电信号的瓶颈、光的物理优势、大模型如何倒逼光互连，以及你手机里的每一次AI对话，背后都藏着一条光路。

你有没有想过，当你在AI大模型里输入一个问题，点击发送，到屏幕上弹出答案，这短短一两秒里，数据跑了多远？

你的问题被封装成网络包，从手机通过Wi-Fi或5G传到运营商骨干网，一路狂奔到云数据中心的GPU集群。集群里成千上万颗芯片协同计算，生成结果，再原路返回。这条“数据长征”中，真正承载信息的，不是铜线，不是同轴电缆，而是比头发丝还细的玻璃丝——光纤。

为什么非用光不可？为什么电信号不行？

一、电的“天花板”：传不远、传不快、传不稳

在数据中心内部，芯片之间、服务器之间、机柜之间需要交换海量数据。早期短距离互联用铜缆（DAC，直连铜缆）就行，但随着速率不断提升，电信号的物理瓶颈越来越明显。

衰减问题：电信号在PCB板或铜缆中传输时，电阻和趋肤效应会不断消耗信号能量。速率越高，频率越高，衰减越剧烈。10Gbps以上信号，在普通PCB上走几十厘米就需要中继放大；到了100Gbps、200Gbps，铜缆的有效传输距离被压缩到几米以内。

功耗问题：为了对抗衰减，需要用更强的驱动器和更复杂的均衡电路（如DSP），这些电路本身消耗大量功耗。高速SerDes（串行解串器）在112Gbps速率下，单通道功耗可轻松突破1W，交换机面板上几十个通道加起来，发热量惊人。

电磁干扰：高频电信号会像天线一样向外辐射噪声，互相串扰，信号完整性急剧恶化。为了屏蔽干扰，铜缆必须做得又粗又重，布线极其困难。

简单说，电信号在“高带宽 × 长距离”这个二维坐标系里，只能占据短距、低速那个角落。一旦速率突破100Gbps、距离超过数米，电就“喊不动”了。

二、光的“降维打击”：低损耗、抗干扰、高带宽

光纤中的光信号，工作机理完全不同。

全反射原理：光纤由芯层（高折射率，掺锗的SiO₂）和包层（低折射率，纯SiO₂石英玻璃）构成。光进入芯层后，在芯包界面发生全反射——入射光全部反射回芯层，几乎没有能量泄露。这就好比光在一条镜面管道里反复弹射前进，损耗极低。

极低衰减：石英光纤在1550nm窗口的典型损耗只有0.2dB/km。什么概念？一公里只衰减4.5%，99%以上的光功率能完整到达。相比之下，同速率电信号在铜缆上走100米就几乎不可识别。

巨大带宽：光纤的工作带宽在数十THz量级，单根光纤通过波分复用（WDM）可同时传输上百个波长，单通道200Gbps、400Gbps正在商用，实验室已突破单纤Pbps级传输。

抗干扰强：光信号不受电磁干扰，也不对外辐射，不同光纤之间天然隔离，布线极其灵活。

所以，光解决了三个核心诉求——传得远、传得快、传得稳。

三、AI大模型，把光通信逼上了“刚需”位置

如果只是普通互联网应用，电信号勉强还能凑合。但AI大模型的崛起，彻底打破了平衡。

一个千亿参数的大模型，光模型权重就占据几百GB存储空间，加上训练过程中的梯度、优化器状态、激活值，总内存需求轻松突破1TB。而单颗GPU的HBM（高带宽内存）通常只有80GB（如H100）或141GB（如MI300X）。哪怕是最顶级的GPU，也装不下整个模型和数据集。

所以，训练时必须频繁从外部存储（NVMe SSD、CPU内存）或其他GPU节点调入/调出数据。这些数据一旦离开芯片内部总线，就必须通过网络传输——而网络传输的物理层，正是光模块。

矛盾2：并行训练需要芯片间频繁同步

大模型训练不是单卡能完成的，必须把模型切分到成千上万颗GPU组成的集群上并行训练。典型的分布式训练（如数据并行、模型并行、流水线并行）中，每张卡每轮迭代都要交换梯度、激活值等中间结果，进行全局同步。

这些交换在芯片内部通过HBM和NVLink（NVIDIA的片间高速互连）完成，带宽可达900GB/s以上。但一旦数据要发给另一个机架、另一台服务器里的GPU，就必须离开芯片，走交换机、走光模块、走光纤——整个过程全靠光互连支撑。

矛盾3：物理距离与带宽的严重不匹配

数据中心内部，同一个机柜里的服务器距离几米，不同机柜间可能几十米，不同房间可能上百米。电信号铜缆（DAC）最多支撑3-5米的可靠传输，超过这个距离就严重失真。而AI集群往往横跨多个机柜、多个机房，铜缆根本无能为力。

此外，如果外部数据供应带宽跟不上计算核心的需求，再强的GPU也得“饿肚子”——利用率大幅下降。光互连的作用，就是确保数据“粮道”永远畅通。

HBM解决了“计算核心与内存墙”的内部矛盾，而光模块/光引擎解决了“芯片与外部世界”的外部矛盾。两者缺一不可，共同支撑起AI算力。

四、你手机里的AI，靠的是远方的光

像DeepSeek、ChatGPT这样的AI应用，工作模式是：

模型训练：在云数据中心，用成千上万张NVIDIA H800/A800/H100或华为昇腾等AI芯片组成超大规模集群，在海量数据上训练数月，耗电巨大。这一步绝对不可能在手机或普通电脑上完成。

模型部署与推理：训练好的模型被部署在云端服务器的GPU或专用推理芯片（如NVIDIA L4、华为昇腾）上。当你打开App提问时，App本身不包含大模型——它只有一个交互界面和网络通信代码。

云端交互：App把你的语音或文字打包成网络请求，通过API调用发送到云端服务器。服务器上的GPU集群运行模型推理，生成答案，再把结果通过光纤网络传回你的手机。

整个过程，你的问题变成电信号，电信号变成光信号，在光纤里跑几百公里，到GPU算完，再变成光跑回来，最后变成文字显示在屏幕上。你感觉不到延迟，但光已经奔波了数千公里。

这就是光通信在AI时代的价值——它不是锦上添花，而是生存刚需。

看完应用场景，相信大家已经明白光通信的产业价值。但光通信的核心载体 —— 光模块，如今也在经历技术迭代：从传统分立器件光模块，到集成度更高的硅光模块，技术路线正在发生巨变。 下一篇，我们将深入拆解传统光模块与硅光模块的技术差异、优劣势以及成本对比，带你看懂当下主流的两大技术路线。

光通信，为什么成了AI算力的“生命线”？

市场经理

人工智能

网络与通信

硬件

AI大模型时代，光通信成为数据传输刚需。电信号面临衰减、功耗和干扰等瓶颈，而光纤凭借低损耗、高带宽和抗干扰优势，支撑起AI训练与推理的海量数据交换。从手机提问到云端计算，每一次AI交互背后都依赖光路传输，确保数据在数百公里间高速稳定流动。光互连技术正推动AI算力突破物理限制。

数据中心

电磁干扰

服务器

DeepSeek

ChatGPT

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

光通信，为什么成了AI算力的“生命线”？

光通信，为什么成了AI算力的“生命线”？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐