。这个节奏受制于芯片良率、封装良率和系统散热设计不能只看光通信侧的单点进展。8.4 供应链与成本CPO 的成本包括激光器、硅光引擎、先进封装、光纤连接器、测试设备等多个部分。激光器和测试设备的成本在其中占比很高。如果 LITE 能在激光器成本上持续下探它的领先优势会进一步放大如果成本下降速度跟不上客户可能转向更便宜的替代方案。9. 常见问题与误区澄清9.1 CPO 会马上取代可插拔光模块吗不会。CPO 更可能首先在超大规模数据中心的部分场景落地可插拔模块还会在中小规模数据中心、企业网络和电信网络中继续存在。两种形态会长期共存。9.2 LITE 是一个软件平台吗不是。从技术体系看LITE 代表的是以光通信核心器件、光芯片和光引擎为核心的硬件平台能力。它和软件定义的网络控制平台不是同一个层级的东西。9.3 没有激光器能力的公司能做好 CPO 吗可以做出光引擎但光源通常仍需要外购。这会带来两个问题一是供应链依赖二是系统级优化受限。因此在 CPO 生态里掌握激光器能力的供应商有更强的议价能力和整合能力。9.4 CPO 的技术难点是算法还是工艺主要是工艺和可靠性。算法层面的信号处理在可插拔模块时代已经积累得比较成熟但 CPO 把光器件放进复杂封装环境后耦合、散热、老化、维修等问题都是工艺和可靠性问题。这些问题没有捷径需要长期工程数据积累。9.5 测试 CPO 光引擎需要多高端的设备至少需要高速误码仪、光功率计、光谱仪和温箱。如果做研发级测试还需要高速示波器和可调光衰减器。设备投入不低这也是很多中小团队在 CPO 测试环节遇到实际门槛的原因。10. 总结与下一步回到文章开头的问题AI 算力集群的高速运转离不开光通信CPO 是解决带宽密度和功耗问题的重要方向而 LITE 之所以在 CPO 时代仍然领先核心在于它掌握了激光器光源、硅光引擎和封装工艺这条垂直整合链路。这不是靠单一爆款产品而是靠多年工程积累和客户认证形成的系统性优势。对技术读者来说最值得验证的第一件事不是去争论 CPO 和 LPO 谁最终胜出而是先把光通信测试环境搭起来从激光器光功率和光谱测试开始再到光引擎误码率测试最后建立小批量老化验证流程。这样你就能对 CPO 链路中的每个环节有直观认知而不是停留在概念层面。在实际操作时请注意几个容易踩的坑激光器测试必须符合激光安全等级要求避免直视输出端口端面清洁是耦合测试的前置条件粉尘会直接拉高插损误码率测试要控制好光纤弯曲半径避免引入额外损耗批量测试时要做好数据归档否则后期质量问题很难追溯。后续可以继续扩展的方向有三个一是跟踪 CPO 标准组织和头部交换芯片厂商的动态判断量产时间点二是深入研究外部激光源方案中的热管理和波长稳定性设计三是对比 CPO 与 LPO 在实际数据中心场景下的功耗和运维成本。这几个方向无论对做技术选型还是做供应链分析都有长期价值。这篇文章先聊到这里建议收藏备用后续有新的光通信技术进展再继续展开。