从不到100美元到数千美元，AI互联为何越卖越贵

2026年的CIOE中国光博会，人潮如织。社交媒体上甚至有人开出2500元一场的讲解费，希望找到业内人士陪同参观。走进场馆后更直观的感受是，几乎所有与AI相关的环节都在升温：从光模块、光器件，到高速互联和数据中心基础设施，AI需求正在把原本相对垂直的光通信产业链整体推向更高热度。

Astera Labs也出现在今年光博会。这家2017年成立的美国半导体公司，最早从PCIe Retimer切入高速互联，如今产品已经延伸至铜互联、光互联和机架级连接；截至九月，这间公司市值已接近500亿美元。

“算力需求越高，处理器之间的数据交换就越需要快速传输，互联这套‘神经系统’也必须跟上。”Astera Labs总裁兼COO Sanjay Gajendra对雷峰网表示。

这股热度背后，是AI基础设施规模持续扩张带来的互联压力。当GPU从几颗扩展到几十颗甚至成百上千颗，处理器之间的数据传输效率，开始直接影响整套基础设施的性能。

铜光之争，最后要算Token成本

为什么早在2017年，大语言模型尚未得到广泛应用时，Astera就开始押注互联方向？

“我们当时判断，那些为上一代处理器设计的连接架构，在单台服务器拥有10个乃至今天数十个处理单元时，将无法继续支撑系统需求。”Gajendra说。

当时常规服务器通常围绕1至2颗CPU设计，存储、网络等设备更多作为外围I/O存在；但随着CPU、GPU、SmartNIC等越来越多处理器开始同时进入服务器，系统内部需要交换的数据量迅速上升。

“就像一台机器里有了很多个‘大脑’，原本围绕少量处理器设计的互联架构，已经难以继续支撑它们之间的数据交换。”Gajendra解释。

来到2026年，这一问题随着AI的发展进一步放大。Gajendra将今天互联架构面临的挑战概括为三个变量：速率、规模和功耗。Astera Labs成立前后，PCIe单通道速率还处在8 GT/s级别，如今已经提升到64 GT/s；AI系统也从早期4至8颗GPU，向数十、上百及更大规模扩展。

“为了跟上当前AI部署的步伐，数据传输速度每年都在翻倍。”Gajendra说。规模扩张带来的同时，通信延迟必须尽可能低，同时还要维持内存一致性和处理器之间的同步；系统规模扩大后，互联本身的功耗也产生了约束。

这种扩展带来的压力，已经对铜光边界带来了改变，打破了短距离更多使用铜、长距离转向光互联的惯性思维，距离已经不再是决定使用光还是铜的主要变量。Gajendra认为，决定机架内部何时进一步从铜转向光，最核心的两个变量是传输速率和GPU规模。

对于200G/lane级别的连接，铜互联依然可以胜任；进一步走向400G/lane之后，光将更多进入机架内部，GPU数量增加带来的连接密度和散热压力，将进一步影响客户选择铜互连还是光互联。

除了以上两点，让铜光边界变得更复杂的，还有成本。所有厂商最终都要算一笔账：不同连接方式，对应的整套系统Token成本究竟是多少。

光博会现场，Astera Labs的工程师告诉雷峰网，下一代AI系统中，铜和光不会简单形成替代关系。大量短距离连接仍然适合使用成本更低、技术更成熟的铜；而当系统扩大到数千张GPU、跨越多个机架时，衡量连接方案的指标会进一步变成整套系统的单位Token成本。

工程师进一步提到，以英伟达NVL72的72-GPU scale-up域为参照，当计算需求继续扩大后，更大的scale-up域可能减少数据频繁经过scale-out网络。后者通常还需要经过网卡、以太网或InfiniBand交换机等多个子系统，引入额外延迟和系统复杂度。借助光互联扩大scale-up规模，因此可能进一步优化单位Token成本。

在具体技术路径上，Gajendra判断，NPO（近封装光学）将在2027年前后开始进入scale-up部署；CPO（共封装光学）目前虽然已有小规模应用，但在scale-up域的更大规模的部署可能要到2029至2030年以后。

从这个角度看，AI互联面对的问题已经不只是“数据怎么传得更快”，而是如何用不同的连接方式组织越来越多GPU，并让整套系统以更低成本输出更多Token。

资本开支趋稳，价值量继续上移

过去两年，AI基础设施最直接的增长逻辑，是超大规模云厂商持续提高资本开支。

但很显然，这种投入不可能永远维持相同增速。当被问及未来一两年头部云厂商放缓AI数据中心建设，是否会影响Astera Labs这样的连接厂商时，Gajendra没有否认这种可能。

他认为，AI目前仍处于基础设施集中建设阶段，仅美国超大规模云厂商已经公开承诺了超过1万亿美元的数据中心投资；但随着大规模建设逐渐完成，资本开支在未来几年终究会趋于稳定。

市场对这一增速能维持多久也越来越敏感。据公开信息，微软、Alphabet、亚马逊、Meta和Oracle五家AI超大规模厂商2026年的资本开支合计约7950亿美元，2027年将接近1.08万亿美元，市场在密切关注这轮支出是否会出现放缓迹象。

对Astera而言，答案并不只是等待云厂商继续扩建更多数据中心，而是提高自己在每颗加速器周围能够获得的价值量。Gajendra给出了一组直观的数字：早期只有Aries PCIe Retimer时，Astera每颗加速器对应的产品价值量不到100美元；后来加入交换芯片和内存产品，这一数字上升到数百美元；到了scale-up交换阶段，每颗加速器对应的价值量已经达到数千美元。

显然，scale-up是Astera正在加码的方向。Gajendra透露，公司原本预计Scorpio系列要到今年第四季度才会成为收入规模最大的产品线，但这一节点已经提前至第三季度。

除了提高单颗加速器对应的产品价值量，Gajendra还把推理市场视为另一个增长来源。

他认为，训练和推理虽然对互联都有高带宽、低延迟和低功耗的共同要求，但两类工作负载的侧重点并不完全相同。训练更依赖计算能力，推理则相对更看重内存和低延迟。

与训练主要集中在大型数据中心不同，Gajendra认为推理市场的参与者和系统形态会更加分散。“尤其是在推理市场，会有更多客户进入。这是一个非常分散的市场，会有很多参与者、很多系统。”Gajendra说。

未来的连接需求，未必只取决于少数头部云厂商继续建设多少超大规模训练集群。随着AI从训练进入大规模推理，连接需求可能进一步扩展到更多不同规模、不同部署形态的系统。

当客户的规模和部署形态进一步增加，连接厂商面对的也不再是一套相对统一的需求。不同市场、不同类型客户对标准化程度、产品迭代速度和系统定制的要求正在逐渐拉开。

这种差异，在中美两类AI基础设施市场中表现得尤其明显。

系统越定制，连接方案越分化

随着推理市场进一步分散，连接厂商面对的客户也会越来越多样。相比北美，中国AI基础设施市场已经呈现出明显不同的客户结构。