Yapay zeka veri merkezlerindeki optik modüller, pasif bağlantı parçaları olmaktan çıkıp bilgi işlem performansının temel bileşeni haline geldi. Nedeni çok basit. Modern yapay zeka eğitim kümeleri, GPU'lar, anahtarlar ve depolama düğümleri arasında muazzam miktarda veri taşır ve bu hareketin hızı, pahalı hızlandırıcıların ne kadar verimli şekilde kullanılabileceğini doğrudan etkiler. Bu yüzden400G, 800G ve 1,6T optik modüllerartık neredeyse her yapay zeka altyapısı konuşmasının merkezinde yer alıyor.
göreEthernet İttifakı 2026 Yol Haritası, hiper ölçekleyiciler zaten 100G'den 800G'ye ara bağlantıların dağıtımını yapıyor ve 1,6 Tb/s Ethernet, AI-ölçekli yapılar için bir sonraki büyük adım olarak ortaya çıkıyor.
IEEE 802.3 Çalışma Grububakır ve tek modlu fiber üzerinden 200G, 400G, 800G ve 1,6T Ethernet'i tanımlamak için P802.3dj görev gücünü geliştiriyor; bu da sektöre daha yüksek hızlı dağıtım için açık bir yol sağlıyor.
Ağ ekipleri için pratik soru artık hızların artıp artmayacağı değil. Ağın her katmanı için doğru hızın nasıl seçileceği, güç ve soğutmanın nasıl planlanacağı ve binlerce modülün bir üretim yapay zeka kümesine dağıtılmasından önce uyumluluğun nasıl doğrulanacağıdır.
Yapay Zeka İş Yükleri Neden Daha Yüksek Optik Modül Hızları Gerektiriyor?
Yapay zeka eğitimi temel olarak geleneksel bulut, kurumsal veya depolama iş yüklerinden farklıdır. Büyük dil modelleri ve öneri sistemleri, tek bir dağıtılmış sistem olarak çalışan binlerce ve giderek artan sayıda onbinlerce GPU üzerinden eğitilir. Her eğitim adımı sırasında, hızlandırıcılar gradyanları senkronize etmeli, aktivasyonları değiştirmeli ve düğümler arasında ara tensörleri geçirmelidir. Bu durum son derece yoğun doğu-batı trafiğine neden oluyor; bu da trafiğin internete gitmek yerine veri merkezi içinde kalması anlamına geliyor.
16.000 ila 100.000 GPU'dan oluşan bir sınır eğitim kümesinde dahili yapı, harici bağlantılardan çok daha fazla bant genişliği taşır. NVIDIA bildirdiSpectrum-X Ethernet platformu100.000 GPU'yu aşan dağıtımlarda yaklaşık yüzde 95'lik etkin verimi korurken, tıkanıklık kontrolü olmayan standart Ethernet genellikle aynı yük altında yaklaşık yüzde 60'ı sağlar. Aradaki fark akademik değil. Yapı verimliliğindeki yüzde 35'lik kayıp, doğrudan daha uzun eğitim çalışmalarına ve GPU kullanımının azalmasına yol açıyor.
Optik hızların artmaya devam etmesinin gerçek nedeni budur. Yavaş veya dengesiz bir optik katman, tüm yapay zeka fabrikasının darboğazı haline gelir.
400G'den 800G'ye ve 1,6T'ye: Her Adımda Neler Sağlanıyor?
400G, 800G ve 1,6T'ye geçiş, yalnızca daha fazla kablo ekleyerek çözülemeyecek bir ölçeklendirme probleminden kaynaklanmaktadır. Bir yapay zeka kümesinin boyutu iki katına çıktığında, düğümler arasındaki iletişim yollarının sayısı doğrusaldan daha hızlı artar. Paralel bağlantıların eklenmesi anahtar bağlantı noktalarını tüketir, fiber sayısını artırır ve yoğun raf ortamında yönetilmesi zor olan kablo sıkışıklığı yaratır.
Bağlantı noktası başına-daha yüksek hızlar daha ölçeklenebilir bir yol sunar. 800G bağlantı noktası, aynı fiziksel arayüz üzerinden 400G bağlantı noktasının iki katı bant genişliği taşır. 1,6T bağlantı noktası bunu yine iki katına çıkarır. 2025 ila 2026 nesil anahtar ASIC'leri, 800G'yi yeni yapay zeka dağıtımları için pratik ana akım haline getiren radix ve bant genişliği seviyelerini desteklerken, 1,6T bir sonraki anahtar nesli için planlama hedefidir.
400G, 800G ve 1,6T Ethernet üzerinde canlı çok{0}}satıcıyla birlikte çalışabilirlik OFC 2026'da gösterildi.Ethernet Alliance OFC 2026 vitriniekosistemin yapay zeka-ölçekli yapılara hazır olduğunun kanıtı olarak sunuluyor. Bu hazırlık önemlidir çünkü yapay zeka kümeleri tek bir tedarikçinin çözümünü bekleyemez. Uygun ölçekte birlikte çalışan anahtarlara, NIC'lere, optiklere ve test platformlarına ihtiyaçları var.
400G vs 800G vs 1.6T Optik Modüller: Bir Seçim Karşılaştırması
Doğru hız, küme boyutuna, ağ katmanına, anahtar yol haritasına, güç bütçesine ve halihazırda mevcut olan fiber tesisine bağlıdır. Aşağıdaki tablo, her hızın şu anda en anlamlı olduğu yerleri özetlemektedir.
| Hız | Tipik Modüller | En Uygun | Önemli Husus |
|---|---|---|---|
| 400G | 400G SR8, DR4, FR4, LR4 | Bulut veri merkezleri, kurumsal yükseltmeler, daha küçük AI kümeleri, orta-boyutlu yapılardaki yaprak katmanı | Olgun ekosistem, geniş anahtar ve NIC desteği, bu aşamada Gb başına en düşük maliyet |
| 800G | 800G SR8, DR8, 2xFR4, 2xDR4, LR8 | Yapay zeka eğitim kumaşları, HPC, GPU omurga-yaprağı, hiper ölçekli yaprak ve omurga | Bağlantı noktası başına daha yüksek bant genişliği, daha güçlü termal yük, dikkatli FEC ve ana bilgisayar doğrulaması gerektirir |
| 1.6T | 1,6T DR8, 2xDR4, OSFP-XD | Yeni-nesil yapay zeka omurgası, ultra-yoğun arka uç ölçeklendirmesi-, gelecekteki geçiş ASIC'leri (51,2T ve üzeri) | Sinyal bütünlüğü, gelişmiş FEC, sıvı veya iyileştirilmiş hava soğutması, fiber ve konnektör stratejisi planlaması gerektirir |
Birçok veri merkezinin 100G veya 200G'den yükseltme işleminin ortasında olması ve 400G'nin yapay zeka dışı iş yükleri için güçlü bir maliyet, kullanılabilirlik ve performans dengesi sunması nedeniyle 400G hâlâ geçerliliğini koruyor. Özellikle yapay zeka kümeleri için, 800G yeni yapılar için çalışma temeli haline geldi ve 1,6T artık arka uç ölçeklendirme yapıları için, özellikle de anahtar oluşturmanın şerit başına 200G-sinyalizasyonla uyumlu hale getirildiği durumlarda ciddi planlama aşamasındadır. Bu hızlar için yüksek-yoğunluklu kablolamayı değerlendiriyorsanız,MPO ve MTP fiber optik kablolama800G ve üzerinde en sık kullanılan konnektör ve devre seçeneklerini kapsar.
400G Hala Yeterli Olduğunda
Küme boyutu mütevazı olduğunda, kullanılan GPU'lar 400G NIC'leri doyurmadığında veya mevcut anahtar filosu önceki-nesil ASIC'ler üzerine kurulduğunda 400G doğru seçim olmaya devam ediyor. Çıkarım kümeleri, daha küçük eğitim bölmeleri, uç yapay zeka siteleri ve genel-amaçlı veri merkezi yapılarının çoğu, 400G'de hâlâ rahatça çalışıyor. Bu ortamlar için doğrudan 800G'ye geçmek, işin tamamlanma süresinde ölçülebilir bir iyileşme sağlamadan maliyet ve termal baskıyı artıracaktır.
Pratik bir test, eğitim sırasında GPU kullanımına bakmaktır. GPU'lar yüzde beş ila ondan fazla veri bekliyorsa ağ zaten bir darboğazdır. Kullanım istikrarlı ve yüksekse 400G işini yapıyor demektir.
800G Gerekli Olduğunda
Küme, 400G bağlantılarının çok fazla paralel bağlantıyı zorladığı bir ölçeğe ulaştığında, anahtar tabanı sınırları topoloji seçeneklerini kısıtlamaya başladığında veya GPU nesli, 800G bağlantı noktalarını doyurabilen NIC'leri tanıttığında 800G gerekli hale gelir. Tipik bir yapay zeka eğitim yapısında bu genellikle birkaç bin GPU ve üzeri kümelere karşılık gelir; burada arka uç ağı, degrade değişim trafiğinin büyük kısmını taşır.
800G geçişi aynı zamanda gerçek mühendislik çalışmalarını da beraberinde getiriyor. 800G modüllerindeki bağlantı noktası başına güç-400G'den anlamlı derecede yüksektir, FEC modları değişir ve anahtar yüzünde kablo yoğunluğu iki katına çıkar. Eşzamanlı bir eğitim işinde tek bir kararsız optik bağlantı, tüm kümeyi yavaşlatan yeniden denemeleri tetikleyebildiğinden, yakma testi ve bağlantı kararlılığının doğrulanması hayati önem taşıyor.
1.6T Ne Zaman Planlanmalı?
1,6T şu anda en agresif yapay zeka arka uç ağları için erken dağıtım aşamasındadır ve gelecek nesil anahtarlar için standart planlama hedefidir. Çoğu kurumsal ve bulut ekibinin bugün üretimde 1,6T optiğe ihtiyacı yok, ancak üç- ila beş- yıllık bir ufka sahip bir yapı tasarlayan herkesin kablolama, fiber tesisi ve güç planlamasında bunu hesaba katması gerekir.
IEEE P802.3dj görev gücü, tekli- fiber üzerinden 1,6T için fiziksel katman spesifikasyonlarını tanımladı ve OFC 2026, bu hızda çok-satıcının birlikte çalışabildiğini gösterdi. Pratik sinyal, 1,6T'nin gerçek olduğu, ancak anahtar kullanılabilirliği, soğutma ve operasyonel araçlar da dahil olmak üzere çevredeki altyapının hala modülün kendisi kadar önemli olduğudur.
QSFP-DD ve OSFP Karşılaştırması: Doğru Form Faktörünü Seçme
400G ve 800G'de iki baskın form faktörü QSFP-DD ve OSFP'dir. Her ikisi de ana akım anahtar platformlarında aynı hızları sunar ancak mekanik tasarım ve termal davranış açısından farklılık gösterirler. QSFP-DD, QSFP28 ve QSFP56 kafesleriyle geriye dönük olarak uyumludur, bu da onu yükseltme sırasında mevcut anahtar yuvalarını yeniden kullanmak isteyen ortamlar için çekici kılar. OSFP biraz daha büyüktür, daha fazla iç hacme sahiptir ve genellikle daha iyi termal boşluk payı sunar; bu da 800G'de ve özellikle 1,6T'de önem kazanır.
1,6T için sektör, öncelikli olarak termal kapasite nedeniyle OSFP ve OSFP{1}}XD'yi baskın seçenekler olarak tercih ediyor. Bir ağ ekibi aynı anahtar neslinde 800G'nin üzerine yükseltme yapmayı planlıyorsa OSFP genellikle daha güvenli bir seçimdir. Öncelik 400G QSFP-DD yatırımlarının yeniden kullanılmasıysa, QSFP-DD şimdilik güçlü bir seçenek olmaya devam ediyor.
Yapay Zeka Ağları için Optik Modülleri Seçerken Temel Faktörler
Mesafe, erişim ve fiber türü
Bir raf sırası içindeki kısa{0}erişli bağlantılar paralel tek-modlu (DR) veya kısa-erişimli çoklu modlu (SR) modülleri kullanabilirken, sıralar arası veya-kapsaklar arası bağlantılar FR veya LR varyantlarına ihtiyaç duyabilir. Bir modül seçmeden önce gerçek fiber uzunluğunu, fiber kalitesini, konnektör tipini ve bağlantı bütçesini doğrulayın. Konnektörler ve eklemeler arasında kaybın nasıl biriktiğine ilişkin yararlı bir bilgi kılavuzumuzda yer almaktadır.Fiber ağlarda ekleme kaybı. Daha uzun erişimler için OS1 ve OS2 tek-modlu fiber arasındaki fark da önemlidir ve genel bakışımızda ele alınmıştır.
tek-modlu fiber türleri ve uygulamaları.
Güç tüketimi ve soğutma
Daha yüksek-hızlı optikler daha fazla ısı üretir. 400G'den 800G'ye yükseltmeden veya 1,6T planlamadan önce, bağlantı noktası gücünü-kontrol edin, hava akışı yönünü değiştirin, kafes sıcaklığını, termal değer kaybı kurallarını ve raf-seviyesi soğutma marjını kontrol edin. GPU'lar için zaten yüksek güç çeken yoğun AI raflarında, binlerce yüksek-hızlı optikten gelen ilave termal yük önemsiz değildir ve göz ardı edilmesi durumunda çalışma süresini etkileyebilir.
Uyumluluk ve donanım yazılımını değiştirin
Uyumluluk, eşleştirme hızından daha fazlasıdır. Bir modülün, toplu dağıtımdan önce tam anahtar platformu, ürün yazılımı sürümü, FEC yapılandırması, EEPROM kodlaması ve beklenen çalışma sıcaklığı açısından doğrulanması gerekir. Zayıf uyumluluk eşleşmesinin belirtileri arasında bağlantı kanadı, yüksek BER, DOM alarmları ve sürekli yük altında ara sıra meydana gelen termal kapanmalar yer alır. Bunları küçük bir laboratuarda yakalamak-üretimde yakalamaktan çok daha ucuzdur.
Kablolama ve yüksek-yoğunluklu bağlayıcı stratejisi
800G veya 1,6T'ye geçmek genellikle farklı bir kablolama planı anlamına gelir. MPO-12, MPO-16 ve MPO-24 gibi çoklu-fiber konektörler, yüksek hızda varsayılan hale gelir ve yüksek hızlı bir anahtar bağlantı noktasını birden fazla düşük hızlı bağlantıya dağıtmak için genellikle ara kablolar kullanılır. Bu geçişi değerlendiren ekipler için rehberimizMPO koparma kablosu nasıl seçilirpratik değiş-tokuşları-kapsar ve
MPO ve MTP ana kablo seçenekleri800G omurga dağıtımlarında en yaygın olan gövde konfigürasyonlarını gösterir.
LPO, CPO ve Silikon Fotoniği: 800G'den Sonra Ne Geliyor?
Sektör artık ham hızın ötesinde verimliliğe odaklanıyor. En önemli üç teknoloji yönü:
Doğrusal Takılabilir Optikler (LPO)DSP'yi optik modülden çıkarır ve eşitlemeyi ana bilgisayar ASIC'ine geri gönderir. Bu, modül gücünü genellikle aynı hızda yüzde 30 ila 50 oranında azaltır, ancak anahtar ile modül arasında daha sıkı bir koordinasyon gerektirir. LPO, ana makine platformunun desteklediği AI kümeleri içindeki kısa-erişimli bağlantılar için en çekici olanıdır.
Ortak-Paketlenmiş Optikler (CPO)optik motorları ASIC anahtarıyla aynı alt tabakaya hareket ettirerek elektrik yolunu kısaltır ve bit başına enerjiyi azaltır. Tarafından açıklandığı gibiOptik İnternet Çalışma Forumu, 112G ve 224G CEI ve CPO çerçeveleri üzerinde çalışıyor, CPO, takılabilir optiklerin-yerine geçecek bir yedek değildir, ancak yeni-nesil AI ölçeklendirme-yapılarının nasıl tasarlandığı konusunda giderek daha merkezi hale gelmektedir. NVIDIA, bağlantı noktası başına 1,6 Tb/s'yi ve önemli miktarda enerji tasarrufunu hedefleyen, birlikte paketlenmiş optiklere sahip Spectrum-X Photonics ve Quantum-X silikon fotonik anahtarlarını zaten duyurdu.
Silikon fotoniğibu trendlerin çoğunun temelini oluşturuyor. Modülatörleri, dalga kılavuzlarını ve dedektörleri doğrudan silikon üzerine entegre ederek daha yüksek yoğunluk, daha iyi termal davranış ve anahtar ASIC'leriyle daha sıkı entegrasyon sağlar. Çoğu büyük optik satıcısının artık yapay zeka iş yüklerine yönelik yol haritalarında silikon fotoniği var.
2026'da çoğu ekip için takılabilir 800G optikler en önemli iş olmaya devam ederken LPO, CPO ve silikon fotonikler laboratuvar ayarlarında ve seçilen pilot yapılarda değerlendiriliyor.
Kaçınılması Gereken Yaygın Hatalar
En yaygın hata, ağın geri kalanının bunu destekleyip desteklemediğini kontrol etmeden en yüksek hızı seçmektir. Gerekli elektrik arayüzünü veya termal boşluğu sağlayamayan bir anahtar üzerindeki 800G optik modül, üretimde 800G sağlamayacaktır. İkincisi gücü hafife almaktır. Binlerce optik arasında, güç-verimli bir modül ile tipik bir modül arasındaki fark, rafı kabul edilebilir düzeyden-bütçeyi aşan bir duruma getirebilir. Üçüncüsü, uyumluluğu bir süreç yerine bir onay kutusu olarak ele almaktır. Gerçek uyumluluk, gerçek anahtar platformu, ürün yazılımı ve işletim ortamındaki doğrulamayla sağlanır. Dördüncüsü zayıf kablolama planlamasıdır. Konektör kalitesi, fiber sayısı ve yama yönetimi 800G ve 1,6T'de çok daha önemli hale geliyor ve buradaki kısayollar genellikle bağlantı kanadı veya dağıtımdan aylar sonra yüksek kayıp olarak ortaya çıkıyor.
SSS
S: Her yapay zeka veri merkezi için 800G gerekli midir?
C: Hayır. 800G, geniş ölçekte yeni AI eğitim yapıları için çalışma temelidir, ancak çıkarım kümeleri, daha küçük eğitim bölmeleri ve çoğu kurumsal AI dağıtımı 400G'de hâlâ iyi çalışır. Doğru hız, küme boyutuna, GPU oluşumuna, anahtar ASIC kapasitesine ve gözlemlenen ağ kullanımına bağlıdır.
S: Bir veri merkezi ne zaman 400G'den 800G'ye yükseltilmelidir?
C: En güçlü sinyaller, ağ bekleme süresi nedeniyle GPU kullanımının azalması, garip topolojileri zorlayan sayı tabanı sınırlarını değiştirme veya 800G bağlantı noktalarını yerel olarak destekleyen yeni bir GPU ve NIC neslidir. Bunlardan en az ikisi mevcutsa, 800G genellikle bir sonraki adımdır.
S: 800G ve 1,6T optik modüller arasındaki pratik fark nedir?
C: Her iki hız da benzer temel teknolojiye dayanmaktadır, ancak 1,6T, şerit başına-200G sinyal kullanır, daha gelişmiş FEC gerektirir ve soğutma ve sinyal bütünlüğü konusunda daha yüksek talepler getirir. 1.6T şu anda en agresif AI arka uç ağları için erken dağıtımdadır; 800G ise 2026'da yeni AI yapıları için ana tercih olacaktır.
S: AI ağları için QSFP{0}}DD'yi mi yoksa OSFP'yi mi seçmeliyiz?
C: QSFP-DD, mevcut 400G QSFP kafeslerinin yeniden kullanılması açısından caziptir ve 800G'de geniş çapta desteklenir. OSFP daha fazla termal boşluk payına sahiptir ve 1,6T için baskın form faktörüdür. Aynı anahtar neslinde 800G'nin ötesine geçmeyi bekleyen ekipler genellikle OSFP'yi tercih ediyor.
S: Yapay zeka veri merkezlerinde LPO ve CPO'nun rolü nedir?
C: LPO, sinyal işleme zincirini basitleştirerek modül gücünü azaltır ve AI kümeleri içindeki kısa-erişimli bağlantılar için kullanışlıdır. CPO, bant genişliği yoğunluğunu ve enerji verimliliğini artırmak için optik motoru anahtar alt katmanına taşıyor ve yeni-nesil AI ölçeklendirme-yapılarının merkezi haline geliyor. Her ikisi de takılabilir optiklerle değiştirilmek yerine bir arada bulunur.
S: 800G veya 1.6T'ye yükseltme yaparken mevcut fiber altyapıyı yeniden kullanabilir miyiz?
C: Fiber tipine, konnektör stratejisine ve erişime bağlıdır. Konektör kalitesi ve bağlantı kaybı kabul edilebilir düzeydeyse, birçok tek-modlu tesis DR ve FR çeşitleri için yeniden kullanılabilir. Çok modlu altyapı, yeni hızda bağlantı bütçesine göre yeniden doğrulama gerektirebilir. Yükseltmeden önce bağlantı kaybı denetimi gerçekleştirmek, dağıtımdan sonra kayıp sorunlarını keşfetmekten genellikle daha hızlı ve daha ucuzdur.
Çözüm
400G, 800G ve 1.6T optik modüllerin yükselişi bir teknoloji modası değil. Yapay zeka iş yüklerinin binlerce GPU arasında nasıl iletişim kurduğuna, senkronize edildiğine ve ölçeklendiğine doğrudan bir yanıttır. Ethernet Alliance, IEEE 802.3 ve daha geniş optik ekosistemi, 400G'den 800G'ye ve 1,6T'ye kadar net bir yol haritası üzerinde uyum sağladı; LPO, CPO ve silikon fotonikler bundan sonrasını şekillendirecek.
Çoğu ağ ekibi için doğru strateji, en hızlı modülü her yerde kovalamamaktır. Optik hızı ağ işleviyle eşleştirmek, ölçeklendirmeden önce uyumluluğu doğrulamak, güç ve soğutmayı dikkatli bir şekilde planlamak ve ağı en az bir yükseltme döngüsüne daha taşıyabilecek bir kablolama tesisi tasarlamaktır. İyi-planlanmış bir optik katman, yapay zeka altyapısı büyümeye devam ederken pahalı GPU yatırımlarının tam olarak kullanılmasını sağlamanın-en uygun maliyetli yollarından biridir.
