CPO为何势在必行?AI算力逼出来的光互联革命

CPO这两年一直很热，但很多人对它的理解还停留在一个概念：好像只要和光模块、交换机、AI数据中心沾边，就能讲CPO。

其实真正的问题不在于CPO有多新，而在于AI算力集群已经把传统数据中心互联体系逼到了极限。

简单说，AI数据中心现在最缺的东西，不只是GPU，而是更低功耗、更高带宽、更短路径的数据传输方式。

CPO的出现，就是为了解决这个问题。

01｜先看AI数据中心到底长什么样

训练大模型，需要成千上万块GPU同时运行。单块GPU再强，也无法独立完成超大规模模型训练，真正的算力来自大量GPU之间的协同。

这些GPU需要不断交换数据。模型参数、梯度、训练结果，都要在GPU之间高速流动。一旦通信跟不上，GPU就会等待，算力就会被浪费。

数据中心看起来像一个巨大的“算力工厂”，但它的底层结构其实很标准：一个个机架并排摆放，再由多排机架组成一个区域。

服务器机架大约两米高，里面垂直安装多台服务器。每台服务器内部有CPU、内存、存储设备，也会配置多张GPU卡。很多AI服务器一台就有4张、8张甚至更多GPU。

机架里除了服务器，还会安装网络交换机。交换机可以理解为数据流量的调度中心，它负责把服务器产生的数据收集、整理，再发送到其他设备。由于交换机经常放在机架顶部，所以被称为ToR交换机，也就是Top of Rack交换机。

机架之所以重要，是因为电源、散热、布线、维护都围绕机架展开。哪怕是最先进的AI集群，最终也要落到这个基础结构上。

理解了机架，才能理解后面的通信瓶颈。

02｜GPU之间通信，短距离靠铜，长距离靠光

AI数据中心的核心问题是GPU之间必须高速通信。通信距离不同，使用的介质也不同。

短距离传输，铜缆仍然有优势。比如同一台服务器内部、同一机架内部，甚至相邻机架之间，电信号通过铜缆传输，成本低，结构简单，维护方便，短距离下功耗也相对可控。

在机架内部，GPU之间会通过高带宽互连技术进行通信。它们可以被连接成一个更大的计算单元，这就是所谓的纵向扩展网络。这里距离短，电信号传输还可以承受。

GPU到机架顶部交换机之间，通常也可以使用铜缆。现在800G速率下，无源铜缆大约可以覆盖三米左右，有源铜缆可以做到五米左右。

问题在于，速率越高，铜缆越吃力。

高速电信号在电缆、连接器、电路板走线中传输时，会出现衰减和失真。速度越快，信号越脆弱，补偿电路越复杂，功耗和热量也随之上升。

这就是业内常说的“铜线极限”。

长距离传输就要靠光纤。比如跨机架、跨机房、跨数据中心楼层，传输距离几十米甚至数百米，铜缆很难胜任，光纤成为标准选择。

因为光纤的优势很明显，传输距离远、损耗低、带宽高、线缆轻，适合大规模布线。但光纤有一个绕不开的环节就是GPU和交换芯片本质上处理的是电信号，光纤传输的是光信号，所以中间必须进行电光转换和光电转换。

承担这个转换任务的，就是光模块。

在一个拥有数十万块GPU的数据中心里，光模块数量可以达到数百万个。光模块越多，功耗越高，热量越大，故障点也越多。

这为CPO埋下了伏笔。

03｜真正的瓶颈，藏在交换机里面

很多人理解AI数据中心通信，只看到“铜缆”和“光纤”的区别，但真正关键的瓶颈，发生在交换机内部。

当一块GPU需要把数据发送到另一个机架中的GPU，数据路径大致是这样：

1. GPU先把数据传给服务器内的网卡；

2. 网卡再把数据送到网络交换机。交换机内部的ASIC芯片负责决定数据该往哪里走。ASIC可以理解为交换机的大脑，它不断接收数据、判断路径、转发数据。

3. ASIC内部有一个关键电路，叫SerDes（Serializer/Deserializer 的缩写，中文常译为“串行器/解串器”）。它的作用是把芯片内部数据转换成高速串行信号，再向外发送。

4. 问题来了。在传统交换机中，ASIC输出的高速电信号，并不会马上变成光信号。它需要先穿过交换机电路板，走大约15到30厘米，最后到达插在前面板上的光模块。

这15到30厘米，看起来不长，但在高速信号世界里已经很要命。

速率越高，电信号越容易衰减。为了让信号到达光模块时还能被正确识别，系统就必须加入一整套“抢救机制”：DSP负责恢复失真的波形，时钟恢复负责重建采样节奏，Retimer负责重新生成信号，FEC负责纠错。

这些技术当然有效，但带来了功耗增加、温度升高、设计复杂度增加、成本增加等代价。

换句话说，传统架构最大的问题，是电信号在转换成光信号之前，走了太多路。

这就是CPO要解决的核心矛盾。

04｜CPO的本质：把光引擎搬到芯片旁边

CPO，全称Co-Packaged Optics，共封装光学。

它的思路非常直接，既然问题出在电信号走得太远，那就把电光转换的位置往前挪，尽量靠近交换芯片。

传统方案是：芯片 → 电路板走线15到30厘米 → 前面板光模块 → 光纤

CPO方案变成：芯片 → 几毫米短距离连接 → 封装内光引擎 → 光纤

变化就发生在这里。

过去，电信号要在电路板上跑15到30厘米，现在只需要跑几毫米。这个距离缩短之后，很多问题会被一起解决。

第一，SerDes可以从高功耗的长距离SerDes，变成低功耗的超短距离SerDes。原来为了支撑较长电气链路，需要复杂的均衡和补偿电路；CPO把距离缩短到几毫米后，信号质量好得多，补偿压力自然下降。

第二，DSP可以大幅简化，甚至部分场景下可以取消。传统光模块中，DSP是功耗大户，很多时候会消耗模块接近一半的功率。CPO把光引擎放到芯片附近，电信号还没严重衰减就完成转换，DSP的存在感自然下降。

第三，前面板空间被释放。传统交换机的端口数量受前面板物理空间限制，速率越高，端口越多，面板越紧张。CPO把光模块从前面板搬走，端口密度的约束会明显缓解。

第四，组件数量减少。过去一台交换机需要大量可插拔光模块，每个模块都是一个独立器件，也是一个潜在故障点。CPO把光引擎集成到封装内，系统结构会更紧凑，可靠性也有机会提升。

所以CPO的价值，不是单点技术优化，而是对数据中心互联架构的一次重构。

05｜为什么AI越发展，CPO越难绕开

AI大模型训练对数据中心提出了三个极端要求：更高带宽、更低延迟、更低功耗。

这三件事同时出现，就会把传统架构推到极限。

带宽越高，电信号越难传。过去可以承受的电路板走线、连接器和线缆，在1.6T、3.2T甚至更高速率下都会变成瓶颈。电信号跑得越远，系统付出的纠错、均衡、重定时成本越高。

功耗压力更严峻。AI数据中心本来就是耗电大户，GPU、CPU、内存、散热系统已经消耗大量电力。如果网络互联部分继续维持高功耗，整个数据中心的能源效率会被拖累。

空间也越来越紧。交换芯片带宽不断提升，前面板需要承载更多端口，但机箱尺寸不可能无限扩大。可插拔光模块模式在高带宽时代会越来越拥挤。

这三个压力叠加，最终指向同一个方向：必须缩短高速电信号路径，把电光转换前移。

CPO因此变得越来越重要。

它不是为了制造一个新概念，而是AI集群规模扩大后，传统架构被迫升级的结果。

06｜CPO会先从哪里落地

CPO最先落地的场景，大概率是横向扩展网络里的高端交换机。

原因很简单，这里的瓶颈最严重。

大模型训练需要成千上万块GPU跨机架通信，后端网络承载了巨大的数据交换压力。交换机带宽持续提升，前面板端口密度、光模块功耗、电气链路损耗都会同步放大。

下一步，CPO也可能向网卡层面延伸。

新一代AI数据中心架构中，交换机位置可能发生变化，网卡到交换机之间的连接距离也会变长。过去能用铜缆解决的部分连接，未来可能也需要光互联。届时，将光引擎集成到网卡附近，也会成为一个方向。

再往后看，随着GPU之间互联带宽继续上升，CPO甚至可能逐步影响纵向扩展网络。现在机架内部短距离通信还可以依靠铜缆和电互连，但当速率继续翻倍，铜线极限迟早也会逼近。

所以CPO的扩散路径，大致会从高端交换机开始，再向网卡、加速卡、甚至更靠近计算芯片的位置推进。

07｜CPO改变的不只是光模块

CPO真正重要的地方，在于它会改变整个光互联产业链的价值分配。

传统可插拔光模块时代，光模块插在交换机前面板上，模块厂商围绕封装、光器件、电芯片、散热和测试建立能力。

CPO时代，光引擎被放进封装体系，位置更靠近交换芯片。产业链的技术重心会向更高集成度迁移。

这会带来几类变化。

光引擎的重要性上升。它不再只是一个独立模块里的组件，而是要进入更复杂的封装系统，对尺寸、功耗、热管理、可靠性提出更高要求。

硅光、薄膜铌酸锂、激光器、光学透镜、FAU、光纤连接、封装测试等环节都会被重新评估。谁能适应更高集成度、更低损耗、更强散热和更高一致性，谁就更有机会在下一代架构里占位置。

传统光模块厂商也会面临变化。可插拔光模块不会马上消失，但高端AI交换机上的增量机会，可能逐步向CPO、LPO、硅光等新形态倾斜。未来的竞争不只拼产能和客户，也拼平台化能力、封装能力和与交换芯片厂商协同的能力。