我的学习笔记

NVIDIA × iPronics：硅光 OCS 用在 scale-up 还是 scale-out，推理还是训练

18分钟阅读

版本 v1 · 2026-10-02

材料：ECOC 2026 现场讲稿，包括 iPronics 三场、NVIDIA、Salience Labs、Oriole、KDDI、Columbia、Cignal AI；公司公告与媒体报道。页码标注沿用〔讲稿简写 pN〕。

〇、先纠正一个事实：是参投，不是收购

  • 交易性质： 2026 年 9 月 2 日，iPronics 完成 1.25 亿美元 B 轮（约 1.076 亿欧元）。领投方是 Maverick Silicon 和 Light Street Capital，NVIDIA 是参投方。其他投资方有 Triatomic、Bosch Ventures、Catalight、欧洲创新委员会基金、Amadeus Capital、Criteria 等。iPronics 累计融资 1.77 亿美元。

  • 没有披露的部分： 公告没有提到 NVIDIA 的供货协议、参考架构纳入或采购承诺。

  • 对比 NVIDIA 同年的其他光学布局：

    • 2026 年 3 月向 Coherent、Lumentum、Marvell 各投 20 亿美元，并附多年采购承诺；
    • 以约 200 亿美元拿下 Groq 的技术与团队，推出 Groq 3 LPX。

    相比之下，iPronics 这一笔是期权型布局：花小钱锁定一条技术路线，不是收购整合。

  • iPronics 自身进展：

    • 2026 年 3 月宣布在 Fabrinet 建专线（封装、组装、测试、认证），并拿到 10 家超大规模和 AI 集群 OEM 客户的首批订单；
    • 开设 Santa Clara 办公室；
    • 董事会新增前 Rambus CEO Geoffrey Tate 等人。

一、直接回答

1. 应用层次：主攻 scale-up，scale-out 是次要市场。

iPronics 宣传覆盖 scale-up、scale-out、scale-across 三层，但它的产品参数和 scale-up 最匹配：

  • 单芯片 32 端口，下一代 64、72、144 端口；
  • 亚毫秒重构；
  • 每端口约 100 美元；
  • 1U 可放 3–4 台。

Cignal AI 给出的 scale-up 所需端口数（radix）只有 64×64 或 72×72，并把硅光 OCS 评为 scale-up 的”Ideal”选项〔0921-MF-am-T02-1020-CignalAI p5, p12〕。iPronics 首页对第一场报告的定位就是”光交换用于 scale-up 扩展”〔0921-Mo3-A1-iPronics p1〕。

NVIDIA 自己在 ECOC 讲 OCS 的三个用途：灵活拓扑、“把故障变成重路由”、“解决 scale-up 前沿，把机架之外的铜换成光”〔0920-am-Su2-I-01-NVIDIA p10, p20〕。Next Platform 的分析也认为 NVIDIA 会把 OCS 放在 scale-up 内存语义网络的 spine 层，用 torus 或 dragonfly 拓扑替代全连接 fat-tree，而不是放进 scale-out 网络。

scale-out 的大端口 spine（300×300 到 512×512）是 MEMS 和液晶 OCS 的地盘，Google、Lumentum R300、Coherent DLX 已经在做。硅光的端口数短期内够不上。

2. 推理还是训练：短期以推理为先，训练侧主要用于故障切换和阶段级重构。

推理先落地，原因有四：

  • 拓扑是静态的。 推理框架在部署时就知道所有路由：MoE 的专家并行分组、LPU 的流水线切分、PD 分离的实例配比。OCS 按部署配置一次，长期不动，正好匹配亚毫秒重构能力〔0922-PF-1155-SalienceLabs p16〕。

  • 通信在关键路径上。 高交互 decode 是小 batch，计算和通信几乎不重叠，少一级电交换就直接省时延。单级电分组交换事务约 1,000 ns，两级约 1,600 ns，带宽本身只占约 25 ns〔0922-PF-1155-SalienceLabs p5, p6〕。

  • 最直接的候选是 NVIDIA 自己的 Groq 3 LPX。

    • 每机架 256 颗 LPU；
    • 芯片间 RealScale C2C 由编译器静态调度，没有硬件仲裁和自适应路由，包里也不带源/目的地址；
    • 每颗 LPU 有 96 条 112 Gb/s 链路，机架内 scale-up 带宽 640 TB/s。

    这类”确定性、点到点、静态”的连接，扩到机架之外时天然适合电路交换。The Register 的报道也指出，iPronics 特别适合流水线并行的 LPU 部署。

  • 推理 scale-up 域小，端口数对得上。 64–256 卡的推理域和 OCS 芯片的 32–144 端口在同一量级。

训练侧的用途主要有三种：

  • GPU 故障切换： 把链路切到备用 GPU 或机架，iPronics 官网把它列为独立用例；NVIDIA 说的”把故障变成重路由”也是这个意思。
  • 作业或训练阶段之间的拓扑重构： 剑桥的训练阶段感知 OCS 让通信快 37.5%〔OFC26 M3F.5〕；Columbia 称注入带宽超过 1600 GBps 时，一次性重构就够用〔0924-推定F3-哥伦比亚大学 p14〕。
  • 在计算阶段的零流量窗口内切换： KDDI 实测 GPU 计算阶段有 100–400 ms 零流量窗口，周期性切换稳定，随机切换会中断训练〔0921-Mo3-A3-KDDIResearch p13〕。

训练中真正最重的 TP/EP all-to-all 仍要靠全连接的 NVLink 分组交换。NVIDIA 自己的路线是 NVLink 交换机 + CPO（Rubin Ultra NVL576 两层全连接、Feynman NVL1152），OCS 替代不了这一层。

3. 判断：

  • 2026–2027： 推理集群试点（LPU 和推理型 ASIC 机架之间的扩展、静态 MoE 推理 pod）加上训练集群的故障切换。
  • 2027–2028： 随 72/144 端口芯片和 scale-up 光化（NPO/CPO）进入机架间 scale-up spine。

二、iPronics 技术剖析

2.1 芯片代际

代际端口集成开关单元芯片面积特点时间
初代32×32约 2,00020×23 mm²—已有
v232×32约 4,000—偏振透明已投产（ONE-32）
下一代64×64约 6,00020×23 mm²偏振透明—
再下一代>100（媒体称 72、144）约 10,00025×25 mm²—2027 年，设计中

来源：〔0921-Mo3-A1-iPronics p10〕。媒体口径为”正在推出 72 端口和 144 端口芯片”，单个 1U 最多 720 对端口。

2.2 ONE-32 关键指标

  • 交换结构： 严格无阻塞 32 端口、偏振透明、超过 4,000 个开关单元、兼容 WDM、片上遥测〔0924-推定F4-iPronics p18〕。
  • 损耗与增益： 各通道约 10 dB 损耗，用片上 SOA 阵列补偿，增益 8–12 dB，即”增益受控 OCS”〔0921-Mo3-A1-iPronics p9〕〔0920-am-Su2-I-03-iPronics p11〕。
  • 基础器件： O 波段标准硅光工艺。3 dB 分路器插损 0.060–0.104 dB，交叉 0.014–0.016 dB，称比代工厂标准器件库好 10 倍〔0920-am-Su2-I-03-iPronics p7, p8〕。
  • 链路实测： 与 Lumentum 1.6T 2×DR4（200G/lane）带 retimer 的硅光收发器联测，OCS 增益设 10 dB，前后网络损耗模拟 0–3 dB 和 0–10 dB。pre-FEC BER 相对 1e-12 基线只劣化约 1 个数量级，自称”业界首次”〔0921-Mo3-A1-iPronics p14〕〔0924-推定F4-iPronics p21〕。
  • 功耗： 系统 30 W，加每个激活通道 0.78 W。作为对比，64×1600G 电交换机约 3500 W；iPronics 目标低于 100 W，2027 年低于 150 W〔0920-am-Su2-I-03-iPronics p13〕。
  • 成本与体积： 链路成本降低 2 倍；比现有 3D 光学 OCS 紧凑 20 倍；成本效益高 3–5 倍〔0924-推定F4-iPronics p4〕〔0921-Mo3-A1-iPronics p15〕。
  • 重构速度： 资料写法不统一，有”亚毫秒""µs 级""切换 300 ps”三种。300 ps 指单个开关单元，系统级以亚毫秒为准〔0920-am-Su2-I-03-iPronics p11, p14, p16〕。
  • 软件： gNMI/YANG 和 Python API。NCCL 集合通信库、编排器、SDN 控制器的支持仍在开发〔0920-am-Su2-I-03-iPronics p3〕。

2.3 为什么 iPronics 主张”扁平 OCS scale-up”

iPronics 比较了三种 scale-up 拓扑，功耗从高到低依次是：

  1. 机架内电交换 + CPO，机架间 OCS；
  2. 扁平电交换；
  3. 扁平 OCS。

逻辑是每少一次光电转换就省一次 SerDes 和交换芯片的功耗〔0920-am-Su2-I-03-iPronics p2, p3〕。这和 Meta、Credo 的判断一致：链路功耗主要由 SerDes 决定。

三、和 NVIDIA 架构的对接点

3.1 NVIDIA scale-up 的演进路线（公开口径）

代际scale-up 域互连形态
Blackwell / Vera RubinNVL72机架内铜背板，NVLink 6 每 GPU 3.6 TB/s
Rubin Ultra（Kyber 机架）NVL144 / NVL576NVL576 用 CPO NVLink 交换机连 8 个机架，组成两层全连接
Feynman（2028）最高 NVL1152NVLink 8 CPO 交换机，原生光 NVLink
Groq 3 LPX（2026-08 量产）每机架 256 LPURealScale C2C，编译器静态调度、点到点

NVIDIA 在 ECOC 讲的 scale-up 约束〔0920-am-Su2-I-01-NVIDIA p8〕：

  • GPU 带宽每两年翻倍（2.4→3.6→7.2 Tb/s）；
  • GPU 域每两年 2–4 倍（8→32→72→数百）；
  • 机架功率 25 kW→150 kW→1 MW；
  • GPU 到第一级交换机的距离从 0.5 m 到最长 30 m，“铜到了极限”。

3.2 OCS 可能嵌入的四个位置

位置需求与 iPronics 的匹配度竞争方案
A. 推理机架间扩展（LPX、推理型 ASIC pod）点到点、静态、低时延，64–256 端口高：端口数、静态拓扑、免一级电交换都对得上NVLink 交换机
B. scale-up spine（多机架 NVLink 域的 torus/dragonfly）机架间 64–144 radix，确定性时延中高：取决于 72/144 端口芯片和 NPO/CPO 进入 scale-upCPO NVLink 交换机（NVIDIA 自有路线）
C. 故障切换和备用机架低频切换、可编程、遥测高：“把故障变成重路由”是 NVIDIA 明确说的用途人工跳线、冗余交换
D. scale-out spine（Spectrum-X）256–512 radix、大爆炸半径低：端口数不够MEMS（Lumentum R300 300×300）、液晶（Coherent DLX 64–512）

3.3 NVIDIA 列出的四道门槛和 iPronics 的回应

NVIDIA 门槛〔0920-am-Su2-I-01-NVIDIA p18〕iPronics 的回应还没解决的部分
插损：路径至少 4 个 bulkhead 连接器，DR4 余量只有 3 dB、FR4 4 dB片上 SOA 增益 8–12 dB 补偿约 10 dB 交换损耗，1.6T BER 只劣化 1 个数量级SOA 噪声和非线性在多跳、WDM 多波长下的累积；高温下的增益稳定性
成本：每 1RU 超过 256 个双工端口每端口约 100 美元；1U 放 3–4 台，媒体称每 RU 最多 720 对端口72/144 端口芯片尚未量产（2027）
可靠性：故障半径、FIT，不能吃掉 FEC 余量固态、无运动部件；片上监测 PD 和遥测缺现场 FIT 数据；SOA 和热光单元的长期老化
端口密度：每机架需要上千个 OCS 端口多芯片堆叠到每 RU 数百端口光纤管理和连接器良率（EBO MSA 算过 1088 根光纤时首过良率只有 23%）

四、训练和推理的适配对比

维度推理（decode、MoE、LPU 流水线）训练（TP/EP/DP/PP）
流量模式按部署静态：EP 分组、流水线切分、PD 配比固定随迭代变化：每层 all-to-all（EP）、AllReduce（TP/DP）
所需重构频率小时、天或部署级若在集合通信内切换，需 <700 ns 或高扇出〔OFC26 W2A.28〕；阶段级为 100–400 ms 窗口
时延敏感度极高：通信在关键路径，少一级电交换省约 600 nsTP/EP 高；DP/PP 可重叠
端口规模64–256（单推理域）数千到数十万（scale-out）
OCS 价值省交换机和收发器、降时延，转化为 $/token故障切换、拓扑适配、降网络功耗
主要竞争者NVLink 交换机（全连接，但多一跳）NVLink + CPO（scale-up）、Spectrum-X（scale-out）
适配结论首选场景辅助场景（故障切换、阶段级重构）

Salience Labs 的仿真数据也支持这个排序：

  • 512 XPU 的 all-reduce，OCS 完成时间比电交换快 58%–61%；
  • all-to-all 在全部消息尺寸上 OCS 都更低（小消息约 1.5 µs 对约 2.5 µs）。

但 Salience 同时承认，“全 OCS 架构需要 NPO/CPO”，带光链路的 scale-up 交换机要到 2027 年〔0922-PF-1155-SalienceLabs p7, p10, p13〕。

五、OCS 技术路线对比

路线代表端口重构时间适用
MEMS 自由空间Google（自研）、Lumentum R300256–320约数十 msscale-out spine、TPU pod 重构；Google 报告功耗 -40%、成本 -30%、吞吐 +30%
液晶Coherent DLX64–512ms 级scale-out，部分 scale-up
硅光热光 + SOAiPronics ONE32→64→72/144亚毫秒scale-up 扩展、推理 pod、故障切换
薄膜钽酸锂电光OneTouch（8×8 样机）8<4 ns远期包级交换；插损 8.6 dB 偏高
无源波长路由 + 快速重锁定收发器Oriole PRISM系统级ns 级（瓶颈在收发器重锁定）全光无分层网络（自报，32k GPU 网络功耗 -81%）

Oriole 指出一个关键约束：OCS 系统的有效吞吐取决于”交换时间 + 收发器重锁定时间”。用标准收发器时，就算交换只要 ns 级，吞吐也低于 1%〔0920-pm-Su3-A-04-Oriole p9〕。这也说明亚毫秒级的 iPronics 只适合低频重构，也就是推理部署、故障切换、训练阶段切换，不适合包级或集合通信内的切换。

六、风险与观察点

  1. SOA 增益方案的可靠性。 增益补偿是硅光 OCS 能进 DR4 链路预算的前提，但 SOA 的 ASE 噪声、偏振相关增益、温漂和老化会直接影响 FEC 余量和 FIT。目前只有实验室 BER 数据，没有现场数据。
  2. 端口数时间线。 72/144 端口芯片要到 2027 年。在那之前，32/64 端口只够小规模推理 pod 和故障切换。
  3. 软件栈。 NCCL、编排器、SDN 控制器支持仍在开发。推理框架（如 Dynamo）能否在部署时直接下发 OCS 配置，是推理场景落地的关键。
  4. NVIDIA 自有路线的挤压。 NVLink CPO 交换机（NVL576/NVL1152）覆盖了训练 scale-up 的全连接需求。OCS 在训练侧可能只停留在故障切换这个辅助角色。
  5. 竞争路线。 Lumentum 和 Coherent 有 NVIDIA 各 20 亿美元投资和采购承诺。如果它们的 MEMS 或液晶 OCS 做出低端口数、低成本版本，会直接挤压 iPronics 在 scale-up 的位置。
  6. 生态标准。 CW-WDM MSA、OCI MSA 的波长数和栅格还没定，OCS 要对 WDM 透明〔0921-Mo3-A1-iPronics p15〕。

七、对光通信产业的含义

  • OCS 的主战场从 scale-out 向 scale-up 延伸。 Cignal AI 估计 2026 年 OCS 市场超过 20 亿美元，2030 年超过 80 亿美元，scale-up（GPU）是下一个杀手级应用，并且和 CPO 绑定〔0921-MF-am-T02-1020-CignalAI p16〕。
  • 硅光 OCS 拉动 O 波段 SOA 和高功率 CW 光源。 增益受控 OCS 需要 O 波段 SOA 阵列。如果推理 pod 大量采用，SOA 会成为继外置光源之后又一个 InP 器件增量。
  • 收发器形态。 OCS 链路要求收发器对额外损耗和重连更宽容。LPO 经过 OCS 后 pre-FEC BER 没有数量级变化，链路建立约 5.2 ms，比带 DSP 的约 6.2 ms 更快〔0921-Mo3-A3-KDDIResearch p7, p10〕。推理集群里 LPO/NPO 加 OCS 的组合值得跟踪。
  • 对 NVIDIA 生态的判断。 NVIDIA 用参投保留硅光 OCS 这个选项，同时把主路线押在 CPO NVLink 交换机上。iPronics 能否进入 NVIDIA 参考架构，关键看 2027 年 72/144 端口芯片，以及它在 LPX 类推理机架间扩展上的实测。

来源

本地（ECOC 2026）：

  • 0920-am-Su2-I-03-iPronics（DAY1/PV-R-Su1-Su2）
  • 0921-Mo3-A1-iPronics（DAY2/Mo3-A）
  • 0924-推定F4-iPronics（DAY5/Th1-F）
  • 0920-am-Su2-I-01-NVIDIA
  • 0922-PF-1155-SalienceLabs
  • 0920-pm-Su3-A-04-Oriole
  • 0921-Mo3-A3-KDDIResearch
  • 0924-推定F3-哥伦比亚大学
  • 0921-MF-am-T02-1020-CignalAI
  • 论文：OFC 2026 M3F.5、W2A.28

网络：

关系图谱

反向链接