AI模型越做越大，算力越來越強，但一個新的問題也開始浮出水面：晶片算得夠快，數據卻未必來得及送到。
近日，包括南洋理工大學（NTU）研究人員在內的國際團隊在《Nature Electronics》發表綜述文章，系統梳理共封裝光學（Co-Packaged Optics，CPO）在高性能計算和人工智慧領域的發展路線。研究認為，隨著AI集群不斷擴大，傳統電互聯面臨的帶寬、延遲和能耗壓力日益突出，而光互聯可能成為下一代AI基礎設施的重要方向。
AI集群越大，數據傳輸越容易堵
今天的大型AI系統往往需要連接大量GPU、內存和其他計算組件。模型規模不斷擴大之後，真正限制系統性能的，已經不只是晶片本身的計算速度，還有晶片之間能不能及時完成海量數據交換。
傳統電互聯主要依靠電信號在金屬線路中傳輸，但當傳輸速率持續提高、距離增加時，電阻損耗、電容效應以及高頻信號失真等問題會變得更加明顯，進一步影響帶寬、延遲和能源效率。
這並不意味著銅線會立即退出數據中心，而是意味著單純依賴更長、更高速的電連接越來越難滿足大型AI集群的需求。
共封裝光學正是在這樣的背景下受到關注。它將光學收發組件放到更靠近處理器的位置，讓高速數據儘早從電信號轉換為光信號，再通過光學通道傳輸，從而減少高速電信號需要經過的距離。
NTU參與國際團隊，梳理CPO發展路線
這項研究並非NTU單獨完成，而是來自多個高校和產業機構的國際合作。
其中，NTU的 Georgii Zograf 和 Sang Hoon Chae 均來自電氣與電子工程學院以及材料科學與工程學院。Georgii Zograf是論文的共同貢獻作者之一，參與論文初稿撰寫和資料研究；Sang Hoon Chae則是論文的通訊作者之一，並參與論文審閱和修改。
研究團隊重點分析了光學晶片間互聯和共封裝光學的發展方向，並梳理出從二維共封裝，到基於中介層的2.5D集成，再到3D異質集成的技術路線。
簡單來說，未來的方向不是單純把伺服器中的一根銅線換成一根光纖，而是讓電子晶片和光學器件靠得越來越近，甚至在同一封裝體系中協同工作。
研究還提出了面向下一代AI基礎設施的一系列技術目標，包括單個計算節點帶寬超過 100 Tb/s、數據傳輸能耗低於 1 pJ/bit，以及晶片間延遲低於 10 ns。這些數字代表的是未來技術發展的目標，而不是團隊已經實現的實驗紀錄。
光互聯前景巨大，但離全面普及還有距離
如果CPO進一步成熟，它帶來的價值並不只是更高的傳輸速度。
相比長距離高速電互聯，光學通道具有較低的傳播損耗、更大的帶寬潛力和較好的信號完整性，因此有望降低大型AI系統在數據搬運環節的能耗壓力。
從更長期來看，研究團隊還展望了一種更加以光學連接為核心的計算架構，讓處理器、內存以及不同AI加速器之間能夠通過光互聯進行更高效的數據交換。
不過，光互聯並不是已經解決所有問題的「萬能答案」。論文同時指出，要真正實現大規模應用，CPO仍需要解決散熱、製造良率、成本、可靠性以及行業標準化等一系列挑戰。
因此，這項研究更像是為下一代AI硬體繪製了一張路線圖：當計算晶片繼續變強，如何讓數據跟得上算力增長，正在成為新的競爭焦點，而光互聯很可能是其中的重要方向。
📌 要點總結✦ NTU研究人員參與國際聯合研究，系統梳理共封裝光學技術如何緩解AI和高性能計算中的數據傳輸瓶頸。✦ 研究提出從2D到2.5D再到3D異質集成的發展路線，並將超過100 Tb/s帶寬、低於1 pJ/bit能耗等列為下一代技術目標。✦ 光互聯有望提升AI基礎設施的帶寬和能源效率，但散熱、製造、成本、可靠性與標準化等問題仍需進一步解決。 當AI晶片越來越快，下一場算力競賽，或許不只是比誰算得更快，還要比誰能把數據送得更快。你覺得光互聯會成為未來AI數據中心的標配嗎？
