CPO/NPO/可插拔怎么选？从OCP短距光互联SROI白皮书看AI光互联落地路径（上）

白皮书首次定义SROI为≤30米的全新光物理层应用域，该场景下光纤色散、衰减可忽略，系统约束转为功耗、成本、可靠性、端口基数、带宽密度；文中对比铜缆与多种光互联架构（可插拔LPO/RTLR、NPO近封装光学、CPO共封装光学、OCS光电路交换），给出功耗（单链路端pJ/b个位数）、FIT故障率、时延、带宽密度等量化系统指标，同时分析200G向400G演进中IMDD光传输、铜传输的技术边界。该文档并非硬件规格标准，旨在为IEEE 802.3、OIF、JEDEC等标准化组织以及产业链提供AI规模扩展互联的系统输入，推动面向多协议（UALink、ESUN、CXL、PCIe）统一短距光互联底座，缓解AI集群scale‑up互联瓶颈。

一、AI算力扩张的底层困局：互连成了第一性能瓶颈 前沿AI模型的训练算力需求正以每年4.5倍的速度爆发式增长，模型参数从百亿级跃升至万亿级，单加速器的算力与内存容量已完全无法支撑。行业被迫通过大规模分布式并行训练突破物理极限，而互连网络也从辅助组件升级为AI集群的核心性能瓶颈——任何带宽与时延的损耗，都会直接导致高价XPU闲置，拉长训练周期并推高基础设施成本。 从当前主流前沿大模型的训练配置来看，单设备的算力与内存容量与训练需求之间的缺口已达数量级：

与此同时，AI加速器本身也面临着严峻的“内存墙”与“带宽墙”双重约束。一方面，万亿参数模型的训练内存需求远超单卡HBM容量；另一方面，计算核心的算力增长远快于内存带宽增长，导致核心经常处于等待数据的空闲状态，实际算力利用率远低于理论峰值。 主流AI加速器的核心算力与内存配置对比如下：

现代AI训练通过多维度并行策略实现算力拆解，每一种并行模式都对底层网络提出了严苛要求：

- 数据并行（DP）：产生持续高带宽的All-Gather/Reduce-Scatter流量，依赖网络二分带宽； - 张量并行（TP）：要求极低时延的All-Reduce通信，瓶颈在于节点内互连时延； - 流水线并行（PP）：形成点到点的串行数据流，瓶颈在于跨阶段带宽； - 专家并行（EP）：生成稀疏的All-to-All流量，对全连接时延与带宽要求极高。

这些并行策略共同催生了大规模、长持续时间的“大象流”，且以RDMA内存语义流量为主。与传统数据中心“南北向”流量不同，AI集群90%以上是“东西向”的XPU间通信，低熵特性导致传统负载均衡机制失效，倒逼网络架构向专用化方向演进。 二、SROI：定义一个全新的光互连距离域 传统光通信标准（如IEEE 802.3定义的DR、FR等级）均针对500米以上的中长距场景优化，核心解决光纤衰减、色度色散、光信噪比等信道损伤问题。但在AI集群的机架内/跨机架场景（距离≤30米），单模光纤的插入损耗与色散几乎可以忽略，传统光模块的信道补偿设计完全冗余，反而带来不必要的功耗、成本与复杂度。 SROI（Short Reach Optical Interconnect，短距光互连）正是针对这一场景定义的全新光互连距离域，其核心设计目标从“信道补偿”转向“端点集成效率”，核心优化方向包括： 1. 封装/面板处的光通道密度； 2. 超大聚合带宽下的单位比特能效； 3. 机架级海量通道下的单通道成本； 4. 匹配内存语义计算的高可靠性。 SROI的定位可类比电互连领域的XSR/VSR等级，是一种协议无关的通用光物理层，可同时承载UALink、ESUN、PCIe Gen6/7、CXL等多种协议，通过跨协议的体量聚合驱动成本下降与可靠性成熟，避免碎片化的协议专用光方案。 三、AI Scale-Up光网络的三大核心挑战 AI Scale-Up网络与传统前端以太网在设计目标上存在本质差异，面临三大独特挑战： 1. 高Radix（基数）需求

Scale-Up网络采用全连接Mesh架构，每台加速器都需要与所有交换机直接相连，交换机的Radix（端口数）直接决定了Pod可容纳的加速器数量。其核心关系为：  Pod内加速器数量 = 交换机总I/O带宽÷单链路带宽

链路带宽与Pod规模存在天然权衡：小带宽链路可支撑更大规模的集群，但单加速器通信带宽更低；大带宽链路性能更强，但会限制集群规模。以单加速器6.4Tbps I/O带宽为例，交换机总带宽从25.6T提升至102.4T时，可支撑的加速器数量将实现4倍增长。

2. 互操作性约束 Scale-Up链路要求两端接口严格匹配，既可以采用IEEE 802.3标准光接口（如800GBASE-FR4/DR4），也可以采用定制化非标准接口。由于机架内光纤数量庞大，非标准方案可通过优化设计实现更低功耗与更少光纤数量，但会牺牲多厂商互通性，系统架构师需要在性能与生态之间做权衡。

3. 功耗主导效应 光收发器的重定时架构分为三类：无重定时（non-retimed）、发送端重定时（tx-retimed）、全重定时（fully-retimed），重定时能力越强，功耗越高。

对72加速器的典型机架系统测算显示：Scale-Up侧的重定时架构选择对总功耗的影响远大于Scale-Out侧——Scale-Up侧不同方案的功耗差距可达数倍，而Scale-Out侧从重定时到无重定时的变化对总功耗影响很小。因此，Scale-Up场景的光架构选择是整个集群功耗的核心决定因素。

四、现代AI Fabric的网络分层：Scale-Up与Scale-Out的本质差异

现代AI集群的网络分为两个层级，二者在设计哲学与性能指标上存在数量级差异：

从当前主流AI加速器的实际网络配置来看，Scale-Up与Scale-Out两层网络的规格差异更为直观：

主流加速器Scale-Up网络规格对比

主流加速器Scale-Out网络规格对比

Scale-Up网络的终极目标是构建“虚拟单GPU”，让整个集群的内存与算力对上层软件透明，因此其性能直接决定了AI集群的实际算力利用率。 在交换技术层面，Scale-Up场景存在两条技术路线： - 电交换：将光链路在交换机处终结为电信号，通过交换芯片转发，技术成熟但会引入额外功耗与时延；

- 光交换（OCS）：光信号直接通过光开关完成路径切换，无需光电转换，天生具备低时延、零交换功耗的优势，可实现动态光纤级拓扑重构。

白皮书对比了五类OCS技术的核心参数：

• 机械臂式：秒级切换，插入损耗 < 0.5dB，串扰 <-60dB，体积大；
• 自由空间 MEMS：毫秒级切换，插入损耗 1~3dB，串扰 - 40~-55dB，技术成熟；
• 硅基液晶（LCoS）：毫秒级切换，插入损耗 1~3dB，支持多波长；
• 压电式：毫秒级切换，串扰可达 - 50dB；
• 波导型：纳秒～微秒级切换，插入损耗 3~10dB，体积最小，适合细粒度动态重构。