光传输，迈向3.2T！

2025年，AI大模型赛道竞争白热化。以ChatGPT、Grok、DeepSeek与Gemini为代表的全球四大主流通用语言模型，正经历一场前所未有的技术迭代与商业格局重塑。
 
ChatGPT依托封闭的MoE（Mixture of Experts）架构构建出领先的多模态生态体系，其成熟的API服务体系已占营收的70%，展现出极强的变现能力；Grok则以动态推理网络为核心，主打实时数据响应，并通过与X平台深度捆绑实现商业化突破；DeepSeek以开源模型为基础，针对中文场景深度优化，广泛部署于政企私有化系统中，快速拓展本地市场；Gemini则依托Google Pathways系统，具备强大的算力基座，且已深度集成至Workspace生态，打通了办公与AI应用的边界。
 
在这场大模型技术与生态竞速的背后，是AI巨头们在2025年持续加码的资本投入与算力争夺。而AI应用对高速、低延迟数据交互的需求，也正成为推动光通信技术快速演进的关键驱动力。
 
4月23日，在第三届九峰山论坛暨化合物半导体产业博览会的下午论坛上，华工正源光子技术有限公司总经理胡长飞发表了《光速智变：解码DSP Base、LPO/LRO、NPO/CPO，迈向3.2T的光传输技术驱动AI算力跃迁》主题演讲。
 
光模块，AI的赋能者
 
如果将AI比作一个人，GPU无疑是AI的“心脏”，LLM（大规模语言模型）则是AI的“大脑”，而数据是AI的“血液”。在这个类比中，光模块便是AI的“动脉”，是确保数据在AI系统中高效流动的核心部件。光模块不仅是AI的赋能者，它的作用日益凸显，特别是在大规模计算和数据传输中，起到了至关重要的作用。
 
作为AI系统的动脉，光模块通过高速、低能耗、低延时的连接方式，确保了海量数据在神经网络中快速流动，进而促进GPU强大计算能力的发挥，使得大模型和新算法得以验证，从而推动AI技术的快速发展。
 
在Spine-Leaf-TOR（Top of Rack）架构中，光互联技术可以将GPU扩展到上万甚至十万卡的集群。这种高速连接使得AI系统能够在大规模计算中高效工作，为高性能计算提供了强有力的支撑。
 
光模块，加速演进
 
随着对数据传输速率和网络可靠性的要求不断提高，光模块的设计正在不断优化与革新。传统的网络交换机和光模块设计通常依赖多个独立的组件，使用复杂的光纤连接方式进行数据传输。尽管这种设计在早期能够满足数据传输的需求，但随着网络规模的扩大以及数据处理能力的增加，传统的分散设计逐渐暴露出局限性，亟需更高效的解决方案。
 
集成硅光子（SiPh）模块技术应运而生，它通过将多个光学功能集成到单一的封装中，显著简化了模块的结构。与传统设计相比，集成硅光模块减少了约30%的零部件数量，从而降低了成本，提升了可靠性，并大幅提高了传输效率。同时，基于InP/GaAs化合物半导体的高速光芯片，成为了高速连接的核心驱动。
 
光模块的技术演进路径，逐渐从当前的单波长100G、400G、800G DR4/DR8技术，向未来单波长200G、400G 3.2T DR8/2xFR4技术，以及共封装（CPO）单波长100G、200G的MRM DR/FR Trx技术发展。这一演变不仅代表了传输速率的提升，还反映了光模块在集成度、成本、功耗等方面的不断优化。
 
目前，光模块的主要技术路线包括DPO（Digital Optical Process）、LPO（Low Power Optical）、NPO（New Power Optical）和CPO（Co-Packaged Optics）。其中，DSP基于的DPO技术具备MPI检测和回环功能，适用于问题排查，但并非每个应用场景都必须采用这些功能。LPO和CPO则需要通过ASIC芯片实现MPI检测功能，且CPO的电气通道长度较短，功耗相对较低。


 
从DPO到CPO，光模块的功耗呈现出显著差异，以1.6T DR8模块为参考，DPO的功耗最高，大约为25W，而LPO功耗约为15W，CPO和LPO的功耗相对较低，通常在10W左右，体现了CPO技术的明显优势。
 
共封装光学技术（CPO）被视为最具潜力的光互连技术。英伟达（NVIDIA）已经在其InfiniBand和以太网交换机中引入了CPO技术，接下来NVLink交换机是否也会采用共封装光学技术成为业界关注的重点。
 
值得一提的是，作为全球排名前八的光模块厂商，华工正源正在研发3.2T CPO模块，华工正源的这一技术进展将为光通信领域带来深远影响。