اخبار شرکت فراتر از قفسه: چگونه اپتیک های بسته بندی شده مشترک (CPO) و ذخیره سازی نسل بعدی مشکل حرکت داده های هوش مصنوعی را حل می کنند

# فراتر از قفسه: چگونه اپتیک های بسته بندی شده (CPO) و ذخیره سازی نسل بعدی مشکل حرکت داده های هوش مصنوعی را حل می کنند

فیل در مرکز داده: دیگر در مورد محاسبه نیست

در CIOE 2026 در شنژن، یک تغییر جذاب در گفتگو در میان معماران مرکز داده پدیدار شد. پنج سال پیش، بحث ها بر این موضوع متمرکز شدGPU TFLOPS و تعداد هسته CPU. امروز؟ وسواس این استPB/s (پتابایت در ثانیه)وبودجه تأخیر نانوثانیه.

چرا؟ زیرا در عصر مدل های هوش مصنوعی تریلیون پارامتری و استنتاج بلادرنگ،گلوگاه از محاسبات به حرکت داده منتقل شده است. یک پردازنده گرافیکی مدرن H200 می‌تواند 4.8 PFLOPS را پردازش کند، اما نیاز به داده دارد. آموزش مدل کلاس GPT-4 نیاز به هم زدن دارد45 پتابایت داده آموزشیدر هزاران پردازنده گرافیکی، میلیاردها برابر.

این مقاله دو فناوری همگرا را بررسی می‌کند که در CIOE 2026 به نمایش گذاشته شده‌اند که زیرساخت‌های هوش مصنوعی را دوباره تعریف می‌کنند: 1.اپتیک بسته بندی مشترک (CPO) و اپتیک نزدیک بسته (NPO)- رفع تنگناهای الکتریکی 2.ذخیره سازی سازمانی نسل بعدی– SSD ها و سیستم های حافظه ساخته شده برای اشتهای سیری ناپذیر هوش مصنوعی

قسمت 1: CPO/NPO - وقتی با سیلیکون ملاقات می کند

مشکل: اتصالات الکتریکی به دیوار برخورد می کنند

ماژول های نوری سنتی از طریق ردپای الکتریکی روی PCB به سوئیچ ها متصل می شوند. با بالا رفتن نرخ داده از 1.6 ترابیت بر ثانیه، این ردیابی ها به موانع غیرقابل عبور تبدیل می شوند:

-از دست دادن سیگنال: 30-40 دسی بل در متر در 112 گیگابیت بر ثانیه PAM4 (56 گیگاهرتز) -مصرف برق: Retimer ها و DSP ها 15-20W در هر ماژول می سوزانند -تأخیر: Electrical SerDes سفر رفت و برگشت 100-200 ثانیه را اضافه می کند -تراکم: صفحه ظاهری QSFP-DD به ~51 ترابیت بر ثانیه در هر سوئیچ ASIC محدود می شود

وارد کنیداپتیک همبسته: یکپارچه سازی موتورهای نوریداخل همون بستهبه عنوان سیلیکون سوئیچینگ

آنچه CIOE 2026 فاش کرد: CPO واقعی است

با قدم زدن در نمایشگاه، CPO از مقالات کنفرانسی بهسیلیکون حمل و نقل:

#### 1.موتورهای نوری 6.4T NPO(华工正源/Huagong Zhongyuan) -پیکربندی: خطوط 8 × 800G با استفاده از لیزرهای کوانتومی DWDM -بهره وری قدرت: 3.5 pJ/bit (در مقابل 8 pJ/bit برای ماژول های قابل اتصال) -فاکتور فرم: یکپارچه در بستر بسته سوئیچ -وضعیت: نمونه برداری از هایپراسکیل کننده های Tier-1 در Q4 2026

#### 2.پلتفرم های فوتونیک سیلیکونی(GlobalFoundries) آنهاSiPh سازگار با CMOS 45 نانومتریفرآیند را قادر می سازد: -ادغام یکپارچهلیزرها، مدولاتورها و آشکارسازهای نوری -تست در مقیاس ویفرکاهش هزینه های مونتاژ تا 60٪ -منابع چند طول موجیبرای برنامه های DWDM

#### 3.پیشرفت سخت افزاری Light联芯科استارت آپ چینی ازسیستم لیتوگرافی قابل برنامه ریزی بدون ماسک ZW1000برای فوتونیک سیلیکون: -نمونه سازی سریع: هفته ها به جای ماه ها برای طرح های جدید -تولید کم حجم: اقتصادی برای کمتر از 10 هزار واحد در سال -انعطاف پذیری: موجبرهای قابل تنظیم مجدد برای برنامه های کاربردی سفارشی

این به بزرگترین چالش CPO می پردازد:چرخه های تکرار طراحی. هزینه های سنتی ماسک عکس (+200 هزار دلار) آزمایش را بسیار گران کرد.

CPO در مقابل NPO در مقابل Pluggable: ماتریس استقرار

همه برنامه ها به پیچیدگی CPO نیاز ندارند. در اینجا زمانی است که هر فناوری منطقی است:

| معماری | بهترین برای | پهنای باند | قدرت | هزینه | در دسترس بودن | |--------------|----------|----------|------|------|-------------| |قابل اتصال (QSFP-DD)| شبکه های برگ ستون فقرات | 800G-1.6T | 15-20 وات | $ | اکنون | |LPO (قابل اتصال خطی)| قفسه به قفسه <100 متر | 800 گرم | 8-12 وات | $$ | اکنون | |NPO (نزدیک به بسته)| خوشه های آموزشی هوش مصنوعی | 3.2-6.4T | 5-8 وات | $$$ | 2027 | |CPO (بسته بندی مشترک)| پارچه های سوئیچ | 12.8T+ | 3-5 وات | $$$$ | 2028 |

بینش کلیدی از CIOE: برای استقرارهای 2026-2027،معماری های ترکیبی غالب است: - CPO برای سوئیچ های ستون فقرات (51.2 ترابیت بر ثانیه + در هر ASIC) - 800G قابل اتصال برای سوئیچ های برگ - LPO برای اتصالات GPU فابریک محاسباتی

شیرجه عمیق فنی: CPO در واقع چگونه کار می کند

برای مهندسانی که راه حل های CPO را ارزیابی می کنند، درک معماری بسیار مهم است:

#### مسیر ماژول قابل اتصال سنتی: ``` GPU ← PCIe ← NIC ASIC ← ردپای PCB (30 سانتی متر) ← Retimer ← ماژول DSP ← لیزر ← فیبر ← Photodiode → DSP ← Retimer → رد PCB → سوئیچ ASIC ```تأخیر کل: 800 ثانیهقدرت: ~ 35 وات برای 800G دو طرفه

#### مسیر CPO: ``` سوئیچ ASIC ← موجبر روی بسته (3 میلی متر) ← مدولاتور ← فیبر ← فوتودیود ← موجبر ← سوئیچ ASIC ```تأخیر کل: ~ 200 ثانیهقدرت: ~8W برای 800G دو طرفه

کاهش تاخیر برایآموزش موازی همزمان(به عنوان مثال، ZeRO-3، FSDP)، که در آن ارتباطات اولیه جمعی (همه کاهش، همه جمع آوری) بر زمان اجرا غالب است.

چالش اکوسیستم: چرا پذیرش تدریجی است؟

علیرغم مزایای فنی قانع کننده، CPO با موانعی روبرو است:

1.عدم بلوغ زنجیره تامین: فقط 3-4 فروشنده واجد شرایط در سطح جهان 2.طراحی مجدد ASIC را تغییر دهید: نیاز به توسعه مشترک با Broadcom/Nvidia/Marvell 3 دارد.مدیریت حرارتی: 400W+ سوئیچ ASIC + موتورهای نوری = خنک کننده پیچیده 4.اقتصاد تعمیرات: موتور نوری مرده = کل ماژول سوئیچ را از بین ببرید (+50 هزار دلار)

اجماع صنعت در CIOE: CPO ضبط خواهد شد15-20٪ از بازار سوئیچ 2028، متمرکز در خوشه های هوش مصنوعی فوق مقیاس. ماژول‌های قابل اتصال برای شرکت‌ها و مخابرات همچنان غالب هستند.

قسمت 2: سمت ذخیره سازی - تغذیه جانور

در حالی که همه به پردازنده‌های گرافیکی توجه می‌کنند، نمایشگاه‌های ذخیره‌سازی سازمانی CIOE داستانی به همان اندازه مهم را بیان می‌کنند:خط لوله داده های هوش مصنوعی به سرعت کندترین جزء آن است.

معضل ذخیره سازی هوش مصنوعی

آموزش یک مدل 1 تریلیون پارامتری روی 10 ترابایت داده به موارد زیر نیاز دارد:بارگذاری مجموعه داده: 10 ترابایت خوانده شده از حافظه → حافظه GPU -ایست بازرسی: وزن های مدل 2 ترابایتی نوشته شده در هر دوره (10-100× در هر دوره آموزشی) -عملیات مختلط: الگوهای دسترسی تصادفی در کل مجموعه داده -همگام سازی گرادیان: در حین انتشار پس از انتشار می نویسد

هاردهای SAS سنتی؟به طرز خنده داری ناکافی. حتی SSD های SATA هم مشکل دارند. اینجاست کهحافظه های SSD NVMe PCIe 5.0وحافظه پایدار DDR5عکس را وارد کنید

آنچه غرفه داران فضای ذخیره سازی CIOE 2026 به نمایش گذاشتند

#### 1.درایوهای SSD سازمانی PCIe 5.0: نمایشگاه New Baseline Topstar گنجانده شده استMicron 7500 Seriesوکینگستون DC1500Mدرایوهایی که نشان می دهند: -خواندن متوالی: 14000 مگابایت بر ثانیه (در مقابل 3500 مگابایت بر ثانیه برای PCIe 3.0) -خواندن تصادفی IOPS: 2.5M (برای بارگذاری داده های آموزشی توزیع شده ضروری است) -استقامت: 3 DWPD (درایو نوشتن در روز) به مدت 5 سال = 82 PB در مجموع روی یک درایو 15 ترابایتی

تاثیر دنیای واقعی: یک NVMe JBOF 16 درایو می‌تواند پیوندهای دوگانه 100 گیگابایتی را برای پخش مجموعه داده اشباع کند و ذخیره‌سازی را به عنوان یک گلوگاه آموزشی حذف کند.

#### 2.حافظه سرور DDR5-5600: فراتر از ظرفیت، حجم کاری هوش مصنوعی هر دو را می طلبدظرفیت(512GB-2TB در هر سرور) وپهنای باند(بیش از 400 گیگابایت در ثانیه در هر سوکت). DDR5-5600 ارائه می دهد: -پهنای باند: 44.8 گیگابایت بر ثانیه در هر DIMM (در مقابل 32 گیگابایت بر ثانیه برای DDR4-3200) -ظرفیت: استاندارد شدن ماژول های RDIMM 128 گیگابایتی -بهره وری قدرت: 1.1 ولت در مقابل 1.2 ولت برای DDR4 (کاهش 10 درصد)

در CIOE دیدیمدوربین های RDIMM 512 گیگابایتی DDR5-5600 سامسونگ– فعال کردن 2 ترابایت در هر سوکت (16× DIMM) برای سرورهای استنتاج LLM. این اجازه می دهد تا کل مدل های پارامتر 70B باقی بمانندساکن در DRAM، از بین بردن سربار تعویض مدل.

#### 3.افزایش حافظه CXL: Game Changer Compute Express Link (CXL) 2.0 را فعال می کندتجمیع حافظهدر سراسر سرورها: -استخر حافظه مشترک: چندین CPU به DRAM مشترک/حافظه دائمی دسترسی دارند -تأخیر: <200 ثانیه برای دسترسی به حافظه از راه دور (در مقابل میلی ثانیه برای NVMe) -مورد استفاده: خوشه های استنتاج LLM حافظه نهان KV را در بین گره ها به اشتراک می گذارند

در حالی که هنوز در حال ظهور است (تولید محدود در سال 2026)، توسعه حافظه CXL می تواندکاهش هزینه های خوشه استنتاج تا 30 درصدبا حذف بیش از حد حافظه در هر گره.

معماری ذخیره سازی سازمانی برای هوش مصنوعی: مدل 3 لایه

بر اساس بحث های CIOE با معماران مراکز داده، پشته ذخیره سازی بهینه هوش مصنوعی عبارت است از:

####سطح 1: GPU HBM (حافظه با پهنای باند بالا)-ظرفیت: 80-192 گیگابایت در هر پردازنده گرافیکی (H200/B200) -پهنای باند: 4-5 ترابایت بر ثانیه -هدف: دسته های تمرینی فعال، وزنه های مدل در حین پاس رو به جلو/عقب

####سطح 2: DRAM میزبان (DDR5)-ظرفیت: 1-2 ترابایت در هر سرور -پهنای باند: 400-800 گیگابایت بر ثانیه در هر سوکت -هدف: پیش واکشی مجموعه داده، انباشت گرادیان، استنتاج KV-cache

####سطح 3: حافظه NVMe SSD-ظرفیت: 60-240 ترابایت در هر سرور (درایوهای 4-16× 15 ترابایت) -پهنای باند: 50-200 گیگابایت بر ثانیه (RAID 0 در درایوها) -هدف: ذخیره سازی کامل مجموعه داده، چک پوینت، نسخه سازی بلندمدت مدل

نسبت بحرانی: هدفDRAM میزبان: NVMe = 1:50(به عنوان مثال، 2 ترابایت DRAM، 100 ترابایت NVMe). این تضمین می‌کند که واکشی اولیه داده‌ها هرگز آموزش GPU را متوقف نمی‌کند.

استدلال TCO: چرا ذخیره سازی پریمیوم سود می کند

یک کلاستر آموزشی هوش مصنوعی 1000 GPU را در نظر بگیرید: -هزینه پردازنده گرافیکی: 30 میلیون دلار (1000 × 30 هزار دلار در هر H100) -توان سالانه: 5 میلیون دلار (150 دلار/GPU × 1000 × 8760 ساعت × 0.12 دلار/کیلووات ساعت) -هزینه فرصت: 5000 دلار در ساعت برای کلاستر بیکار (43 میلیون دلار در سال با استفاده 100٪)

حال تصور کنید تنگناهای ذخیره سازی استفاده موثر از GPU را کاهش می دهد85%(15% بیکار در انتظار داده): -اتلاف وقت GPU: 6.45 میلیون دلار در سال -هزینه رفع تنگنا: 500 هزار دلار (شبکه پریمیوم NVMe + DDR5 + 100 گیگابایت)

بازگشت سرمایه: 1200% در سال اول. به همین دلیل است که هایپراسکیلرها از استقرار SSD های 2000 دلاری PCIe 5.0 دریغ نمی کنند.

بخش 3: راه حل یکپارچه Topstar - سخت افزار + تخصص

به عنوان یک شرکت کننده در CIOE 2026 و تامین کننده صنعت،تکنولوژی Topstarمشتریان را برای موفقیت در زیرساخت هوش مصنوعی به طور منحصر به فرد موقعیت می دهد:

سبد محصولات جامع ما

####اتصال نوری- ماژول‌های 800G/1.6T QSFP-DD/OSFP - راه‌حل‌های 400G/200G برای معماری‌های هیبریدی - کابل‌های AOC/DAC برای اتصال در مقیاس رک - مهارهای فیبر MPO/MTP

####ذخیره سازی سازمانی-SSD ها: Micron، Kingston، Samsung Enterprise NVMe (PCIe 4.0/5.0) -حافظه سرور: DDR5-4800/5600 RDIMM و LRDIMM -حافظه GPU: HBM2e/HBM3 برای شتاب دهنده های هوش مصنوعی (منابع OEM)

####اجزای سرور هوش مصنوعی- پردازنده‌های گرافیکی NVIDIA H100/H200/B100 (توزیع‌کننده مجاز) - کارت‌های شبکه ملانوکس ConnectX-7 (400 گیگابایت برای RDMA) - سوئیچ‌ها و SmartNIC‌های Broadcom

چرا مشتریان Topstar را انتخاب می کنند

#### 1.Single-Vendor Simplicityمدیریت 10 تامین کننده مختلف را متوقف کنید. ما راه‌حل‌های کامل قفسه هوش مصنوعی را ارائه می‌دهیم: - بهینه‌سازی لایحه مواد (BOM) - تأیید پیش از سازگاری - حمل و نقل و پشتیبانی تلفیقی

#### 2.گزینه های منبع یابی انعطاف پذیر-اجزای درجه OEMبرای استقرارهای فرامقیاس -مارک اصلیماژول ها (سازگار با سیسکو/آریستا/ملانوکس) -راه حل های جعبه سفیدبرای پروژه های حساس به هزینه

#### 3.توسعه مشترک فنیمهندسان ما در موارد زیر همکاری می کنند:طراحی توپولوژی شبکه(کلوس، درخت چاق، سنجاقک) -اندازه لایه ذخیره سازیبر اساس پروفایل حجم کاری -بودجه برق و سرمایشبرای استقرار در سطح رک

#### 4.جدول زمانی استقرار سریعدر صنعتی با زمان های 16-24 هفته ای، ما حفظ می کنیم: -موجودی اجزای استراتژیک(+5 میلیون دلار سهام) -تحویل 4-8 هفته ایبرای تنظیمات استاندارد -گزینه های تسریع شدهبرای استقرار فوری

مطالعه موردی: 500-GPU Training Cluster Deployment

یک پروژه مشتری اخیر توانایی های سرتاسری ما را نشان می دهد:

الزامات:- 500 × پردازنده‌های گرافیکی NVIDIA H100 - ذخیره‌سازی داده‌های 100 ترابایتی در هر گره - تأخیر شبکه کمتر از 10 میکروثانیه برای عملیات‌های همه جانبه

راه حل Topstar:-شبکه سازی: - 500× ملانوکس ConnectX-7 400GbE کارت شبکه - ماژول های 64×800G QSFP-DD برای سوئیچ های ستون فقرات - ماژول های 1024×400G QSFP-DD برای سوئیچ های برگ -ذخیره سازی: - 4000 × Kingston DC1500M 15 ترابایت NVMe SSD (8 در هر سرور) - کنترلرهای RAID با 8 گیگابایت کش در هر سرور -حافظه: - 32000× سامسونگ DDR5-5600 64 گیگابایت RDIMM (64 در هر سرور، 4 ترابایت/گره)

جدول زمانی استقرار:- هفته 1-2: نهایی سازی و تدارکات BOM - هفته 3-6: تحویل و یکپارچه سازی قطعات - هفته 7-8: نصب رک و راه اندازی شبکه - هفته 9: اعتبارسنجی حجم کاری و انتقال

نتیجه: خوشه به دست آمد94.2٪ استفاده از GPUدر طول دوره های آموزشی یک هفته ای - یکی از بالاترین ها در صنعت.

جاده پیش رو: 2027-2030 تکامل فناوری

بر اساس بینش‌های CIOE 2026 و نقشه‌های راه صنعت، آنچه در راه است به شرح زیر است:

2027: زیرساخت اصلی هوش مصنوعی

-ماژول های نوری 3.2Tتولید حجم را وارد کنید -نمونه برداری DDR6شروع می شود (7200 MT/s، 60GB/s در هر DIMM) -درایوهای SSD PCIe 6.0خواندن متوالی 28 گیگابایت بر ثانیه -CXL 3.0تجمع حافظه در رک ها را امکان پذیر می کند

2028: عطف پذیرش CPO

-ASIC سوئیچ 12.8Tبا CPO یکپارچه -400G سیگنالینگ در هر خط(در مقایسه با حداکثر 200G امروز) -سوئیچینگ مدار نوریبرای تخصیص پهنای باند پویا -اولین شتاب دهنده های هوش مصنوعی فوتونیک تجاری(محاسبات نوری آنالوگ)

2030: مرکز داده بهم پیوسته نوری

-سوئیچینگ نوری در سطح رکجایگزینی توزیع برق -فوتونیک سیلیکون ارزان تر از مس می شوددر بیش از 100 گیگابیت در ثانیه -حافظه پایدار(ضمیمه شده با CXL) جایگزین NVMe برای ذخیره سازی گرم می شود -پیوندهای امن کوانتومیبرای همگام سازی مدل بین DC AI

نتیجه گیری: زیرساخت، هوش است

مدل‌های هوش مصنوعی که سرفصل‌ها را می‌گیرند (GPT-5، Gemini Ultra، Claude Opus) فقط به اندازهزیرساخت های زیر آنها. در CIOE 2026، پیام بدون ابهام بود:عصر هوش مصنوعی در حال ساخت یک ماژول نوری، یک SSD و یک حافظه DIMM است..

برای سازمان‌هایی که زیرساخت‌های هوش مصنوعی را به کار می‌گیرند، سه امر ضروری ظاهر شد:

1.منتظر تکنولوژی کامل نباشید– 800G و DDR5 اکنون آماده تولید هستند 2.طراحی برای حرکت داده ها، نه فقط محاسبات- فضای ذخیره سازی و شبکه با GPU 3 برابر است.با تامین کنندگانی که پشته را درک می کنند شریک شوید- نوری، ذخیره سازی و محاسباتی باید با هم طراحی شوند

تکنولوژی Topstarدر این تقاطع قرار دارد - اجزای پیشرفته، تخصص فنی عمیق، و چابکی زنجیره تامین برای ارائه جدول‌های زمانی استقرار تهاجمی را در کنار هم قرار می‌دهد. چه اولین خوشه هوش مصنوعی خود را بسازید یا به 100000 پردازنده گرافیکی مقیاس دهید، ما آماده هستیم تا شریک زیرساخت شما باشیم.

آینده هوش امروز ساخته می شود. بیا با هم بسازیمش

---

درباره فناوری Topstar

تاپ استاریک تامین کننده پیشرو در اجزای زیرساخت هوش مصنوعی است که در موارد زیر تخصص دارد:ماژول های نوری: 800G/1.6T QSFP-DD، 400G OSFP، راه حل های CPO/NPO -ذخیره سازی سازمانی: NVMe SSD (PCIe 4.0/5.0)، Enterprise SATA، U.2/U.3 فرم فاکتورها -حافظه سرور: DDR5 RDIMM/LRDIMM، HBM برای شتاب دهنده های هوش مصنوعی -GPU و شبکه: پردازنده‌های گرافیکی NVIDIA AI، ملانوکس SmartNIC، سوئیچ‌های Broadcom

با بیش از 15 سال خدمت به مراکز داده در مقیاس فوق العاده، شرکت های مخابراتی و مشتریان سازمانی، ما ترکیب می کنیمکیفیت درجه OEMبااقتصاد جعبه سفید.

📧سوالات مهندسی: dsale@topsfp.com 🌐کاتالوگ محصولات: www.opticalmodulemanufacturers.com | www.qsfp28module.com 📱اتصال: [فیس بوک](https://www.facebook.com/topstar.sfp/) | [LinkedIn](https://www.linkedin.com/company/13177171/)

---

کلمات کلیدی: اپتیک همبسته، CPO، NPO، مرکز داده هوش مصنوعی، SSD سازمانی، حافظه سرور DDR5، NVMe PCIe 5.0، فوتونیک سیلیکونی، اتصال نوری، ذخیره سازی GPU، CIOE 2026، شبکه پرسرعت، زیرساخت هوش مصنوعی

برچسب های سئو: #CoPackagedOptics #CPO #NPO #AIInfrastructure #EnterpriseSSD #DDR5Memory #DataCenter #CIOE2026 #SiliconPhotonics #GPUStorage #OpticalModules #NVMe