看懂光模块,看懂AI基建底层

大模型狂飙的时代，所有人都在讨论GPU、算力、大模型，却常常忽略一个事实：AI的瓶颈，不只是“算得够不够快”，更是“数据传得够不够快”。

无数昂贵的GPU堆叠在一起，如果相互之间数据交换堵、延迟高，再强的算力也只能原地等待，硬件价值被白白浪费。而光模块，正是打通AI算力集群的关键枢纽，是AI基建藏在机箱背后的底层基石。

一、光模块到底是什么：数字世界的光电翻译官

配图建议：光模块实物图+结构原理示意图，标注光电信号转换流程，清晰科普基础工作原理

光模块个头不大，大多是U盘大小的金属盒子，插在服务器网卡与交换机上，一头接设备，一头接光纤。

它的核心使命只有一件事：光电信号双向转换。

服务器、GPU内部处理数据，使用的是电信号；光纤里跑的是光信号。两者语言完全不同，光模块就是中间的翻译官：

- 发送端：把服务器输出的电信号，转换成光信号，送入光纤高速传输；

- 接收端：把光纤传来的光信号，重新还原成电信号，交给服务器处理。

铜缆网线不是不能传数据，但电信号天生有物理短板：传输距离一长就快速衰减，容易被电磁干扰，速率越高功耗越大。而光信号损耗极低、抗干扰、带宽巨大，适合大规模数据中心内部海量数据流转。没有光模块，光纤就只是一根没有实际作用的玻璃管子。

简单打个比方：GPU是AI集群里无数干活的工人，光纤是城市的高速公路，光模块就是高速路出入口的枢纽，没有它，高速公路就无法和城市路网连通，再多工人也没法协同干活。

配图建议：传统云计算vs AI算力集群传输对比图，凸显高速光模块的刚需性

传统云计算时代，服务器之间数据交互量有限，对光模块速率要求并不极端。但AI训练彻底改写了这套逻辑。

训练万亿参数大模型，不是单台服务器孤军奋战，而是成千上万张GPU组成巨型集群协同工作。每一轮训练迭代，海量参数、梯度、中间计算结果，都需要在不同机柜、不同服务器之间来回搬运交换。

机柜内部短距离通信，可以依靠铜缆、NVLink完成；但跨机柜、跨机架，距离来到十几米乃至几十米，铜缆就抵达物理天花板：带宽上不去、功耗飙升、信号衰减严重，无法支撑万卡级集群的数据吞吐。

这就出现一个残酷现实：GPU算力再强，如果网络传输跟不上，GPU就要花大量时间等待数据，算力利用率直接下跌。

很多人误以为AI的瓶颈是缺少足够多的GPU，而产业一线的共识是：算力集群做大之后，网络互联才是真正的刚性瓶颈。光互联从“可选配件”，变成AI数据中心的刚需基建。

800G、1.6T、3.2T，这些大家经常听到的名词，就是光模块的传输速率，代表每秒可以搬运的数据上限。800G成为当前AI集群主流配置，1.6T逐步进入商用，面向下一代更大规模AI集群，速率还在持续向上迭代。速率越高，单位时间能搬运的数据越多，越能喂饱海量GPU，让硬件算力充分释放。

算、存、传，构成AI基建的铁三角。GPU负责算，HBM内存负责存，光模块负责传，三者缺一不可，任何一块短板，都会限制整套AI系统的上限。

配图建议：光模块内部元器件拆解图+上下游产业链架构图

光模块不是简单的外壳加接口，它是一套精密的光电混合系统，内部包含激光器、探测器、DSP信号处理芯片、驱动放大芯片、PCB结构件等大量元器件。

- 激光器：把电信号变成光信号的光源，是光模块最核心的上游器件，直接决定输出光信号质量；

- DSP芯片：高速传输下信号会发生畸变衰减，DSP负责信号补偿、纠错整形，保障高速数据稳定传输，是高速光模块的“大脑”；

- 光接收器件：接收光信号，重新变回电信号，完成链路闭环。

从产业链视角看，光模块整机是大家看得见的终端产品，但真正卡脖子的环节，大量集中在上游光芯片、DSP、激光器，还有高端测试设备。整机可以快速组装交付，但上游核心器件的产能、良率，决定整个行业的供给上限。

行业正在发生技术路线的迭代：传统可插拔光模块仍是现在的主力；LPO简化电路降低功耗，适配短距离互联；CPO共封装光学，尝试把光引擎和交换芯片贴得更近，进一步突破带宽与功耗限制，面向未来十万卡级别超大规模AI集群。多条路线不是简单替代，而是分层共存，适配不同距离、不同功耗、不同成本的场景。

配图建议：AI基建“算、存、传”铁三角逻辑示意图，梳理整套算力体系架构

我们评判一套AI基础设施强不强，不能只盯着GPU数量。一万张GPU堆在一起，如果网络架构设计不合理、高速光模块配置不足，集群实际能力会大打折扣。

光模块的需求，直接跟随AI集群规模扩张。大模型参数越来越大，推理业务流量爆发，集群从万卡向着十万卡级别演进，对高速光互联的需求就持续抬升。

透过光模块这个小小的器件，我们能看见AI基建的几层真相：

1. AI建设是整套系统工程，不是简单堆叠高端芯片，传输网络是算力的底座；

2. 硬件迭代不只有GPU，光互联的速率迭代，同样决定AI能力的天花板；