AI云驅動光互聯帶寬增長

  ICC訊  （編譯：Aiur）如今，云數據中心正忙于為絕大多數應用程序軟件開發者構建基于人工智能(AI)的計算平臺，這些開發人員不一定必須是機器學習(ML)或數據科學領域的專家才能推動行業更加流行和強大，其影響可能很快會超過互聯網和移動設備平臺。

  兩個關鍵因素對于云AI計算平臺的成功至關重要。一種是計算能力，另一種是分布式計算機之間的互連帶寬。從2012年到AlphaGo，計算能力以每3-4個月翻一番的驚人速度增長，這要歸功于針對分布式和并行計算進行了優化的先進計算機處理器，例如圖形處理單元(GPU)和Tensor處理單元(TPU)。下圖顯示了Google AI/ML的增長，而曲棍球棒的增長率與其他主要的云AI/ML數據中心相似。作為結果，AI/ML已將東西向(east-west)內部數據中心的流量推向了前所未有的高度。

  盡管數據中心運營商一直在使用AI/ML優化其網絡性能以支持AI/ML流量，但是網絡生態系統的增長速度仍然慢很多，因為以太網交換機和光收發器的容量平均要每兩年才翻一番，并且未來幾年，這一增長率甚至可能會放緩。盡管如此，基于多個光學互連計算場的超級計算機最近已經實現了驚人的700 petaFlop的AI超級計算性能。該超級計算平臺，通過在主干和分支交換機中使用數千個短距離200 Gb/s可插拔光收發器來實現光互連。在不遠的將來，200 Gb/s可插拔收發器將升級為400 Gb/s可插拔收發器。

  展望未來，隨著以太網/ Infiniband交換機的速度不斷提高，可插拔光收發器可以由采用共封裝的光學器件代替(CPO，意味著光學組件要與脊骨、葉交換機共同封裝)?？梢灶A見，CPO還將用作未來服務器芯片，用于網絡接口卡和GPU/TPU的≥100?400Gb/s光學接口。CPO所面臨的挑戰不僅在于3D光電封裝技術，還在于CPO封裝所要求的超高可靠性。超高可靠性是基于這樣一個事實：如果圍繞中央交換機的光收發器發生故障，則必須更換整個系統。

  最近，許多研究人員和初創公司正在研究使用硅光子集成芯片(PIC)為AI/ML執行更快、更省電的人工神經網絡的可能性。他們的動機基于這樣一個事實，即典型的機器學習系統在矩陣乘法上花費了90%以上的精力和運行時間，而線性矩陣乘法可以使用并行或級聯硅光子馬赫-曾德爾干涉儀(MZI)來實現。但是，這些方法將面臨根本的可伸縮性挑戰。對于系列MZI，可擴展性受到較大的級聯光學插入損耗的限制。對于使用波分復用的并行方法，可伸縮性則受到可用波長數(包括陣列激光器或梳狀激光器的各種限制)以及硅光子PIC上波長復用器/解復用器的設計的限制。

  作者：Winston Way, Ph.D，新飛通