大数跨境
首页
>
Coherent、Lumentum、Eliyan技术负责人同台论道：AI数据中心为何正在告别铜缆
>

Coherent、Lumentum、Eliyan技术负责人同台论道：AI数据中心为何正在告别铜缆

Coherent、Lumentum、Eliyan技术负责人同台论道：AI数据中心为何正在告别铜缆 AI产业链研究
2026-08-13
2
这篇文章分享一个圆桌论坛，来自TechSurge: Deep Tech VC Podcast刚发布的视频，节目由Celesta Capital合伙人Steve Fu博士主持。三位与谈嘉宾分别是：
  • Ramin Farjadrad，Eliyan联合创始人。连续创业者，曾创办Aquantia（后被Marvell收购），职业生涯始于电信号与铜互连领域，如今致力于突破铜互连的物理极限；
  • Julie Sheridan Eng博士，Coherent（高意集团）光组件执行副总裁兼CTO。横跨材料科学、光器件与大规模集群部署，其团队正主导业界向1.6T光模块的演进以及线性可插拔光学（LPO）的落地；
  • Matthew Sysak博士，Lumentum云与网络业务CTO。主导高功率连续波激光器、共封装光学（CPO）等技术路线，也是动态光电路交换（OCS）领域的先行者。
整场讨论约40分钟，信息密度很高：从scale-up、scale-out、scale-across到scale-in的网络分层，从PAM4与NRZ的调制之争，到VCSEL、硅光、microLED三条技术路线的取舍，再到光电路交换的意外走红。
本文将几位嘉宾的核心观点做了梳理，并节选部分对话以Q&A形式呈现。

一、一个"离经叛道"的开场判断

讨论一开始，主持人Steve Fu就抛出了一个他自称"可能有些离经叛道"的观点：
> "过去大家关注的一直是处理器、CPU、网络处理器。但我认为，AI的终极瓶颈已经不是处理芯片的原始速度，而是互连。你可以不同意，但这就是我的立场。"
这个判断并非修辞。背后的逻辑很直接：当大规模AI负载需要在集群中移动时，数据搬运量呈指数级增长，而机架内部传统的铜缆信号传输正在逼近物理极限。未来相当长一段时间内，将是铜电信号与光互连"混合作战"的阶段——而这正是创新密集发生的地带。
值得注意的是三位嘉宾的身份组合：一个做了一辈子电信号的创业者，两家全球最大的光器件公司的技术掌舵人。这种"铜阵营"与"光阵营"同台的配置，让整场讨论少有套话。

一、光进铜退：一条走了半个多世纪的老路

Julie Eng在回答第一个问题时，把当下的变革放进了一个很长的历史坐标里。
她指出，光替代电并不是新鲜事：最早是跨大西洋的电话线缆，先是铜的；随着数据速率上升、传输距离不变甚至变长，铜就不得不让位给光——因为光往往是效率最高、成本最低、有时甚至是唯一可行的连接方式。这场替代从跨洋干线开始，蔓延到国家骨干网，然后进入数据中心，如今正在向机架内部（scale-up）、机架之间（scale-out）、数据中心之间（scale-across），乃至芯片裸片之间（scale-in）推进。
但她同时强调，这些场景的需求差异极大，不会有一种技术通吃。有的应用追求单根光纤传输尽可能多的数据；有的应用（比如机架内部）则把功耗、时延和成本放在第一位。正因如此，今天的AI数据中心里，磷化铟（InP）、硅光（Silicon Photonics）和砷化镓VCSEL三条技术路线并存——"不是因为我们喜欢多线作战，而是每种技术各有架构上的强项和短板。"
Ramin Farjadrad用了一个更生活化的类比：
> "摩托车最早都是街车，后来分化出山地车、巡航车——都有发动机和两轮，但都为特定用途优化。互连技术也一样。"
他进一步解释了scale-up/scale-in兴起的根源：摩尔定律放缓后，单芯片放不下足够的算力，于是有了芯粒（chiplet）和die-to-die互连；封装内放不下的算力，就通过铜缆在机架内扩展——英伟达坚持把尽可能多的GPU塞进一个机架，正是因为铜连接在短距离内可靠性极高，"不能掉链路"。但当GPU数量继续膨胀、必须跨机架连接时，铜的传输距离撑不住了，光就进入了视野。此时可靠性的权重反而更高，加上功耗、成本和供应能力，"整个问题的性质完全变了"。

二、瓶颈在哪里：不是技术，而是节奏与产能

主持人抛出的第二个问题是：当前的瓶颈到底是什么？
Matt Sysak的回答分两层。其一是定义的混乱：scale-up网络长什么样，业界没有共识。不同的厂商用不同的radix、不同的数据速率、不同的GPU互连规模来差异化竞争，这意味着未来可能有多种技术同时落地。其二是产能：AI出现之前，光器件的总体出货量与今天完全不在一个量级，整个行业都在追问——磷化铟的产能能多快爬坡？晶圆厂能多快扩产？供应链能不能跟上？
Julie Eng补充了一组让人印象深刻的对比。她把光模块数据速率随时间的变化画了出来，"不得不用对数坐标，因为它在指数增长"。同时她算了另一笔账：
> "从行业交付第一个1000万只器件所需的时间来看，10G时代，我们有大约15年；现在，我们只有大约4年。"
创新周期在压缩，物理难题在变大，而制造爬坡的时间反而缩短——这三者叠加，是她眼中最真实的瓶颈。她还点出一个更深层的结构性变化：互连不再只是"把两个东西连起来的导线"，而是整个系统架构的内生部分。"AI数据中心本质上是一台大规模分布式的超级计算机，而光互连在机器内部。"通信通道的速率直接约束着token的吞吐，进而产生直接的经济影响。
Ramin则提到行业里新造的一系列词：内存墙（memory wall）、IO墙（IO wall）、功耗墙（power wall），以及最新的"铜墙（copper wall）"——带宽越高，铜的传输距离越短，而GPU规模越大，需要的距离反而越长。铜在物理上无法满足这个矛盾，答案只能是光，但必须提供"铜一样的特性"：第一位的可靠性、足够低的功耗，以及可以支撑数倍于今天出货量的供应能力。

三、Q&A节选

以下节选三段对话，分别涉及技术路线之争、PAM4编码的可持续性，以及对创业者的建议。
Q1：继续推高单通道速率，还是转向优化功耗、时延与可靠性？
Steve Fu：历史上，光通信行业一直围绕单通道速率做优化。对AI基础设施来说，我们应该继续推高通道速率，还是应该更激进地在功耗、时延、可靠性和交付成本上做优化？
Ramin Farjadrad：行业的惯性是：一旦某个方案被证明有效，所有人就会沿着它推到推不动为止。大约十年前，我在Aquantia因为种种原因开始做chiplet架构，当时的die-to-die互连用的是类似PAM4串行的方案。我意识到，PAM4适合电缆上的高速传输，因为它能减少线缆数量；但die-to-die场景下你可以有大量的连线，用NRZ反而能显著降低功耗，还能用多余的连线做冗余——因为die-to-die本质上是在替代芯片内部的连接，必须极其鲁棒、极低功耗、极低时延。
今天的scale-up互连，本质上和die-to-die是同一回事。所以为什么不沿用同样的思路，而不是继续堆PAM4？这也是后来UCIe以及整个行业走向的方向：NRZ、单端、带冗余、最小时延。我认为这也是scale-up和scale-in的正确答案——尤其是当你可以用更多通道换取去掉每个通道背后那个重型DSP的时候。
Matt Sysak：两种架构各有利弊：少信号、高速率，或者多信号、低速率。高速方案可以用更少的激光器和光缆，但代价是高速SerDes的功耗，以及可能的额外时延；低速方案去掉了高速SerDes，省下功耗——这在数据中心极其重要——但代价是更多的通道和光纤。这是封装复杂度与功耗之间的权衡。长距场景下，你会尽量榨干一根光纤的带宽；但在最短的距离上，你能看到行业在向"慢而宽"（slow and wide）倾斜。
Julie Eng：我们不会看到单一答案。长距离场景没人会用100根光缆跑10公里，经济上不成立，所以PAM4这类高阶调制仍然合理；但一旦进入计算系统内部，优化目标就完全不同了——光纤数量不再是约束，成本、时延、可靠性才是。这时你完全可以接受大量光纤，只要它能换来通道冗余、故障切换这些架构层面的好处。
Q2：从224G到448G，PAM4编码还能撑多久？
Steve Fu：随着单通道速率从224G走向448G，行业对越来越复杂的PAM编码的依赖还可持续吗？未来会回到NRZ，还是演化出别的架构？
Julie Eng：提速只有两条路：提高单通道速率，或者增加通道数，两者相乘得到总带宽。历史上我们总是先把单通道速率推到顶，推不动了再增加通道数。但200G到400G这一跳非常大。光学器件本身其实已经能做到400G——我们和Marvell都展示过相应能力的器件；今天真正的限制在电子侧，能提供400G PAM4电芯片的厂商才刚刚出现。
速率越高，门槛越高，而门槛的代价通常是功耗和成本。长距离场景下，为单介质速率付出这个代价值得；但在短距离，这个开销就太重了。PAM4芯片通常还引入时延，很多方案还要加FEC前向纠错的开销。所以在短距场景——尤其是scale-up和die-to-die的scale-in领域——我确实看到行业对NRZ重新产生了兴趣。听起来像是速率上的"倒退"，但随之而来的是一种远超以往的、大规模并行的架构方式。
Q3：面向2030年，给创业者什么建议？
Steve Fu：有大批创业公司正在涌入这个领域。Matt说他跟踪着80家，Julie可能在跟踪100家。展望2030，你们认为最值得关注的技术创新方向是什么？
Matt Sysak：创业公司首先要想清楚的不是"我有一项多好的技术"，而是"我到底在解决什么问题"——并且要极其清晰、准确地把它讲出来。其次是：你打算怎么解决，你的合作伙伴名单里有谁，能让你从想法走到应用。我们见创业公司时，技术固然重要，但同样重要的是背后团队的思考成熟度：问题定义得清不清楚，路径讲不讲得明白，差异化在哪里。
Julie Eng：2030其实只剩四年了。scale-across和scale-out已经在部署，scale-up的大规模部署我认为明年就会开始。那之后是什么？我认为是scale-in——当铜在die-to-die领域也耗尽潜力时，如何用光解决裸片间互连。这些解决方案会长得和今天很不一样：有的依赖底层器件的突破，有的依赖封装的进步，两个方向都值得做。另外我想特别提两个方向：一是散热，我们拥有碳化硅、金刚石等热材料业务，数据中心里热管理的应用正在快速增长；二是量子网络，当可用的量子计算机出现时，现有密码体系会失效，银行账单、医疗记录都需要新的光通道安全机制——这是更远期但很有意思的问题。
Ramin Farjadrad：我的原则是：找到真正的问题，找到真正的瓶颈，并确保解决方案是"可落地的"。创业公司面对的风险已经够多了，要把风险收敛到一个点上——确保市场应用没有风险、实现路径没有风险，然后All in。

四、几条值得单独记录的技术判断

除了问答主线，讨论中几个具体的技术判断值得单独摘录：
关于microLED。 Matt Sysak评价很克制：microLED的核心优势是密度——发光体可以做到几微米间距；但LED天然是全向发光的，"像没有灯罩的灯泡"，功率低、缺乏方向性，因此最适合超短距离、对功率要求不高的场景。它有真实的商业价值（Garmin手表、汽车大灯里已有应用），但不是万能答案。
关于VCSEL。 这是Matt眼中最被低估的路线之一：iPhone里的Face ID就是VCSEL，这意味着它已经在消费电子中验证了极大规模的量产能力——而Coherent和Lumentum正是全球最大的两家VCSEL激光器制造商。VCSEL还能把传统的一维"海岸线密度"变成二维阵列：激光芯片和探测器可以直接倒装在电芯片之上。对极度追求密度的scale-up网络，这一点至关重要。Ramin也透露，Eliyan大约两三年前开始研究microLED，后来因传输距离限制转向microVCSEL，"看到Matt一年前的演讲给了我们信心，现在microVCSEL正在成为替代铜的主流路线之一"。
关于光电路交换（OCS）。 Google最早将OCS用于spine交换机替代，但Julie Eng坦言自己一度不理解客户为何接受得这么快、这么广。后来她搞清楚了：客户把OCS当作数据中心内光纤的软件定义重连工具——这个月所有GPU训练一个大模型，两个月后改成训练多个小模型，只需一条软件指令就能重构GPU之间的物理连接，从而最大化GPU利用率。Matt Sysak则认为这只是开始：spine替代、机架级故障切换（"这个机架状态不对，软件上直接切到备用机架继续训练"）等更多用例会陆续出现。两家公司的共同点是：这个市场当前的问题不是需求，而是供不应求。
关于热与时延的权重。 整场讨论中，"功耗、时延、可靠性"被提及的次数几乎与"带宽"相当。多位嘉宾的判断一致：当光链路从网络设备进入计算系统本身，评价标准就从"单链路速率"变成了系统级的综合指标。

【声明】内容源于网络
0
0
AI产业链研究
围绕人工智能展开研究，涵盖基础设施、算法及应用等多个方面，同时也会分享研究过程中的一些心得体会
内容 120
粉丝 0
AI产业链研究 围绕人工智能展开研究，涵盖基础设施、算法及应用等多个方面，同时也会分享研究过程中的一些心得体会
总阅读11.9k
粉丝0
内容120