文 | 阿尔法公社
随着AI集群进入数百、数千颗GPU的规模，其系统性能越来越取决于GPU之间的数据搬运效率。
由于铜互连在带宽密度、传输距离和功耗上面临更多限制，能以更低功耗提供更高带宽、并覆盖更长距离的光互连，正加速进入AI算力中心。
但是，目前主流AI算力中心仍大量依赖电子交换机完成数据转发，光信号进入交换机后，需要经过光电转换、电子交换，再重新转成光信号传出，这种架构反而带来了更高的延迟和功耗。
Salience Labs（以下简称:Salience）试图从交换层解决这个问题。它开发了一套基于硅光的全光路交换机（OCS），让光信号在进入交换层后继续保持在光域中，并直接完成不同端口之间的光路切换。
其首款32端口OCS的单跳延迟低于10ns（纳秒），仅为博通旗舰级以太网交换芯片约250ns延迟的二十五分之一，相比其他高性能以太网交换机通常450-650ns的延迟，优势更大。
近日，Salience获得Bullhound Capital领投的新一轮1.25亿美元融资，参投方包括AMD Ventures、Intel Capital、SBI Group、Hudson River Trading和British Business Bank。
Applied Ventures LLC、Oxford Science Enterprises、Cambridge Innovation Capital及 Silicon Catalyst Ventures等现有股东继续参与。
此前，它还获得1150万美元的种子轮融资和3000万美元A轮融资，投资者包括ICM HPQC Fund、Temasek（淡马锡）前董事会成员Yew Lin Goh等。
全光硅光OCS，将交换延迟从数百纳秒降到10纳秒
Salience从牛津大学和明斯特大学分拆成立，目前的核心创始团队包括Vaysh Kewada（CEO）和Johannes Feldmann（CTO）。
其中，Kewada在帝国理工学院取得物理硕士学位，并曾在McKinsey任职多年，是公司商业侧的核心角色。Johannes Feldmann曾在牛津大学的Harish Bhaskaran团队做博士后，他设计并测试了公司第一颗原型芯片。
Vaysh Kewada（CEO）和Johannes Feldmann（CTO），图片来源：Salience Labs
Harish Bhaskaran和Wolfram Pernice是公司的学术创始人。Harish Bhaskaran曾任牛津大学教授，长期研究相变材料、纳米制造以及光子/类脑计算；Wolfram Pernice则是集成光子学专家，也是莱布尼茨奖获得者。
Salience进入行业时的核心技术是相变光电子学（phase change optoelectronics），当时它们希望用一种“存上计算”架构来构建AI计算芯片，该架构融合了光子学的超高速率、电子学的灵活性以及CMOS工艺的可制造性。
到2025年，Salience将重心转向连接AI集群的光子交换机。创始人Vaysh Kewada解释，这一变化很大程度上来自客户需求的转移：随着AI集群快速扩张，数据移动和网络基础设施逐渐成为新的限制。
与此同时，CPO（Co-Packaged Optics，共封装光学）、NPO（Near-Packaged Optics，近封装光学）等技术让光连接在AI算力中心中使用更加可行，不少公司开始致力于这一方面，Salience基于自己的技术优势，开始关注一个问题：当数据中心里的光连接越来越多，这些光信号将如何被交换。
注：CPO和NPO都是让光引擎进一步靠近交换芯片或GPU的封装方案，以缩短高速电信号传输距离、降低功耗并提升带宽。
到B轮融资时，Salience推出了一套面向量产的集成硅光OCS方案，并搭载于其首款产品OC-32M。
这次转向背后的逻辑，是AI算力中心，及其相应连接需求的快速扩张。随着算力中心内的GPU数量、机架功率密度持续上升，交换层的延迟、功耗和光模块成本也在快速增加。Dell’Oro Group预计，2026年至2030年，AI后端网络数据中心交换机的累计支出将接近1万亿美元。
OCS（Optical Circuit Switch，光路交换机）可以理解为给光信号“直接改道”的交换设备。传统电子交换机需要先把光信号转成电信号，判断数据该往哪里走，再重新转成光信号发出去；OCS则直接在光域里建立一条从输入端到输出端的通路，数据沿着这条光路传输。
OCS本身并不是新技术。传统产品主要采用MEMS微镜，通过电信号控制微型反射镜的角度，把输入光束直接偏转到指定的输出光纤；这类方案已经被Google等公司用于数据中心，但重新配置一条光路通常需要毫秒级时间。
Salience选择把光路交换直接集成到硅光芯片中，让重配置时间缩短至300微秒以内。相比机械式OCS，硅光集成的另一项优势在于可以借助半导体制造工艺提高可制造性，并降低大规模量产后的每端口成本。
但硅光集成也带来了一个直接问题：损耗。光在芯片内部经过波导和多个交换器件时会不断衰减。
为此，Salience采用了两颗芯片：一颗全集成硅光OCS芯片负责片上光路交换，另一颗自研的阵列式光放大和信号调理芯片负责补偿片上损耗，两颗芯片背靠背安装在PCB上。创始人Kewada将这颗光放大芯片称为整个技术栈的核心。
Salienced的芯片，图片来源：Salience Labs
Salience的首款产品OC-32M是一款32端口全光硅光OCS，单通道最高支持200Gbps（相当于理论原始数据速率约25GB/s）的数据传输速率，端口到端口单跳延迟低于10纳秒，而高性能以太网交换机通常在数百纳秒量级。
图片来源：Salience Labs
在一项576颗GPU运行Megatron 2T模型的模拟中，Salience表示更低的网络延迟最高可以将单用户每秒Token吞吐量提高80%。
图片来源：Salience Labs
Salience已经展示了64端口版本，下一步还计划在这套架构基础上扩展至128和256端口。
相比传统电子分组交换机，OC-32M最大的优势是省去了交换机侧的光-电-光（OEO）转换和相应光收发器，使数据可以直接在光域中完成交换。这样既减少了光电转换和数据包处理带来的延迟，也省去了高速收发器的功耗和成本；随着网络带宽和规模继续扩大，这部分节省会更加明显。
不过，OCS并不能完全取代电子交换机。它更适合提前建立一条持续一段时间的光路，而不像电子交换机那样，可以针对每个数据包实时决定转发路径；同时，OCS本身也缺少电子交换机的缓存能力，需要依赖外部系统提前调度不同节点之间的连接。
这也决定了两者更可能长期共存：电子交换负责短小、突发和随机变化的流量，OCS则更适合高带宽、通信关系相对稳定且可以提前预测的任务。AI训练和推理中的大量GPU通信恰好具有结构化、同步性强等特点，这也是OCS重新受到关注的重要原因。
Salience的产品目前首先瞄准AI集群的纵向扩展（scale-up）。现在NVIDIA和AMD的高带宽scale-up域通常仍停留在单机架范围内，Salience希望利用低延迟OCS，把更多GPU或其他XPU跨机架连接起来，扩大一致性内存域。
注：Scale-up指在单个AI计算系统内部，通过高带宽、低延迟互联连接更多GPU/XPU，让它们像一台更大的机器协同工作。
在横向扩展（scale-out）网络中，Salience希望OCS承担部分汇聚层和集群重构任务。光路可以根据不同工作负载重新配置，让GPU集群在训练、推理或资源重新分配时调整连接关系，同时保留电子分组交换机处理更细粒度、变化更快的数据流量。
注：Scale-out指通过网络连接更多服务器、机架和计算节点，把多个相对独立的计算单元扩展成更大的AI集群。
为推进商业化，Salience已与Tower Semiconductor合作制造硅光芯片，并借助其硅光工艺平台推进预量产和规模化生产；公司还与Keysight合作建设OCS测试环境，用于验证性能、互操作性和大规模部署能力。
光互联与光交换，推动AI计算架构重构
除了Salience，OCS方向还有多家公司推进产品和技术落地。
iPronics近期完成1.25亿美元B轮融资，NVIDIA参与投资。其32端口ONE-32采用集成硅光路线，单跳延迟低于30纳秒，重配置时间低于300微秒，并已与Fabrinet推进专门的封装、组装和测试产线。
Lumentum采用传统MEMS路线，其R300已经做到300×300端口，典型插损约1.5dB，并积累了超过1万亿小时的MEMS微镜运行时间。
PsiQuantum则展示了一款8×8硅光OCS，没有使用光放大器，典型插损为1.2dB，重配置时间低于3毫秒。
把这些路线和Salience放在一起看，OCS未来的发展会围绕几项指标展开：一是把端口规模继续做大，二是进一步降低插损，三是缩短重配置时间，四是降低功耗和每端口成本。
从更大的视角看，光互联会沿着几个方向推进。
首先，Scale-up将从单机架扩展到多机架，利用光连接把数百甚至数千颗GPU/XPU纳入同一个低延迟、高带宽计算域。
其次，已经大量使用可插拔光模块的Scale-out网络，会继续提高机架和集群之间的带宽密度，并降低每比特传输的功耗。
封装和集成方式则会从可插拔模块，向OBO、NPO和CPO等更靠近交换芯片或GPU的形态发展；更长期的方向还包括Optical I/O以及2.5D、3D光子中介层。
光网络本身也会变得更加可编程。近期重点是通过软件控制动态调整网络拓扑和光路；更进一步，则是在部分架构中共同调度波长和带宽，并与电子分组交换网络协同运行。
从整个光互联产业的发展分析，能够清晰的看到几条创业路线：光进一步进入GPU、内存和其他计算芯片附近；光网络从单机架扩展到多机架和更大规模集群；以及封装、制造、测试和网络控制能力随之升级。
