数据中心网络与光模块：AI 集群的带宽账

流量方向变了：东西向爆炸是这一切的起点

传统数据中心的主流流量是「南北向」——用户从外部访问服务，流量在服务器与外部之间进出，网络是「附带设施」，只要出口够宽、内网够用即可。大模型训练把这个结构翻了过来：一次训练任务里，成千上万张 GPU 之间的「东西向」通信量远超进出数据中心的流量。数据并行要同步梯度、张量并行要在算子级交换中间结果、流水线并行要传递激活值——每一次前向与反向传播，都有海量张量在节点之间流动。库内 HBM 篇讲过单机内的内存带宽约束，本篇讲的是机外：GPU 与 GPU 之间的网络带宽，决定了上万张卡是「一个集群」还是「一万台各自为战的计算机」。

这个变化的产业含义极其直接。训练的扩展定律要求算力规模持续翻倍，而通信效率是规模化的第一约束——通信跟不上，GPU 就在空等，昂贵的算力投资直接折损。业界常用「计算与通信比」来衡量集群质量：单位 FLOPS 配多少网络带宽，成为 AI 集群设计的第一指标。于是网络从数据中心的配角变成主角，配套的光模块、交换机、光纤连接器的需求量级被整体抬升：一台传统服务器的网络配置是几块网卡加少量光口，而一台八卡 AI 服务器的 GPU 直连网络需要数量可观的 800G 光模块——万卡集群对应的光模块用量以万只为单位计，且加速比 GPU 本身更陡。

更关键的是带宽需求的增长斜率。模型每上一个台阶（参数量与序列长度翻倍），节点间通信量同步膨胀；GPU 算力两年翻数倍，网络带宽必须跟上同样的斜率才能维持集群效率。算力扩张的每一公里，都由网络带宽铺路——这就是光模块这个行业在 AI 周期里被推到聚光灯下的根本原因。

网络架构的演进：Fat-Tree、Rail 优化与两层网络

AI 集群的网络设计有一套与数据中心网络不同的方法论，核心诉求只有一条：任意两张 GPU 之间都要有确定性的、不拥塞的带宽。

Fat-Tree（胖树）拓扑是基础答案。传统树形网络在越靠近根部的链路越细（汇聚层带宽小于接入层总和），非核心流量会造成拥塞；胖树反其道而行——从叶子到根每一层的带宽都保持满配，任意两台服务器之间的可用带宽与其位置无关。代价是交换机数量与光模块数量的显著增加：满配胖树的成本里，网络设备占了集群建设成本的一成到两成，且这一比例随规模上升。为了在成本与无阻塞之间找平衡，实际部署常用「超载比」（oversubscription）做折中——训练流量可预测的特性允许在非关键路径上适度超载。

Rail 优化（Rail-optimized）是针对并行策略的精细化。张量并行的通信模式是「GPU 零对 GPU 零、GPU 一对 GPU 一」的同号配对——把同号 GPU 连到同一台「Rail 交换机」上，通信就只需一跳完成。主流 GPU 服务器的八卡 HGX 设计（NVLink 全互联加每卡一个独立网口）正是为这种拓扑准备的标准接口。 Rail 优化把最频繁的通信压缩到最短路径，是「网络设计服从算法通信模式」的典型例证。

规模再往上，架构在往「更少层级」演化：两层胖树（叶脊之间直连）支撑万卡级，可则更好的办法是用大端口交换机把层级压平——端口速率从 400G 提到 800G、单台交换机的总带宽翻倍，同样规模的集群需要的交换机层级与数量就下降，时延与故障点同步减少。英伟达的 NVLink 与 NVSwitch 是机内与机架级的「绕开以太网」方案（专有互联），机外则由 InfiniBand 与以太网（RoCEv2，在以太网上跑 RDMA）两条路线竞争：InfiniBand 在确定性延迟与网络内计算（SHARP 在网络交换机里做集合通信卸载）上有积累，以太网阵营（UEC 超级以太网联盟推动的新标准）以生态开放与成本优势追赶。互联协议的竞争是 AI 网络层最大的路线之争，它决定了交换机与光模块采购的流向。

光模块的速率竞赛：400G、800G、1.6T 与产业链分工

光模块的作用是把电信号与光信号互相转换，让数据在光纤里跑长距离——机架内用铜缆（DAC/ACC），跨机架与跨列就必然走光。AI 集群把光模块的需求推入了前所未有的速率竞赛。

速率的台阶是 100G、400G、800G，当前的主战场是 800G：主流 AI 集群的 GPU 直连网络（通常 400G 起步）正在向 800G 切换，1.6T 已经在头部客户导入、预计随下一代 GPU 平台放量。速率翻倍的实现路径靠三个维度同时推进：光器件（从 100G EML 激光器到 200G EML、硅光方案的份额提升）、调制格式（PAM4 调制从单波 50G 走到单波 200G）、并行度（单模块内多通道并行）。每上一个台阶，模块内部的芯片密度、功耗与散热压力都同步上升——800G 模块的功耗已是 10W 级，1.6T 直逼 20W，光模块功耗占集群总功耗的比例持续抬升，这也是 CPO（后文）被推上前台的原因。

产业链的分工格局值得单独画一张图。上游光芯片是利润与壁垒的顶端：激光器芯片（EML、DFB）与探测器芯片集中在少数国际厂商（Lumentum、Coherent、三菱、住友等）与部分国产厂商（源杰科技等在 2.5G 到 25G 部分速率实现突破，高端 EML 仍在追赶），硅光方案（把激光器之外的光学功能集成到硅芯片）正在改变上游的格局——头部模块厂的自研硅光能力成为新的分水岭。中游模块封装是中国的主场：中际旭创与新易盛占据全球高速光模块出货的领先份额，光迅科技、华工科技、剑桥科技等构成第二梯队，中国厂商合计吃下全球大半份额——这个优势来自十年前数通市场的持续积累：快速迭代能力、成本控制与对北美云厂商的深度绑定。下游需求极度集中：北美四大云厂商（微软、谷歌、亚马逊、Meta）与英伟达生态采购了绝大部分高端光模块，单一客户的订单波动足以影响厂商的季度业绩。

光模块商业模式的微妙之处在于速率代际的赌注：每代产品（400G、800G、1.6T）的技术路线（EML 还是硅光、LPO 还是 DSP）在量产前都有不确定性，押错路线的厂商会丢掉整代窗口。中际旭创在 400G 与 800G 两代的卡位（大规模量产良率与云厂商联合开发）是它保持领先的核心原因；1.6T 代际的路线选择（硅光与 LPO 的渗透比例）是当前观察各家卡位变化的最好窗口。

CPO 与 LPO：光电关系的远期重构

光模块行业的中期变量是光电共封装（CPO，Co-Packaged Optics）——把光引擎从面板上的独立模块搬进交换芯片的封装内部，用极短的光学链路替代可插拔模块的长走线。

CPO 的驱动力是物理的：交换芯片的 SerDes 总带宽三年翻数倍，可插拔模块的面板密度与功耗撑不住了——单台 51.2T 交换机的满配 800G 模块功耗已达千瓦级，1.6T 时代面板空间更是捉襟见肘。CPO 把光引擎贴着交换芯片放置，链路缩短带来功耗与密度的双重改善，业界普遍预期它在 3.2T 交换机代际开始规模导入。但 CPO 的代价同样明确：可维护性下降（可插拔变成不可插拔，故障需要整机维护）、生态封闭（模块厂商与交换芯片厂商的绑定加深，独立模块厂的价值链位置被压缩）、良率与散热工程难度陡增。博通（交换芯片与光引擎兼备）、英伟达（收购的光互联资产与自己的交换机业务）、台积电（COUPE 类的光电整合工艺）是这条路线的主要推手。

过渡方案 LPO（线性直驱光模块）则走了另一条路：去掉模块内的 DSP 芯片，用模拟线路直驱——功耗降低一半上下、成本与延迟同步改善，代价是对链路裕量的要求苛刻、与特定交换芯片的适配验证繁重。LPO 在短距、对延迟敏感的场景（机架间、同一 Pod 内）有明确的落地空间。

这两个变量的产业含义是：光模块厂商的价值链位置可能被重构——CPO 时代模块厂要么转型为光引擎供应商（把封装能力带进芯片厂商的封装体系），要么退守可插拔的长距市场；而握有自研硅光与光芯片能力的厂商（中际旭创、新易盛的硅光布局，以及向上游激光器芯片延伸的动作）在重构中有更大的腾挪空间。观察这个行业的远期格局，盯的不再是「谁家 800G 出货多」，而是「谁在光电整合的新分工里占住了不可替代的位置」。

变量与风险：需求集中、代际切换与国产替代的三重不确定性

这个行业的风险清单同样要摊开。需求集中是第一重风险：光模块的下游高度集中于北美云厂商与英伟达生态，任何一家大客户的资本开支调整、数据中心建设节奏放缓，都会直接冲击头部厂商的季度业绩——历史上一度出现过单一大客户订单调整导致厂商收入腰斩的案例。云厂商的自研芯片（TPU、Trainium 类自研 ASIC 的集群部署）对网络架构的影响也需持续跟踪：不同互联方案对光模块的用量结构差异很大。

代际切换是第二重风险。每一代速率切换（800G 向 1.6T）都伴随技术路线的重选与份额的重排：上一代的领先者未必自动延续优势，新路线（硅光、LPO、CPO）的成熟节奏决定窗口打开的时间。厂商的资本开支（产线扩建、研发投入）押在特定路线上，一旦行业切换节奏快于预期，前期投入的折旧压力会侵蚀利润。

国产替代与地缘是第三重变量。光芯片（高端 EML）的国产化进度决定国产模块厂供应链的安全性；美国对华高端 GPU 的出口管制反过来抑制了中国本土 AI 集群对高端光模块的需求量级（国内集群建设受算力供给约束），但也催化了国产交换芯片与互联生态的自主化——两条线索的净效应仍在中途。对投资者与从业者，判断这个行业的实用框架是：短期看云厂商资本开支的指引（光模块订单的最强领先指标），中期看速率代际的技术路线卡位，长期看光电整合分工里价值链位置的演变。

给从业者的观察清单

第一，盯北美云厂商的季度资本开支与数据中心建设指引：这是光模块需求最灵敏的领先指标，比任何行业会议的乐观展望都可靠。第二，盯 1.6T 的量产节奏与路线份额：硅光与 EML 的比例、LPO 的落地场景，决定下一轮份额重排的赢家名单。第三，盯英伟达与博通在 CPO 上的推进时间表：一旦 CPO 在 3.2T 代际规模导入，模块厂商的估值逻辑需要整体重估——从「量价齐升的成长股」切换到「被整合的供应链环节」。第四，盯中国厂商的硅光与光芯片自研进度：垂直整合深度决定谁能穿越代际与地缘的双重波动。第五，盯国内 AI 集群建设的互联口径（英伟达方案、国产交换芯片、InfiniBand 还是 RoCE）：它决定国内光模块需求的结构与国产网络设备生态的成型速度。

小结

AI 把数据中心的流量结构从南北向翻成东西向，网络从附带设施变成第一等约束：训练并行度的通信需求让「单位算力配带宽」成为集群设计的第一指标，也让光模块这个曾经的配角行业被推到舞台中央。Fat-Tree 与 Rail 优化解决拓扑问题，InfiniBand 与以太网之争决定协议流向，400G 到 800G 再到 1.6T 的速率竞赛把器件、功耗与散热的工程极限一路推高。

产业格局清晰且有中国特色：上游光芯片与硅光是壁垒顶端，中游模块封装是中国厂商的主场——中际旭创与新易盛们用十年数通积累吃下全球大半份额，下游需求高度集中于北美云厂商。中期最大的变量是光电关系的重构：CPO 把光引擎搬进交换芯片封装，LPO 用直驱方案压缩功耗，两者都可能改变模块厂商的价值链位置。

对产业观察者的建议是把这个行业当作「AI 算力投资的高频代理指标」：光模块订单领先于集群交付、集群交付领先于应用与收入——它的景气曲线，是整个 AI 算力叙事最灵敏的温度计之一。盯住云厂商开支、代际路线与光电整合三个坐标，这条产业链的走向就大体可读。