Y9T251 AI的胖树拓扑对光模块要求的变化
在大多数光模块厂家比较痛苦的大半年时间里，基于AI的光模块需求带给我们一些光明前景的期望。
今年光博会，大家讨论的AI、800G、LPO、时延....等等
早上略写个文字版本吧，就是光模块不断细分的产业领域里，基于AI人工智能这个数据中心领域的光模块，和传统光模块的一些不同。
※人工智能与数据吞吐量
所谓的人工智能，就是用机器在经过足够的学习和训练后，达到“智能”判断的一个过程。
这个训练和学习，是需要巨大的数据量传递和交互的。
今年很多人举例，用的是GDT 3.5，所需训练的参量达到1750亿，需要45TB的数据量。45T的字节可以换算成bit，比如64位计算机，64位=8字节=8*8 bit。45T的字节量就是45T*8的bit量
要完成这么大的数据量，一个芯片是干不完的，需要成千上万的GPU同时工作。
咱们光模块只管数据的转换，把1bit的电信号转为光信号，把1bit的光信号转为电信号，只是物理转换，不管人家的服务器要干啥。
400G模块，能转换0.4T bit，800G光模块，转换0.8T bit，所以需要多个模块一起完成数据交换。
※人工智能选择GPU型的服务器
因为数据量大，所以用GPU更合适，这就和传统的数据中心的服务器类型有所区别。
比如昨天阿里的报告，以前用x86型的CPU为核心的服务器。而英伟达用的是GPU
CPU是串行运算，GPU是并行运算
CPU，等于光模块研发工程师调测PAM4的眼图，他不光能调试，分析，判断，他能根据TDECQ的大小来思考从哪里优化调整参数，调试出来更高信号质量的，更小的TDECQ。
可这个光模块的研发工程师，硕士，博士，再高的知识调测眼图也是一个一个的调，这是串行运算。如果拿到客户一个30万只光模块的订单，这个博士也不能放到产线去亲自去调测眼图，否则依靠这个博士完成30万只光模块的眼图调测，客户能等到两鬓斑白
GPU，就是产线小姐姐们，不需要知道什么是VCSEL，什么是EML，什么是RIN，什么是TDECQ....，照样可以把光模块调测的好好的。多条产线开工，几千个小姐姐小哥哥们一起并行工作，一个月可以完成五万只800G模块，半年就可以交付30万只。
※基于GPU的方式，对延时的要求极为苛刻
传统的数据中心结构，是基于串行方式的，对时延的要求虽然很看重，但不像AI场景中对时延的苛刻要求。
还是以产线来举例，一个模块的组装，要完成电阻 电容 激光器 探测器 透镜 光纤 外壳 DRV TIA .....无数个光学电学 有源无源的元器件的组装过程，以及参数的配置过程。
这些个工艺节点，你说，一个模块99.9%的节点都完成了，剩下的那个0.1%节点岗位的小姐姐干活很慢，有时延，没有完成。
ok，所有人都得等着这个步骤。
如果成千上万的并行数据要传输，整个数据的完成是以时延最大，最慢的那个bit为准的。其他再快也不行。
咱们的光模块站在整个通信大结构的角度来看，时延是微乎其微的，可毕竟也有时延。
比如，传统热插拔的800G模块有DSP，CPO或者LPO没有DSP，是否选择DSP，这里边就是几十到上百纳秒级延时的概念。
※基于GPU的方式，对光模块的故障率要求极为苛刻
都知道，光模块选择热插拔，是因为光学器件的故障率很高，比传统的电学芯片的故障率要高很多很多，用热插拔方便维修和更换。
传统的数据中心，光模块对于故障率的要求呢，是比传统telecom更宽松的节奏。光模块坏了就换一个呗。
可但是，基于AI的这种场景，就不行，
训练的数据量很大，他不是实时保存的。如果有任何一个数据传错了，那么整体要重来，重新计算一遍。
很多小伙伴会打游戏，如果是非团队作战的这种游戏，你的网络掉线了，那重新上线后，就从上一个保存的节点继续。这是CPU的模式。 虽然可会浪费点时间，可毕竟可控。
如果是50个人组团的大型游戏场景，且规则是，一个人掉线，团队都得陪着重头开始。你会不会瞬间对所有人的网络质量的关注度提高了呢。
※GPU采用的胖树结构的收敛比
咱们传统的数据中心采用的是树形结构，三级结构的接入-汇聚-核心，二级结构的叶-脊....，他们的根本都是树形拓扑的思路。
而AI是并行计算，是采用胖树结构。也就是Fat Free
下图，节点之间有一条线，假定这条线是光纤，那么这个光纤两头就是光模块。
树形结构是有收敛比的说法，从光模块的角度来看，越接近于服务器的光模块数量越多，越到上层结构，用的光模块数量越少。
可但是胖树结构是没有收敛比的，接入层有多少光模块，汇聚点和核心点，依然还是这么多。
那么，两层交换机，模块数量x2，三层数据交换，模块数量x3，...., 对于光模块而言，还需要双工对传，那么两层节点就是1:4，三层节点就是1:6
所欲AI所需的光模块数量，与节点的关系，是指数上升的数学关系。
当然，我刚才说的树形是最简易的树形，通常实际部署的树形结构是配置了“冗余的”，传统结构的冗余小一些，超大规模的数据中心的冗余量大一些。
数据中心有冗余的前提下，是放宽了对模块故障率的要求的。冗余越大，意味着，有更多的节点可以实现业务传输，光模块的失效率略大一些是不影响整体通信的。
这就是我们所理解的传统数据中心的光模块，有很长一段时间，是“非气密”封装对不对，因为非气密封装，故障率会高一些。但是也更便宜啊。
但是突然之间，基于AI的这种模式，不仅不能放宽对光模块故障率的要求，还会比原来更苛刻。
这也是突然之间，以前非气密封装技术为主的厂家，比如旭创，开始大规模部署基于气密结构的技术研究。
AI采用的all Reduce的训练模式，并行的GPU服务器，胖树的网络拓扑，对于光模块而言，既看到了大规模部署的市场前景，也感受到提高速率、降低时延，降低失效率的技术压力。
9月19号，9月26号，有两期硅光集成的议题，硅光芯片与铌酸锂的区别，硅光用在LPO、CPO的无DSP的场景，也会和今天聊的光模块有些关系。算是另一个角度的看法吧。 可详询我同事8140517646