AI云驱动光互联带宽增长

  ICC讯  （编译：Aiur）如今，云数据中心正忙于为绝大多数应用程序软件开发者构建基于人工智能(AI)的计算平台，这些开发人员不一定必须是机器学习(ML)或数据科学领域的专家才能推动行业更加流行和强大，其影响可能很快会超过互联网和移动设备平台。

  两个关键因素对于云AI计算平台的成功至关重要。一种是计算能力，另一种是分布式计算机之间的互连带宽。从2012年到AlphaGo，计算能力以每3-4个月翻一番的惊人速度增长，这要归功于针对分布式和并行计算进行了优化的先进计算机处理器，例如图形处理单元(GPU)和Tensor处理单元(TPU)。下图显示了Google AI/ML的增长，而曲棍球棒的增长率与其他主要的云AI/ML数据中心相似。作为结果，AI/ML已将东西向(east-west)内部数据中心的流量推向了前所未有的高度。

  尽管数据中心运营商一直在使用AI/ML优化其网络性能以支持AI/ML流量，但是网络生态系统的增长速度仍然慢很多，因为以太网交换机和光收发器的容量平均要每两年才翻一番，并且未来几年，这一增长率甚至可能会放缓。尽管如此，基于多个光学互连计算场的超级计算机最近已经实现了惊人的700 petaFlop的AI超级计算性能。该超级计算平台，通过在主干和分支交换机中使用数千个短距离200 Gb/s可插拔光收发器来实现光互连。在不远的将来，200 Gb/s可插拔收发器将升级为400 Gb/s可插拔收发器。

  展望未来，随着以太网/ Infiniband交换机的速度不断提高，可插拔光收发器可以由采用共封装的光学器件代替(CPO，意味着光学组件要与脊骨、叶交换机共同封装)。可以预见，CPO还将用作未来服务器芯片，用于网络接口卡和GPU/TPU的≥100?400Gb/s光学接口。CPO所面临的挑战不仅在于3D光电封装技术，还在于CPO封装所要求的超高可靠性。超高可靠性是基于这样一个事实：如果围绕中央交换机的光收发器发生故障，则必须更换整个系统。

  最近，许多研究人员和初创公司正在研究使用硅光子集成芯片(PIC)为AI/ML执行更快、更省电的人工神经网络的可能性。他们的动机基于这样一个事实，即典型的机器学习系统在矩阵乘法上花费了90%以上的精力和运行时间，而线性矩阵乘法可以使用并行或级联硅光子马赫-曾德尔干涉仪(MZI)来实现。但是，这些方法将面临根本的可伸缩性挑战。对于系列MZI，可扩展性受到较大的级联光学插入损耗的限制。对于使用波分复用的并行方法，可伸缩性则受到可用波长数(包括阵列激光器或梳状激光器的各种限制)以及硅光子PIC上波长复用器/解复用器的设计的限制。

  作者：Winston Way, Ph.D，新飞通