【前言】
本文再回头来深度研究下「光互联」赛道，剖析其中多个细分，包括插拔光模块、OCS、CPO等，涉及技术方向、产业趋势、商业竞争格局等；
行文逻辑部分借鉴于让尘博士的产业观点论述，并逐个展开进行学习，深入阐述；
综合下来有几点重要观点，一是光互联超级周期仅仅刚开始，未来的巨大空间在Scale up；
二是CSP们在互联方案上的选择，不会“宗教式”地执着某一家供应商或某一种方案，要回到商业视角看待，多数云厂商都会多种互联方案并推，包括可插拔、NPO、XPO等，即各种方案不必互相争论谁是未来唯一，头部厂商的核心竞争力之一就是同时具备多种光互联方案能力，比如旭创等；
三是光互联上游的激光器、光器件等，从未来产业规模看，仍是制约瓶颈之一，换言之发展空间较大，也是英伟达连续投资LITE、康宁等动作的原因，为下一代CPO集成做准备；
四是铜缆是能用尽用，但由于无法解决的物理局限性，800G以上铜缆传输速率、散热等问题开始“撞墙”，光进铜退是必然趋势；
其他还有CPO短期商业化进程中堵点背后的商业逻辑、OCS的缺点等等。
下面逐一展开阐述学习。
【正文】
一、脑灰质与脑白质，算力瓶颈从GPU算力转向互连
1、人脑神经网络的底层逻辑
谈算力瓶颈，从脑灰质和脑白质结构谈起，因为大模型的底层训练基于人工神经网络Artificial Neural Network，所以本质上AI大模型的逻辑，可以用人脑神经网络底层逻辑去类比；
在神经科学中，脑灰质主要由神经元胞体构成，负责认知、推理、记忆与计算，是大脑执行信息处理的核心区域；
而脑白质则由大量包裹髓鞘的神经纤维组成，其作用并不是“思考”，而是负责不同脑区之间的信息传输与协同；
现代神经科学已经逐渐发现，决定高级智能表现的，并不仅是灰质规模，而是灰质与白质之间的协同效率，一个拥有更强连接能力的大脑，往往比单纯拥有更多神经元的大脑更高效；
原因在于，复杂认知本质上并不是某一个脑区独立完成，而是多个脑区之间持续的信息交换、同步与反馈。如果连接效率下降，即便单个脑区能力再强，也会因为信息传输受阻而导致整体认知效率下降。
那么相对应的，“脑灰质”对应计算单元（GPU/TPU 芯片），负责单点计算与 “思考”；
“脑白质”对应互连系统（光互连 / 高速网络），负责连接计算单元，传递数据与信号。
2、“脑白质”互联在超大集群数据中心，逐步成为制约瓶颈
过去多年，全球算力主要集中于“灰质扩张”——即不断提升单芯片算力；
从CPU到GPU，再到AI ASIC，产业不断追求更高FLOPS、更大HBM带宽、更先进制程，其逻辑本质上都是在提升“单个神经元”的计算能力；
然而，当AI训练开始进入万卡、十万卡时代后，系统瓶颈开始从“计算能力不足”转向“连接能力不足”。
因为超大规模AI集群，本质上并不是一颗芯片，而是一个分布式系统。每一次模型训练，都需要海量GPU之间持续进行参数同步、梯度交换、Token调度与数据搬运；
GPU越多，系统内部的信息交互复杂度越高。其通信压力并非线性增长，而更接近指数级增长。
这意味着，当AI进入大规模集群时代后，真正决定有效算力的，已经不再只是GPU本身，而是GPU之间的连接效率；
一个拥有10万张GPU、但互连效率低下的系统，其实际利用率可能远低于一个连接高效的5万卡系统；
换句话说，未来AI竞争的核心，不再只是“谁拥有更多GPU”，而是“谁能够让更多GPU高效协同工作”。
以上正是“脑灰质”互联价值重估的底层逻辑。
3、AI大规模“白质”建设是产业必然趋势课题
过去GPU是AI时代的“灰质扩张”，那么未来光互联、本地交换、Scale Up网络、Scale Out网络以及跨数据中心光网络，则正在成为AI时代真正的“白质建设”；
关键是，其产业地位，正在从数据中心中的辅助组件，逐步上升为决定AI系统效率的核心基础设施；
【光互联GAP现状】过去三年多，AI算力增长了约300倍，但光连接的总带宽仅增长了约30倍。这导致限制AI集群规模的瓶颈已不再是单点算力，而是芯片间的数据搬运效率；
自然界进化论趋势是：低等动物的白质比例很低，而人类大脑的白质与灰质比例接近1:1。目前AI系统还处于“小鼠”阶段，未来互连（白质）的增长速度必须超过计算（灰质），才能保证算力不被浪费；
也就是说，未来“脑白质”互联的发展速度，要显著快于“脑灰质”算力的扩张速度。
随着GPU集群规模持续扩大，网络带宽需求将呈现远高于算力本身的增长斜率；
未来AI系统对于互连带宽、交换容量、光链路密度以及低时延通信的需求，可能是当前水平的数倍甚至十倍以上，尤其是Scale up潜力巨大。
从这个角度看，光互联并非单纯受益于AI算力增长，而是在AI架构演进过程中，从“外围通信设备”升级为“AI系统神经网络”；
CSP们开始将互连能力视为下一代AI基础设施竞争的核心。因为未来真正稀缺的，可能不再是单颗GPU的算力，而是整个AI系统内部的信息流动能力。
二、Scale Up、Scale Out及Scale Across共同构成光互联
AI时代的互连，需要从Scale Up、Scale Out以及Scale Across三个层面重新理解整个AI Fabric。
目前一个大数据中心基本是万卡互联，包含多层网络的互联，大脑内（Scale up）的互联基本是10倍带宽的互联，英伟达机架逐步从NVL72到NVL576，Scale up的互联是未来最大的增长极；
同时，过去柜内都是铜缆连接，由于铜缆的物理局限性，光互联就是必然趋势，大脑内未来需连接更多芯片，谷歌最多已能做到连接9000颗TPU，未来只会越连越多。
互联底层逻辑上的核心逻辑转变：
过去云计算时代，数据中心网络的核心目标，是解决“服务器之间的数据交换”，传输具有低同步、高容错、低实时性的特点；
而AI时代，表面上传输特点类似，实质上大模型训练则要求极高频率的数据同步、极低时延以及持续的大带宽交换，本质不同，所以AI时代的互联，开始从传统的“IO系统”，逐渐演变为“算力系统组成部分”。
1、Scale Up的光进铜退趋势
Scale Up，是未来成长性最大的细分方向；
在机架内将更多芯片组合成一个“超级大脑“。这是目前带宽需求最苛刻、潜力最大的领域（约10倍带宽需求），也是CPO/NPO技术的主要战场。
即单机柜内部、甚至单节点内部的高速互连，其目标是将越来越多GPU构建为一个“统一计算单元”；
这一层级追求的是极致低时延、极致带宽以及尽可能高的GPU利用率；
典型代表是英伟达NVLink与NVSwitch体系。早期DGX系统仅支持8卡互连，而进入Hopper与Blackwell时代后，单系统GPU规模已经快速向72卡、144卡甚至更大规模演进；
以GB200 NVL72为例，其内部NVLink带宽已经达到数百TB/s级别，本质上已经不再是传统服务器，而更接近于一个“机柜级超级计算机”。
1）铜缆逐渐逼近物理极限
Scale Up的真正变化，并不只是GPU数量增加，而是旧有连接方式开始接近物理极限；
过去几十年，机柜内部互连主要依赖铜缆。原因很简单：距离短、成本低、延迟小；
然而随着单lane速率从56G升级至112G，再向224G演进，铜互连开始迅速暴露问题，包括高频损耗、信号完整性、PCB走线复杂度以及Retimer功耗正在指数级恶化；
尤其在AI机柜功耗已经突破100kW之后，铜缆带来的散热与布线问题，已经成为系统设计的重要约束。
这也是为什么，光开始从Scale Out向Scale Up内部渗透。
2）光互联的范式转移
过去行业普遍认为，光只适用于长距离通信，而短距离互连依然属于铜的领域；
但AI集群的超高带宽需求，正在迫使光向更短距离侵入。包括Linear Drive Optics、LPO、Near Package Optics以及CPO，本质上都在试图解决同一个问题：如何在GPU越来越密集的情况下，继续提升系统内部带宽密度，同时控制功耗与热设计。
本质上讲，光进入Scale Up，既是不得已的必然趋势，也算是光互联产业“范式转移”，因为光不再只是数据中心外围网络，而是AI计算核心区域。
2、Scale Out 应用最成熟的区域
在万卡级别的集群中，通过几层网络连接不同的大脑。距离通常在1公里到2公里之间。
Scale Out则是当前市场最成熟的应用场景，包括我们熟知的各类可插拔光模块。
Scale Out的核心，是实现不同服务器、不同机柜乃至不同Pod之间的互连，其目标是构建大规模AI Cluster。
当前主流AI数据中心普遍采用Spine-Leaf Clos架构，通过InfiniBand或RoCE以太网实现GPU集群互连，这一层级对于网络带宽的需求已经进入爆发阶段。
以Meta、微软、谷歌等超大规模AI集群为例，其GPU规模已经从过去数千卡进入数万卡时代。一个典型万卡AI集群，其内部可能需要数万只800G光模块，以及大量51.2T交换芯片；
随着1.6T时代临近，整个Scale Out网络正在进入新一轮升级周期。
基于MoE架构、并行训练以及参数同步，会导致网络内部出现极高频率的数据洪峰，导致AI数据中心对于网络阻塞容忍度极低，也进一步推动了高速光模块、低时延交换机以及更高等级网络拓扑的持续升级。
23年以来Scale Out 快速放量，产生了“易中天们”的业绩暴增，今年是1.6T放量年，光模块头部企业会继续兑现优异的业绩。
3、Scale Across。
这是相对新的网络层级。跨数据中心互连，解决地理、供电和功耗限制，距离可达几十公里。
过去数据中心的设计逻辑，通常是一栋楼对应一个Cluster，同时对实时同步要求较低，因此跨园区通信需求有限；
随着单一AI集群规模持续扩大，未来超大规模训练系统不再局限于单一建筑，而是演变为“园区级AI Fabric”；
Meta提出“Manhattan-scale Data Center”的概念，本质上就是多个建筑、多个机房共同组成一个统一AI系统。
而一旦进入Scale Across阶段，整个网络逻辑将发生以下变化。
首先，铜彻底退出。
因为跨楼宇、跨园区通信距离已经进入数百米至数公里范围，只有光纤能够承载这种级别的高速互连。
其次，传统短距光模块也开始向相干光、DWDM以及更高等级光交换演进。
Scale Across并不仅仅意味着“距离更远”，而是AI系统开始从“单机房计算”进入“区域级计算”。
当AI数据中心从一栋楼扩展为一个园区，其内部通信复杂度将进一步指数级上升。意味着未来数据中心内部光纤数量、交换节点数量以及整体带宽需求，远超当前市场预期。
Scale Across正在将整个AI产业，从“服务器时代”推进到“超级网络时代”，未来AI竞争，表面上看是GPU竞争，实际上是互连架构竞争。
因为真正限制AI系统规模的，不是算力芯片本身，而是整个系统能否在足够低时延下，实现海量GPU之间的高效协同。
三、光进铜退之后，LPO、NPO、CPO、OCS的角逐终局
数据中心的互连升级，本质上是在解决两个问题：带宽密度与功耗密度。
过去十年，铜缆体系能够长期占据主导，核心原因在于其低成本、低时延以及成熟生态。进入112G PAM4之后，铜互连开始快速逼近物理极限。尤其224G时代到来后，PCB走线损耗、串扰、Retimer功耗以及散热问题迅速恶化；
电互连是通过不断提升SerDes速率实现带宽增长，随着频率持续提升，信号衰减呈指数级增加。为了维持信号完整性，需要引入DSP、Retimer、Equalizer等大量补偿芯片，最终导致系统功耗迅速上升；
当前AI机柜功耗已从过去20-30kW提升至100kW以上，GB200 NVL72级别系统甚至继续向150kW演进，同时互连系统成为整个机柜内部最主要的热源之一。
我们都知道，CSP异常关心运营成本，尤其在北美电力可能成为制约数据中心建设的瓶颈之一的背景下，功耗要求没有最低，只有更低。
所以光进入Scale Up之后，产业端开始了多路线的角逐。目前主流路线主要包括LPO、NPO以及CPO。
目前产业端公开信息看，谷歌更优选插拔光模块方案，Meta、AWS偏爱NPO，英伟达积极推进CPO。但以上CSP未来也不排除应用其他方案，底层逻辑是每家CSP都不会宗教式专注某一种方案，而是会根据不同场景，应用最适配的方案。
1、LPO-低功耗可插拔路线
LPO（Linear Pluggable Optics）本质上仍属于传统可插拔光模块体系，但其核心变化在于“去DSP化”。
传统800G光模块内部通常集成DSP芯片，用于信号重整、误码修复与均衡补偿。DSP能够提升系统稳定性，但代价是高功耗。
800G DSP模块功耗通常达到16-20W，1.6T时代甚至可能进一步提升。
LPO路线则尝试取消DSP，仅保留线性驱动链路，将信号处理压力转移至交换芯片SerDes侧。
1）优势非常直接
第一，显著降低功耗。第二，降低模块热密度。第三，缩短系统时延。
对于AI集群而言，功耗下降不仅意味着运营成本的降低，更意味着可以在固定供电条件下部署更多GPU。
2）LPO的缺点同样明显。
由于缺少DSP补偿能力，其对于系统信号完整性要求极高，包括PCB设计、交换芯片SerDes能力、连接器质量以及整体链路长度都受到严格限制。
因此，LPO本质上更适用于“可控环境”的AI数据中心，而非复杂运营商网络。
目前LPO核心推动者包括：NVIDIA、Broadcom、Credo。国内光模块厂商如新易盛等，已布局LPO技术路线。
2、NPO：过渡阶段的重要路线
NPO（Near Package Optics）被视为介于传统可插拔与CPO之间的过渡方案。
其技术逻辑是将光引擎从交换机前面板进一步靠近ASIC封装区域，从而缩短电信号传输距离。
传统交换机内部，ASIC到前面板之间往往需要经过数十厘米PCB走线。而在112G/224G时代，长距离PCB走线会带来巨大的损耗与功耗压力。
NPO通过将光引擎靠近交换芯片，可显著降低：PCB损耗、Retimer需求、SerDes功耗，同时保留一定可维护性。这也是NPO相较CPO最大的优势。
因为在AI系统中，ASIC价值远高于光模块。如果采用完全共封装，一旦光器件失效，可能导致整个交换芯片报废，维护成本极高。
因此，NPO本质上属于一种工程折中方案。
其目标不是极致性能，而是在功耗、带宽密度与可维护性之间取得平衡。
NPO主要推动者包括中际旭创等。
3、CPO-终极形态
CPO（Co-Packaged Optics）是当前产业讨论度最高的方向，即将光引擎与交换ASIC共同封装，最大限度缩短电信号路径。
其核心价值在于：第一，极大降低高速电互连距离；第二，大幅降低系统功耗；第三，提升带宽密度；第四，支持更高等级交换容量。
当前51.2T交换芯片已经进入量产阶段，102.4T交换芯片也逐渐推进。随着交换容量继续提升，传统前面板可插拔架构将越来越难以承载。
长期来看，CPO几乎是高端AI交换机的必然方向。但CPO距离真正大规模商业化，仍存在多个关键障碍。
1）首先是散热。
AI交换芯片本身已经属于高热源，而激光器对温度极为敏感。如何在高热环境下维持光器件稳定性，是CPO最核心难点之一。
2）其次是维护。
传统可插拔模块损坏后，可以单独更换。但CPO体系下，光与电深度耦合，维护复杂度大幅提升。
3）再次是良率。
CPO属于典型异构集成体系，需要同时解决：ASIC封装、硅光、激光器、光纤耦合、热管理等，任何单点失效，都可能降低整体封装良率。
因此，现阶段产业对于CPO的态度，并非“全面替代可插拔”，而更接近于“分场景渗透”。
Broadcom和英伟达是主要推动者。同时，英伟达更多强调多技术并行，包括LPO、NPO、XPO等不同方案共同存在。
CSP更是不会“宗教式”押注某一种技术路线，而会根据不同场景动态选择，一方面CSP不想被NV垄断“黑盒”绑架，一方面也担心维护成本问题，这点商业竞争格局角度思考非常重要，因为涉及多种路线长期的“争吵”，现在看不用吵架，相当长的一段时间内，CSP的超大集群算力中心，都会是LPO、NPO、XPO、CPO等并用的格局。核心竞争力看哪家能同时具备多种成熟技术路线，全面和系统能力才是护城河。
4、OCS：AI时代的网络架构变化
相比LPO与CPO，OCS（Optical Circuit Switch）的产业意义更大，其改变的并非单个模块，而是整个网络交换逻辑。
传统数据中心采用的是Packet Switching（包交换）架构。数据需要经过：收包、缓存、转发、排队，整个过程依赖大量电子交换芯片，因此功耗极高。
但AI训练流量与传统互联网流量存在根本差异，传统互联网流量随机性强、突发性高；而AI训练任务则高度固定，大量通信长期存在于固定GPU节点之间。
OCS的核心逻辑，就是通过光路直连方式，在节点之间建立固定高速通道，而非持续进行电子转发。
Google已在大规模使用OCS配合TPU系统。
1）其优势包括
第一，显著降低交换功耗；第二，降低网络时延；第三，提升大规模集群带宽效率；第四，降低网络阻塞。
Google早期已开始部署OCS体系。Meta、微软等厂商也在持续推进。
2）但OCS也有缺点
其最大问题在于灵活性不足。因为光路建立需要时间，更适用于长期稳定的大流量场景，而不适合随机突发流量。
因此，未来AI数据中心更可能形成：“电子交换 + 光路交换”混合架构，而不是全光OCS一统江湖，电交换路线也将长期存在。
3）应用场景的局限性
基于OCS的仅适合大象流，不适合老鼠流的技术特点，切换慢(毫秒级)、灵活性低、粒度粗等缺点，只适配长期稳定大其应用场景适配上有一定局限性；
其中Scale Across最优，Scale Out部分适用，Scale Up极难（OCS太慢、笨重、粒度太粗，无法适用柜内极细粒度的要求）。在Scale Out中，谷歌Iron、英伟达Feynman架构已采用此方案。
5、产业未来趋势——半导体化
光互连正在经历半导体化的过程。激光器生产正3英寸晶圆向 6英寸、12英寸演进，甚至探索量子点激光器在硅基上的集成。
光互连不再是“配件”，而是算力的核心组成部分。未来光互联在AI资本开支中的比重将持续增加。
四、硅光与激光器：被长期低估的“光互联心脏”
这部分很重要，涉及到光互联近几年核心产业紧缺环节——光芯片（激光器）。
过去几年，市场对于光互联的关注点，长期集中于光模块、交换机以及网络架构本身；
去年随着AI集群规模进入十万卡时代，产业开始逐渐意识到：真正制约光互联继续扩张的，可能并不是交换芯片，而是更上游的激光器与光子器件体系。
【激光器的产业地位跃迁】
过去产业认为，激光器只是光模块中的一个“器件”；但未来，激光器可能反而成为整个AI光互联体系的瓶颈之一。
本质原因在于，AI时代的光互联需求，不再是传统通信时代的“长距离低密度”，而是“短距离超高密度”。
这种变化，对激光器产业链提出了完全不同的要求。
1、AI时代，激光器第一次成为“算力基础设施”
传统光通信时代，激光器主要服务运营商网络，其特点是：数量有限、单价较高、生命周期长、更强调稳定性。
因此，激光器虽然重要，但并不属于产业瓶颈。
但AI时代不同，随着Scale Out与Scale Up同步扩张，AI数据中心内部光链路数量开始指数级增长。
一个典型万卡AI集群，可能对应数万只800G光模块；而进入1.6T时代后，单个集群所需激光器数量进一步增加。
更关键的是，未来光开始进入Scale Up。
这意味着：光不再只是机柜之间通信，而是开始进入机柜内部，进入GPU附近，进入交换芯片附近，最终进入封装内部。
于是，整个产业对于激光器的要求发生了变化。过去更看重距离。现在，更看重密度、功耗、热稳定性与成本。
所以，激光器开始从“通信器件”，转向“高密度计算器件”，同时其产业地位也随着发生根本性变化。
同时，产业地位刚变化，产业端产能准备可未不能马上随着变化，所以这几年高功率激光器产能严重不足，LITE的订单预定一空，高功率激光器紧缺短期难以缓解。
2、硅光最大的瓶颈，不是“硅”，而是“光源”
市场经常将硅光理解为：“用硅替代传统光模块”。
但实际上，硅光真正的意义，并不是“替代”，而是“半导体化”。
传统光模块由大量分立器件组成，包括：激光器、调制器、波导、探测器、耦合器。
其问题在于：封装复杂、工艺离散、难以规模化、成本随速率快速上升。
而硅光的核心逻辑，是利用CMOS工艺，将大量光器件集成到硅基平台中，本质上是把光通信做成“芯片”。
这也是为什么，Intel、Broadcom、Cisco、Marvell等厂商持续重金投入硅光。因为只有硅光，才有可能支撑未来1.6T、3.2T、CPO这种超高密度互连体系。
但问题在于：硅可以导光，却无法高效发光。换句话说：硅光最大的难点，并不是波导，而是激光器。
目前主流硅光方案，仍需要外置III-V族材料激光器，包括：InP（磷化铟）、GaAs（砷化镓），然后再通过混合集成方式，与硅光芯片耦合。
因此，未来真正决定硅光产业能力的，并不是单纯硅工艺，而是激光器能力、光源集成能力、异构封装能力。
所以推导出，未来真正卡脖子的，很可能不是交换芯片，而是激光器。
3、小尺寸激光器与大尺寸激光器
“小尺寸”和“大尺寸”激光器，本质上是在AI时代，激光器正在从“通信型器件”转向“高功率、高密度光源平台”。
过去传统光模块，多采用小尺寸EML、DML等方案。其特点是：功耗较低、单链路速率有限、面向可插拔模块。
例如：EML（Electro-absorption Modulated Laser，电吸收调制激光器）长期是高速光模块主流方案，尤其400G、800G、长距场景。
EML优势在于：高速率、长距离、色散性能较好。
缺点则是：成本高、功耗高、工艺复杂。
AI时代开始出现新的变化。随着CPO、NPO、Scale Up逐渐推进，产业开始需要更高功率、更高密度、更长寿命、更适合共封装环境的新型光源。
因此，“大尺寸激光器”本质上是在讨论未来AI系统内部，是否需要更集中式、更高功率的光源架构。
这也是当前产业正在从“每模块一个激光器”，逐渐向“集中式CW Laser”演进的重要原因。即：将激光器集中放置在系统外围，再通过光纤分发光源。
这样做的原因非常现实：第一，降低封装热压力；第二，提高激光器寿命；第三，提升系统维护性；第四，降低CPO失效率。
因此，未来AI时代的激光器产业，并不是简单“数量增加”，而是整个光源架构正在重构。
4、英伟达三笔投资背后的真实逻辑
今年以来，英伟达连续投资光互联上游，包括Lumentum（LITE）、Coherent、Corning（康宁）；
这三笔投资，表面上是供应链绑定，实际上指向的是：AI时代光互联底层基础设施重构。
Lumentum与Coherent两家公司本质上都属于激光器+光器件+光子平台公司，
其中Coherent强于高端激光器与材料；Lumentum强于EML、VCSEL以及高速光器件。
英伟达同时投资两家，本质是在提前锁定未来AI光源供应能力。因为未来真正稀缺的，不是GPU，而是高端激光器产能、硅光配套能力、CPO所需光源体系。
再看康宁，市场容易低估康宁这笔投资。很多人只把康宁理解成“光纤公司”。但实际上，AI时代的光纤、连接器、光学玻璃、超低损耗材料、高密度布线的重要性正在急剧提升。
尤其Scale Across时代到来后，AI数据中心之间的光纤需求可能远超传统云计算时期。
英伟达投资康宁，本质上是在布局未来AI超级集群时代的“物理光层”；
英伟达正在把自己从GPU公司，变成AI基础设施公司，即CUDA是软件层+NVLink是互连层+Spectrum/X800是交换层+现在的物理光层。
物理光层，即在激光器、光纤、光学材料、硅光上游延伸，其目标是锁定未来AI光互联产业链核心资源。
5、未来真正竞争的是“光电融合平台能力”
当前市场对于光模块关注较多，但长期来看，产业价值可能逐渐向更上游迁移。
因为未来真正决定竞争壁垒的，不只是封装能力，而是：EML能力、CW Laser能力、硅光平台能力、III-V异构集成能力、高端封装能力。
尤其进入CPO时代后，光模块与交换芯片之间的边界开始模糊。最终产业竞争，很可能从“模块厂竞争”逐渐转向“光电融合平台竞争”。
这也是为什么，未来真正长期具备高壁垒的，未必是普通光模块，而更可能是：高端激光器、硅光平台、光芯片、异构封装。
因为AI时代，光已经不再只是“通信”，而是在逐渐成为算力系统本身。
五、超大单芯片/晶圆级计算（Wafer-Scale Computing）技术的潜在影响
代表公司：Cerebras Systems
前面聊到的产业技术痛点，可插拔光模块、PCB、激光器、电芯片等之前的互联越来越复杂、越来越密集，那么怎么办？
以Cerebras为代表的公司想到一个方案：把更多算力直接做进“一整块超大芯片”里，已成功推出并量产了WSE-3芯片，其晶体管数达到惊人的4万亿个；
WSE-3（峰值125 FP16 PetaFLOPS）在AI推理场景中比基于英伟达DGX B200的系统快2倍以上，有学术论文指出，其在能效比（Performance per Watt）和内存可扩展性上优于英伟达H100和B200。
1、方案优势
1）传统GPU
一块芯片大概600-800mm²，因为光刻机曝光尺寸有限，所以NVIDIA只能多GPU、多节点、NVLink、InfiniBand互连。
2）整片晶圆级芯片
WSE（Wafer Scale Engine）接近整片晶圆大小，数十倍于普通GPU面积，数十万AI Core，超大SRAM。
那么理论上，如果这种方案规模产业化落地，影响是否可能是：原本需要很多的光模块、PCB、光器件都不需要了？直接异质集成在一块超大芯片内部就OK了。
2、方案技术难点和商业化痛点
首先，我们此前分析过CPO产业化落地的技术难点，包括异质集成不成熟导致的良率低、散热问题、维护成本问题、维修成本高昂问题，还有商业模式角度考虑的，CSP们不愿为某家公司的“黑盒”买单，而只接受开放生态，比如用你的互联，但可以用自家的ASIC等。
那么在Wafer-Scale Computing上问题与CPO类似，由于技术路线的封闭化，与CUDA生态、TPU生态都不兼容，其选择的商业模式避开了与巨头在生态上的直接对抗，也是其大规模普及的最大制约。
未来随着台积电技术的成熟，NV和CSP也会将技术逐步融合到自家生态上，而不会直接颠覆现有技术路线，这不仅仅是单纯技术路线问题，是各家的商业角度思维的必然。
3、方案潜在影响细分
Wafer-Scale Computing在产业逻辑上，仅对插拔光模块和柜内短距离铜互联有较大影响，逻辑与CPO类似，因为利用了"异质键合"进行"晶圆级集成"，将CPO的 "共封装" 从 "芯片级" 升级到了 "晶圆级"。
同时，对光互联的影响层级，从机架级影响，延伸到了芯片级。
同时，在固定规模上，逻辑上减少了插拔光模块使用量，但其大幅提升单芯片算力，在总规模上会大幅增加光模块需求。以Cerebras的“仙女座”集群为例，一个包含2048颗CS-3系统的集群，需要超过170公里光纤和约20,000个连接点，这需要海量高速可插拔光模块，跨机柜、跨节点的Scale Out网络对高速光模块的需求很高。
那么实际影响是，会促进Scale Up + Scale Out同时增强，单PCB价值量大幅提升，光引擎、光器件、光芯片用量及价值量均提升，因为异质键合并不是不需要了；
说到底，超大单芯片等于“局部架构大幅优化”，优化力度超过NV的CPO方案，产业预估技术成熟至少需五年以上；
如果未来某个时点落地，将大幅度提升AI算力和需求，进一步催化Scale up、out及Scale Across互联规模，导致DCI、OCS、光纤等用量继续扩大。
由于该技术路线短期不影响巨头产业格局，当下不过多阐述。
六、光互联部分重点公司巡礼
基于前文整理，代表“脑白质”的互联的成长规模尤其Scale up，引用于博士观点，将是万亿美元的产业规模，Scale up的光互联成长性是10X级，且目前刚刚开始；
由于产业端还有很多细分如激光器等，还停留在过去通讯时代的情况，导致产能、功率都严重滞后；
所以催生了英伟达的焦虑，并直接投资LITE、康宁等三家公司，来保供后续增长需求；
总结下来，未来大级别成长赛道，逻辑是【卡住AI光电融合关键瓶颈」的公司。包括：激光器、光芯片、光引擎、硅光器件、CW Laser、III-V材料、高速EML、光电封装、光纤物理层等；
所以我们看近几个月的资本市场，也主要围绕在以上提及的细分的明星公司里投资，部分的估值很高，但基于产业链地位，市场在继续为后续成长性买单；
这里依据光互联产业发展趋势，列举巡礼部分或具备“大级别平台潜力”的公司；
以下公司名单只阐述产业地位、产品结构和核心成长逻辑，仅阐述产业逻辑，不代表投资建议。
1、天孚通信
这家业绩一直MISS的公司，为什么市场持续给予120倍PE以上，因为过去插拔光模块时代，它仅是光器件公司；
在未来，天孚更类似AI光互联时代的“连接平台公司”，尤其在NV体系，早就定位为CPO产业链的核心平台公司；
研究其产品组合，包括光引擎、耦合、FA、MPO、高精密结构件、CPO配套、硅光配套等，几乎卡在所有高端光方案的中间层；
产业未来无论是LPO、CPO、硅光、Coherent、OCS等技术路线，都离不开天孚的高精密光学连接产品组合；
同时，公司另外的核心竞争力是制造能力，基于其Know-how能力在内的微米级良率、耦合工艺、自动化，所以天孚一直保持着50%+的毛利率；
结合算力未来产业趋势看，天孚具备平台级潜力，其产品结构非单一路线绑定，非客户绑定可受益多技术路线、同时公司具备工艺壁垒及全球化能力。
2、仕佳光子
笔者一季报后专门写的光子的文章，认为中期看仍具备上升潜力，具备平台级公司潜力；
光子的产品结构，卡位的是PLC、AWG、波分、光芯片、CPO等，光子国内少有的同时具备光芯片、波分底层能力的公司；
公司依托其核心产品AWG，作为波分系统中的核心器件，CW\EML激光器在小规模出货中，MPO\CPO组件也有布局等；
随着未来AI产业价值链向上游迁移，光子的逻辑更偏长期技术路线，未来逐步有潜力成长为光互联上游无源+有源光芯片、光器件的平台型公司。
3、长光华芯
长光华芯为国内少数具备外延、芯片、封装一体化能力的IDM厂商；
由于激光器本身，正在从传统通信器件，逐渐演变为AI光互联核心基础设施，所以长光其长期战略价值正在提升；
具体需跟进公司海外客户的认证进度和拓展进度，基于AI产业的技术趋势，长光有机会逐步成长为高端光源平台。
4、源杰科技
源杰也是老朋友，也是大A的明星公司；
借助旭创成功打开了北美大客户市场，CW激光器已经放量，高功率激光器正在放量；
源杰未来的潜力是高速EML，未来的AI产业要求的高速率时代，EML仍然是高速、长距、高可靠性的核心方案，尤其800G/1.6T。
未来即使硅光发展，EML也不会消失，同时未来几年EML仍然是产业主力；
源杰的估值始终不低，未来要持续跟进的是客户层级和客户拓展、高功率CW激光器和EML的放量能力，以及其全球市场份额。
5、中际旭创、新易盛
这俩简述吧，都是核心资产了。
未来AI互联公司的核心竞争力是产品要多元化，要覆盖多种技术路线，而不是单一押注某技术路线，因为CSP也不会单押，比如CSP也会同时应用可插拔、NPO、LPO、XPO多种方案一样。
旭创已经从“高弹性”进入“大市值核心资产”，核心竞争力之一是深度客户绑定；
业绩优秀、兑现能力强、自研光芯片占比高，进一步保证业绩兑现度和客户交付能力。
新易盛逻辑类似，光芯片依赖外购，导致物料紧缺问题导致业绩波动和交付波动；
依旧是AI大市值核心资产，季节性波动不改公司确定性比较高。
6、光迅科技 华工科技
光迅是国内最像“全栈光通信平台”的公司，营业结构卡位光芯片、模块、硅光、相干等都有布局；
如未来国内推动国产AI光链，它地位会继续提升，国内光互联产业龙头公司。
华工产品结构卡位光器件、激光、光模块、硅光多个方向；
国资背景下，未来会深度受益国产AI光产业链。
7、腾景科技
产品组合卡位精密光学、光学组件、硅光配套。
未来产业端随着CPO放量，腾景的精密光学器件、组件将明确受益。
七、总结综述
基于AI时代的互联要求，产业节奏上，当下仍是光互联产业的前期阶段，Scale Up、Scale Out以及Scale Across仍具有很大的产业空间，Scale Up刚刚开始；
过去通讯时代导致光器件的产业地位偏低、价值量偏低、用量稳定、升级换代不紧迫等，导致光互联公司大多为上游光器件供应商的定位；
AI时代，脑白质相对于脑灰质的落后，包括英伟达在内的巨头公司已经有紧迫感，并真金白银通过投资股权的方式进行保供，光互联的产业地位在通讯时代与AI时代是不同的，这点目前普遍产业认知仍不足；
未来具备成为“光互联平台级公司”的企业，具备较高弹性，产品组合单一的器件、组件公司，成长空间受限，能匹配AI时代大客户多种产品组合需求的平台级公司，具备较好的潜力，如天孚、旭创、仕佳、长光等，当然，北美业务占比高的，利润兑现度较好；
本文基于于让尘的产业访谈学习，重点阐述脑白质的成长逻辑和空间，系统梳理下光互联各细分、各环节的技术趋势和价值量，加深算力产业理解，进而跟踪、挖掘产业机会。
相关阅读：
「NVIDIA如何续写Scaling Laws」物理墙下的工程突围，光互联、存储、PCB、电力墙的极限降本
2026「光芯片』产业趋势：硅光加速渗透下EML/CW缺口与国产IDM企业机遇
2026「光芯片产业」趋势：硅光加速渗透下EML/CW缺口与国产IDM企业机遇
从器件配角到垂直一体化王者：天孚通信CPO时代的「价值跃迁」
「仕佳光子」从1.6T AWG到高功率CW，IDM光芯片核心企业26Q1财报跟进及进展
【鹏友圈CapitalCircle】继续欢迎科技行业、半导体行业、有色化工顺周期行业的资深投资人、产业投资人、机构研究员等人士加入鹏友圈，一起分享讨论投资机会。
申请免费，仅要求加入后，未来做一期内部产业分享或投资分享。
欢迎更多符合要求的朋友，私信或邮箱背景履历、拟分享题目，我们一起拥抱2026年更多产业及投资机遇。Email: jypcapital@163.com
「洞见AI+产业爆发点，关注❤收藏☆转发=提前布局AI机遇」
现在关注的人，未来会感谢今天的自己
「风险提示：本文企业投研结论系个人投资笔记，个人观点仅供参考，不构成投资建议。数据基于公开数据和行业及券商研究报告。市场有风险，决策需谨慎」
「版权声明：原创内容未经许可禁止转载，侵权必究。如需使用，请联系作者获取许可，并注明来源」
#光互联#AI算力#Scale up#CPO#英伟达#谷歌#天孚通信#仕佳光子#IDM#GPU