夜雨聆风英伟达市值突破3万亿，AMD GPU增速翻倍……AI基础设施的叙事在过去三年几乎被芯片公司垄断。但思科 2026 财年第三财季财报给出了关键信号：面向超大规模云厂商与云构建商的 AI 相关订单达到19 亿美元；同时思科将本财年 AI 订单预期从 50 亿美元大幅上调至90 亿美元。
这件事背后真正有意思的地方，不只是思科赚了多少钱。而是AI基础设施这件事，开始慢慢从拼GPU，变成拼整个系统。卡还是最重要的。但光有卡，已经不够了。
先说清一个基本问题。思科的19亿AI订单，卖的到底是什么？主要由三类产品贡献。
Silicon One交换芯片。这是思科自研的芯片家族，当前最新的是G300 系列，102.4Tbps的聚合带宽，512个SerDes电路模块，252MB的统一共享数据包缓冲区，适配大规模 AI 训练集群。思科把它直接卖给云厂商，后者集成到自研设备里。这些公司现在越来越不愿意直接买标准交换机，而是倾向于自己设计网络架构、自定义交换机，再采购核心芯片自己集成。说白了，他们要的是网络CPU，不是整机。这也是Silicon One现在增长很快的原因。
Acacia光模块。思科在2021年收购了Acacia，主打400G/800G 相干光模块、数据中心互联（DCI），用于 AI 集群跨机柜、跨园区高速互联。相干光具备传输距离远、容量大、信号质量好的优势，是 AI 长距互联的核心方案。本财季光业务相关订单已突破 10 亿美元。
高端路由与 AI 集群配套方案。包括面向智算中心的高端路由器、AI POD 整柜交付、集群架构设计与集成，构成端到端 AI 智算网络解决方案。
*补充说明：19 亿美元仅统计超大规模云厂商，Q3 企业与新兴云 AI 订单约 3 亿美元单独统计；企业数据中心交换机订单同比增长超 40%，说明 AI 需求正从云厂商向传统企业扩散。
理解思科在AI时代的战略，核心就一句话：同时做组件供应商和系统集成商。
两条路服务的是完全不同的客户。
Google、Microsoft、Amazon、Meta、字节、阿里这些超大规模云厂商有个共同特征：规模够大，自己有能力也有意愿做定制化网络设备。他们不想要思科的整机交换机，想要思科的芯片，然后自己设计、自己组装、自己优化。
这是Silicon One的市场。芯片毛利率远高于整机，轻松超过70%。对云厂商的好处也直接，摆脱对单一设备商的依赖，拥有更多定制空间。
但还有另一批客户。大多数企业级客户需要的是有人帮我搭好、拿来就能用的方案。他们没大厂那么庞大的技术团队，也没那么多工程师从零设计网络架构。Nexus+UCS的存在意义就是这个，提供从架构设计到硬件交付的完整服务。
企业数据中心交换机订单同比涨40%，恰恰印证了这个判断，AI正在从互联网公司的实验室，扩散到各行各业的实际场景中。
两条轨道看起来矛盾，但细想几乎不冲突。组件服务的是自研能力强的顶级云厂商，系统服务的是自研能力弱的传统客户。两个市场的技术诉求差别很大，覆盖的是完全不同的客户层级。
为什么光模块在这里值得单独拎出来说？
因为光模块是AI集群内部GPU到GPU互联的物理层基础。无论你用的是英伟达Blackwell还是AMD MI350X，无论交换芯片是博通的Tomahawk还是思科的Silicon One，只要GPU之间需要通信，就一定需要光模块把电信号转成光信号，通过光纤在服务器之间跑。
光模块的需求量与AI集群规模直接成正比。你部署的GPU越多，需要的光模块就越多，而且这个关系不是线性的，更多GPU意味着更复杂的互联拓扑和更多的长距离光连接。
Acacia 的核心价值在相干光通信。相干光的优势在于单波长速率高、传输距离远、信号质量好，是数据中心长距离连接的首选。Acacia解决的是AI集群里最难的那段连接，跨越机柜和行级的大容量互联。这部分市场技术门槛高，竞争格局相对清晰，Acacia的先发优势也最明显。
800G光模块目前的主流实现方式是将一个800G端口拆分使用，比如QSFP-DD800把800G拆为8×100G。另一种是跟CPO（共封装光学）结合，在交换机芯片附近直接实现光电共封装。前者是Acacia当前的主流量产方案，后者是公认的下一代方向。
思科同时铺了两条线。可插拔市场，Acacia的800G已经在批量出货；CPO领域，思科通过收购Applied Optoelectronics的资产在做下一代布局。
说完了思科，有必要停下来思考一个问题：为什么现在谈智算网络是合适的时机？我们可以注意到，有三个变化正在发生。
1.AI集群的规模正在突破传统网络的物理极限。
就在前几天，OpenAI、微软、博通、AMD、英伟达五方联合发布了MRC协议。目标很直接：把AI集群网络从三层Clos架构压成两层，最大计算节点从65,536扩展到131,072。
这不是小改动。三层架构面对百万级GPU集群时，扩展性、延迟和成本同时撞墙。131,072节点的上限，是为下一代百万级GPU集群准备的。
思科的AI业务爆发正是这个趋势的反面印证，超大规模客户已经在为下一代集群重新设计网络架构，而重新设计意味着新订单。
2.网络层的瓶颈从隐藏问题变成显性瓶颈。
过去十几年，数据中心网络的性能提升主要靠两个手段：加端口、提速率。从40G到100G再到400G、800G，每次升级都靠交换机芯片代际更新。网络架构本身没有本质变化。
但AI训练的工作负载改写了这个前提。AllReduce这类集合通信操作要求集群中所有GPU在某一时刻保持同步。网络抖动、拥塞、单链路故障，任何一个都可能导致整个训练任务重新开始，GPU空闲等待的每一秒都是纯浪费。
MRC协议把单链路故障只损失12%带宽作为核心设计目标，不是偶然。在传统Clos网络里，单链路故障可能导致拥塞扩散；在MRC架构中，故障被隔离在单个100G子通道内，对整体训练吞吐的影响大幅降低。AI训练对网络可靠性的要求，已经比通用数据中心高了一个数量级。
3.算力可以被量化，网络性能却很难被量化。
这个问题长期被忽视。GPU的算力可以用TFLOPs精确描述，但网络性能呢？用什么指标衡量一个AI集群的网络够不够用？目前行业没有标准答案。延迟、带宽、拥塞率、丢包率……每个指标只反映一个侧面，组合起来又缺乏统一的可比框架。这个测量难题，导致了网络层长期被低估，预算有限时，网络设备往往是第一个被砍的。
但随着AI训练成本公开化，这个认知也在变。一台H100服务器的价格是公开的，一次大规模训练的总电费是可以估算的，GPU空闲成本是可以算出来的。当这些数字摆到台前，网络能不能跟上这个问题的优先级，自然就上去了。
回到思科的财报数字，核心判断很简单：智算网络正在成为一个独立的投资方向，与GPU并列，不是GPU的附庸。
过去三年，AI基础设施的投资叙事几乎被GPU统治。英伟达财报一出，全世界都在分析Blackwell产能、GTC新芯片。这个叙事是合理的，没有GPU就没有模型。但它也是不完整的。
但只盯着GPU，很容易漏掉旁边的变化。光模块增速有多快？交换芯片为什么从通用走向AI定制化？MRC协议发布后意味着什么？
智算网络的逻辑与通用数据中心网络有本质差异。通用网络的核心诉求是够用就行和稳定可靠；智算网络的核心诉求是极致带宽、超低延迟、零故障容忍。目标函数不同，技术路线、产品规格和服务模式跟着也不同。
GPU赚走了聚光灯，网络赚走了钱。这种说法可能过于对立，但方向是对的。
智算网络补上了AI基础设施里那个长期被忽视的短板。GPU决定了一台车的马力，网络决定了马力能不能传到轮子上，这个比喻说烂了，但现实确实如此。
参考：
CISCO REPORTS THIRD QUARTER EARNINGS
Cisco Wins Over AI Customers With Merchant Silicon And Optics
Supercomputer networking to accelerate large scale AI training
