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
企业平均使用100-300个SaaS应用,导致流程分散、数据孤岛和成本激增。Nintex CEO认为,低代码开发、AI和自动化平台的融合正推动CIO从"购买"转向"构建"思维。企业可创建定制应用解决特定问题,整合技术栈。AI代理成为产品战略核心,能改善构建体验并实现流程互联。随着AI技术发展,采购决策权重新回归CIO,通过统一平台实现更好的治理模式。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
Commvault调整领导团队并与私有云供应商Platform9达成新合作。Alan Atkinson从首席合作伙伴官晋升为首席业务发展官,负责构建战略技术和安全合作伙伴关系。Michelle Graff被聘为全球合作伙伴和渠道高级副总裁。Platform9将Commvault的虚拟机和Kubernetes工作负载保护功能集成到其私有云解决方案中,提供无代理虚拟机备份恢复、应用一致性备份和容器保护等功能。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。