光纤和铜缆有什么区别?在传输距离上,光纤的传输距离可以用“公里”来计量。而铜缆的计量只能用“米”;在抗干扰能力上,光传输很少干扰,电信号要防磁、防电、防高低温,等等。在网络升级时,光纤只需要更换光模块,铜缆则需要换掉整根电缆。因此,在制造、园区和企业网设计时,用光纤取代铜缆成了新的趋势。
近期,紫光股份旗下新华三集团交换机产品线总经理兼首席产品经理李玉涛在接受媒体采访时,向我们展示了在数字化智能时代,全新的“光进铜退”——新华三在交换路由设备上对硅光技术的普及应用。
新华三集团交换机产品线总经理兼首席产品经理 李玉涛
过去,交换机里面有交换芯片,交换芯片通过电路板连接到前面端口,形成一个相互链接的过程。
硅光技术把PVD的集中度进一步压缩和提高。交换芯片周围会放一些光引擎,光引擎相当于光模块,放在交换芯片的边上,以新的芯片的形态提供交换能力。
硅光的最大优势是降低能耗。从交换芯片到前面板端口的距离将缩得非常近,足够让同一芯片的基板上录下交换芯片的引擎,和光引擎在一起。此外,电信号在PVD板上传输需要电压和电流驱动,如果放在芯片层面,只需要一个微弱的电流就可以驱动,会非常有效地降低芯片能耗。
硅光:实现数据中心、园区和工业场景的增效减排
降低功耗是下一代数据中心必须要克服和解决的技术点。有些云计算数据中心甚至采用将服务器浸没在液体中进行冷却的方式,降低PUE。面对这个挑战,新华三双管齐下。一方面,交换机采用硅光技术后设备功耗可以降低40-50%。,因此,在另一方面,新华三推出了支持浸没式液冷环境设计的液冷交换机。
新华三集团液冷交换机支持液冷和风冷双模式,通过冷却液的循环流动带走热量。前后面板采用蜂窝状开孔设计,满足液体最大能力流动,提升散热能力。
硅光与液冷结合形成合力,必然为数据中心节能降耗起到更大帮助。
当前无论数据中心、园区还是工业场景,对于网络带宽的需求与日俱增。100G主干带宽已经很难满足应用需求。而在向400G乃至800G带宽升级的过程中,芯片Serdes速率从112G/224G提升到448G,信号传输损耗显著增大,高速端口800G到1.6T甚至3.2T的散热难度越来越大,逐渐成为瓶颈,无法满足能耗要求。如何在高速传输和降低能耗之间取得平衡?硅光技术完美地解决了这个两难的难题。
新华三集团将先进的硅光技术应用在800G高速传输场景,积极响应碳达峰、碳中和的国家“双碳“战略,同时满足5G时代高带宽、低时延、低功耗的数据中心大流量需求。
硅光技术需要整个产业链的发展。硅光产品集中度高,制程工艺、生产制造的工艺比过去的分离生产条件要提高很多。除了光芯片,还有后端的光纤、连接器和PDK,是一整个产业链。新华三集团在硅光技术方面投入了非常多的研发力量,做了大量生态验证,同时与产业链的相关厂商积极互动,推动整个产业链的发展。
硅光技术再好,也需要有技术、有产品的支撑才可以成熟落地。而新华三交换机以产品系列丰富、场景覆盖全而著称,有数据中心产品线、园区产品线以及工业交换机产品线。
在数据中心场景,新华三集团的400G、800G、以及硅光的新技术,结合智能无损网络和现网实施的SRv6,都在强力支撑着产业和行业的发展。
在园区场景,新华三集团不断加强绿色节能、可信计算,未来还会更多对软件增值方面进行探索。
在工业场景,新华三集团会更加聚焦场景投入,协助国家在能源行业、煤碳行业的信息化建设,并配合客户进行更多特定化的开发。
在如此众多的新业务、新场景、新需求的催化之下,相信新华三集团的硅光技术也会迅速成熟落地,为国家在数字化转型、信息化建设上贡献自身的力量。
好文章,需要你的鼓励
Gartner预测,到2030年所有IT工作都将涉及AI技术的使用,这与目前81%的IT工作不使用AI形成鲜明对比。届时25%的IT工作将完全由机器人执行,75%由人类在AI辅助下完成。尽管AI将取代部分入门级IT职位,但Gartner认为不会出现大规模失业潮,目前仅1%的失业由AI造成。研究显示65%的公司在AI投资上亏损,而世界经济论坛预计AI到2030年创造的就业机会将比消除的多7800万个。
谷歌DeepMind团队开发的GraphCast是一个革命性的AI天气预测模型,能够在不到一分钟内完成10天全球天气预报,准确性超越传统方法90%的指标。该模型采用图神经网络技术,通过学习40年历史数据掌握天气变化规律,在极端天气预测方面表现卓越,能耗仅为传统方法的千分之一,为气象学领域带来了效率和精度的双重突破。
人工智能正从软件故事转向AI工厂基础,芯片、数据管道和网络协同工作形成数字化生产系统。这种新兴模式重新定义了性能衡量标准和跨行业价值创造方式。AI工厂将定制半导体、低延迟结构和大规模数据仪器整合为实时反馈循环,产生竞争优势。博通、英伟达和IBM正在引领这一转变,通过长期定制芯片合同和企业遥测技术,将传统体验转化为活跃的数字生态系统。
韩国成均馆大学研究团队开发了首个机器遗忘可视化评估系统Unlearning Comparator,解决了AI"选择性失忆"技术缺乏标准化评估的问题。系统通过直观界面帮助研究人员深入比较不同遗忘方法,并基于分析洞察开发出性能优异的引导遗忘新方法,为构建更负责任的AI系统提供重要工具支持。