铜缆锁死AI算力上限，光互连打开千GPU时代

2026年GTC大会上，黄仁勋的一句话让AI圈炸开了锅——他要把单集群GPU数量从72颗直接拉到1152颗。要知道，就在两年前，他还坚称光互连太耗电，是铜缆的坚定支持者。而现在，他一口气砸了60亿美元给三家光学公司，赌的就是光互连能打破铜缆画下的算力牢笼。这背后藏着AI超级计算的核心困境：当我们需要训练万亿参数模型、跑通通用AI时，铜缆的物理极限，已经成了AI算力增长的天花板。为什么铜缆突然不够用了？光互连又凭本事能接棒？

铜缆的黄金时代，止步于72颗GPU

你可以把AI集群的互连系统想象成城市的道路网：GPU是办公楼，数据是车流，而铜缆就是连接它们的街道。在NVL72机柜里，5000多根铜缆像毛细血管一样缠满整个机架，总长超过3.2公里，占了机柜1.36吨自重的大头。之所以要把9块NVSwitch交换机死死卡在机柜正中央，是因为铜缆里的电信号在1.8TB/s的带宽下，跑不了1米就会开始衰减——就像车流在窄巷里挤得寸步难行，必须让每个GPU到交换机的距离都最短。

铜缆曾是无可争议的最优解：它便宜，无源器件几乎不耗电，还不像光模块那样有激光器老化的问题，在百万级链路的集群里故障率极低。NVL72靠这套铜缆方案，把72颗GPU拧成了一个超级计算单元，推理速度比上一代快30倍。但问题也摆在眼前：铜缆的传输距离就像城市道路的长度上限，再宽的巷子也只能在小区里打转，连不成跨区的高架。当AI模型需要几千颗GPU协同计算时，铜缆就成了把算力困在笼子里的那把锁。

CPO：把光引擎焊在芯片上的革命

光互连不是新鲜事，数据中心的机柜之间早就用光纤传数据了，但要把光用到GPU内部的「小区道路」上，难度堪比把高铁轨道铺进胡同。传统的可插拔光模块就像带轮子的高铁车厢，不仅占地方，单个模块功耗10-15瓦，72颗GPU装下来要多耗20千瓦——对已经吃120千瓦电的机柜来说，这无疑是雪上加霜。

改变局面的是共封装光学（CPO）——简单说就是把光引擎直接焊在交换芯片的封装里，省掉了光模块的外壳、连接器和大部分信号处理电路，就像把高铁轨道直接接到了办公楼的地下室。电信号不用再走几十厘米的PCB线路，直接在毫米级的距离里转换成光信号，功耗一下子降了65%-73%，体积也缩小了一大半。

英伟达在2025年先把CPO用在了机柜间的「高架路」上，验证了技术可行性，现在要把它铺进GPU集群的「内部道路」。到2028年的Feynman系统，他们甚至计划把CPO直接集成到GPU封装里，让几千颗GPU之间的光信号传输像在同一个房间里递东西一样快。

60亿美元押注，抢的是算力生态的命门

英伟达砸的60亿美元，其实是在抢光互连供应链的船票。CPO的核心瓶颈是激光器——就像高铁的发动机，全球能稳定供货的厂商屈指可数。英伟达给Coherent和Lumentum各投20亿美元，直接锁定了未来几年的激光器产能，相当于把高铁发动机的生产线包了下来；给Marvell的20亿美元，则是要拿下硅光子技术，把光信号的「铁轨」做得更宽更稳。

这套路像极了他们之前锁HBM内存和CoWoS封装的操作：在技术拐点到来前卡住上游，让竞争对手慢半拍。当AMD、Intel的开放互连标准UALink要到2027年才能规模部署时，英伟达的光互连集群已经能跑1152颗GPU了。更关键的是，光互连不仅是把GPU数量变多，更是让AI模型能真正实现「全局思考」——几千颗GPU像一个大脑的神经元那样协同，而不是各自为战的小作坊。

当然，铜缆并没有被淘汰。就像城市里依然需要小巷子，机柜内部的短距离连接，铜缆还是最经济可靠的选择。英伟达的路线图是「铜光混合」：短距离用铜，长距离用光，把两者的优势捏到一起。

当我们谈论AI算力的增长时，往往只盯着GPU的芯片架构，却忽略了连接它们的「神经纤维」。铜缆给AI带来了第一个黄金时代，但物理定律的天花板，终究要靠更精妙的技术突破。

从72到1152，数字的背后不是简单的数量叠加，而是AI超级计算从「单栋写字楼」到「整个城市」的跃迁。光互连不是要取代铜缆，而是要给AI算力搭起更辽阔的骨架——让万亿参数模型不再是实验室里的奢侈品，让通用AI的梦想能走得更远。

算力的边界，终究由连接定义。