光芯片：黄仁勋/陈立武联手投了

转载来源：光头条 光芯片：黄仁勋/陈立武联手投了 http://mp.weixin.qq.com/s?__biz=MzYyMzA2MzA2Mg==&mid=2247485414&idx=1&sn=cd592317f20d012c41b0acd52a2d6fda&scene=45#wechat_redirect

一、英伟达英特尔联手，投资CScale，为什么？

AI芯片正在变得越来越快，但一个新的问题正在出现：芯片之间的数据传输速度开始追不上计算速度。

训练一个大型AI模型，并不是一颗GPU独自完成所有计算，而是成千上万颗GPU共同工作。

GPU之间需要不断交换数据。

集群规模越大，需要移动的数据就越多。

如果互连速度不够快，GPU就可能出现“等数据”的情况，再强的算力也无法完全释放。

这也是为什么AI产业正在从“计算芯片竞争”进入“计算+互连竞争”。

CScale瞄准的正是这个市场。

它希望面向未来数十个机架、数千颗甚至更多AI加速器组成的超大规模计算系统，用光互连逐渐解决铜互连在距离、带宽密度和功耗方面的问题。

而且CScale关注的不只是速度。

它更希望解决超大规模光互连的可靠性问题。

当AI基础设施规模达到数百MW甚至GW级时，即使单个器件的故障率很低，系统中数以万计器件叠加之后，故障也会变成一个必须面对的问题。

因此，未来AI互连竞争的指标可能不再只是“多少Tbps”。

还要看系统能不能一直稳定运行。

二、铜互连为什么正在逼近极限？

今天的数据中心其实早已大量使用光纤。

但在服务器、交换机以及机柜内部，铜互连仍然占据重要位置。

原因非常简单。

铜便宜、成熟，而且短距离传输非常好用。

如果只有几十厘米甚至几米，完全没有必要为了追求技术先进而全部换成光。

所以行业一直存在一个非常现实的原则：

能用铜，就尽量用铜。

真正的问题来自AI算力的快速增长。

当网络从几十Gbps走向100G、400G、800G乃至更高速度之后，高速电信号通过PCB和铜缆传输越来越困难。

速率越高，距离越长，信号衰减、串扰和功耗问题越明显。

为了让电信号传得更远，还需要加入Retimer、DSP等信号调理器件。

这又会增加功耗、成本和散热压力。

于是AI数据中心出现了一个非常有意思的趋势：

铜连接正在越来越短。

光连接正在越来越靠近芯片。

过去可能需要让高速电信号在PCB上走几十厘米，再进入光模块。

未来则希望把电光转换的位置不断向ASIC、GPU等核心芯片靠近。

目的只有一个：电少走一点，光多走一点。

三、DAC、AEC、NPO、CPO到底是什么？

铜并不会突然消失。

产业正在想各种办法给铜互连“续命”。

最常见的是DAC，也就是Direct Attach Copper，直连铜缆。

DAC成本低、功耗低，非常适合机柜内部的短距离连接，因此目前依然被大量使用。

但随着速度和距离提高，纯铜传输越来越困难。

于是出现了AEC，也就是Active Electrical Cable，有源电缆。

可以把AEC理解成“加强版铜缆”。

它在线缆两端加入信号处理芯片，对高速电信号进行恢复和补偿，让铜能够传得更远、更快。

Credo就是这一市场的重要推动者之一。（点击看：Credo发布2.0战略：从芯片走向全域AI互联）

但再继续提高速度，产业就开始考虑直接向光迁移。

首先是NPO。NPO即Near-Packaged Optics，近封装光学。

它把光引擎放到交换芯片附近，缩短高速电信号在PCB上的传输距离。

再进一步就是CPO。CPO即Co-Packaged Optics，共封装光学。

它把光引擎和交换ASIC等核心芯片进一步放进同一个封装体系。

可以简单理解为：

传统光模块：芯片 → 较长PCB电互连 → 光模块 → 光纤。

NPO：芯片 → 较短电互连 → 光引擎 → 光纤。

CPO：芯片 → 封装内光引擎 → 光纤。

从DAC、AEC到NPO、CPO，技术路线看似复杂，其实都在解决同一个问题：让高速电信号传输的距离越来越短。

四、CScale真正特别在哪里？

CScale的路线又向前走了一步。

它希望利用硅光子技术、高密度III-V族激光阵列和光纤连接，把光进一步推向AI计算芯片。

这里首先需要理解硅光的一个特点。

硅非常擅长制造光波导、调制器等器件，可以利用成熟半导体工艺在芯片上“控制光”。

但硅并不擅长高效产生激光。

因此很多硅光系统仍然需要InP等III-V族化合物半导体材料提供激光光源。

CScale希望把高密度III-V激光阵列、硅光芯片以及光纤互连结合起来。

但真正值得关注的并不仅仅是把激光器做得更密。

而是可靠性。

传统思路往往把激光器与核心芯片分离。

一个重要原因就是激光器存在失效可能，分离之后更方便维修和替换。

CScale则希望从系统架构上解决这个问题。

即使某一个激光器或者某条光链路发生故障，也尽量不要让整个AI计算任务中断。

Martin Lund对此给出了一个非常直观的解释：

“激光器会发生故障，但计算不应该发生故障。”

所以CScale真正想卖的并不只是一个更快的光引擎。

它希望构建的是一套面向超大规模AI基础设施的高可靠光互连架构。

五、Optical I/O可能成为AI芯片的下一场战争

如果把AI互连技术的发展画成一条路线，会非常直观。

铜互连 → AEC → 可插拔光模块 → NPO → CPO → Optical I/O。

越往后，光就越靠近芯片。

到了Optical I/O阶段，光互连可能进一步进入计算芯片附近甚至先进封装内部。

这意味着光通信产业的角色正在发生变化。

过去，光主要负责连接交换机和交换机。

后来，光开始连接服务器和交换机。

未来，它可能直接承担GPU、ASIC以及其他AI加速器之间的高速数据交换。

届时竞争的重点，也可能不再只是“一个光模块能做到800G还是1.6T”。

而是：

如何用最低功耗，把数千甚至数万颗AI芯片连接成一台巨大的计算机？

CScale试图给出的答案，就是硅光+III-V激光阵列+高密度Optical I/O+系统级容错。

因此，它做的并不是简单的“光替铜”。

更准确地说，它希望让光从数据中心的网络基础设施，进一步进入AI计算基础设施。

随着GPU性能继续提高，AI算力竞争正在出现一个重要变化：

过去大家争的是“谁算得更快”。

未来还要争“谁连接得更快、更省电、更可靠”。

这可能正是英伟达和英特尔相关投资机构同时出现在CScale融资名单背后的产业背景。

欢迎报名，合作联系（班老师18688715500）