為介紹中國關於全球治理的理念、倡議和行動，更廣泛凝聚國際社會共識，更有效應對全球性挑戰，建構更加公正合理的全球治理體系，國務院新聞辦公室6月17日發佈《建構更加公正合理的全球治理體系：中國的理念、倡議與行動》白皮書。 6月17日，中國國務院新聞辦公室發佈《建構更加公正合理的全球治理體系：中國的理念、倡議與行動》白皮書。 這是6月17日發佈的中、英文版《建構更加公正合理的全球治理體系：中國的理念、倡議與行動》白皮書。 白皮書指出，全球治理是關乎人類福祉的共同事業，建構公正合理的全球治理體系是各國人民孜孜以求的共同願景。中國始終是全球治理的積極參與者、貢獻者和建設者。新時代以來，習近平主席歷史性提出建構人類命運共同體重大理念，倡導共商共建共享的全球治理觀，主張踐行真正的多邊主義，推動平等有序的世界多極化、普惠包容的經濟全球化。2025年，習近平主席鄭重提出全球治理倡議，為解答“建構什麼樣的全球治理體系、如何改革完善全球治理”的時代命題提供了中國方案。

6月17日上午，國務院新聞辦公室舉行新聞發佈會，發佈《建構更加公正合理的全球治理體系：中國的理念、倡議與行動》白皮書。 莫高義 圖源：國新網 中共中央宣傳部副部長、國務院新聞辦公室主任莫高義介紹，白皮書以習近平新時代中國特色社會主義思想為指導，系統闡述全球治理倡議的時代背景、豐富內涵、重大意義，全面介紹中國參與全球治理體系改革和建設的豐富實踐，進一步闡明中國關於全球治理的目標方向、原則立場、行動計畫。 白皮書由前言、正文和結束語三部分組成，中文約2萬字。其中，正文五章：一、當今世介面臨嚴峻複雜的危機挑戰；二、全球治理倡議為破解難題提供時代答案；三、推進全球治理事業的中國貢獻；四、引領變革方向，邁向光明前景；五、在歷史演進的重大關頭攜手前行。

AI顛覆傳統行業的真實案例來了，殺傷力驚人！美國東部時間2月12日，一條不經意的消息，AI物流公司Algorhythm Holdings [RIME.O]（以下簡稱Algorhythm）發佈行業白皮書，宣佈其物流平台SemiCab通過AI驅動的最佳化和高利潤的SaaS（基於雲端運算的訂閱式軟體）自動化，在維持低營運成本的同時降低貨運空里程，使得生產率提升了3倍。消息一經發佈，資本市場似乎嗅到了危機，美股物流類股隨即大幅下挫。羅素3000道路運輸指數盤中一度重挫逾9%，當日下跌6.6%，創該類股自2025年4月川普關稅政策發佈以來最大單日跌幅；輕資產模式物流巨頭羅賓遜全球物流股價重挫近15%，市值減少約233億元，盤中一度暴跌24%，創歷史上的最大跌幅；貨運撮合服務提供商萊帝運輸股價下跌16%。羅賓遜全球物流日K線走勢 圖片來源：iFinD發佈消息的Algorhythm股價則逆勢上漲，2月12日收盤漲近30%，2月13日更是暴漲222.22%，從1.08美元飆升至3.48美元。兩天內，市值增長約3倍。Algorhythm日K線走勢 圖片來源：iFinD羅賓遜全球物流是全球領先的輕資產模式物流公司，自身不擁有卡車、船舶、飛機等運輸工具，通過整合45萬家簽約承運商，為8.3萬家客戶提供多元化物流服務。Algorhythm公司於2024年全面轉型做AI物流，並於2025年收購SemiCab。以市值劇烈震盪前的最後一個交易日2月11日收盤價計算，Algorhythm市值約3300萬元，與市值1600億元的羅賓遜全球物流和市值383億元的萊帝運輸相比，屬於該類股的微型企業。但就是這樣一家不起眼的小公司，卻通過AI在一夜之間便擊破了傳統物流行業的“護城河”。1AI讓貨運平台勞動生產率提升3倍為何一款由AI驅動的自動化軟體殺傷力如此驚人？研究顯示，在印度和美國等市場，有30%到35%的卡車公里數是空駛的，是因分散的規劃而導致資產未被充分利用。2月12日，Algorhythm發佈行業白皮書，宣佈其基於AI的雲端協作運輸平台SemiCab，在客戶實際部署中，能夠將貨運量擴大300%至400%。使用SemiCab的個別營運商在不需要相應增加營運人員的情況下，每年能夠管理超過2000次貨物，而傳統行業標準是每家貨運經紀人每年約500次，這也意味著，其勞動生產率提升了3倍。使用AI驅動的軟體後，每年服務人次從500提升至2000左右 圖片來源：SemiCab白皮書白皮書稱，在高度分散的市場中，將發貨人、運輸航線和區域的需求與供應進行整合，可以揭示在合同層面上看不到的回程路線和跨航線流動。白皮書還舉例說，在印度實施這一營運模式時，網路等級的規劃已經顯示出能夠將空駛里程從30%~35％降低到10％以下，而無需重新談判合同或改變承運人的行為。公司官網稱，人工智慧發現了傳統貨運管理系統無法獲得的效率。通過可擴展的全球SaaS平台，以自動化工作流程編排，減少人工規劃、加快負載執行，自動識別最佳負載組合，減少空置里程並提升網路盈利能力。Algorhythm稱，傳統的運輸管理系統和經紀平台依賴於人工驅動的最佳化，疊加在靜態規則之上，雖然在低到中等容量下有效，但隨著複雜度增加，這些模型效率會逐漸降低。儘管Algorhythm在截至2025年9月30日的季度銷售額不足200萬美元，且淨虧損近200萬美元，但其股價在公告發佈後一度飆升82%，最終收漲 30%至1.08美元，在13日更是進一步升至3.48美元。Algorhythm認為，人工智慧賦能的營運槓桿將成為下一代物流網路的關鍵特徵。2月13日，羅賓遜全球物流也在年報中指出，競爭對手正在利用先進的數字平台、人工智慧驅動的貨運匹配和自動化來提高效率和降低成本。如果公司不能保持自動化和人工智慧採用的速度、規模或質量，將可能無法實現營運效率和數位化轉型的戰略目標。2軟體行業的“預製菜時代”來了？SemiCab平台的確可能解決貨運行業痛點，並可能讓傳統的運輸管理系統成為明日黃花。不過，貨運市場的空里程問題由來已久，為何可能顛覆貨運行業的平台借助AI的基座才誕生？為更深入探討這一問題，《每日經濟新聞》記者採訪了多名人工智慧領域專家。問題1：SemiCab平台基於AI運行。AI能夠在軟體開發、功能實現的那個環節發揮作用？與傳統軟體開發有何不同？科技投資人、未可知人工智慧研究院院長杜雨：傳統開發是“人從0把整棟樓蓋起來”；基於AI的軟體開發方式更像“先有標準化樓體與管線，AI和人主要做定製裝修與快速改造”，並且AI還能通過工具直接“查結構、找介面、調介面”，減少來回翻文件、對欄位、寫膠水程式碼的時間，可以說是軟體行業的“預製菜時代”來了。問題2：為何這一工具並未誕生在傳統的軟體開發“大廠”？是傳統軟體開發能力不足以支撐類似平台開發，還是AI的基座為類似工具帶來了傳統開發邏輯不具備的優勢？工信部資訊通訊經濟專家委員會委員盤和林：提高返程空載利用率的確可以大大提升物流效率，但做此類嘗試的企業也不在少數，之所以到現在依然沒有解決貨運空里程問題，是因為貨運資訊本身比較分散，需要貨運的使用者在不同平台發佈資訊，需要貨運的零擔貨物有時候需要拼湊才能滿足一趟運輸的需求。所以，將分散貨運訂單加以整合，是該領域的難題。對此，我認為SemiCab作為聚合平台，的確能夠解決部分空載，但依然並非決定性的解決方案，沒有那麼高的提升潛力。但通過AI聚合資訊的確是一條不錯的思路。問題3：為什麼貨運空里程問題存在多年，卻直到今天才可能被AI覆蓋的平台真正解決？國金證券常務副所長、科技牽頭人、國金電腦首席劉高暢：空里程並不是一個“是否有人想到”的問題，而是一個是否具備系統性解決能力的問題。傳統軟體開發範式難以承載這一問題的複雜度。在傳統模式下，貨運平台更多依賴規則引擎、人工經驗和局部最佳化，涉及  需求高度碎片化（時間、路線、車型、貨主信用等維度）；狀態持續變化（臨時改單、取消、價格波動）和決策鏈條長、例外情況多等因素。這類系統並非“邏輯不清晰”，而是“狀態空間過大”，導致規則越寫越複雜、邊際收益迅速遞減，最終只能通過“堆人”解決。以 SemiCab 為代表的新一代AI平台不僅是創意的勝利，更是“開發範式”的根本變革。它一方面意味著從“規則驅動”到“機率與預測驅動”的變化： 傳統的貨運軟體是基於硬性規則（If-Then）開發的。面對海量、動態且破碎的貨運訂單與路線，傳統演算法很難在極短時間內完成最優的全域動態匹配。AI基座賦予了平台處理高維資料的能力。另一方面，軟體開發麵臨“降本增效”臨界點： 過去開發這類極端複雜的匹配系統，研發成本和維運難度極高。AI 基座提供了泛化能力， AI讓軟體具備了“理解”業務流的能力。不再需要為每一種特殊情況編寫冗餘程式碼。劉高暢認為，傳統軟體開發能力可以支撐“工具”，但只有AI基座能支撐“大腦”。AI帶來的優勢在於它打破了傳統開發邏輯中“人力擴充與產出成正比”的線性限制，實現了生產率的指數級躍遷。問題4：從這款軟體的發佈看，軟體開發的邏輯是否發生了變革，AI對軟體開發行業有什麼影響？杜雨：邏輯確實在發生改變，從“寫程式碼交付功能”，逐步變成“用標準底座 + AI把交付單位變成‘流程’”。過去軟體公司像“手工作坊”，一單一做；現在更像“預製菜中央廚房 + AI廚師”——底料（通用能力）工廠化，AI負責把菜（業務流程）快速配出來，廚師（開發者）負責把火候、口味、擺盤（業務正確性、性能、安全、可維護性）做好。所以“標準底座 + AI加速定製”的路線，在國內會非常有市場，但競爭也會非常殘酷：誰能把行業Know-how（如何做）沉澱為可複製的模組、資料、流程範本，誰就能跑出來。單純“會寫程式碼”會越來越不值錢，而“懂行業+能落地+能持續迭代”才值錢。現代物流模擬場景 圖片來源：AI生成3AI能顛覆什麼，不能取代什麼問題5：如果軟體開發變得門檻更低，新開發出的軟體是否很容易被覆刻？依託軟體開發盈利的模式是否將被顛覆？如果軟體開發能力不再是商業模式壁壘，不同公司如何維持自身的不可替代性？杜雨：這樣會更容易復刻“表層功能”，但更難復刻“有效的系統”。AI把“寫出來”變便宜，把“跑得穩、跑得久、跑得贏”變得更稀缺。軟體功能可以復刻，系統能力與組織能力不容易復刻。依託“軟體開發”盈利會被擠壓，但不是全滅，而是分化：純外包、按人天計費、堆人頭的模式下，利潤會繼續被AI壓縮。當軟體越來越像“可複製的商品”，客戶選擇更看重“出了事誰負責、能不能長期陪跑”。這恰恰是AI替代不了的商業關係與責任體系。AI降低的是“把軟體做出來”的門檻；抬高的是“把軟體做成生意、做成體系、做成標準”的門檻。預計中國市場會把這一點放大。問題6：那類行業可能被AI顛覆（完全被替代或必鬚髮生生產方式變革才能存活），那類行業不會被顛覆？盤和林：可能被AI顛覆的行業，一個是資訊對接領域，無論是搜尋，購物，貨運，本質上都是資訊對接；另一個是內容創作領域，比如視訊，圖像，文字，程式碼。劉高暢：我更願意用“是否必須重構生產方式”來劃分，而不是“會不會被替代”來加以區分，由此可以分為：最容易被AI顛覆的行業：第一、密集型重複操作：像前文中提到的傳統物流營運模式下，年處理500車次的操作員崗位。第二，資訊密度高，但行動成本低，AI一旦作出決策，就可以直接執行，例如網際網路服務、金融中後台。第三，工作流程高度標準化，結果容易量化、反饋，比如軟體開發。不太會被AI顛覆的行業：一類是高度依賴現實世界複雜互動、且執行成本高的行業，例如線下服務、複雜製造、醫療中的部分場景，AI更多是“增強工具”而非替代者。舉例來說，雖然AI可以調度卡車，但路邊修車的技工、處理複雜現場事故的交警，其物理靈巧性和現場隨機應變能力短期內難以被機器人完全覆蓋。一類是涉及權限和責任判定的，強監管、低容錯：法律判定、高級醫療決策、重大投資的主觀決策。AI可以提供資料參考，但在法律和倫理上，人類需要保留“按下按鈕”的最終責任權。總體來看，AI 並不是“消滅行業”，而是強制要求某些行業升級生產方式。那些不重構的企業會被淘汰，但行業本身往往會以新的形態繼續存在。問題7：從這一角度看，如果說蒸汽機是讓人類社會在能源使用、生產效率、生產方式等方面獲得進化，AI讓人類在那些方面的觸角變得更靈敏，那些領域獲得了進化？盤和林：當前，AI主要應用領域是提高資訊獲取的效率。比如AI購物，實際上是用AI提高交易撮合的效率，讓供需更快對接。而AI貨運的效果也是一樣。AI時代，資訊獲取效率比網際網路時代更快，社會效率更高。如果說網際網路時代人類的問題是資訊過載，那麼在AI時代，人類通過AI實現了資訊供需的精準對接。劉高暢：蒸汽機讓人類擺脫了體力的束縛，而AI讓人類社會在三個層面發生進化：第一，感知維度的進化。AI 能同時處理遠超人類極限的多源資訊輸入（比如貨運市場涉及的訂單、價格、路線、即時狀態），使組織第一次具備“全域感知”的能力。第二，生產範式的進化。知識的呼叫成本大幅降低，人類進化的方向不再是記憶知識和學習技能，而是定義問題。第三，組織形態的進化。像SemiCab這類系統的本質，是把“行業經驗”從人身上抽離，沉澱為可複製的軟體能力，使人均管理半徑和組織槓桿被系統性放大。從這個意義上看，AI帶來的不是單點效率提升，而是那些複雜問題值得被軟體化，人類將更多聚焦在目標設定和價值判斷，而大量中間層將被AI重構。 (每經頭條)

查遍《2025中國半導體城市產業格局白皮書》和各城市統計資料，答案終於明確。中國晶片公司最多的城市，不是上海、不是北京，而是深圳。2025年最新統計顯示，深圳晶片相關企業數量超2800家，佔全國總量近30%。對比其他核心城市，深圳的領先優勢十分明顯。上海晶片相關企業約1900家，聚焦先進製造領域，以中芯國際、華虹等為核心。北京約1700家，側重EDA和AI晶片設計，寒武紀、地平線是代表性企業。深圳的晶片公司，不僅數量多，產業鏈覆蓋也足夠完整。不像有些城市側重單一環節，深圳從設計、製造到封測、裝置，均有佈局。僅龍崗區就有100家相關企業，形成了完整的產業叢集生態。其中，IC設計企業是深圳的核心優勢，佔比超過70%。華為海思、匯頂科技、中興微電子等龍頭企業，均紮根深圳。這些企業撐起了深圳晶片設計的半壁江山，也帶動了大批中小企業成長。製造環節，深圳雖起步稍晚，但追趕速度很快。鵬芯微電子的生產線正在加速建設，方正微電子、深愛半導體已形成規模。封測領域，氣派科技、華潤賽美科等企業，也具備較強的競爭力。深圳對晶片產業的扶持力度一直很大。流片補貼最高達50%，上限3000萬，車規晶片量產還有500萬獎勵。除了政策，市場化基因更是深圳的獨特優勢。深圳的創業氛圍濃厚，容錯率高，適合晶片初創企業成長。中小企業能快速對接市場需求，靈活調整產品方向，降低試錯成本。資本的加持，也為晶片企業的成長注入了動力。南山有200億晶片生態基金，深交所開闢了晶片企業上市快車道。雲鋒基金、君聯資本等，也在深圳佈局了大量晶片相關投資。人才儲備，同樣為深圳晶片產業提供了支撐。南方科技大學、深圳資訊職業技術學院等，專門培養半導體相關人才。加上外地人才持續流入，形成了充足的工程師和研發團隊儲備。還有一個關鍵因素，就是深圳完善的下游應用場景。華為、中興、比亞迪等企業，對晶片有巨大的本土化需求。晶片企業能快速實現產品落地驗證，形成“研發-應用-迭代”的良性循環。當然，深圳晶片產業也有自己的短板。先進製程製造環節，與上海還有差距，高端裝置和材料依賴進口。但憑藉龐大的企業數量和完整的產業鏈，優勢依然難以撼動。對比其他晶片重鎮，深圳的產業特色十分鮮明。無錫側重功率IGBT，合肥聚焦儲存晶片，西安主打矽片和封測。深圳則以設計為核心，兼顧全產業鏈，靈活性和競爭力更強。 (1ic芯網)

引言：中國財富管理行業邁入新階段隨著中國經濟的持續發展與居民財富的不斷積累，中國財富管理行業正邁入一個全新的發展階段。2025年中央經濟工作會議指出，中國經濟基礎穩、優勢多、韌性強、潛能大，長期向好的支撐條件和基本趨勢沒有變，經濟發展前景十分光明。然而，面對全球經濟格局的深度調整以及國內居民財富管理需求的日益多元化，財富管理行業既迎來了前所未有的機遇，也面臨著諸多挑戰。在這一背景下，高淨值人群的財富管理需求呈現出顯著的多元化與精細化特徵。從客戶群體來看，高淨值人群不再侷限於傳統的實業家，而是逐漸向“新創業一代”與“守業一代”並存的複合型格局演進，涵蓋傳統行業、現代服務業以及先進製造業等多個領域，客群的多元分化使得精細化服務成為必然選擇。財富管理機構需要深入瞭解不同客戶群體的特徵與需求，提供更具針對性的解決方案。在資產配置方面，高淨值人群展現出“境內求穩，境外多元進取”的策略。境內資產配置以穩健為主，理財產品、存款及保險等安全保障類資產成為核心配置，構成了資產組合的安全基石。與此同時，境外資產配置則更加注重收益性與多元性，股票類和另類資產配置比例相對較高，且呈現出明顯的進取態勢。這種境內外資產配置的差異化策略，反映了高淨值人群在不同市場環境下的風險偏好與收益預期。此外，財富管理的服務邊界也在不斷延伸，綜合需求日益凸顯。高淨值人群的需求不再侷限於單一的資產增值，而是涵蓋了財富代際傳承、企業金融支援、醫療健康、子女教育、法律稅務諮詢等多維度的綜合服務。財富管理機構需要整合多領域的專業資源，提供一站式、定製化的解決方案，以滿足客戶日益複雜的需求。客群多元分化，精細化服務成為必然高淨值人群在行業、職業、代際等維度上呈現出清晰的分化格局。傳統行業仍是高淨值人群的主要來源，但現代服務業與先進製造業的佔比也在不斷擴大。從年齡結構來看，傳統行業高淨值人群年齡整體偏大，而現代服務業對年輕人才展現出較強吸引力，呈現出年輕化特徵。這種多元分化使得高淨值人群在資產配置偏好、機構選擇標準以及服務需求風格上存在顯著差異。例如，70後、80後高淨值人群處於事業成熟和財富積累的峰值階段，風險承受能力相對較強，更傾向於穩健的資產配置策略。而90後及更年輕的群體，部分財富來源於家族傳承，風險偏好相對較低，更注重資產的安全性與流動性。此外，不同代際的高淨值人群在服務需求上也存在明顯差異。60後和70後更看重真誠的服務態度與長期穩定的關係維護；80後及以後人群則更關注客戶經理的綜合素質和溝通表達能力，尤其是90後群體對數位化體驗的關注度更高，期待“一鍵觸達”的便捷服務。面對這種多元分化的需求，財富管理機構必須轉向精細化服務戰略佈局。通過建構差異化的客戶經理匹配機制，針對不同代際、不同行業的客戶群體，提供定製化的服務方案，以滿足其個性化需求，提升客戶體驗與滿意度。資產配置境內求穩，境外多元進取高淨值人群的資產配置策略呈現出“境內求穩，境外多元進取”的特點。境內資產配置以穩健為主，理財產品、存款及保險等安全保障類資產佔比最高，構成了資產組合的安全基石。這種穩健的配置策略反映了高淨值人群在境內市場對風險的謹慎態度，以及對資產安全性的高度重視。與此同時，境外資產配置則更加注重收益性與多元性。股票類資產和另類資產在境外配置中的比例相對較高，且呈現出明顯的進取態勢。例如，在境外配置中，股票類資產佔比達到47.7%，另類資產佔比為30.2%，而安全保障類資產比例相對境內較低。這種多元進取的配置策略，使得高淨值人群能夠在境外市場捕捉更多的增長機會，實現資產的長期增值。此外，高淨值人群在境外資產配置中還呈現出明顯的區域偏好。中國香港（62.0%）、美國（33.2%）、新加坡（31.2%）成為境外資產配置的首選地區。這種區域選擇的集中化，反映了高淨值人群對成熟金融市場的偏好，以及對不同地區市場優勢的精準把握。通過在香港承接保障與離岸人民幣配置，在美國獲取權益及另類回報，在新加坡實現穩健保全，高淨值人群實現了境外資產的差異化佈局。服務邊界延伸，綜合需求凸顯隨著高淨值人群財富管理需求的不斷演進，財富管理的服務邊界也在不斷延伸，綜合需求日益凸顯。高淨值人群的需求不再侷限於單一的資產增值，而是涵蓋了財富代際傳承、企業金融支援、醫療健康、子女教育、法律稅務諮詢等多維度的綜合服務。例如，傳承規劃已成為高淨值人群的重要需求之一。隨著中國民營企業進入大規模代際傳承階段，高淨值人群對子女教育、家業傳承規劃、企業新一代領導人培養表現出更高的關注度。財富管理機構需要提供專業的傳承規劃服務，幫助客戶實現財富的安全傳承與家族價值觀的延續。此外，企業家作為高淨值人群的重要組成部分，其需求也推動了財富管理服務的綜合化。企業家不僅需要個人財富管理服務，還需要與企業經營相關的綜合金融服務，如股權融資、授信服務、環球投資及全球資金管理等。財富管理機構需要整合多領域的專業資源，提供一站式、定製化的解決方案，以滿足企業家的“家企聯動”需求。結語：以客戶為中心，推動行業轉型在新的發展階段，中國財富管理行業面臨著前所未有的機遇與挑戰。高淨值人群的財富管理需求呈現出客群多元分化、資產配置境內求穩境外多元進取、服務邊界延伸綜合需求凸顯等新特點。財富管理機構必須以客戶為中心，深入瞭解客戶需求，提供精細化、定製化的服務方案，以滿足客戶日益複雜的需求。同時，財富管理機構還需要不斷升級自身的專業能力與服務水平，整合多領域的專業資源，搭建全場景、全周期的專業化服務生態。通過專業能力的提升、服務邊界的拓展以及數位化工具的應用，財富管理機構能夠在新的市場環境中實現高品質發展，為高淨值人群提供更加優質、高效的服務。未來，財富管理行業的發展將更加注重客戶體驗與長期價值創造。只有堅持以客戶為中心，不斷推動行業轉型與創新，財富管理機構才能在複雜多變的市場環境中行穩致遠，實現與客戶的“雙向奔赴”，共同書寫中國財富管理行業高品質發展的新篇章。 (TOP行業報告)

輝達發佈的《DGX SuperPOD GB300參考架構》，這次架構白皮書其實可以看作是它面向“AI工廠”時代的重磅技術藍圖。簡單來說，就是輝達正式公佈了它自家AI超算系統的完整結構，讓外部企業和機構能直接照著搭建一座屬於自己的AI工廠。官方說這是它內部系統的“物理孿生體”——也就是說，你買的、部署的DGX SuperPOD，跟輝達自己在訓練大模型的系統是一模一樣的。這一點非常關鍵，因為這意味著所有的軟體、驅動、網路、儲存方案都已經被輝達內部驗證過，穩定性、相容性和性能都能保證，部署周期也會比以往縮短很多。這代SuperPOD的核心是DGX GB300系統，搭載Grace CPU和Blackwell Ultra GPU（B300），是專門為AI訓練和推理打造的高密度計算平台。輝達用一種叫Scalable Unit（SU）的模組化設計來組建整套系統。一個SU包含8個DGX GB300機架，每個機架裡面有72顆GPU，總共576顆GPU。這樣一來，部署方式就變得非常靈活——你可以先上一個SU，後續再往上疊。整個架構最大可以擴展到128個機架，也就是9216顆GPU，單個SU的功率就已經高達1.2兆瓦，功耗和熱負載都非常驚人。輝達在文件裡也明確要求，資料中心至少要達到Tier 3等級標準，具備平行維護、無單點故障的能力。冷卻方式上，GB300採用了混合冷卻結構：GPU和CPU部分是直液冷，其他元件還是風冷，這樣既能控制能耗，又能降低維護難度。DGX GB300，每個托盤有兩顆GB300 ，每顆Superchip由兩顆B300 GPU和一顆Grace CPU組成，中間通過NVLink-C2C互聯，CPU和GPU共用記憶體、直接通訊。這樣的組合讓大模型的訓練速度能提升幾個量級。每個托盤配有高速網路卡：4個ConnectX-8用於InfiniBand互聯，還有一張BlueField-3 DPU用於儲存與管理網路。儲存方面，每個托盤都有NVMe SSD作為本地快取和系統盤，用於高速資料訪問。在互聯部分，輝達用了自家的NVLink 5技術。每個機架配備9個NVLink交換模組，用於連接機架內的72顆GPU。每顆B300 GPU有18條NVL5鏈路，頻寬能達到1.8TB/s。這意味著所有GPU之間幾乎是全互聯的，延遲極低，非常適合大模型訓練時需要頻繁參數同步的場景。供電部分也升級了，每個電源架能輸出33kW，一個機架裡有8組，具備冗餘設計，還能通過儲能模組緩衝峰值電流，減少資料中心配電壓力。網路是這份架構檔案中篇幅最長、設計最複雜的部分。輝達把整個系統的網路分成了四層：GPU之間的NVLink互聯、計算網路（InfiniBand）、儲存網路（乙太網路）以及獨立的管理網路。計算網路用的是Quantum-X800 InfiniBand交換機，單向頻寬800Gbps，支援RDMA和各種集合通訊加速功能。儲存網路用Spectrum-4以太交換機，通過RoCEv2協議訪問高性能儲存，獨立於計算網路運行，保證訓練和資料訪問互不干擾。管理網路則是完全獨立的Out-of-Band結構，用來連接BMC、NVSwitch控製器、機架電源和監控裝置，確保硬體層面的管理不受業務網路干擾。這種多層結構讓系統既快又穩，還能在安全和可維護性上做到隔離。儲存部分輝達分成了兩層：高性能儲存（HPS）和使用者儲存（User Storage）。HPS負責訓練和推理的主資料流，要求非常高——要支援NVMe、RoCEv2、POSIX語義、多執行緒並行讀寫，還要能在節點失效時保持高可用。使用者儲存則更偏向系統管理用途，比如日誌、配置檔案、共享目錄等，通常用NFS接入。檔案裡給了性能指標：單個SU在標準配置下讀寫吞吐分別是90GB/s和45GB/s，增強配置可以到280GB/s和140GB/s；如果擴展到4個SU，讀寫性能分別能達到1.12TB/s和560GB/s。這說明SuperPOD的儲存性能是線性可擴展的，越大規模越能發揮出優勢。軟體層面，輝達提出了一個非常完整的管理體系：Mission Control + Run:AI + Base Command Manager。Mission Control是整個系統的中樞，負責維運、監控、調度和自癒。它能自動檢測硬體或節點異常，觸發任務遷移，甚至自動恢復訓練任務到上一個checkpoint，避免重訓。Run:AI負責資源編排和多租戶調度，比如自動分配GPU、動態擴容訓練作業。Base Command Manager則提供底層管理和配置介面。Mission Control還能與資料中心的樓宇管理系統（BMS）打通，實現溫度、能耗、冷卻流量等指標的即時監控。整個軟體棧支援SLURM和Kubernetes兩種主流調度框架，對AI訓練、推理、微服務部署都能相容。值得注意的是，輝達在這份檔案中也透露了它對液冷的態度：在GB300時代，液冷已經不再是可選項，而是標配。每個SU功率高達1.2MW，傳統風冷根本無法支撐這種熱密度。輝達不僅提供了硬體冷卻方案，還在Mission Control層整合了液冷管理和報警機制，能即時監控冷卻環路溫度、水流速、壓力等參數。換句話說，從GB300開始，液冷已經成為AI伺服器的基礎設施。從全域上看這份檔案不僅僅是一份技術規範，更像是輝達為整個AI基礎設施生態畫的一張藍圖。DGX SuperPOD GB300代表了AI工廠的標準形態：高密度算力、高速互聯、分層儲存、全端自動化管理，再加上液冷和能源最佳化，形成一個閉環。輝達的思路很清晰——AI計算將走向工業化生產，而DGX SuperPOD就是AI的“生產線”。它把計算、儲存、網路、冷卻、維運全部標準化、模組化，讓AI工廠可以像搭積木一樣複製。未來無論是雲廠商、科研機構還是大型企業，基本都可以在這個架構上建構自己的AI算力中心。 (零氪1+1)

前言目前，智算叢集已成為支撐人工智慧大模型訓練、自動駕駛演算法迭代等前沿領域的核心基礎設施，並以驚人的速度從萬卡向十萬卡級規模演進。隨著單節點算力突破每秒百億億次，這類超大規模叢集的極致運算能力對互連鏈路頻寬、延遲和功耗提出了極為嚴苛的要求。傳統以銅介質為基礎的電互連方案，正面臨「頻寬牆」、「延遲牆」及「功耗牆」等三重嚴峻挑戰：單通道速率難以突破400Gbps，傳輸延遲高達數微秒，單機架互連功耗佔比更是超過40%，這一系列瓶頸已成為制約超大規模智算叢集互連功耗的核心障礙。相較於傳統可插拔光模組等設備級光互連技術，晶片級光互連正開闢全新的技術路徑與產業賽道。它透過先進封裝將光引擎與電晶片合封在一起，把電訊號的傳輸距離從米級大幅壓縮至毫米級，從而改寫了物理層互連架構，實現50%以上的系統能源效率提升。由此建構的「晶片—設備—叢集」一貫式全光互連架構，已被業界廣泛認定為下一代智算基礎設施的關鍵技術。本白皮書系統性剖析晶片級光互連技術的核心原理與架構設計，深入探討光源、調變器等關鍵元件的技術發展路徑。同時，全面整理晶片級光互連在國內外的產業現狀，客觀地研判未來演進趨勢與技術挑戰。期望透過產學研用多方協作，加速晶片級光互連技術從實驗室原型走向規模化商用落地，推動中國智算基礎設施在硬體架構層面實現跨越式升級，為數位經濟的高品質發展築牢堅實的算力基石。1. 下一代智算叢集提出近乎嚴苛的互連需求1.1. 大模型的巨量迭代引發智算叢集架構變革實現通用人工智慧（AGI, Artificial General Intelligent）已成為大模型未來發展方向的廣泛共識。大模型技術整體仍遵循擴展法則（Scaling Law），參數已邁向兆甚至十兆規模，對智慧算力的需求呈現爆炸性成長。如下圖所示，模型參數規模的成長速度約每兩年400倍，其演算法結構在原有Transformer的基礎上，引入擴散模型、專家系統（MoE, Mixture of Expert）等，使模型泛化能力增強，並具備處理10M+超長序列能力，推動晶片算力（FLOPS）約每兩年3倍的提升，需要至少百倍規模的叢集演進速度來支撐大模型的發展，但晶片間的互連能力提升緩慢，只有約每兩年1.4倍，遠落後於模型規模和算力的演進速度。圖1-1 智算場景中各技術領域擴展趨勢超大模型的訓練過程尤其是張量並行（TP, Tensor Parallelism）、專家並行（EP, Expert Parallelism）等模式依賴叢集內GPU晶片之間頻繁的資料互動。然而，互連速率的提升已嚴重滯後於算力的快速演進，導致顯著的通訊開銷，這直接限制了叢集有效算力隨GPU數量的線性增長，已成為制約叢集規模擴展和性能提升的關鍵瓶頸，如下圖所示。在此背景下，僅依靠IB（InfiniBand）或RoCE（RDMA over ConvergedEthernet）等傳統網路技術來滿足模型效能指標已十分困難，需建構具備高頻寬、低延遲特徵的GPU卡間互連技術體系，以擴大節點規模，大幅降低通訊時間佔比，最終實現叢集算效的顯著叢集算效的顯著叢集。圖1-2 算力隨著卡數規模擴大難以線性擴展同時，全球智算中心規模觸達十萬卡級別，智算叢集架構正經歷一場根本變革，從傳統單機八卡向超節點演變。超節點並非簡單的硬體堆疊，是一種透過極致效能的高速互連技術，將數十乃至上千顆GPU晶片整合於單一或多個機櫃的叢集系統，突破傳統裝置算力瓶頸，大幅降低多晶片並行運算的通訊損耗，實現大模型訓練與推理效率的飛躍。1.2. 大規模智算叢集呼喚「光進電退」技術目前，超節點智算群集展現出三大技術特性，一是互連效能高，GPU之間具有超低時延超高頻寬（百奈秒級，TB/s級）且無收斂的互連能力；二是算力密度高，由單一或多個機櫃構成，包含32個以上甚至到千卡的GPU數量，不斷逼近電互連物理部署極限；第三是能源效率PUE高，超節點單機櫃功率可達40kW以上，採用液冷為主、風冷為輔的散熱方案，配合櫃級集中電源供電，在提供更高供電效率的同時大幅降低資料中心PUE。為了實現更高的叢集算效水平，互連技術方案的演進迫在眉睫。在超節點設備的互連選擇上，目前主要存在兩種路徑：基於銅纜和基於光纖的傳輸方式。儘管銅纜作為目前的主流方案，相較於傳統的可插拔光模組與光纖組合，擁有技術成熟度、成本、可靠性以及部署維護便利性等多方面優勢。通常在小於2公尺短距離、低於800Gbps的非超高速網路場景中，銅纜憑藉這些優勢仍能滿足絕大多數應用需求。特別是無源直連銅纜（DAC, Direct Attach Cable），憑藉其極低的成本和超高的平均無故障時間（MTBF, Mean Time Between Failures），成為當前主流選擇。然而，在高速傳輸場景下，銅纜面臨距離受限、功耗激增、速率瓶頸和佈線困難等嚴峻挑戰，已然逼近其效能極限。隨著超節點叢集規模持續擴展至256節點乃至千卡級別，且單通道傳輸速率邁向800Gb/s，銅纜的固有物理侷限性正日益凸顯，已成為制約智算叢集互連性能與擴展潛力的嚴峻挑戰。圖1-3 不同速率的電訊號在伺服器內不同位置的損耗狀況首先，銅纜的限制體現在其距離限制。受限於訊號衰減，銅纜的有效傳輸距離極為有限。例如，在極短的10公分PCB走線中，100Gbps的速率就足以造成超過15dB的插入損耗，導致訊號失真率突破5%。當GPU跨越多機櫃時，距離超過10公尺的情況下，訊號衰減與功耗問題更為突出。其次，功耗激增是另一個核心痛點。在800Gbps及以上的高速傳輸場景下，電流通過銅線產生的巨大熱量不僅大幅推高了資料中心的營運成本，也顯著增加了系統的散熱複雜性。再者，銅纜面臨傳輸速率瓶頸。受限於「趨膚效應」和PCB走線的寄生電容、電感，其中長距離傳輸的單通道速率難以突破200Gbps，且多通道並行會導致嚴重的串擾，進一步限制了電互連的頻寬密度。最後，佈線困難成為規模化部署的巨大障礙。隨著智算叢集規模呈指數級擴張，所需的銅纜數量幾何級增長，使得佈線難度與成本顯著提高，嚴重限制叢集快速擴展和高效運維。這四大固有物理侷限，使得銅纜已無法滿足未來高算力密度和大規模擴展的智算叢集的嚴苛需求。為跨越基於電訊號銅纜傳輸的固有物理極限，新一代光互連技術正快速登上歷史舞台。以近封裝光學（NPO, Near Package Optics）、共封裝光學（CPO, Co-Packaged Optics）、以及光輸入/輸出（OIO, OpticalInput Output）為代表的創新方案成為替代銅纜方案的優秀選擇。這些技術的核心在於最大程度地縮短電訊號與光引擎（OE, OpticaEngine）之間的距離，實現在晶片層面即完成光電轉換，從根本上規避了傳統可插拔光模組的高成本與易故障問題，同時繼承了光纖傳輸的技術優勢。功耗顯著降低。 NPO、CPO等技術將光引擎與GPU封裝在同一基板甚至同一晶片上，將電信號路徑縮短至釐米甚至毫米級別，大幅減少了傳輸過程中的中繼損耗，並降低了SerDes介面的性能要求，從而係統性地降低了整體功耗。圖1-4 不同介面設計的SerDes功耗頻寬密度顯著提升。透過縮短電訊號傳輸路徑，這些技術可支援更高的單一連接埠傳輸速率，同時在同一封裝體內整合多個光通道，使得頻寬密度達到百Gbps/mm²至Tbps/mm²，遠超銅纜互連方案。此外，連接距離得到極大擴展。光訊號的低損耗特性使其能夠輕鬆覆蓋資料中心內數百公尺甚至10公里以上的距離，徹底打破了銅纜在遠距離傳輸上的桎梏。更重要的是，光互連在訊號完整性上展現出壓倒性優勢。多根銅纜並行傳輸時固有的串擾和反射問題，需依賴複雜的均衡演算法進行補償，而光訊號在傳輸過程中幾乎不受電磁幹擾，其傳輸損耗比電訊號低4至5個數量級，且與傳輸頻率無關，從根本上保障了訊號純度。圖1-5 不同速率下光和電訊號分別在晶片內和晶片外的損耗情況在空間利用方面，光互連在空間佔用和重量上也展現出較大優勢。一束直徑僅6mm的光纖即可容納12根光纖，提供超過19.2Tbps的總傳輸頻寬，而提供同等頻寬的銅纜束直徑將超過50mm，重量更是光纖的8倍。這種極致的輕量化與小型化設計，大大簡化了大規模叢集的佈線難度，降低了資料中心的營運成本，並為未來更高密度的整合提供了寶貴的實體空間。圖1-6 銅纜和光纖的部署對比儘管面臨初期成本高和技術門檻高等挑戰，但光互連技術所帶來的低損耗、長距離、高頻寬密度、高訊號完整性以及低空間佔用等核心優勢，使其成為突破超節點規模和算力極限的關鍵支撐。透過將光電轉換技術整合到晶片級別，光互連不僅拓展了傳輸距離，降低了系統功耗，更透過光訊號的長距離傳輸解決了單節點規模擴大的空間限制問題。 「光進銅退」已成為智算叢集的必然趨勢，是實現未來算力跨越式發展的核心驅動力。此外，光技術的引入已拓展到交換層，即光交換技術（OCS，OpticalCircuit Switching）。為解決傳統電交換機多次光電轉換導致的高能耗和微妙級延遲瓶頸，OCS直接在光域完成訊號路由，最高可達奈秒切換速度，較電交換快2-3個數量級。純光交換中微鏡反射型（MEMS，Micro-Electro-Mechanical Systems）做為其中一種比較成熟的技術，已經實現了商業化應用。2. 極致化需求驅動光互連技術革新根據不同應用場景，光互連技術主要分為資料中心間（DataCenter Interconnect，DCI）與資料中心內兩大類。資料中心內聚焦短距離傳輸場景（數公尺至數百公尺），核心訴求是高頻寬密度、低延遲及低功耗，常用多模光纖，精準適配機櫃內/跨機櫃互連需求。本白皮書重點探討資料中心內光互連技術的分類、裝置與技術趨勢。2.1. 業界存在兩大類光互連技術光互連技術是透過應用光電轉換與融合技術，取代電訊號在傳統資料傳輸場景中的主導角色，甚至直接取代晶片上的電IO功能，最終實現訊號在傳輸過程中遠距離、低功耗、高密度的目標。其中，實現光電轉換的光引擎（Optical Engine，OE）是光互連技術的核心。根據應用場景、光引擎與xPU晶片的距離以及封裝整合程度的差異，業界衍生出許多技術範疇，我們將其主要分為兩大類：設備級光互連和晶片級光互連。如下圖所示，在未來十萬卡級以上的智算中心群集設計中，設備級光互連主要有兩大技術，一是以光交換技術為主，主要應用於交換設備間網路連線中，提供超高連接埠密度、極高速率（無頻寬瓶頸）、連接距離從公尺到百公里級；二是以可插拔光模組技術為主，主要應用於超節點設備間網路連接中，提供較高速率、千卡以上規模、公里級長距離連接。晶片級光互連主要以共封裝光學為主，主要應用於超節點內並進一步下探到晶片內場景，提供超高頻寬密度（可達Tbps/mm²級）、超低時延、千卡以下互連規模、公里距離之內的連接，要求高可靠性。圖2-1 十萬卡級智算中心群集光互連架構設計2.1.1. 設備級光互連：光交換器的演進與應用隨著智算群集規模持續擴展，電交換晶片逐漸顯現瓶頸。單晶片容量受制於積體電路製程的發展，使得電交換晶片在製程製程、轉送架構與快取設計等方面面臨諸多挑戰，交換晶片更新迭代速度明顯放緩，網路規模難以快速擴展；高速SerDes和複雜轉送架構導致功耗和延遲不斷上升，訊號完整性問題也需要依賴複雜DSP補償。光交換為突破電交換的限制提供了新的路徑：一是，其在光層面直接完成連接埠間的切換，無需OEO轉換，徹底繞開了過程、緩存和SerDes衰減等物理瓶頸，可支援極高傳輸速率與超大規模叢集部署。光交換天然具備速率和協議無關的特性，從400G到800G乃至1.6T均可平滑支援，在速率升級時無需更換交換設備，極大降低了系統演進的複雜度和成本。二是，光交換透過端對端光路直通，避免了複雜的包解析與快取轉發，延遲大幅降低，功耗顯著優於電交換。其大規模連接埠整合能力，使得數百乃至數千埠的互聯成為可能，從而支撐大規模GPU叢集的靈活網路需求。第三是，透過集中化的控制與軟體編排，光交換也能夠支援拓樸重構、故障繞行和網路切片，提升算力利用率與網路穩健性。在維運方面，自動化光路配置減少了人工佈線帶來的潛在錯誤，進一步增強了網路的可用性和可靠性。圖2-2 光交換器內部架構範例2.1.2. 設備級光互連：可插拔光模組的演進與應用可插拔光模組已廣泛應用在傳統資料中心、電信網路以及智算中心大規模連接中，具備靈活性高與相容性強等特徵。其將光引擎（OE, Optical Engine）整合在可插拔模組中，如下圖所示，透過PCB（PCB，Printed Circuit Board）板級走線與有獨立基板的xPU（GPU, NPU, Swtich, etc）相連。目前市場主力產品的速率已達800G，未來採用矽光技術可達1.6T水平，封裝向高密度QSFP-DD/OSFP等演進。但面向智算未來高速率1.6T/3.2T以上的互連場景下，可插拔光模組將面臨訊號完整性惡化、依賴數位訊號處理器（DSP，Digital Signal Processor）進行複雜訊號補償所導致的系統功耗高、傳輸時延高等難題。圖2-3 可插拔光模組範例為解決DSP帶來的功耗、時延等難題，2022年Macom聯合輝達推出線性直驅可插拔光模組（LPO, Linear Pluggable Optics）方案，如下圖所示，相較於傳統可插拔光模組，LPO直接去除了DSP晶片，保留發射端高線性度的驅動晶片（Driver），以及接收電阻端高程的高線性度的驅動晶片（線性度電聯機（BD先前） Amplifier），從而建構一個純粹的模擬、「線性直驅」的光訊號處理通道，實現功耗和延遲的降低。雖然去除了DSP，但是DSP的功能並未消失，而是將部分功能轉移到了xPU晶片中。這意味著xPU的SerDes必須具備更強的線性驅動能力和訊號處理能力。圖2-4 傳統可插拔光模組（上圖）與LPO（下圖）的對比2.1.3. 晶片級光互連：從近封裝到光學I/O隨著專家模型的大EP（Expert Parallelism）架構發展趨勢，更大規模、更高頻寬密度和極低時延成為智算叢集的主要需求。如下圖所示：在規模方面，目前Scale-Up單層規模以32卡或64卡為主，需要進一步提升至256卡甚至千卡，高速傳輸的距離從板級、櫃內擴展到櫃間；在頻寬密度方面，目前國內單通道頻寬以200Gbps為主，需要進一步向800Gbps 甚至1.6Tbps 邁進， 頻寬密度要求提升至百Gbps/mm 2 到TGbps/mm 2 ；在時延方面，目前卡間資料傳輸時延為微秒級，需要進一步縮短至百奈米甚至十奈秒。目前可插拔光模組的互連延遲和頻寬瓶頸已無法滿足大規模智算群集互連需求。圖2-5 大規模智算叢集的互連效能需求晶片級光互連技術透過將電訊號傳輸路徑縮短至公分到毫米級（即加速卡內部），相較於基於電互連與可插拔光模組的互連方案，可實現超高頻寬密度、超低時延及高能效的智算群集互連能力。依據應用情境、光引擎與xPU 晶片的距離及包裝整合度，可將此技術分為近封裝光學（NPO，Near Packaged Optics）、共封裝光學（CPO，Co-packaged Optics）及光學IO（OIO，Optical Input/Output）三類。近封裝光學（NPO）NPO的核心思想是將光引擎（OE）與封裝後的xPU晶片相鄰佈局於同一塊高性能PCB基板上，透過極短的高性能電氣鏈路與GPU相連，形成一個整合度較高的系統，GPU與OE的間距通常在數釐米以內，同時確保通道損耗≤13dB。相較於傳統可插拔光模組，互連密度提高了2-3倍，是光互連向高整合度發展的過渡階段技術，為進一步向CPO演進奠定基礎。因NPO將GPU與光引擎物理分離，避免了GPU在工作時的高溫熱量直接衝擊對溫度敏感的光器件，從而導致波長漂移和系統性能下降，因此散熱設計更簡單、高效，系統更加穩定。同時，由於光引擎未和GPU共同封裝，在可維護性方面具備一定優勢，如果光部分失效，只需更換光引擎模組即可，避免了大量的維護成本；因此，NPO目前是國內GPU晶片廠商選擇的主要技術路徑，但仍需要在整合度、頻寬密度、延遲和能源效率方面進一步優化。圖2-6 近封裝光學（NPO）結構共封裝光學（CPO）CPO技術透過將OE與電晶片共同封裝在同一晶片基板或中介層上，實現系統的高整合度，使電訊號只需傳輸幾毫米。圖2-7 共封裝光學（CPO）結構CPO技術大幅提升了互連頻寬密度並能夠大幅降低系統誤碼率和設備功耗，同時也能夠大幅節省設備（如交換器）面板的空間，克服面板IO密度的限制。目前作為可插拔光模組的替代技術，CPO可實現整機設備功耗降低50%左右，如下圖所示。圖2-8 交換器設備功耗分析由於光引擎和電晶片緊密共封裝，任何子模組的故障都可能導致整個封裝體的更換，對良率和可維護性方面提出了極高要求。因此，基於CPO技術的產品處於發展初期，主要應用場景是智算中心的交換設備。但憑藉其在超高頻寬、低功耗、低延遲、高密度互連等方面的巨大潛力，CPO有望進一步下探至GPU算力晶片，實現算力晶片的直接出光，建構更有效率的端對端光互連鏈路。片間光學互連（OIO）相較於NPO/CPO是突破可插拔光模組的性能限制，OIO技術目標是為了取代計算晶片上電IO方案，透過先進封裝以芯粒形式與計算晶片整合，比CPO的互連性能更優。其核心理念是徹底摒棄傳統的銅線電氣I/O，消除了板級電氣走線的瓶頸，將頻寬密度提升至1Tbps/mm²（3D封裝）並將延遲降低至納秒級，能效提升相比CPO低一個數量級。OIO技術可以在運算資源池化領域發揮更大的作用，如應對計算晶片顯存容量和頻寬擴展受限的雙重挑戰，依託其顯著傳輸性能和距離，打破單晶片顯存物理邊界，將多節點獨立顯存整合為共享顯存池，透過光域直連實現池化顯存的低時延調度與高頻寬訪問，成為未來新數據中心的新關鍵結構架構。圖2-10 非聚合資料中心（Disaggregated DC）的互連頻寬需求2.1.4. 新型光互連技術具備巨大潛力可插拔光模組、NPO、CPO和OIO四大技術在頻寬密度、時延、能耗、相容性等方面表現各異，共同構成了覆蓋資料中心內不同需求場景的光互連技術體系（見下表），其中晶片級光互連聚焦出更能精準匹配智算群集未來演進需求的潛力技術，後續聚焦此類將聚焦。表2-1 傳統電交換與光交換（OCS）比較分析表2-2 光互連技術比較分析2.2. 晶片級光互連三大技術路線場景互補2.2.1. 晶片級光互連技術的組成原理從元件構成上來看，相較於採用分離式元件的傳統可插拔光模組，主流晶片級光互連技術由於矽光的引入，除雷射外，大部分已實現了多種光電元件的矽基整合。其技術方案構成主要分為三大關鍵組件：雷射（外部或與光引擎耦合）、光引擎、光纖及連接器。無論與電晶片的距離與整合度如何，實現高效光電轉換的光引擎和雷射都是晶片級光互連方案的主要研究對象。圖2-11 晶片級光互連的組件構成（以基於矽光技術的CPO設備為例）如下圖所示，光引擎由光積體電路（PIC, Photonic IntegratedCircuit）和電積體電路（EIC, Electronic Integrated Circuit）組成。其中PIC主要包含調製器（MOD, Modulator）和探測器（PD, Photo-detector），基於矽光子或III-V族化合物材料實現光訊號的調製、探測、解調和濾波等功能。其中，調製器負責將光訊號調製為與電氣介面相符的頻寬能力，多採用矽光調變器，包括馬赫-曾德爾調變器（MZM, Mach-Zehnder Modulator）、微環調變器（MRM, Micro Ring Modulator）等方案。偵測器負責在收端將光訊號轉換成電訊號；傳統可插拔光模組中常採用分立的PIN或雪崩光電偵測器，在晶片級光互連中，整合於矽光晶片上的鍺矽探測器（Ge-Si, Germanium-Silicon）成主流方案。EIC 主要由驅動電路（ DRV, Driver ） 、 跨阻放大器（ TIA, Transimpedance Amplifier）等組成，提供光調製器的驅動與控制，接收端訊號的放大、均衡以及功耗管理等功能。圖2-12 光引擎光電轉換的原理雷射（Laser）負責提供連續的、高品質的光源，而調製器則將電訊號編碼到光訊號上。與傳統光模組將雷射和調製器封裝在同一個發射光組件（TOSA， Transmitter Optical Subassembly）內不同，該方案通常將調製器整合到矽光晶片上，而將雷射器作為獨立的外接光源（ELS, External Laser Source）。這種架構通常以可插拔模組的形式存在，如下圖所示，可減少散熱影響，增強系統穩定性。外接雷射方案與光引擎的耦合帶了新的挑戰，業界也有基於直接調製光源的技術方案，可解決光源與調製器分離帶來的光效率問題，但也面臨傳輸距離以及速率性能受限等難題。圖2-13 左圖：博通自訂的ELS模組；右圖：符合OIF ELSFP規格ELS模組與傳統設備內部無光纖佈線設計不同，基於晶片級光互連技術的設備內部引入了額外的光纖及光纖連接器。如下圖所示，以基於矽光技術的CPO交換設備為例，光引擎緊密地圍繞ASIC晶片放置，設備內部的光互連路徑包含兩條：從ELS到光引擎，以及光引擎到機殼前方面板。其中後者為業界主要研究方向，其連接方法和類型會影響訊號、熱量和佈線密度的設備設計。圖2-14 基於矽光技術的CPO交換設備範例（博通CPO交換器）2.2.2. 三大技術路線並駕齊驅，矽光或成未來主流業界已提出並應用了多種晶片級光互連（如CPO）的實現方案，這些方案可按材料分類，也可按雷射器的放置位置分類，而材料與雷射器位置往往密切相關。業界目前有三大主要技術路線：其中基於矽光的整合方案通常採用外接雷射光源，屬於間接調製（即需要一個獨立的調製器來對光進行編碼）；而基於垂直腔面發射雷射（VCSEL, Vertical-Cavity Surface-Emitting Laser）的方案則是由電子設備直接改變其註入電流來調製光源，無需額外的獨立調製器；Micro-LED則摒棄傳統雷射器，採用Micro-LED作為光源，採用陣列形式，單個晶片可整合數十至數百個，滿足高聚合速率需求。目前產業主線多以矽光整合為核心，採用MZM或MRM等調製方式，並配合外接雷射器實現高速信號中短距（~幾百米）傳輸；VCSEL陣列則在短距互連（~幾十米）中有成熟應用，但在高溫穩定性和更高速率下仍面臨一定挑戰；Mic ro-LED作為一種新興技術，主要聚焦於櫃內短距高速鏈路（~數米內）中的應用，展現出高響應速度、高密度陣列整合及低功耗的特性，但其在高速調製（如100Gbps以上）的穩定性以及與電晶片異質整合適配性等方面仍存在問題。外接雷射光源+矽光光引擎矽光整合方案是利用現有CMOS （ Complementary Metal OxideSemiconductor）製程進行光元件（包括調變器、偵測器、光波導等）開發與整合的技術。依調製器的不同，矽光方案可進一步分為兩類：一類採用MZM調變器，另一類則採用MRM調變器。 MZM在矽光可插拔光模組市場中應用廣泛，經過大量部署驗證了其可靠性。基於MZM的晶片級互連方案藉助此優勢，透過高度整合進一步提升了密度。MRM方案則提供了另一種可能，能夠進一步降低調變器的功耗，並提高整合密度。 MZM與MRM相比，MRM具有小尺寸及低驅動電壓的優點，而MZM則有較寬的可操作光波長範圍及較佳的熱穩定性，相關比較如圖2-13所示。圖2-15 左圖：MZM調變器右圖：MRM調變器矽光技術方案因整合度高、調變速率高，光源外接穩定性高，可涵蓋其他短距方案等特性，成為CPO的主流方案。隨著研究的深入，矽光技術有望成為OIO中最核心的光學解決方案。採用MRM的矽光整合方案實現OIO的第一步，可利用多個波長攜帶訊號，提高頻寬密度。目前此路線面臨光鏈路效率與系統協同性上的挑戰。一是外接雷射耦合損耗與對準難題，易因偏移導致功率衰減，雷射需提升輸出功率增加整體耗電量；二是單一光源故障可能影響多通道工作；第三是光源參數與矽光引擎的驅動需求適配依賴客製化調試，缺乏統一標準導致整合成本高。未來產業可透過採用晶圓級光學技術整合微透鏡陣列，並結合先進封裝方案，將系統損耗降低；光源側可採用量子點光頻梳雷射器，減少光纖用量並降低功耗並透過標準化統一光源電氣與機械參數，進一步優化能效與互通性。基於VCSEL的光引擎方案VCSEL方案依託垂直出光結構所帶來的光路設計彈性，以及高密度陣列支援多聲道並行傳輸的能力，可滿足智算群集櫃內/間的短距傳輸需求。憑藉成本優勢與低功耗特性，在光模組領域已應用多年。但基於VCSEL的晶片級互連方案目前仍處研發階段，核心瓶頸在於砷化鎵材料與矽基製程存在晶格失配，異質整合良率低，難以實現與電晶片的深度共封裝，更適合應用於NPO互連方案。圖2-16 基於VCSEL的光引擎範例基於VCSEL的晶片級互連方案研究趨勢主要聚焦於性能瓶頸突破，如推動單模化以解決頻寬限制，業界透過光子晶體結構設計、氧化限制層精度優化，結合PAM4高階調變技術，已實現單通道200Gbps速率高電導率電能提升訊號耗耗；透過低損耗訊號與電波進一步提升方案電能化電能與動力提升的關係電能提升距離電能動能與功率提升方案相增動能。基於Micro-LED的光引擎方案在光互連領域中，Micro-LED作為新型光源陣列逐漸受到關注。與矽光和VCSEL相比，Micro-LED的突出特點在於其天然適合建構二維高密度陣列，能夠實現多通道並行和空分複用，在有限封裝岸線上實現超過Tbps/mm 2的頻寬密度。在功耗方面，研究顯示其連結能源效率可望達到亞pJ/bit量級，適用於機櫃內的10公尺級短距連接。在製程路徑上，Micro-LED通常基於氮化鎵（GaN, Gallium Nitride）外延，在藍寶石或GaN基板上製備微米級發光單元，並透過異質整合與CMOS電路鍵合，為短距互連帶來一種能效與密度兼具的潛力方案。圖2-17 AVICENA MicroLED的光引擎方案範例基於Micro-LED的光互連方案技術趨勢著重於優化驅動電路、改進量子阱材料結構、延長雷射光源使用壽命以適應大規模叢集的高可靠性需求。整體來看，矽光方案因其性能優、CMOS製程整合高等特性已形成較成熟的產業和標準牽引，VCSEL陣列依託既有的短距應用在NPO方案中仍具競爭力，Micro-LED陣列提供了能效和並行密度上的新路徑。三者將在智算互連不同場景中形成互補，共同推動短距至中短距光互連技術的迭代升級。 （AI雲原生智慧算力架構）

世界百年變局加速演進，在全球經濟、世界格局和科技發展等宏觀議題的交織下，全球正經歷著前所未有的深刻變革。從全球經濟的波動到世界格局的重塑，再到科技革命的加速推進，這些因素共同塑造著人類社會的未來走向。最近弗若斯特沙利文聯合頭豹發佈《中國未來50年產業發展趨勢白皮書（第四期）》（共281頁），聚焦人工智能、智能製造、醫療健康、大眾消費、碳中和五大核心產業，從競爭力、生態全景、發展趨勢及應用機遇維度，解讀未來 50 年產業走向。一、宏觀經濟：2024-2025 年核心基石資料2024 年中國 GDP 首次突破 130 萬億元，同比增長 5%，增速穩居全球主要經濟體前列；2025 年作為 “十四五” 規劃收官年，將通過深化開放與改革推進現代化建設。2024 年外貿出口額超 25 萬億元，實現連續 8 年增長；汽車出口量超 600 萬輛（同比增幅 23%），持續穩居全球第一汽車出口國，汽車產業整體規模達 43.85 萬億元。二、五大核心產業：趨勢、資料與機遇（一）人工智慧產業 ——“腦、神經、肢體” 協同進化路徑1. 核心關鍵詞大語言模型（“腦”）、AI Agent（“神經系統”）、具身智能（“感官肢體”）、AIDC（人工智慧資料中心）2. 關鍵競爭力全球 AI 研發投入與專利數量領先，網際網路使用者規模達 11 億（全球第一），為 AI 應用提供海量場景支撐；智能算力規模年均增長超 75%，2024 年達 725EFLOPS（2020 年僅 75EFLOPS，2020-2024 年複合增長率 76.3%）。3. 核心趨勢供需雙向增長 —— 供給側算力持續迭代升級，需求側從 “通用大模型” 轉向 “行業場景化定製”。4. 關鍵資料2023-2029 年中國大模型市場規模複合增長率 44.9%，預計 2075 年達 24632 億元（2020 年為 1125 億元）；2024 年 AI 相關企業數量達 16.4 萬家，AI 應用已滲透網際網路（31.8%）、金融（14.7%）、製造（12.2%）等重點領域。5. 核心機遇大模型（認知能力）、AI Agent（自主決策）、具身智能（物理互動）三者協同，將催生 “數字智能 + 物理行動” 深度融合的下一代 AI 形態。（二）智能製造產業 —— 從 “規模擴張” 到 “高端突破” 的轉型1. 核心關鍵詞工業機器人、低空經濟、深海開發技術2. 關鍵競爭力2025 年全國工業增加值預計達 42.5 萬億元，智能裝備產業規模超 3.4 萬億元；本土工業機器人市場佔有率 47%，全球 “燈塔工廠” 數量 77 家（居全球第一），研發（R&D）支出規模位列全球第二。3. 核心趨勢2023-2075 年產業整體市場規模從 4.2 萬億元增至 9.5 萬億元，裝置國產化率超 50%，AI+5G + 數字孿生技術驅動全產業鏈智能化升級。4. 關鍵資料工業機器人：2020-2075 年市場規模將從 302.1 億元增至 5276.3 億元（2020-2045 年複合增長率 7.8%）；低空經濟：2021-2075 年市場規模從 2912 億元增至 8.74 萬億元，eVTOL（電動垂直起降飛行器）電池前裝市場 2023-2045 年複合增長率 26.6%；深海經濟：2021-2075 年市場規模從 1.98 萬億元增至 13.4 萬億元，300 米以上深水油氣開發裝備國產化率超 90%。5. 核心機遇人形機器人（已進入工廠測試落地階段）、eVTOL（貨運 / 載人場景逐步拓展）、深海裝備（油氣開發與海洋資源勘探需求提升）。（三）醫療健康產業 —— 智能技術與精準醫療雙驅動1. 核心關鍵詞AI 醫療影像、智能養老、腦機介面2. 關鍵競爭力2024 年全國醫院數量 13534 家，衛生技術人員規模 1295 萬人（2020 年為 1067.8 萬人）；近五年創新藥研發數量較此前增長 7 倍，醫療器械出口額 2024 年增長 11.8%，本土替代處理程序加速。3. 核心趨勢老齡化（2075 年全國老齡化率超 41.6%）與慢性病（2075 年 55-64 歲人群慢性病患病率超 65%）雙重驅動需求增長，AI 技術持續賦能診療效率提升。4. 關鍵資料AI 醫療影像：2020-2045 年市場規模複合增長率 13.9%，可覆蓋 1.2 億肺結節、410 萬卒中患者等重點人群；智能養老：2020-2045 年市場規模複合增長率 2.9%，預計 2075 年超 11.8 萬億元；腦機介面：2020-2045 年市場規模複合增長率 23.7%，預計 2075 年達 11834 億元，重點聚焦 “醫療康復 + 消費電子” 兩大方向。5. 核心機遇AI 影像（從輔助診斷向臨床決策升級）、智能養老（遠端健康監測與適老化改造普及）、腦機介面（神經疾病治療與人機互動創新）。（四）大眾消費產業 —— 分層升級與全球化擴張平行1. 核心關鍵詞情緒消費、健康消費、智能消費2. 關鍵競爭力2024 年新設外資企業 46893 家（創近五年峰值），外貿進出口總額連續 8 季度超 10 萬億元，連續 16 年保持全球最大出口國地位；2024 年全國居民人均可支配收入 54188 元（2019 年為 42359 元），消費對經濟增長的貢獻率達 65.1%，成為經濟發展主引擎。3. 核心趨勢分層供給格局 —— 一線城市聚焦高端化、智能化消費，低線城市側重性價比導向；國產替代與全球化擴張雙路徑平行。4. 關鍵資料健康消費：2020-2045 年市場規模複合增長率 6.9%，預計 2075 年達 76.1 萬億元，2024 年居民健康素養達 31.9%（2012 年僅 8.8%）；智能消費：預計 2075 年市場規模達 78.69 萬億元（2020 年為 6564.2 億元），2025 年 1-4 月智能家居新增品類數量同比增長超 523.6%。5. 核心機遇情緒消費（心理代償與文化融合類產品崛起）、健康消費（功能性食品與數字健康服務普及）、智能消費（AI + 家居 / 出行場景落地，獲金融政策扶持）。（五）碳中和產業 —— 清潔能源主導的綠色轉型1. 核心關鍵詞新型光伏、鈣鈦礦光伏、CCUS（碳捕集利用與封存）2. 關鍵競爭力2024 年非化石能源發電裝機佔比達 60%，全國森林蓄積量達 204.9 億立方米；綠色技術專利數量全球領先，2023 年國家智慧財產權局（CNIPA）綠色相關專利達 9.7 萬件，全國碳市場覆蓋排放量 80 億噸（佔全國總排放量 60% 以上）。3. 核心趨勢2070-2075 年清潔能源在能源消費中的佔比將超 90%，供給側聚焦 “非化石能源 + 數字轉型”，需求側推進 CCUS 技術規模化應用。4. 關鍵資料光伏技術：鈣鈦礦電池實驗室轉換效率達 26.6%（理論效率 33%），鈣鈦礦 / 晶硅疊層電池效率達 34.6%；政策目標：2025 年單位 GDP 能耗較基準年下降 3%，新增新能源裝機容量 2 億千瓦，2030 年智慧家庭相關國家標準數量超 50 項。5. 核心機遇鈣鈦礦 / TOPCon 等高效光伏技術、CIGS/OPV 柔性光伏（消費電子與建築融合場景）、CCUS（高耗能行業減排剛需）。三、總結：未來 50 年產業主線中國將以 “AI 賦能新質生產力” 為核心，推動五大核心產業從 “跟跑” 向 “領跑” 跨越，在全球產業鏈中逐步佔據高端位置；同時通過開放合作分享發展紅利，為全球經濟復甦注入持續動力。 (陳博觀察)