光通信行业研究报告：AI算力中心的神经网络.pdf

光通信行业研究报告：AI算力中心的神经网络。单一芯片算力无法满足AI训练需求：模型所需算力与单芯片算力之间的巨大差距。例如GPT-3每次训练迭代需约4.5 EFLOPS计算，但单卡GPU仅提供数十TFLOPS级算力，差距高达百万倍。为突破计算墙，使用数十甚至上百GPU进行并行计算 （分布式训练）。AI算力集群受制于“通信墙”：通过分布式训练部分解决了算力墙和存储墙后，通信墙随之凸显。大模型并行需要大量节点间通信（如AllReduce梯度同步、AlltoAll等），通信性能直接决定训练效率。

算力基础建设方面，截至2024年，中国算力总规模为280EFLOPS，2020年至2024年期间年复合增长率为20%。根据弗若斯特沙利文预测，中国算力规模将从2024年的280EFLOPS增长至2029年的648.3EFLOPS，2024-2029年期间仍维持 18.3%的年复合增长率。需求方面，AI创新浪潮下，云端智能平台及数字基础设施解决方案市场规模持续增长：预计2029年，中国云端智能平台、数字基础设施规模将分别增长至1.8万亿、1.3万亿元。

从国内算力基础设施市场规模来看，网络资源市场规模占比仅次于算力资源。中国算力基础设施规模从2020年的3,397亿元增长至2024年的6,144亿元。2024年，国内计算资源市场规模为3858亿元，为基础设施占比最大项。网络资源市场规模为 1516亿元，仅次于计算资源，约占基础设施市场规模比例为24%。

铜互连技术成熟、成本较低，用于服务器机箱内部、机架内等短距离高带宽连接场景。在人工智能数据中心（AIDC）中，GPU、CPU 等加速器之间以及服务器与Top-of-Rack交换机之间的短距离互连传统上大量采用铜质连接，其优势在于无需复 杂的光电转换、初始投入成本低且安装维护相对简单。然而，随着芯片通信速率逼近极限，铜介质信号传输面临固有瓶颈，高频下电阻与介电损耗导致信号完整性下降和严重的传输损耗，这不仅限制了带宽和距离，还将相当一部分信号功率转化为 热量。光互连是利用光纤等介质传输光信号的互连方式，通过光收发模块将电信号转换为光信号进行高速远距离传送。光互连克服了铜互连在频宽和距离上的物理限制，光信号在光纤中传输损耗极低、抗电磁干扰，能够在更高频率下保持信号完整， 适合远距离、大带宽数据通信。

AI 集群大小已经突破了单个数据中心的物理占用空间所能实现的极限,推动了对多站点AI集群（Scale-out)的需求。Scale up 和Scale out通过增加更多的算力资源来实现更大的承载能力。区别在于Scale up从软件角度来看是一台计算，互连必须 非常可靠，且尽可能减小延迟。但当数据速率增加至200Gbps时，达到铜缆物理极限。而Scale out通过多层交换机组成，其任务被拆分成多个计算资源，因此横向扩展实际上是一个大规模网络，且距离较远。所以，随着高速率、低延迟且距离增 大的需求逐渐增大，无论是Scale-up还是Scale-out，光互连的必要性大幅提升。

数据中心正经历高速化、智能化、低功耗与低成本的核心变革，驱动光通信及硅光技术成为不可逆的大趋势。800G规模化商用部署已启动，交换机芯片吞吐量将从2023年的51.2Tb/s跃升至2025年的102.4Tb/s，并加速向800G/1.6T升级；与此同 时，光互连功耗贡献首次超越交换机芯片（400G模块初期功耗10-12W，目标8-10W），迫使行业采用低功耗调制器与光引擎-交换机芯片共封装方案。