C114讯 9月17日消息（颜翊）9月11日，第26届中国国际光电博览会同期举行的“超万卡智算集群新型光技术发展论坛”上，海思光电子有限公司总监梁亦铂发表题为《Copper or Fiber？AI DC的高速互联方案选择》的主题演讲，探讨了AI时代下数据中心互联技术的发展方向。

梁亦铂指出，当前大型智算中心必须依赖大量光互联实现跨机柜、跨系统的高效连接，即便是目前采用电互联方案的领先厂商，在构建更大规模集群时也必将转向光方案。

数据中心互联技术三大趋势

梁亦铂认为，当前，数据中心互联技术存在三大趋势。

首先，过去光通信行业主要由电信运营商驱动。当前，OTT成为了投资主力，运营商逐步掉队。他引用LightCounting数据指出，当前全球顶级OTT企业的营收和资本支出已全面超越传统通信运营商。无论是收入还是基础设施投入，腾讯、阿里、Meta、Google等云厂商已成为光通信产业的核心驱动力。

第二，在AI驱动下，数据中心正从“以网络为中心”向“以计算为中心”转变。在AI智算中心，网络的角色发生根本变化——不再只是连接工具，而是计算总线的延伸。其流量特征为持续满带宽、高吞吐、低时延，带宽利用率普遍超过80%，且对误码和闪断近乎零容忍。一次万卡集群的训练回滚，经济损失可达300万元。这种严苛要求决定了AI数据中心必须依赖更可靠、确定性的光互联底座。

是光模块厂商向中国聚集，但高端芯片仍受制于人。据LightCounting统计，2025年全球前十大光模块厂商中，中国企业占据7席，彰显封装集成能力的全球领先地位。然而，多数国产厂商的底层核心芯片仍严重依赖进口，尤其是来自美国的Coherent、Cisco、Marvell等公司。值得欣慰的是，国内产业界已意识到这个问题。越来越多的光模块企业开始向上游延伸，布局自研芯片。目前，国内已在56G及以下速率实现光电芯片自主可控。

在这样的技术演进与产业变革背景下，光互联已成为中美在全球AI竞争中角力的重要一环。

中美AI全链条呈“双雄并立”

AI竞争的本质并非单一技术点的比拼，而是整个技术链条的系统性较量。梁亦铂将其归纳为三大要素——算力、模型与应用。

算力方面，尽管受限于先进工艺获取，我国在单芯片性能（如GPU制程、HBM带宽等）上仍落后于美国，但通过系统级创新，尤其是光互联技术的优势，华为等企业已实现超大规模集群的系统能力反超。事实表明，AI集群无法仅靠“铜互连”扩展，大规模组网必须依赖光互联，“光进铜退”是必然趋势。

模型方面，中美差距正快速缩小。斯坦福数据显示，美国大模型领先优势从2023年的31.6%收窄至2024年的3.7%。以DeepSeek为代表的开源模型不仅性能强劲，且显著降低训练对算力的需求，推动行业“轻量化训练、重化推理”转型，削弱了对高端GPU的依赖，也促使部分企业放弃重复研发，转向基于开源模型二次创新。

应用方面，中国在AI Agent领域展现出更强活力。MINIMAX、flowith等企业在人机交互、情感陪伴、任务执行等场景表现突出。相比美国主推B端SaaS模式，中国更擅长C端突破与垂直行业融合，依托庞大用户数据和应用场景，在用户体验与商业模式上具备独特优势。

综上，尽管底层算力存在短板，但凭借系统补强、模型开源与应用突围，中国已在AI全链条形成与美国“双雄并立”的竞争格局。

光不贵，也并非不可靠

针对业界长期存在的两大误解，梁亦铂特别作出澄清：一是“光贵”是误解。虽然光模块单价高于铜缆，但在整个AI数据中心成本结构中，服务器占比超80%，光互联整体成本不足10%。让一个占比不到10%的部件承担主要降本压力，并不合理。

二是“光不可靠”实为运维问题。数据显示，AI集群中29%的光链路故障中，64.7%由端面污染引起，仅9.3%为模块本体失效。梁亦铂表示，某些IT工程师把400G光模块当网线插拔，揣口袋里再装回去，但光纤端面极易污染，造成误码或中断。这不是光模块脆弱，而是操作不规范。一旦发生闪断，排查耗时极长。

为应对超大规模集群挑战，海思光电子推出两大核心技术：一是StarSensor 星云智检：支持分钟级、厘米级全链路故障定位，可精准定位脏污、弯折、破损等问题，相较传统压测方案效率提升60倍，检出率和准确率提高200%以上。

二是StarMatrix 星云光互联解决方案：针对AI智算中心的特殊需求，海思光电子打造了专属的光模块产品体系：基于其自研芯片平台，支持DSP直驱、去TC设计，在功耗、性能、传输距离上全面领先。目前，已在华为最新发布的384卡AI超节点系统中部署6912个基于该平台的光模块，全面支撑长周期、满负载的大模型训练任务。