AI模型越做越大，算力越来越强，但一个新的问题也开始浮出水面：芯片算得够快，数据却未必来得及送到。
近日，包括南洋理工大学（NTU）研究人员在内的国际团队在《Nature Electronics》发表综述文章，系统梳理共封装光学（Co-Packaged Optics，CPO）在高性能计算和人工智能领域的发展路线。研究认为，随着AI集群不断扩大，传统电互联面临的带宽、延迟和能耗压力日益突出，而光互联可能成为下一代AI基础设施的重要方向。
AI集群越大，数据传输越容易堵
今天的大型AI系统往往需要连接大量GPU、内存和其他计算组件。模型规模不断扩大之后，真正限制系统性能的，已经不只是芯片本身的计算速度，还有芯片之间能不能及时完成海量数据交换。
传统电互联主要依靠电信号在金属线路中传输，但当传输速率持续提高、距离增加时，电阻损耗、电容效应以及高频信号失真等问题会变得更加明显，进一步影响带宽、延迟和能源效率。
这并不意味着铜线会立即退出数据中心，而是意味着单纯依赖更长、更高速的电连接越来越难满足大型AI集群的需求。
共封装光学正是在这样的背景下受到关注。它将光学收发组件放到更靠近处理器的位置，让高速数据尽早从电信号转换为光信号，再通过光学通道传输，从而减少高速电信号需要经过的距离。
NTU参与国际团队，梳理CPO发展路线
这项研究并非NTU单独完成，而是来自多个高校和产业机构的国际合作。
其中，NTU的 Georgii Zograf 和 Sang Hoon Chae 均来自电气与电子工程学院以及材料科学与工程学院。Georgii Zograf是论文的共同贡献作者之一，参与论文初稿撰写和资料研究；Sang Hoon Chae则是论文的通讯作者之一，并参与论文审阅和修改。
研究团队重点分析了光学芯片间互联和共封装光学的发展方向，并梳理出从二维共封装，到基于中介层的2.5D集成，再到3D异质集成的技术路线。
简单来说，未来的方向不是单纯把服务器中的一根铜线换成一根光纤，而是让电子芯片和光学器件靠得越来越近，甚至在同一封装体系中协同工作。
研究还提出了面向下一代AI基础设施的一系列技术目标，包括单个计算节点带宽超过 100 Tb/s、数据传输能耗低于 1 pJ/bit，以及芯片间延迟低于 10 ns。这些数字代表的是未来技术发展的目标，而不是团队已经实现的实验纪录。
光互联前景巨大，但离全面普及还有距离
如果CPO进一步成熟，它带来的价值并不只是更高的传输速度。
相比长距离高速电互联，光学通道具有较低的传播损耗、更大的带宽潜力和较好的信号完整性，因此有望降低大型AI系统在数据搬运环节的能耗压力。
从更长期来看，研究团队还展望了一种更加以光学连接为核心的计算架构，让处理器、内存以及不同AI加速器之间能够通过光互联进行更高效的数据交换。
不过，光互联并不是已经解决所有问题的“万能答案”。论文同时指出，要真正实现大规模应用，CPO仍需要解决散热、制造良率、成本、可靠性以及行业标准化等一系列挑战。
因此，这项研究更像是为下一代AI硬件绘制了一张路线图：当计算芯片继续变强，如何让数据跟得上算力增长，正在成为新的竞争焦点，而光互联很可能是其中的重要方向。
📌 要点总结✦ NTU研究人员参与国际联合研究，系统梳理共封装光学技术如何缓解AI和高性能计算中的数据传输瓶颈。✦ 研究提出从2D到2.5D再到3D异质集成的发展路线，并将超过100 Tb/s带宽、低于1 pJ/bit能耗等列为下一代技术目标。✦ 光互联有望提升AI基础设施的带宽和能源效率，但散热、制造、成本、可靠性与标准化等问题仍需进一步解决。 当AI芯片越来越快，下一场算力竞赛，或许不只是比谁算得更快，还要比谁能把数据送得更快。你觉得光互联会成为未来AI数据中心的标配吗？
