问题——大模型训练“算得快”不等于“训得快” 随着人工智能训练任务从百卡规模迈向千卡以上，集群效率越来越受制于“卡与卡之间如何通信”。分布式训练中，参数同步、梯度汇聚、张量并行等环节需要频繁交换海量数据，互连一旦出现拥塞或延迟抬升，就会放大为全局等待，造成算力闲置。业内测算表明，互连能力不足可能使系统有效利用率显著下降，即便单卡峰值指标再高，也难以转化为端到端训练吞吐。 原因——电互连逼近天花板，通用方案难解规模化难题 一上，板内与机架内高速互连长期依赖以铜缆为主的电互连方案。其优势于延迟低、部署成熟，适用于百卡以内的相对紧凑型集群。但当规模扩大，信号衰减、线缆长度与端口密度等物理约束凸显，跨机柜布线复杂度上升，功耗与散热压力随之加大，带宽增速难以持续匹配算力的快速跃升。 另一上，跨节点与跨机柜场景中，PCIe与InfiniBand等通用互连承担了扩展任务。PCIe具备通用性强、生态成熟等特点，但多跳与大规模分叉场景下，时延与共享带宽问题更为突出；InfiniBand依托RDMA等技术在高性能计算领域应用广泛，但在超大规模训练中仍面临功耗、成本与网络拥塞管理的挑战。对需要毫秒级乃至更低同步开销、并伴随海量参数更新的训练任务来说，“可用”与“高效”之间的差距，正在成为影响训练周期与成本的关键变量。 影响——互连升级牵动产业链，系统能力成为竞争新焦点 互连从“配角”走向“主角”，带来多重产业影响。其一，平台化与一体化趋势加速。谁能提供从加速卡、交换芯片到光模块与整机集群的协同方案，谁就更可能在下一代训练平台标准与生态构建中占据主动。其二，传统电互连路线面临迭代压力。随着规模继续扩张，依赖铜缆的方案需要在带宽密度、能效与可扩展性上持续突破，否则在超大规模场景中竞争力将被削弱。其三，系统级工程能力的重要性上升。互连并非“替换线缆”即可见效，还涉及缓存一致性、拓扑设计、拥塞控制与软件栈适配等系统工程，决定带宽优势能否真正转化为训练效率。 对策——光电融合加快落地，硅光互联成为重要选项 在多方需求推动下，硅光互联被视为突破路径之一，即将更多高带宽链路由电信号转向光信号传输。业内普遍认为，其潜在优势主要体现在三上：一是带宽与密度提升空间更大，单纤可承载更高吞吐，利于满足未来更高并发的数据交换；二是端到端时延与规模扩展更可控，适配更大规模集群的跨机柜、跨机房互联需求；三是能耗与布线压力有望下降，在带宽持续增长的同时，有助于缓解数据中心功耗与散热约束，降低总拥有成本的不确定性。 从产业进展看，网络与光通信企业正推动硅光模块标准化与规模化供给，加速卡与系统厂商也在探索将光引擎与计算加速更紧密地集成。多方协同的关键在于打通“芯片—板级—整机—网络—软件”的全链路优化，既要在硬件侧提升链路能力，也要在软件与调度侧减少通信开销、提升并行效率，形成可持续演进的系统路线图。 前景——“算力竞赛”迈向“系统竞赛”，互连将决定上限与成本曲线 可以预期，未来一段时期内，超大规模训练的竞争将更多体现为系统工程与产业协同的竞争：一看互连技术储备与量产能力，能否在带宽密度、可靠性与成本之间取得平衡；二看系统级协同能力，能否将光互联与加速卡架构、交换网络与软件栈深度适配；三看可扩展性与成本曲线，能否在集群规模持续扩大时仍保持可控的能耗与运维复杂度。随着“互连+架构”成为决定训练效率的核心变量，单纯以芯片峰值指标衡量算力的方式将被更改写。
从电互连到光互连的技术升级，不仅是计算基础设施的进步，更标志着AI产业进入新阶段。在这场决定未来算力格局的竞争中，谁能率先突破技术瓶颈并实现规模化应用，谁就能占据先机。这既是对企业创新能力的考验，也是国家科技实力的体现。