數(shù)據(jù)中心正在迎來一個容易被忽視、但影響深遠的轉折互聯(lián)介質正在從銅線切換到光。過去十年交換機端口的速率從 40G 走到 800G但線纜的物理極限卻越來越明顯——距離一長、速率一高銅纜的功耗和成本會指數(shù)上升。就在這個窗口期Lumilens 以 700M 美元的融資規(guī)模進入大眾視野主打的正是“用光替代數(shù)據(jù)中心內部的線纜”。這件事不只是融資新聞它背后是整個 AI 算力集群對互聯(lián)帶寬的極端需求以及硅光技術從實驗室走向大規(guī)模量產的開端。這篇文章從技術角度拆解三件事第一數(shù)據(jù)中心內部互聯(lián)為什么會從銅轉向光第二Lumilens 這類公司做的光互連到底改變了什么第三作為開發(fā)者、算法工程師或運維人員你要關注哪些技術變量。1. 為什么數(shù)據(jù)中心互聯(lián)會成為千億美元賽道先說結論GPU 集群的擴展速度已經超過了傳統(tǒng)銅纜互聯(lián)能承載的物理極限。大模型訓練本質上是一個大規(guī)模并行計算問題。以萬卡集群為例數(shù)千張 GPU 在訓練同一個模型時需要頻繁同步梯度。每一次梯度同步都意味著節(jié)點之間要傳輸大量數(shù)據(jù)。GPU 算力提升可以靠芯片設計、先進工藝但卡與卡之間的數(shù)據(jù)搬運必須靠網(wǎng)絡和線纜完成。傳統(tǒng)數(shù)據(jù)中心內部大量使用 DACDirect Attach Cable銅纜也就是我們常說的無源高速銅纜。它的優(yōu)勢很明顯成本低、功耗低、即插即用。但它有一個硬傷隨著速率提升銅纜的有效傳輸距離急劇縮短。400G 時代DAC 的有效傳輸距離通常只有 2 到 3 米。800G 時代這個距離還會繼續(xù)收縮。一旦超過有效距離信號完整性會嚴重劣化誤碼率上升只能改用 AEC有源電纜或光模塊。大模型集群的物理規(guī)模決定了GPU 和 GPU 之間、GPU 和交換機之間的距離不可能都很短。一個標準的智算中心機房機柜到 Leaf 交換機的距離往往超過 5 米跨機柜和跨列的距離可能是幾十米到上百米。在這個尺度下銅纜已經無能為力。更關鍵的是功耗。速率越高銅纜上的信號損耗越大。為了維持信號質量就需要更強的驅動電路和均衡算法。這會導致 SerDes 功耗、線纜自身發(fā)熱都快速上升。800G 銅纜鏈路的功耗預算非常緊張光模塊雖然也有功耗但在長距離和高速率場景下單位比特傳輸功耗反而優(yōu)于銅纜。所以 Lumilens 拿到的這 700M 美元本質上不是給一家初創(chuàng)公司的“估值獎勵”而是資本市場對“數(shù)據(jù)中心互聯(lián)介質換代”這個確定性趨勢的押注。2. 從“銅線”到“光線”變化發(fā)生在哪一層要理解光互連替代銅纜先要分清數(shù)據(jù)中心里有哪幾種互聯(lián)需求。按照通信距離和層次可以簡單分成四類互聯(lián)層級典型距離傳統(tǒng)方案光互連方案芯片內部 / 封裝級毫米級金屬走線共封裝光學CPO光 I/O 到封裝邊緣機柜內 / GPU 到交換機2-10 米DAC 銅纜、AEC近封裝光學NPO、可插拔光模塊列間 / 交換機之間10-100 米AOC 有源光纜可插拔光模塊QSFP-DD、OSFP樓宇間 / 數(shù)據(jù)中心互聯(lián) DCI數(shù)百米到數(shù)十公里長距離光模塊相干光模塊、硅光集成Lumilens 這種公司的核心產品方向主要集中在數(shù)據(jù)中心內部的中短距離光互連也就是機柜內、機柜到交換機、交換機到交換機這一段。這段距離過去大量使用 DAC 和 AOC現(xiàn)在正在被更高速率、更低功耗的光模塊替代。很多人會誤以為“光進銅退”只是把線換一下。實際上這個替換發(fā)生在三個層面第一層是物理介質。這條線從銅纜換成光纖信號載體從電脈沖變成光脈沖。這是最直觀的變化。第二層是信號調制與編碼。電信號需要經過 DSP數(shù)字信號處理器調制到光載波上到達另一端后再解調回電信號。DSP 的算法直接決定誤碼率、功耗和成本。第三層是系統(tǒng)架構。當光模塊足夠小、功耗足夠低交換機廠商、GPU 廠商就會考慮要不要把光引擎做到交換芯片旁邊甚至做到 GPU 封裝旁邊。這就是 CPOCo-Packaged Optics路線架構一旦變化整個散熱、維護、故障隔離方式都要跟著改。所以光互連替代銅纜不只是組件替換而是從傳輸介質到系統(tǒng)架構的整體遷移。這也是為什么頭部云廠商會深度參與這類創(chuàng)業(yè)公司的融資——它關系到未來十萬卡集群的物理可行性。3. Lumilens 到底是什么類型的公司由于公開信息有限我們可以先看標題里的幾個關鍵詞Startup、Raise、$700M、Replace Data-Center Wires with Light。這是一個典型的硅光互聯(lián)創(chuàng)業(yè)公司畫像。從行業(yè)邏輯推斷它大概率做的事情是把傳統(tǒng)的光模塊和光引擎通過硅光工藝和先進封裝集成在一起做成更高密度、更低功耗、更低成本的光互連產品。這里需要理解硅光Silicon Photonics到底是什么。傳統(tǒng)的分立光模塊是用幾顆獨立的芯片實現(xiàn)的激光器芯片負責發(fā)光調制器芯片負責把電信號加載到光上探測器芯片負責接收。每一顆芯片用不同的材料體系比如磷化銦InP、砷化鎵GaAs封裝時要把它們精密對準、耦合、打線工藝復雜、成本高。硅光則是用 CMOS 工藝來做光學器件。把波導、調制器、探測器、耦合器全部集成到硅片上再用半導體工藝批量制造。好處是成本可以攤薄、集成度可以提升、功耗可以降低。Lumilens 要做的事情從技術方向看大概率屬于這個范疇用硅光把數(shù)據(jù)中心內部的光互連做得更便宜、更可靠、更容易大規(guī)模部署。但這不意味著它可以繞開光模塊行業(yè)積累的工程難題。硅光雖然集成度高但激光器仍然需要外部光源或混合集成光纖到芯片的耦合效率仍然是個老大難大功率下的熱管理也遠比電芯片復雜。這也是為什么 Lumilens 拿到的錢不是幾千萬而是 700M 美元——因為硅光的研發(fā)和量產需要同時攻克芯片設計、封裝工藝、可靠性驗證和客戶導入四個環(huán)節(jié)任何一個環(huán)節(jié)掉鏈子產品都上不了量。4. 光互連技術棧的核心組件拆解為了給后面實踐部分做鋪墊這里先梳理光互連中最常接觸的六個技術概念。做網(wǎng)絡、系統(tǒng)或算法優(yōu)化的工程師理解這些詞以后才能看懂設備廠商的產品參數(shù)。光模塊Optical Transceiver把電信號轉成光信號、再把光信號轉回電信號的器件。常見封裝有 QSFP-DD、OSFP。數(shù)據(jù)中心內部主流是 400G、800G 這類可插拔模塊。DSPDigital Signal Processor光模塊內部負責信號修復、均衡和編碼的芯片。它決定一個 800G 模塊要用多高功耗的電芯片去補償信號損傷也直接影響模塊價格。DSP 是光模塊功耗的主要來源之一。硅光芯片Silicon Photonics用 CMOS 工藝制造的光學集成電路包含調制器、探測器、波導等結構。CPOCo-Packaged Optics把光引擎和交換芯片封裝在同一個基板上縮短電信號走線距離降低功耗提高整機端口密度。CPO 是比可插拔光模塊更激進的架構。LPOLinear-drive Pluggable Optics去掉模塊內部的 DSP 重定時功能讓交換芯片的 SerDes 直接驅動光引擎。功耗更低但犧牲了信號恢復能力對鏈路質量要求更高。AOC / DAC / AEC分別是有源光纜、無源銅纜、有源電纜。AOC 適合中短距離DAC 適合短距離AEC 在銅纜基礎上加入信號放大延長銅纜可用距離。這些概念之間不是互斥的而是針對“密度、功耗、成本、距離”四個維度的不同取舍。理解取舍關系比記住概念本身更重要。5. 為什么 AI 大模型集群最需要光互連前面講的是傳輸介質和產品形態(tài)這一節(jié)聚焦一個實際問題大模型訓練集群為什么是最先被光互連改變的場景。大模型訓練的通信模式大體可以分為三類。第一類是集合通信Collective Communication。AllReduce、AllGather 這類操作要求在短時間內完成跨節(jié)點數(shù)據(jù)聚合。萬卡訓練時每完成一個迭代都要做一次全集群的梯度同步。通信時間直接變成訓練等待時間通信效率就是訓練效率。第二類是流水線并行通信。在流水線并行中不同層的計算分布在不同 GPU 上前向和反向傳播需要在層與層之間傳輸激活值和梯度。這種通信對延遲敏感距離越短越好。第三類是專家并行和 MoE 通信?；旌蠈＜夷Ｐ蜁巡煌瑢＜曳旁诓煌?jié)點Token 需要路由到對應專家所在的 GPU 上通信模式更碎片化、更動態(tài)對網(wǎng)絡帶寬和網(wǎng)絡拓撲的適應能力要求更高。這三種模式都指向同一個結論集群規(guī)模越大通信質量和網(wǎng)絡帶寬就越成為訓練吞吐量的瓶頸。英偉達在系統(tǒng)設計里提出過“等效帶寬”的概念。簡單理解GPU 計算數(shù)據(jù)的速度和網(wǎng)絡搬運數(shù)據(jù)的速度必須匹配。如果計算速度是每秒 1000 個 Token但網(wǎng)絡搬運只能支撐每秒 500 個 Token那 GPU 有一半時間在空轉。光互連接入后對集群的直接改變有三個單鏈路帶寬更高。單根光纖可以承載 800G、1.6T而銅纜做到 800G 已經非常吃力。傳輸距離更長。光信噪比在幾十米到幾百米內幾乎不衰減不限制機柜和機柜之間的距離。功耗更低。單位比特傳輸功耗更低對大規(guī)模集群的供電和散熱壓力是重大緩解。所以 Lumilens 拿到 700M 美元的核心邏輯不是“搞一個新產業(yè)鏈”而是“AI 算力集群的擴展速度和規(guī)模已經超出了傳統(tǒng)銅纜互聯(lián)的支撐上限”。6. 從成本模型看銅纜和光纜的真實差距這一節(jié)聊一個更實際的問題光互連這么強為什么沒有在五年前徹底替代銅纜答案很簡單成本。銅纜的物料成本遠低于光模塊這是它至今仍大量存在的原因。一個 400G DAC 可能只要幾百到一千元人民幣而一個 400G 光模塊可能要到兩三千元甚至更高。帶寬需求沒有達到某個臨界點時算總賬銅纜更劃算。但是當集群規(guī)模變大總成本的計算方式會改變。第一功耗成本。假設一個 10 萬卡集群每張卡對應的網(wǎng)絡端口功耗相差 5 瓦10 萬卡就是 500 千瓦的差距。這還沒算制冷。按電費折算一年的差額就在千萬元級別。第二故障和維護成本。銅纜在長距離高速率下更容易出現(xiàn)誤碼和鏈路不穩(wěn)定排障時間、鏈路重新訓練時間都會拉高集群的無效工作時間。光鏈路雖然也會故障但可監(jiān)控性更強光纖鏈路診斷也更成熟。第三布線空間和端口密度。同樣一個交換機面板光模塊能做到 QSFP-DD、OSFP 這樣的高密度封裝端口數(shù)量更多布線更靈活。銅纜直徑大、重量大機柜內走線空間很容易被占滿。所以這不是“光一定優(yōu)于銅”的絕對判斷而是“在高速率、大規(guī)模、長距離場景下光的整體擁有成本TCO更低”。這正是 700M 美元融資背后的成本計算模型。7. 開發(fā)者如何評估光互連帶來的集群變化前面講了產業(yè)邏輯和技術概念這一節(jié)落到實操分三個角色來聊。如果你是算法工程師或大模型訓練工程師最直接的感受是訓練穩(wěn)定性和吞吐量變化。光互連帶寬更高、誤碼率更低AllReduce 時間會更短訓練迭代時間會更穩(wěn)定。你應該關注的是監(jiān)控指標里是否出現(xiàn)網(wǎng)絡等待、鏈路重傳、AllReduce 耗時波動。如果你是網(wǎng)絡或系統(tǒng)運維工程師你需要關注的是光模塊的數(shù)字化診斷監(jiān)控DDM信息包括光功率、溫度、電壓、偏置電流。光鏈路比銅纜多出光功率這個核心監(jiān)控維度。鏈路劣化通常先表現(xiàn)為光功率下降而不是突然中斷。提前預警比事后排查更能保證集群穩(wěn)定。如果你是平臺研發(fā)工程師你可能要關注調度器是否感知網(wǎng)絡拓撲。大模型訓練的最佳實踐是把頻繁通信的 Worker 調度到同一個 ToR 交換機下減少跨交換機流量。光互連雖然提高了帶寬但跨交換機通信的延遲仍然高于同交換機內通信。拓撲感知調度依然重要。8. 光互連集群的帶寬需求估算示例為了更直觀地理解光互連的驅動力這里用一個最小估算腳本演示一個訓練集群到底需要多大的網(wǎng)絡帶寬。假設使用 1000 張 H 系列 GPU 訓練一個大模型每張卡的模型并行度、每輪需要傳輸?shù)奶荻葦?shù)據(jù)量設為變量。這里不執(zhí)著于具體數(shù)值重點展示估算思路。# 文件路徑estimate_bandwidth.py # 功能粗略估算大模型訓練集群的總線帶寬需求 def estimate_training_bandwidth( gpu_count: int, bytes_per_gpu_per_step: float, sync_seconds: float, utilization: float 0.8, ) - float: 估算給定 GPU 數(shù)量和同步時間內所需的總互聯(lián)帶寬。 參數(shù)說明 - gpu_count: GPU 卡數(shù) - bytes_per_gpu_per_step: 每張卡每個訓練步驟平均需要發(fā)送的字節(jié)數(shù)單位 Byte - sync_seconds: 期望的梯度同步耗時上限單位 秒 - utilization: 網(wǎng)絡可用利用率一般取 0.7-0.9 total_bytes gpu_count * bytes_per_gpu_per_step bandwidth_bps total_bytes / sync_seconds / utilization bandwidth_gbps bandwidth_bps / 1e9 return bandwidth_gbps if __name__ __main__: # 示例1000 卡每卡每步同步 1GB 梯度希望 5 秒內完成同步 gbps estimate_training_bandwidth( gpu_count1000, bytes_per_gpu_per_step1 * 1024 * 1024 * 1024, sync_seconds5.0, utilization0.8, ) print(f估算所需總互聯(lián)帶寬: {gbps:.0f} Gbps) print(f折合 800G 光模塊鏈路數(shù): {gbps / 800:.1f} 條)運行方式python estimate_bandwidth.py這個模型的結論是千卡集群已經需要數(shù)百 Gbps 到 Tbps 級別的互連帶寬這遠超傳統(tǒng)銅纜在幾米以上的承載能力。所以光互連不是“錦上添花”而是規(guī)模擴展的必選項。9. 光鏈路健康檢查的常用命令與監(jiān)控思路光模塊的運維和銅纜有一個明顯差異你可以直接讀到模塊內部的光功率數(shù)值判斷鏈路質量是否在安全范圍內。這里給出一個通用的健康檢查思路不綁定具體廠商。以 Linux 環(huán)境下使用 ethtool 查詢光模塊 DDM 信息為例# 查看所有網(wǎng)絡接口 ip link show # 查看指定接口的鏈路狀態(tài) ethtool eth0 # 查詢光模塊 DDM 信息光功率、溫度、電壓、偏置電流 ethtool -m eth0ethtool -m輸出中需要重點關注幾個字段Laser output power發(fā)送光功率。如果低于閾值下限可能是模塊發(fā)射端老化。Receiver signal average optical power接收光功率。如果過低可能是光纖衰減過大、連接器污染或鏈路距離超標。Module temperature模塊溫度。光模塊對高溫敏感超過工作溫度范圍會導致誤碼率上升。光功率不是“越低越省電”而是必須落在廠商規(guī)定的范圍內。過高會導致光接收器飽和過低會導致信號無法正確恢復。日常運維中如果發(fā)現(xiàn)誤碼率上升第一步不是換模塊而是先用儀器檢測光纖端面是否被污染、光功率是否漂移。下面是采集多個端口光功率并報警的示例腳本這里使用ethtool作為演示工具#!/bin/bash # 文件路徑check_optics.sh # 功能檢查多個網(wǎng)口的光模塊接收功率輸出低于閾值的端口 THRESHOLD_DBM-12 for intf in eth0 eth1 eth2 eth3; do rx_power$(ethtool -m $intf 2/dev/null | grep Receiver signal average optical power | awk -F : {print $2} | awk {print $1}) if [ -z $rx_power ]; then echo $intf: 無法獲取光功率信息 continue fi echo $intf: RX power ${rx_power} dBm # 使用 awk 做浮點數(shù)比較 awk -v intf$intf -v p$rx_power -v t$THRESHOLD_DBM \ BEGIN { if (p t) print intf : 接收光功率低于閾值請檢查光纖鏈路 } done運行方式chmod x check_optics.sh ./check_optics.sh這里的-12 dBm只是一個示例閾值真實環(huán)境中必須參考你的光模塊規(guī)格書。不同速率、不同距離的光模塊接收靈敏度和告警閾值差別很大。10. 生產環(huán)境接入光互連時的調度配置示例光互連改造完成后集群軟件層也需要做配合。一個典型工作是讓調度器感知網(wǎng)絡拓撲盡量把通信量大的任務放到同一個交換域內。這里以一個簡化的調度策略配置文件為例展示拓撲感知調度的配置思路。實際場景中具體字段和參數(shù)以你的調度系統(tǒng)為準。# 文件路徑topology-aware-scheduling.yaml # 功能示意一個感知網(wǎng)絡拓撲的任務調度配置 apiVersion: scheduling.example.io/v1 kind: TopologyAwarePolicy metadata: name: gpu-training-policy spec: # 允許的跨交換機通信比例。比例越低調度器越傾向于把任務放到同一交換域內。 maxCrossSwitchTrafficRatio: 0.15 # 訓練任務關鍵通信模式 preferredCommunicationPattern: allreduce # 鏈路質量篩選調度 Worker 時排除光功率接近告警閾值的節(jié)點 linkHealthFilter: enabled: true metric: rx_power_dbm minThreshold: -12 # 親和規(guī)則優(yōu)先將同一任務的 Worker 調度到同一機柜 affinity: sameRackPreferred: true sameTorSwitchPreferred: true # 拓撲感知縮減光互連故障時優(yōu)先縮減跨交換機副本 failureHandling: shrinkCrossSwitchReplicasFirst: true這個文件的關鍵在于三點限制跨交換機流量比例避免光鏈路成為熱點。過濾健康狀態(tài)差的節(jié)點減少訓練中途的鏈路故障。故障時優(yōu)先縮減跨交換機副本保留機柜內的高帶寬低延遲鏈路。在實際生產環(huán)境這類配置通常要和集群管理平臺、任務編排系統(tǒng)聯(lián)動。光互連只是提供了更寬的管道真正讓管道高效運轉的仍然是軟件層的調度、監(jiān)控和容錯。11. 常見誤區(qū)與問題排查誤區(qū)一光互連就等于“距離無限遠”光模塊按傳輸距離分成 SR短距、DR/FR/LR中長距等不同規(guī)格。數(shù)據(jù)中心內部用的 SR 和 DR 模塊傳輸距離通常只有 100 米到 500 米超過距離同樣會出現(xiàn)信號衰減。不要因為看到“光”字就以為可以跨城傳輸。誤區(qū)二光模塊耗電一定比銅纜低在短距離3 米以內、低速率的場景下銅纜仍然更省電。光模塊的功耗優(yōu)勢主要體現(xiàn)在 800G 及以上速率、幾十米距離的場景。光互連是“在特定范圍內更優(yōu)”不是“全場景更優(yōu)”。誤區(qū)三光模塊故障就是模塊本身壞了實際運維中光功率異常往往不是模塊損壞而是光纖端面污染、連接器松動、彎曲半徑過小、跳線衰減過大。排查鏈路故障時先用光功率計測試再檢查光纖最后才考慮更換模塊。常見問題排查表問題現(xiàn)象可能原因排查方式解決方案鏈路頻繁 down光功率低于接收靈敏度查看 DDM 接收光功率閾值清潔光纖端面或更換跳線誤碼率上升激光器偏置電流異常檢查模塊溫度與偏置電流歷史改善散熱或更換模塊光模塊溫度過高機柜風道設計不合理檢查氣流方向和相鄰模塊溫度調整風扇策略或增加散熱訓練 AllReduce 時間波動大跨交換機鏈路擁塞查看網(wǎng)絡吞吐和光端口丟包統(tǒng)計調整拓撲感知調度降低跨交換機流量12. 對開發(fā)者的實際建議光互連的趨勢很明確但這篇文章最后想說的是不必急著追新硬件先把你知道的鏈路評估方法用起來。第一步看你的訓練腳本里是否有網(wǎng)絡等待。用nvidia-smi查看 GPU 利用率如果利用率持續(xù)低于 90%并且多個進程的通信階段占比很高網(wǎng)絡就是瓶頸。# 每隔 1 秒刷新一次 GPU 利用率和顯存使用 watch -n 1 nvidia-smi第二步看網(wǎng)絡是否存在重傳和丟包。光模塊和交換機端口都會上報 CRC 錯誤、丟包計數(shù)。如果發(fā)現(xiàn)端口錯誤在持續(xù)增長鏈路健康狀態(tài)已經亮紅燈。第三步評估集群規(guī)模到底在什么速率下需要換光。用前面給的帶寬估算腳本帶入自己集群的 GPU 數(shù)量、模型大小、同步時間目標算完之后再決定是繼續(xù)優(yōu)化拓撲還是升級光互連設備。13. 這輪融資真正值得關注的技術信號最后做一個技術信號層面的總結。Lumilens 拿到 700M 美元對這個行業(yè)的真正影響有兩個。第一資本開始認可硅光互連作為 AI 基礎設施的關鍵組件。過去硅光更多被當作“未來技術”在討論現(xiàn)在它已經進入“必須重資產投入、必須規(guī)?；慨a”的階段。數(shù)據(jù)中心光互連不再是一個配套產業(yè)而是決定集群規(guī)模上限的核心產業(yè)。第二光互連的競爭從“光模塊廠商之間的競爭”擴展到“光模塊廠商、交換芯片廠商、GPU 廠商、云廠商共同參與的生態(tài)競爭”。不同公司從不同角度切入同一個問題如何在十萬卡甚至百萬卡集群里實現(xiàn)極低功耗、極高密度、極高可靠性的數(shù)據(jù)互聯(lián)。對于普通開發(fā)者這輪融資的啟示是未來的大模型訓練、推理集群網(wǎng)絡會越來越像“光網(wǎng)絡”而不是“電網(wǎng)絡”。這會導致崗位技能隨之變化——懂光模塊運維、懂網(wǎng)絡拓撲、懂帶寬成本模型的人會比只懂單一環(huán)節(jié)的人更有競爭優(yōu)勢。這就是接下來值得投入的方向。