一块偏振玻璃的生意

9 月 24 日，康宁公司宣布将扩大 Polarcor 玻璃偏振片的制造产能，以应对人工智能数据中心和计算应用持续增长的需求。此次扩建将提升康宁工程化玻璃偏振片的生产能力。

这类产品广泛应用于光隔离器及其他激光光学器件，是先进光学和光子系统的重要组成部分。与此同时，康宁还与一家领先的有源光子技术企业达成了一项新的多年期供货协议，据称将为关键客户提供长期稳定的供应保障。

光互连为何离不开它

随着 AI 工作负载规模不断扩大，数据中心对光学与光子技术的依赖持续加深，海量数据需要以高速、高效的方式传输。光互连在系统性能中扮演的角色日益关键，对光信号进行精准、可靠的控制也变得更为重要。

Polarcor 工程化玻璃偏振片正是面向这一需求设计：它能够控制偏振光，并在光隔离器中防止反向反射光对激光器件造成干扰。所谓光隔离器，是一种只允许光单向通过的光学器件，其核心功能是阻止反射光返回激光光源，避免激光器因反向光干扰而出现输出不稳定甚至损坏。

四年翻倍的增长目标

在 AI 需求的拉动下，康宁给出了清晰的财务路线图。公司在 2026 年 5 月的投资者活动上宣布，预计到 2026 年底实现 200 亿美元（按当前汇率约合 1343.45 亿元人民币）的年化销售额，到 2028 年底达到 300 亿美元（约合 2015.18 亿元人民币），到 2030 年底达到 400 亿美元（约合 2686.9 亿元人民币）。

从 200 亿到 400 亿美元，翻倍的窗口期约为四年。AI 数据中心的竞争表面看是算力，底层拼的却是数据如何高速、高效地传输出去。偏振片这类看似不起眼的元件，恰好卡在光信号的入口处。康宁选择在这个节点扩产，逻辑并不复杂。

合作聚焦定制芯片与光互连

随着 AI 工作负载呈指数级增长，计算、存储、网络、内存带宽与高能效基础设施的需求正以前所未有的速度攀升。根据高通方面的说明，本次合作将结合亚马逊全面、安全且具有成本性能优势的 AI 基础设施，以及高通在低功耗处理、芯片设计与系统级集成上的技术积累。

在互连层面，双方将共同开发高性能光互连方案，以满足 AI 基础设施不断扩大的规模与带宽需求，相关技术将依托高通的 SerDes 高速串行器/解串器技术与光学 DSP（数字信号处理器）技术。高通还计划进一步加大对 AWS AI 基础设施的使用，包括 Amazon Bedrock，并将其应用于电子设计自动化（EDA）工作负载，以缩短自身的芯片设计周期。

双方高层表态

高通公司总裁兼 CEO 克里斯蒂亚诺·阿蒙表示，随着 AI 需求加速增长，数据中心基础设施需要在计算与互连两方面同时取得进步，以实现更高性能与更高效率；高通很高兴与 AWS 围绕定制芯片和连接方案展开合作，把先进处理与高能效计算领域数十年的积累应用于此，推动下一代 AI 基础设施发展。

AWS 副总裁 Prasad Kalyanaraman 称，这项合作建立在双方长期合作的基础之上，体现了共同推动技术边界的承诺；通过在定制芯片与先进连接技术领域协作，双方将为客户提供性能更强、效率更高、成本效益更出色的基础设施。

一份最高 600 亿美元的战略协议

据 SEC 文件披露，高通及其子公司、部分关联公司与亚马逊数据服务公司及其部分关联公司达成战略合作。高通已向亚马逊的关联公司签发一份认股权证，赋予权证持有人以每股 161.26 美元（约合人民币 1085 元）的行权价，购买合计最多 2500 万股高通普通股的权利。

该权证允许以无现金方式行使，有效期至 2036 年 9 月 3 日。相关付款总额最高可达 600 亿美元（约合人民币 4037 亿元），其中基于初始采购承诺，已有 375 万股在权证签发时归属。截至 IT之家发稿，高通盘前股价涨幅超过 8%。

这笔覆盖芯片、互连与资本绑定的合作，显示出云厂商与芯片设计公司在 AI 基础设施上的绑定正从单纯的采购关系，走向联合定制与深度集成的阶段。

论文题为《Co-packaged optics for high-performance computing and artificial intelligence》，通讯作者为 SK 海力士 AI 基础设施团队负责人洪承勋（Seunghoon Hong）与弗吉尼亚大学电气与计算机工程系李圭尚（Kyusang Lee）教授，合作方包括伊利诺伊大学厄巴纳-香槟分校、南洋理工大学、麻省理工学院和延世大学的研究人员。

瓶颈从封装里挪到了封装外

在生成式 AI 起步阶段，高带宽内存（HBM）解决的是 AI 加速器封装内部的内存瓶颈，通过大幅提升带宽显著改善了性能表现。但当超大规模 AI 集群把数千颗 GPU 和 HBM 堆叠组合在一起之后，新的瓶颈出现在系统之间的数据传输环节，论文称之为”带宽墙”（bandwidth wall）。

论文给出的关键数据是一组明显的剪刀差：算力吞吐通常每两年增长约 3 倍，而互连带宽在同期只增长约 1.4 倍。差距不断拉大，带宽墙就越来越难绕过。

问题的物理根源在铜线。用于把数据送出芯片封装、在机架之间传输的传统电气互连，随着传输距离增加，信号损耗和功耗都会快速上升，因此被越来越多地视为下一代 AI 数据中心的限制因素。

“即便计算芯片变得更强，如果芯片之间的数据传输跟不上，整体系统性能也无法提升，”李圭尚表示，”用光链路替代存在固有物理限制的铜互连，是通往未来可扩展性最有希望的路径。”

CPO 的思路：把光引擎塞进处理器封装

超大规模 AI 模型已经不在单颗芯片或单台服务器上训练，而是运行在按机架（rack）和 Pod 组织起来的庞大网络中。在这类架构下，系统整体性能不只取决于处理器、内存和 AI 加速器之间的连接，还取决于数据在机架之间流动的效率。

CPO 的核心做法是把光收发器与处理器集成到同一个封装内，让高速电信号只需走封装内部的极短距离，剩下的链路交给光信号完成。光引擎离处理器越近，电信号路径越短，带宽密度和能效就同步提升。

针对下一代 AI 基础设施，研究团队给出了三项明确的性能目标：单节点带宽超过 100 Tb/s、每传输一比特数据的能耗低于 1 pJ、芯片间延迟低于 10 纳秒。论文同时梳理了从 2D 封装到 2.5D 中介层、再到 3D 异构集成的演进路径，并逐一列出了商用化必须攻克的关键技术挑战。

最激进的部分：把光延伸到内存接口

论文最具前瞻性的内容，是提出”以光为中心”（optics-centric）的长期架构设想。目前 CPO 主要解决处理器之间、机架之间的光互连，而 SK 海力士的方向是把光互连继续向内推进，一直延伸到内存接口。

当前的 AI 服务器把 HBM 紧贴 GPU 放置，用数千条电气引线连接，以便快速供给运算所需数据。但 GPU 性能越高，需要的内存容量和数据吞吐量也越大，而 GPU 周围的物理空间有限，持续增加 HBM 堆叠会遇到硬性约束。

SK 海力士给出的方案是不再让内存只能待在 GPU 身边：借助”光中介层”（optical interposer）结构，用光信号把运算资源池与内存资源池直接连接起来，多个 AI 加速器共享同一个大容量内存池。中介层是连接多颗芯片的薄基板，在其中铺设光信号通路，可以缩短 GPU 与内存之间电信号必须走的距离。

“把光互连延伸到内存之后，就能绕过运算芯片周围的物理约束，突破内存容量与布线数量的上限，”李圭尚说，”多个加速器共享一个巨大的内存池，让 AI 模型的规模化拥有更高灵活性。”

不是马上就能买到的产品

需要说明的是，这篇论文并不意味着相关产品立即商用。要在 AI 数据中心大规模应用 CPO，仍有不少技术门槛尚待跨越，包括降低光器件的功耗与发热、开发适配光互连的内存一致性协议、验证光器件在数据中心高温环境下的长期可靠性，以及控制 2.5D/3D 先进封装的良率和量产成本。

论文强调的另一个关键概念是”共同设计”（co-design）——CPO 不是单一器件的升级，而需要把内存器件、控制器、光器件和封装作为一个整体系统协同设计。

这也解释了这篇论文对 SK 海力士自身的意义：其角色正从 HBM 的部件供应商，向参与定义 AI 基础设施系统架构的合作方转变。洪承勋表示，内存公司的角色正在从”单纯提供产品”演变为”帮助客户构建整个系统竞争力的合作伙伴”，公司将继续扩大与客户和生态伙伴的开放合作。