AI硬科技和应用系列深度（一）：AI算力重塑光互联，高速率光模块与CPO产业化提速

证券研究报告通信|行业深度2026/07/29证券分析师:宋辰超(分析师)分析师登记编号:S1190526050001AI算力重塑光互联，高速率光模块与CPO产业化提速AI硬科技和应用系列深度（一）P2请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远报告摘要AI算力增长大幅领先互联带宽，系统级协同与定制网络推动光互联升级。AI计算能力快速提升，而PCIe、内存及网络带宽增速相对滞后，互联逐渐成为算力释放的重要瓶颈。随着GPU、ASIC出货增加、单芯片速率及光模块配比提高，光互联由Scale Out向跨机架Scale Up及Scale Across拓展。英伟达通过NVLink、NVSwitch和NVLink Fusion推进系统级协同，谷歌、Meta、AWS则围绕自研芯片建设差异化网络，推动AI网络向高带宽、低时延和低功耗方向持续演进。高速光模块向1.6T及硅光加速演进，核心光电器件价值量持续提升。当前800G仍是主流，1.6T快速渗透，3.2T成为下一代方向。传统EML方案保持主流，硅光依托高集成度加快渗透，带动激光器、DSP、Driver、TIA、PD及无源器件向高带宽、低功耗和高可靠性升级。光电转换持续向计算芯片靠近，NPO先行、CPO打开长期成长空间。NPO将光引擎移至ASIC附近并保留可拆卸特性，在降低损耗的同时兼顾维护便利；CPO则将光引擎与ASIC/XPU共同封装，缩短信号传输距离。英伟达、博通、台积电、Ayar Labs及Marvell等厂商分别围绕CPO交换机、先进封装平台和光引擎芯粒加快布局。产业链核心环节涵盖外部激光源、EIC/PIC、MRM/EAM调制器、2.5D/3D封装、FAU/DFAU、MPC及保偏光纤，其中封装能力、光纤耦合精度和测试效率是影响规模量产进度的关键。AI集群连接密度不断提升，高芯数光纤及精密连接器需求加速释放。Scale Up与高速网络升级推动光纤用量、光缆芯数和端口密度提高，布线向高密度、低损耗和模块化发展。MPO向高芯数、小型化演进，MMC、SN-MT等接口逐步导入；MT插芯具备精密制造、专利授权和客户认证壁垒，高端产能相对紧缺。P3请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远1、算力-网络数倍级剪刀差，网络架构迭代加速2、光互联载体：1.6T/硅光光模块加速，上游器件紧缺提升3、光互联载体：CPO量产/NPO先行，核心器件价值提升4、光互联传输：布线/光纤/MPO/插芯，AI连接密度驱动需求释放目录P4请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远互联速度/内存速度已远远落后算力增长速度。算力从2020年到2024年，增长了28倍；同时期PCIE带宽仅增长2倍、GPU内存仅增长2.4倍，算力与带宽增长的巨大不匹配为互联带来投资机会。芯片增长带来连接速度的持续提升。Blackwell架构的GPU拥有2080亿个晶体管，GPU的制造过程需要两个集成电路板，而这两个板子通过每秒10TB的数据传输速率进行连接，第五代NVLink最新版本的NVIDIA NVLink@提供了突破性的1.8TB/s双向传输速率。1.1本质逻辑1：算力与网络增速的数倍级差距图表1.1.1：计算/网络带宽/HBM容量增长比较资料来源：Wu et al.（2026）、北京大学、清华大学，arXiv、太平洋证券图表1.1.2：两die之间的传输速率资料来源：SemiAnalysis、NVIDIA、太平洋证券P5请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远AI计算集群（GPU/ASIC）的出货量是驱动光模块和网络带宽需求的根本动力。AI芯片与外部进行数据交换，取决于芯片本身的网络接口速率以及网络架构；光模块比例提高：对于英伟达，更先进的平台需要更高的配比（GB200 1： 2~3提升至VR200 1:4~6 ），光模块速率也从800G提升至1.6T；ASIC芯片带宽配比更高：谷歌TPU芯片平均配比1:4、亚马逊Trainium芯片平均配比1:4、Meta MITA-T芯片配比1:8~12，配比提升带来光模块的总量提升。1.2本质逻辑2：计算芯片出货，对应带宽传输增加图表1.2.1：主要AI加速器平台的GPU/ASIC与光模块配套比例资料来源：高盛全球投资研究部、太平洋证券P6请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远Scale Up（节点内互联）：传输介质：短距离（机架内）以铜缆为主，成本低、功耗低、可靠性高；长距离（跨机架）正向光互联演进，如共封装光学（CPO）、近封装光学（NPO）技术；Scale Out（节点间互联）：传输介质：当前主流为可插拔光模块（800G/1.6T），未来趋势硅光、3.2T、轻相干光模块。Scale Across（跨数据中心互联）：跨区域协同训练，将多个数据中心GPU集群用于单一大型AI模型训练，相干光模块（Coherent ZR/ZR+）是Scale Across场景中长距离传输的关键技术1.3光网络架构：三种网络架构scale up/out/across图表1.3.1：纵向扩展（Scale-Up）市场规模估算资料来源：摩根士丹利研究部、Gartner（高德纳）、Dell’Oro集团、太平洋证券图表1.3.2：AI集群网络的三层扩展架构资料来源：Broadcom官网、太平洋证券P7请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远英伟达网络架构的核心和特点为一个核心、三大支柱。其核心是系统级协同设计（Extreme Co-Design），通过将计算、网络和软件深度整合，构建一个完整的、端到端的AI基础设施平台。其特点体现在三个相互关联的网络维度上，根本目标是降低每Token成本和提升每瓦性能。这意味着网络设计必须服务于最大化GPU利用率、最小化通信延迟和功耗。NVLink：是NVIDIA专有的高速GPU互连技术，目前已发展到第六代，单GPU带宽3600GB/s,是PCIe Gen6的14倍以上;NVSwitch：是实现多GPU全互联的关键芯片，单GPU带宽翻倍至3.6TB/s，NVL72系统总带宽达260TB/s；NVLink Fusion：让定制芯片（包括CPU和XPU）与NVIDIA的NVLink scale-up网络技术以及机架级扩展架构相集成1.4光网络架构：NV网络架构核心系统级协同设计图表1.4.1：GB300 NVL72机架内NVLink交换网络架构图表1.4.2：双机架 GB300 NVL72 的 Spectrum-X 企业参考架构资料来源：NVIDIA、太平洋证券资料来源：NVIDIA、太平洋证券P8请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远谷歌网络：自研TPU + ICI + OCS (3D Torus) 架构，强调低成本、高扩展、低延迟、全自研软硬件协同。 Virgo 的定位是专为TPU v8t（训练集群）设计的全新横向扩展（Scale-out）网络架构，支持超过100万颗TPU芯片组成单一训练集群。Meta网络：自研MTIA + 以太网主导 + 高速光互联，强调开放机架架构、多供应商策略；DSF（解耦调度结构）& NSF（非调度结构），其中NSF：基