记者 郑晨烨

经济观察报记者郑晨烨

未来会不会出现一家“光芯片领域的英伟达”？

“会。当然会，一定会。”8月18日，在由深圳创新发展研究院等机构主办的科技创新院士报告厅活动上，中国工程院外籍院士、博升光电创始人常瑞华在谈及AI光芯片产业前景时如是说。

在她看来，AI算力的下半场竞争，很大程度上是互联能力的竞争，因为GPU（图形处理器）不是单打独斗，真正的大模型训练需要成百上千甚至上万颗GPU协同工作，互联本身就是计算系统的一部分。

常瑞华1989年前后在美国贝尔通信研究公司做出VCSEL（垂直腔面发射激光器，一种从芯片表面垂直出光的半导体激光器）的二维阵列。2019年，她在深圳创办博升光电，三十多年后押注的仍然是同一项技术。

在她看来，随着AI训练集群从千颗GPU向万颗GPU扩展，光必须越来越靠近芯片，VCSEL在这个位置上具有独特优势。

GPU不是单打独斗

常瑞华的观察是，衡量AI算力，已经不能只看GPU数量和单颗性能，更要看大量GPU能否高效协同。

以英伟达的NVL72系统为例，一套机架级系统集成了72颗Blackwell GPU和36颗Grace CPU（一款高性能中央处理器），中间还有18颗NVSwitch（NVLink交换芯片）。这72颗GPU必须通过高速互联组成一个大的计算域，才能像一台机器一样协同工作。之所以要在机架内塞下这么多互联芯片，原因也很简单——大模型训练对通信带宽的要求已经远远超过了单机可以承担的范围。

国内也在朝同一方向走。

华为2026年7月公开展示的Atlas 950 SuperPod（昇腾950超节点），已经把1024颗AI加速器组成了一个统一的计算系统。

在常瑞华看来，这个数字背后的趋势更重要，一个计算节点里协同工作的AI处理器数量正在迅速增加，10颗大脑协同、1000颗大脑协同、10000颗大脑协同，整个系统能力当然不是一个概念。而处理器数量越多，对互联的要求就越高。

Scale-up和Scale-out是数据中心互联架构中的两个概念。Scale-up（节点内高带宽扩展）指把大量GPU通过极高带宽、极低时延的网络紧密地组织在一起，让它们尽量像“一台机器”一样协同工作；Scale-out（节点间扩展）指在更大的范围内把不同节点、不同计算域继续连接起来。

常瑞华表示，传统数据中心更多关注Scale-out，但在今天的AI时代，Scale-up的重要性一下子上升了。而越往Scale-up方向走，光就越需要向芯片靠近。

当然，这也带来了新的压力。常瑞华称，随着GPU数量的增加，一套AI系统需要的光链路数量可能是传统数据中心的十倍甚至更多，与此同时每个通道的速率也在从53Gbps（吉比特每秒）向106Gbps、212Gbps演进。即使光本身适合高速传输，如果完全沿用传统可插拔光模块的体系，系统的功耗和成本也会变得非常大。

另外，铜的边界也正在被高速信号推着向后退。过去很多交换设备习惯放在机架顶部，铜线传输十几厘米、几十厘米根本不是距离，但当单通道速率从几十Gbps不断上升，甚至向400Gbps演进后，这段距离就已经可能带来非常明显的电信号损耗。因此，系统架构不得不围绕铜互联的距离重新设计。

同时，光互联的新架构也开始出现。传统的可插拔光模块位于电路板边缘，距离交换ASIC（专用集成电路）或GPU可能还有十几厘米甚至几十厘米。为了补偿这段电互联的损耗，中间需要DSP（数字信号处理器）等电子芯片，而这些芯片本身又会增加功耗、成本和热量。

NPO（近封装光学）和CPO（共封装光学）这两条新的技术路径，正是为了解决这个问题。

常瑞华解释，NPO的思路，是把光引擎放到距离交换芯片非常近的位置。CPO则进一步，把光引擎和交换芯片放进同一个封装体系。两者的目的只有一个，尽量缩短高速电信号要走的距离，让数据尽早变成光。

CPO集成度更深，但对封装、散热、良率和维修性的要求都非常高，光学部分一旦出问题，和昂贵的ASIC封在一起会带来较大的维护成本。

NPO则相对“温和”，把光引擎放在同一块印刷电路板上、贴近ASIC的位置，工程可行性更强，成为不少行业玩家选择的过渡方案。在常瑞华看来，两种架构未来都会非常重要，各有适合的场景。

也就是说，光正在从数据中心之间的长距连接，一步步向机架之间、机架内部乃至GPU封装内部渗透，传统光通信的市场结构因此正在被改写。

中国光芯片当然是自己开路

光要向芯片靠近，但用什么光源？这是当前AI光互联领域最激烈的一场竞争。

常瑞华将当前AI短距光互联的主流技术路线概括为三类。

第一条是硅光EML（电吸收调制激光器）方案，这条路线的优势在于可以利用成熟的硅工艺做光波导、调制器等复杂的光路集成，单通道速率极高。但硅本身不是高效率的发光材料，必须搭配外置激光器，集成通道数也相对有限，成本偏高。

第二条是Micro LED（微型发光二极管），天然适合做大规模阵列，但单通道高速调制能力不足，波长通常在400至450纳米附近，与现有数据中心普遍使用的多模光纤体系并不完全匹配。此外，LED发散角比较大，如何通过微透镜或者其他光学结构高效率耦合，也是一个挑战。

第三条是VCSEL，也是常瑞华三十多年前就开始研究的方向。

VCSEL从晶圆表面垂直出光，支持晶圆级制造和测试，与多模光纤耦合效率高、功耗低，天然适合形成二维阵列。它已经在数据通信里应用多年，可靠性基础扎实，目前也是数据中心内几十米到一百米左右中短距离最常见的光源之一。

常瑞华用了一个直观的比较：硅光是“快而窄”，通道少但速率高；Micro LED是“慢而宽”，通道多但速率低；VCSEL的目标则是“快而宽”，兼顾单通道速率和阵列规模。

VCSEL本身的单通道已经可以做到较高速率，加上它天然是二维阵列结构，不一定非要把每一个通道推到最快，也可以通过“高速单通道+大规模二维阵列”共同提升总带宽。

常瑞华选择VCSEL方向已有三十多年。1989年前后她在美国贝尔通信研究公司做过32×32、总共1024个发光点的VCSEL阵列，还做过多波长阵列以及高速多模光纤传输等工作。当时VCSEL还只是实验室器件，几十年后AI给它打开了一个全新的市场。

事实上，在2026年3月的OFC（光纤通信大会，全球规模最大的光通信学术与产业会议）上，古河电工、Coherent（美国光子技术公司相干集团）等多家国际厂商均展示了面向CPO应用的新一代VCSEL方案，行业对这一方向的投入正在加码。

但要让VCSEL在AI光互联中真正做到“快而宽”，还需要解决一个现实的工程问题。传统VCSEL从正面出光，电极也在正面。阵列只有几个点时打线不成问题，但如果一颗芯片上要集成几十个甚至几百个VCSEL，中间那些器件的高速电极怎样从二维阵列中引出来，会变得越来越困难。

常瑞华介绍，博升光电的做法是倒装背发射（一种把芯片正面的电极朝下倒装在载板上、让光从芯片背面射出的封装结构）。这样正面的空间就全部让给了高密度电极走线，倒装结构也让热量更容易从芯片正面导出，器件在125℃高温下仍能保持性能。125℃也是汽车电子器件高温可靠性测试中经常出现的一个等级，能在这一温度下稳定工作，意味着芯片给封装和系统热设计留下了更大的裕量。

另外，背面出光腾出的空间可以被用来集成超表面（一种利用亚波长纳米结构控制光的平面光学元件）透镜。传统微透镜需要在芯片制造完成后再单独装配和对准，装配环节的对准误差会直接影响耦合效率，而超表面透镜可以通过光刻工艺直接制造在芯片背面，对准精度由晶圆工艺定义，远高于后装方案。

沿着这条路线，博升光电已经做出了16通道的倒装背发射VCSEL阵列，单通道100Gbps，整体带宽1.6Tbps（太比特每秒），目前正在推进200Gbps级器件。在2026年3月的OFC大会上，博升光电也展示了940纳米背发射VCSEL与超表面透镜集成的最新研究进展。

不过，即使新架构在爆发，也不意味着旧架构会消失。

常瑞华认为，传统可插拔光模块不会消失。它已经非常成熟，可靠性经过大量验证，而且是可插拔的，一根链路或者一个模块坏了，不需要把整台机器拆掉就可以把它拔下来换掉。这些优势使可插拔光模块仍会大量存在。

但AI系统正在催生一种新的产品形态，即光引擎。常瑞华解释，光引擎可以理解成一个更小、更简化、距离计算或交换芯片更近的“光模块”。原来光模块厂商积累的光学设计、封装、耦合、测试、可靠性等能力仍然极其重要，只不过需要根据新的客户需求，把产品形态重新设计。

她用了一个比喻：“就像一个面馆，以前做牛肉面，今天客户想吃另外一种面，你还是做面，只是产品发生了变化。”

产业趋势之外，常瑞华也谈到了周期与国产化。

她认为，所有行业都会有周期，市场特别好的时候容易出现过度投资，过度投资之后就会出现产能过剩，价格随之下降。但决定要不要长期投入一项技术，不能只看眼前一两年的周期，更应该看这项技术长期到底给人类增加了什么新的能力。

从长期趋势看，随着信号速率越来越高，铜互联能够经济传输的距离越来越短，光会逐渐进入过去由铜承担的场景。在她看来，光和铜也不会在所有距离上互相取代。在功耗、成本和距离都适合铜的场景，铜仍然会长期存在。但随着带宽需求上升，光互联向更短距离渗透是一个非常明确的趋势。

谈到中美在光芯片领域的差距及中国光芯片企业最大的机会是追赶国外最尖端的技术还是依托自己的应用场景形成不同的发展路径，她说：“当然是自己开路。”

她认为，中国拥有全球最大的通信、数据中心、智能汽车和制造业应用市场之一，庞大的下游需求本身就构成了国内光芯片企业的一项优势。

眼下，AI给了整个光通信产业开启了一个前所未有的时间窗口。在常瑞华看来，AI算力继续增长，就必须提高互联带宽；提高互联带宽，光就必须越来越靠近计算芯片；而光越来越靠近计算芯片，就要求光源越来越小、功耗越来越低、阵列密度越来越高，同时还必须能够规模化制造。

她相信，无论是在AI计算中心内部，还是在机器人、汽车和各种智能设备上，“光”都会越来越重要。

她也喜欢把research（研究）这个词拆成re-search（再找一遍），意思是前人受制于当时的技术条件、材料或者仪器没有找到的东西，今天条件变了、视角变了，值得再探索一次。