C114讯 9月16日消息 上周，第二十七届中国国际光电博览会（CIOE中国光博会）在深圳国际会展中心成功举办。
在同期召开的“AI算力集群光互连技术发展论坛”上，腾讯网络及数据中心负责人邹贤能在开场致辞中表示，当前AI产业迎来交付为王的阶段，行业供需关系发生反转：过去厂商问腾讯算力需求，如今腾讯向产业链追问交付能力，这是AI算力爆发带来的 “幸福的烦恼”。
邹贤能指出，伴随MOE大模型、Agent智能体爆发，网络通信开销占训练时长最高可达40%，智算网络瓶颈凸显。腾讯正在从Scale-out横向二层大集群、Scale-up超节点纵向扩容两条路线突破，同时探索OCS光交换、IPOC轻量相干等技术，支撑GW级跨机房智算集群建设。
MOE 大模型 + Agent 推理：网络开销大幅抬升
邹贤能认为，两大趋势正在重塑智算网络需求。 其一，大模型参数持续膨胀，万亿、数万亿参数模型逐步落地，MOE混合专家架构成为主流。专家数量不断增加，网络通信耗时占到模型训练总时长30%~40%，网络不再是算力集群配套，而是核心性能瓶颈。
其二，Agent推理业务高速增长。腾讯WorkBuddy达到数千万日活，单用户三个月Token调用量增长十倍。Agent依靠多轮会话，单次任务消耗海量Token。用户规模、单用户Token消耗量、单Token通信开销三者叠加，带来网络需求的数量级增长。
据邹贤能介绍，10万卡Scale-out集群已经成为腾讯常态。训练流程新增后训练、强化学习环节，训练后期兼具推理特征，对时延、带宽提出严苛要求。传统三层网络架构在超大算力集群里面临明显时延瓶颈，腾讯当前核心攻关方向：基于二层网络搭建数十万卡规模算力集群。依托100G交换机、800G光模块，同时引入无源技术，扩充端口规模，支撑超大集群二层组网。
Scale-up超节点：故障隔离是痛点，OCS成破局方案
邹贤能指出，Scale-up纵向超节点路线，带来显著性能增益。128卡超节点对比传统8卡GPU服务器，单卡推理性能提升40%以上。但超节点有互连距离限制：AEC铜线 + DSP方案仅支持5~7米，只能覆盖64卡、128卡，4柜以上场景无法使用，行业普遍看好NPO技术，预计未来大规模上量。
更大的难题来自故障隔离。传统8卡服务器，单块GPU故障可以单独隔离，不影响其余卡继续训练；但256 卡、512卡超大超节点，如果单卡失效，若没有冗余机制，整组集群都要下线，经济性很差。
对此，腾讯的解法是OCS光交换。邹贤能提到，腾讯早在十年前就开始测试OCS。OCS最大优势是拓扑动态重构。可以利用交换芯片预留端口，接入OCS交换机与备用GPU。一旦超节点内GPU故障，OCS快速切换拓扑，接入备用卡，完成故障替换，保障集群持续运行，OCS有望在智算数据中心迎来规模化落地。
除了Scale-out与Scale-up两种场景外，Scale-across也是个重要应用场景。“GW级智算集群单机房电力难以承载，需要在数公里到十几公里范围内，把多个机房拼接组网。这类场景无法使用普通短距光模块，必须依靠相干技术。过去相干多用于长距传输，现在短距互联成为新赛道。腾讯正在推进IPOC轻量级相干方案，目标降低功耗、压缩成本，满足跨机房短距相干互联需求。”邹贤能表示。 
