芝能智芯出品AI大模型的訓練速度，越來越取決于網絡帶寬，而不是單顆芯片的性能。換句話說，算力的瓶頸正在從計算核心轉移到數據流動。
Lightmatter在這一節點推出的Passage 3D CPO平臺，把硅光子集成與DWDM波分復用放進了CPO的封裝環境里，用16個波長把一根光纖的吞吐能力推到極限，再在參考平臺上實現114Tbps的總帶寬。這種高密度互連方式，直接回應了AI集群在空間、能效和端口數上的困境。
Passage 3D不僅僅是提高了“帶寬指標”，它試圖在架構層面重塑大規模集群的互連邏輯：減少銅線、壓縮光纖數量、降低交換機依賴。其潛臺詞是，AI算力的未來增長，將越來越依賴光子而非電子。
技術實現的核心細節
Passage 3D平臺的設計核心是硅光子集成電路（PIC），它與電子集成電路（EIC）協同工作，實現光電一體化的數據傳輸。
這一PIC被劃分為八個獨立的光子模塊，每個模塊具備14Tbps的傳輸能力，總體上能提供極高的吞吐率。與傳統依賴銅互連的方式相比，這種架構的優勢在于更低的能耗和更好的信號保持能力。
電互連在高速傳輸中容易受到串擾和信號衰減限制，而光子互連則能在更長的距離上保持較高的帶寬密度。
平臺設計了16個外部光口，每個端口輸出7.2Tbps的帶寬。這些外部光口通過內部256根光纖與16個光纖耦合單元（FAU）相連，形成龐大的內部光學通道網絡。
在整體上，Passage M1000參考平臺能夠提供114Tbps的總帶寬，這是通過高效的波分復用技術實現的。
其關鍵技術是16波長DWDM（Dense Wavelength Division Multiplexing）。在單根光纖中疊加16個不同的波長，每個波長對應一條獨立的數據信道，從而極大提高了光纖利用率。
在這種復用模式下，光纖相當于承載了16倍于傳統單波長的帶寬。每個波長都在納米級的頻譜間隔中傳輸，因此設計必須保證波長穩定，避免通道間的串擾和偏移。
硅光子平臺的優勢在于可以在同一芯片上完成調制器、探測器和波導的高度集成，這使得DWDM系統可以實現更小的尺寸和更好的能效。
但這也帶來新的挑戰。由于波長間隔較小，任何溫度變化都會導致波長漂移。例如，硅的折射率會隨著溫度升高而發生變化，導致通道波長偏移。如果不同波長之間發生重疊，就會引起誤碼和信號失真。
因此，Passage 3D的設計必須在封裝中引入精密的溫控機制，通過熱電調節器（TEC）等手段保持波長穩定。
在器件層面，PIC與EIC的協作是另一大技術難點。光子器件負責高速信號的調制與傳輸，而EIC則提供驅動和控制邏輯，兩者之間需要低延遲、高帶寬的互連。
在Passage平臺中，這一結合通過先進封裝實現，通常涉及2.5D中介層或3D堆疊。這意味著信號需要在電與光之間頻繁轉換，轉換效率和損耗直接影響到系統性能。
Passage 3D 將DWDM與CPO結合，通過硅光子集成和先進封裝，構建出一個高密度的光互連參考平臺。
工程應用與潛在挑戰
Passage 3D 展示了技術上的可行性，還直接回應了AI集群在擴展過程中遇到的實際問題。
隨著GPU和專用加速器算力的提升，單節點的計算能力快速增長，但要把成千上萬個節點組織成一個整體，需要依賴高效的網絡互連。如果網絡帶寬不足，訓練任務中的數據交換就會成為瓶頸，導致計算資源閑置和效率下降。
現有的高速電互連，如PCIe和以太網，在高頻率下的損耗與功耗日益嚴重。即使是當下主流的800G光模塊，也需要大量光纖與交換機端口來支撐超大規模集群。這導致機房的布線復雜度和能耗不斷上升。
Passage 3D通過在單根光纖中承載16個波長，顯著提升了鏈路的有效帶寬，從而減少了光纖數量和端口需求。對于成千上萬個節點的大型AI系統而言，這不僅節省了布線和交換資源，還降低了整體能耗。
網絡拓撲設計是另一層面的問題。
在傳統的fat-tree或dragonfly網絡中，交換機端口數量往往成為瓶頸。隨著集群規模擴展，交換機的層級與數量迅速增加，導致成本和功耗呈非線性上升。
Passage 3D通過提升單纖帶寬，減少了對額外端口的依賴，相當于間接優化了網絡拓撲結構。這對于百萬級別的XPU集群尤為重要，因為在這個規模下，網絡復雜度和互連成本可能超過芯片本身的制造成本。
要將Passage 3D推廣到量產與商用，還面臨一些工程難題。
◎ 首先是波長穩定性問題。隨著波長間隔縮小，溫度漂移帶來的影響更為顯著，需要可靠的熱管理和波長鎖定技術。
◎ 其次是制造一致性。硅光子雖然已經有成熟的工藝，但在DWDM應用中，任何工藝偏差都可能導致通道性能下降，從而影響系統良率。
◎ 再者是系統集成的復雜度。CPO方案將光收發與計算核心緊密封裝，這不僅對散熱設計提出更高要求，還在可靠性和測試環節帶來挑戰。
DWDM信號在傳輸中也存在非線性效應，比如自相位調制和四波混頻。
在數據中心內部雖然傳輸距離有限，但在高功率密度下，這些效應可能依然影響信號質量。如何在功耗、信號完整性和帶寬之間找到平衡，是未來工程化落地的重要課題。
Passage 3D仍然代表了一條明確的方向：通過提高單纖帶寬利用率，在相同的物理資源下實現更高效的網絡互連。這對AI大模型的訓練效率、能耗優化和整體系統成本控制都有重要意義。
Passage 3D的貢獻在于為未來的算力擴展提供了一種現實可行的工程解法。
它既展示了硅光子與DWDM的結合潛力，也為大規模系統互連指出了一條降低資源消耗、提升能效的路徑。隨著AI集群規模繼續擴大，這種設計有望成為主流架構的一部分。
小結
在算力不斷增長的時代，互連能力往往決定了系統的上限，通過在單根光纖上承載16波長的DWDM信號，顯著提升了帶寬密度，并通過CPO集成減少了能耗和空間占用。
在波長穩定性、制造一致性和系統集成方面仍需進一步突破，但這一方向已經展現出足夠的價值。對未來動輒百萬級XPU組成的AI系統而言，互連效率或許比單芯片性能更具決定性。
