"当算力增长逼近物理极限，真正决定AI上限的，不再是GPU数量，而是数据在芯片之间流动的速度。"
【如需和我们交流可扫码添加进社群】
在英伟达GTC大会即将召开之际，全球AI产业的目光再次聚焦于黄仁勋的 keynote。
但这一次，市场的期待可能正在发生微妙变化：除了新一代GPU的性能参数，投资者开始更关注一个此前被低估的领域——光通信。
当AI集群规模从数千卡迈向数十万卡，当模型参数从千亿级突破万亿门槛，一个更深层的瓶颈正在浮现：算力增长的极限，不再取决于单颗芯片的峰值性能，而取决于数据在芯片之间、服务器之间、数据中心之间的流动效率。
这或许意味着，AI硬件投资的下一条主线，正在悄然切换。
算力瓶颈转向"数据流动"：
AI网络成为新战场
过去两年，AI产业几乎所有关注点都集中在GPU本身。从NVIDIA的H100到Blackwell架构，从AMD的MI300到自研芯片的崛起，市场围绕算力芯片展开了一场规模空前的资本竞赛。估值、产能、交付周期，每一个变量都被反复定价。
但随着AI集群规模进入数万乃至数十万GPU时代，一个更深层的问题开始浮现——算力增长的瓶颈正在从计算转向通信。
在大规模AI训练中，GPU之间的数据交换量呈指数级增长。以万亿参数模型为例，单次前向传播需要在数千张GPU之间同步梯度与激活值，数据交换量可达TB级别。当集群规模扩大，网络带宽、时延和功耗开始成为决定训练效率的关键变量。
这意味着，AI算力网络的核心逻辑正在发生根本性变化：GPU不再是唯一瓶颈，光通信正在成为新的基础设施。
在传统数据中心，网络带宽往往按"过剩"设计，因为计算任务相对独立。但在AI集群中，所有GPU需要高频协同，网络利用率可长期维持在80%以上。此时，任何带宽瓶颈或时延抖动，都会直接拖慢整体训练进度。
正因如此，即将到来的英伟达GTC大会，被视为AI互联技术的重要分水岭。市场关注的焦点，不再只是新一代GPU的算力提升，而是围绕Scale Out（横向扩展）与Scale Up（纵向扩展）的网络架构升级。
Scale Up关注的是单机柜内GPU的互联密度提升，要求更高带宽、更低时延的片间通信；Scale Out则聚焦跨机柜、跨数据中心的集群扩展，要求更高效的光互联方案。在这场变革中，传统光模块架构正在被新一代技术替代。而谁能率先突破互联瓶颈，谁就可能在下一轮AI军备竞赛中占据先机。
CPO与NPO崛起：
光模块进入"架构革命"
要理解光通信为何成为新焦点，需要先回顾传统数据中心网络的架构局限。
在传统设计中，光模块通常以独立组件存在，通过PCB板与交换芯片连接。
这种"可插拔"架构优势在于灵活性强、更换方便，但在AI超大规模集群中开始暴露明显问题：首先是功耗过高，电信号在PCB板上传输距离越长，损耗越大，需要更高功率驱动；其次是带宽受限，单通道速率逼近物理极限，难以满足TB级互联需求；最后是信号损耗严重，高频信号在长距离传输中衰减明显，影响集群同步效率。
解决方案正是市场热议的两条新技术路线——CPO（共封装光学）与NPO（近封装光学）。
CPO的核心逻辑，是将光引擎直接与交换芯片封装在同一基板上，从而大幅缩短电信号传输距离，降低功耗与损耗。
理论上，CPO可将互联功耗降低30-50%，同时支持更高带宽密度。
NPO则采取折中方案：光引擎与交换芯片封装在相邻位置，通过更短的内部互联实现类似效果。
虽然性能略逊于CPO，但工艺难度更低，产业化节奏更快。
即将亮相的GTC大会上，英伟达预计将展示三款关键CPO交换机产品。
首先是Quantum 3400，采用InfiniBand协议结合CPO技术，预计2027年初量产，主要面向AI训练集群内部互联场景；其次是以太网6800，基于Ethernet协议与CPO架构，预计2026年底量产，服务于通用数据中心的Scale Out需求；最后是以太网6810，采用Ethernet协议搭配NPO方案，同样预计2026年底量产，定位为过渡期的混合部署方案。
这些产品标志着CPO技术从实验室走向产业化的重要一步。
更关键的是，供应链的准备速度正在明显加快。市场消息显示，TSMC在相关封装环节的良率已提升至约90%，而CW光源、Shuffle和FAU等关键环节的供应链也已进入备货阶段。
这意味着一个重要信号：CPO正在从技术验证阶段，进入产业化前夜。
一旦进入量产周期，光模块产业链的价值结构将被彻底重塑。传统可插拔光模块厂商若无法快速切换技术路线，可能面临份额流失；而提前布局CPO/NPO的公司，则可能享受新一轮估值溢价。
英伟达锁定供应链：
光引擎需求或迎爆发
真正引发市场关注的，是英伟达在GTC大会前夕的一笔战略投资。
据多方消息，英伟达斥资40亿美元入股两大光通信巨头——Coherent Corp与Lumentum。在投行看来，这并不仅仅是财务投资，而是典型的供应链锁定策略。
随着下一代AI服务器架构升级，光引擎需求可能出现爆发式增长。而英伟达通过股权绑定，确保在产能紧张时优先获得供应，同时深度参与技术路线定义。
在Scale Up架构方面，英伟达预计将在GTC展示Rubin Ultra光入柜方案。这一方案的关键变化在于：不仅交换芯片与光引擎共封装，网卡也可能与光引擎共封装。
这将带来一个巨大的需求变化：单GPU对应的光引擎数量，可能提升至约5.5个。
作为对比，当前H100架构下单GPU对应的光模块数量约为1-2个。如果Rubin Ultra架构得到确认并大规模部署，光引擎的需求增速将远超GPU本身。
具体来看，H100架构时代，单GPU对应光引擎数量约1.5个，互联带宽需求在400G至800G之间，功耗优化以当前水平为基准；进入Blackwell架构后，单GPU对应光引擎数量提升至约3个，互联带宽需求跃升至800G至1.6T，功耗优化目标降低20%；而到了Rubin Ultra阶段，单GPU对应光引擎数量可能达到5.5个，互联带宽需求进一步攀升至1.6T至3.2T，功耗优化目标则瞄准降低40%。
换句话说，在未来的AI服务器架构中，光引擎可能从"配套组件"升级为"核心瓶颈"。
如果这一架构在GTC大会上得到确认，市场对于光模块产业链的估值体系可能需要重新定价。传统按"光模块数量×单价"的测算框架，可能低估了CPO时代的技术溢价与集中度提升。
结语：AI算力主线，
可能正在悄然切换
过去两年，AI投资主线几乎完全围绕GPU展开。从英伟达的市值飙升，到AMD、Intel的追赶叙事，再到各国自研芯片的政策支持，算力芯片享受了前所未有的估值溢价。
但科技产业的规律往往是：当核心硬件逐渐被市场充分定价，新的瓶颈就会诞生新的投资机会。
在AI集群规模不断扩张的背景下，算力竞争的核心正在发生迁移：从芯片算力，到数据互联。
而光通信，正是这场变革的核心基础设施。
如果GTC大会释放出明确的CPO产品化信号，那么AI硬件的下一条主线，很可能不再只是GPU。光模块产业链，或许正站在爆发前夜。
对投资者而言，关键不在于预测技术路线的最终胜负，而在于识别"产业化拐点"：哪家公司的CPO/NPO方案率先通过大客户验证？哪个环节的供应链瓶颈最可能制约量产节奏？哪种商业模式能在技术迭代中保持议价权？
当这些问题开始有明确答案时，光通信的投资价值才真正显现。
历史不会简单重复，但往往押着相同的韵脚。当市场因GPU估值高企而犹豫时，或许正是重新审视AI基础设施全貌的最佳时机。
真正的算力革命，从来不只是芯片的故事。
精彩评论