在未来，光芯片领域是否会涌现出一家如同“英伟达”般的公司？答案是肯定的。8月18日，在深圳创新发展研究院等机构举行的科技创新院士报告活动上，中国工程院外籍院士、博升光电创始人常瑞华表示：“会的，绝对会有这样的公司出现。”她认为，人工智能算力的竞争进入了下半场，关键在于互联能力的提升，因为GPU并不是单独作战，真正的大型模型训练需要成百上千甚至上万颗GPU的协作，而互联本身已成为计算体系的重要组成部分。

常瑞华在1989年前后于美国贝尔通信研究公司研发了VCSEL（垂直腔面发射激光器），这是一种从芯片表面垂直发光的半导体激光器。2019年，她在深圳创办了博升光电，依然坚持围绕这一技术进行发展。随着AI训练集群从成千上万块GPU快速扩展，光的应用必然向芯片更靠近，而VCSEL在这一点上独具优势。

她指出，衡量AI算力不仅要看GPU的数量和性能，更关键的是这些GPU之间的协同效率。以英伟达的NVL72系统为例，这个系统集成了72个Blackwell GPU和36个Grace CPU，还配备了18个NVSwitch，整个系统需要通过高速互联来形成一个大的计算域，实现高效的协作。随着对大规模模型训练的需求日益增加，通信带宽的需求已经远超传统单机的承载能力。

在国内，华为展示的Atlas 950 SuperPod已经将1024颗AI加速器集成到了一个统一的计算系统中。常瑞华认为，这一数字背后反映出的趋势更为重要，协同工作计算节点中AI处理器的数量正在急剧上升。更多的处理器意味着更高的互联需求，Scale-up（节点内高带宽扩展）和Scale-out（节点间扩展）是数据中心互联架构中的两个重要概念，她指出，在如今的AI时代，Scale-up的重要性显著提升，光的应用亦需逐渐向芯片靠近。

然而，这一转变也带来了压力。常瑞华提到，随着GPU数量的增加，AI系统需要的光链路数量可能是传统数据中心的十倍，每个通道的速率也在从53Gbps提升至106Gbps、212Gbps。虽然光适合高速传输，但如果仍然采用传统的可插拔光模块，系统的功耗和成本将显著上升。而且，随着高速信号的不断发展，铜的边界正在被迫向后推移。以往很多交换设备放在机架顶端，铜线传输距离短，但当速率提升，信号损耗问题将更加严重，因此系统架构需要围绕铜互联的距离进行重新设计。

新的光互联架构开始出现，传统的可插拔光模块往往距离交换ASIC或GPU还有相当远的距离。为了弥补这一电互联的损耗，往往需要引入DSP等电子芯片，而这些有效地增加了功耗、成本及热量。近封装光学（NPO）和共封装光学（CPO）正是为解决这一问题而研发的新技术路径。NPO通过将光引擎放置在靠近交换芯片的地方来减少距离，而CPO则将光引擎和交换芯片置于同一封装，旨在缩短电信号传输的路径，尽早实现光的数据传输。

尽管CPO具有更高的集成度，但在封装、散热、良率等方面要求极高，一旦光学部分出现问题，维护成本就会大幅上升。相比之下，NPO则更为温和，将光引擎放置在同一印刷电路板上，工程可行性更强，成为行业内许多企业的过渡方案。常瑞华认为这两种架构都将发挥重要作用，各自适应不同的应用场景。

综上所述，光通信正在逐步从大范围的数据中心间连接向机架内部以及GPU封装内的应用发展，传统光通信的市场格局正在发生改变。不过，面对光芯片向芯片靠拢这一趋势，更重要的是如何选择合适的光源。常瑞华认为，目前AI短距离光互联的主流技术路线主要有三种。

第一种是硅光EML（电吸收调制激光器），这种方案利用成熟的硅工艺构建光波导和调制器，具有高的单通道速率，但由于硅材料的发光效率不高，通常需要外置激光器，且集成通道数量有限，成本较高。