AIワークロードはデータセンターの光接続に革命をもたらし、かつてない速度、効率性、低遅延性能を要求しています。分散トレーニングが数万台のアクセラレータに拡大するにつれ、光技術はエネルギー効率とコストのバランスを取りながら、膨大な東西トラフィックに対応できるよう進化する必要があります。IEEE 802.3dfや802.3djといった基盤となる標準規格は、800Gから1.6Tまでの速度向上を推進し、接続戦略を再構築しています。この変革は、ネットワークトポロジー、PHYの選択、ケーブル配線、DCI技術、そして持続可能性に関する考慮事項に影響を与えるため、アーキテクトやエンジニアはこれらの動向を把握することが不可欠です。この記事の各章では、光規格の進化からAI対応ファブリックのスケーリングにおける経済性まで、この変化の主要な側面を掘り下げ、関係者が堅牢で将来を見据えたインフラストラクチャを構築できるよう支援します。

400Gから1.6Tへ：AIデータセンターの光通信を再構築する標準規格と速度ロードマップ

AIネットワーキングは、光接続を新たな標準化サイクルへと押し進めており、速度向上はもはや単純なアップグレードではなく、分散トレーニングの動作に対するアーキテクチャ上の対応となっています。クラスタが数百から数千のアクセラレータに拡張されるにつれて、100Gや200Gのリンクはすぐに制約となります。そのため、市場は400Gを急速に通過し、現在は800Gの標準化を進めながら、1.6Tへの準備を進めています。この変化は、AIワークロードが帯域幅をどのように消費するか、つまり、バースト的な東西トラフィック、厳密な同期ウィンドウ、ジッターに対する低い許容度と密接に関連しています。

この移行の技術的基盤は、NRZ信号方式からPAM4への移行であり、最初はレーンあたり50G、次に100G、112G、そして現在は200G、224Gの電気および光レーンへと進んでいます。PAM4はシンボルあたりのスループットを2倍にしますが、信号マージンはより狭くなります。このトレードオフにより、前方誤り訂正と信号調整への依存度が高まります。実際には、ポート速度の向上は、到達距離、電力、熱的余裕、および遅延の間のトレードオフでもあります。AIファブリックにとって、これは重要です。なぜなら、光効率は、複数のスイッチホップにわたる過剰な遅延を犠牲にして達成できるものではないからです。

ここで、現在の標準規格ロードマップが特に重要になります。以前のイーサネット世代では、現在大規模クラスタで一般的に使用されている200Gおよび400Gの構成要素が定義されました。800Gおよび1.6Tに関する最新の取り組みでは、1レーンあたり100Gおよび200Gの光インターフェース、短距離および中距離のシングルモードオプション、高速電気I/Oなど、次の段階が正式に定義されています。これらの定義は抽象的なものではありません。スイッチの基数、ブレークアウト戦略、ケーブルプラントの選択、そして今後2年間でオペレーターが大規模に展開できるものを形作ります。現在のモジュールクラスを比較している読者にとって、この概要は、 400Gと800Gのトランシーバー これは、800Gがニッチなプレミアム層ではなく、AIクラスターの標準的なステップになりつつある理由を明確にするのに役立つ。

フォームファクタの選択は、AIの要件に合わせて規格がどのように変化しているかを示しています。400Gでは、主要なプラグイン形式が問題なく共存できます。800Gでは、熱密度がはるかに重要な要素となるため、冷却に余裕のある設計が好まれることが多くなります。1.6Tでは、レーン数の増加と224Gクラスの電気インターフェースにより、フェースプレートの密度、コネクタ設計、放熱が限界に近づくため、課題はさらに大きくなります。

その結果、AI光接続における速度の優位性は、もはや単に帯域幅の数値だけではなくなった。重要なのは、より高いポート密度、管理可能な熱負荷、許容可能なFECオーバーヘッド、そして今日の800Gポッドから明日の1.6Tファブリックへの明確な移行パスを実現できる規格である。この規格と速度の基盤が、次の疑問を生み出す。すなわち、これらのリンクを、集合的なトラフィックを効率的に流し続けるトポロジーにどのように構成するか、ということである。

AI光ファブリックの設計：なぜClos、RDMA、および低径ネットワークがデータセンターの接続性を定義するのか

ポート速度が向上するにつれて、より困難な課題は、単に転送するビット数を増やすことだけではなくなりました。AIジョブが同期ポイントで停止しないようにファブリックを構成することが課題となっています。大規模なトレーニングクラスタでは、数千台のアクセラレータにわたって、オールリデュース、オールギャザー、リデューススキャッターといったバースト処理が繰り返し発生します。これらの処理によって、深刻なインキャスト、急速なキューの蓄積、テールレイテンシーのペナルティが発生し、ジョブの完了時間が帯域幅のグラフが示すよりもはるかに長くなる可能性があります。そのため、AIはデータセンターの光接続において、高いバイセクション帯域幅、予測可能なパス、そして可能な限り少ない光回路とスイッチング段数を備えたトポロジーを求めているのです。

支配的な答えは ハイラディックス・クロ生地特にAIポッドの2層設計において、その魅力は理論的なものだけでなく、実用性にも表れています。Closは、均一なパス、操作の容易さ、ホップ数を低く抑えながら東西方向の帯域幅を拡張するクリーンな方法を提供します。AIクラスタでは、ホップ数が増えるごとにシリアル化遅延、FECレイテンシ、DSP処理、キューイングリスクが増加するため、直径が小さいことが重要になります。各ステージで追加される遅延がわずかナノ秒であっても、累積遅延はマイクロ秒レベルの予算をあっという間に圧迫します。理論上は効率的に見えるトポロジーでも、集合的な操作中にジッタが増幅されると、パフォーマンスが低下する可能性があります。

こうした圧力により、トンボ型や扁平型バタフライ型といった代替案への関心も再び高まっている。これらの案は、大規模ネットワークにおけるホップ数を削減し、ポッド間のケーブル配線も簡素化できるという利点がある。しかし、AI環境におけるこれらの案の真価は、バースト的な集団トラフィック下でもルーティング、輻輳制御、障害処理が予測可能なまま維持されるかどうかにかかっている。多くの事業者は、ソフトウェア、テレメトリ、トラブルシューティングモデルが成熟しているため、依然としてClosを好んで利用している。つまり、トポロジーの選択は、運用性と切り離せないものとなっているのだ。

輸送挙動も同様に重要です。AIファブリックはますます RDMAセマンティクス 厳密に同期されたトレーニング ステップでは、CPU オーバーヘッド、再送信遅延、およびノイズの多いレイテンシー テールは許容できないためです。InfiniBand は、クレジット ベースのフロー制御、適応ルーティング、および集団アクセラレーションのハードウェア サポートにより、この分野で長らくリードしてきました。イーサネット ベースのファブリックは、RoCE の強化、より優れた ECN シグナリング、きめ細かいペース調整、および PFC への依存度を低減するための新たな取り組みにより、その差を縮めています。目標は単純明快です。輻輳制御を先頭ブロッキングの原因にすることなく、負荷がかかった状態でも低レイテンシーを維持することです。

これらのアーキテクチャ上の選択は、光通信に直接影響を与えます。ホップ数が少なく、トラフィックの動作がクリーンなファブリックは、バッファリングやリカバリでパフォーマンスを浪費することなく、高速リンクをより効果的に活用できます。これが、AIオペレーターが400Gから800Gに移行する際に、ブレイクアウトプラン、ケーブルレイアウト、スイッチ配置を再考している理由の1つです。 データセンターAIネットワーク向け400Gトランシーバーと800Gトランシーバーの比較AIインフラストラクチャにおいて、トポロジーはもはや光レイヤー上の論理的なオーバーレイではなく、光レイヤーの構築方法を形作る主要な要素の一つとなっている。

AI規模の光エンジンを選択する：モジュール、PHY、そして800Gから1.6Tへの移行

物理層は、もはや調達の詳細ではなく、AIインフラストラクチャにおける戦略的な設計上の決定事項となっています。トレーニングクラスタが数千ものアクセラレータ間で同期トラフィックを送信し始めると、光モジュールとPHYの選択が、ジョブの完了時間、ラックの電力、さらにはレイテンシの許容範囲が破綻する前にファブリックがどれだけ拡張できるかにまで影響を与えるようになりました。そのため、400Gから800G、そして間もなく1.6Tへの移行は、単なる速度向上ではなく、電気的境界と光学的境界の管理方法の再設計なのです。

この移行の中心にあるのは、古いシグナル伝達から レーンあたり100Gおよび200G PAM4PAM4は帯域幅効率を向上させますが、その分信号マージンが狭くなります。そのため、より強力な前方誤り訂正、より高度なイコライゼーション、そしてより厳密なチャネル制御が必要となります。AIクラスタでは、ホップごとに遅延が蓄積されるため、これらのトレードオフが重要になります。FECとDSPの遅延は単独で見ると小さく見えるかもしれませんが、低径ファブリック全体では、集合的な操作に必要なマイクロ秒単位の予算のかなりの部分を占めることになります。

これもまた、モジュールのアーキテクチャがポート速度と同じくらい重要になる理由です。従来のDSPベースのプラグインモジュールは、堅牢な相互運用性と不完全なチャネルに対する優れた耐性を提供するため、多くの導入において依然として実用的な選択肢となっています。これらは、ポッド内の短いシングルモードリンクやホールを横断する長いリンクなど、到達距離の柔軟性が重要な場合に特に役立ちます。しかし、800Gでは消費電力が大きく、初期の1.6Tモジュールでは熱設計がさらに厳しくなります。高密度のAIクラスタでは、光モジュールがラックあたり数キロワットを占める場合があり、トランシーバーの選択はネットワークの問題であると同時に冷却の問題にもなります。

その圧力は、 リニア駆動式プラグイン光学系モジュールDSPを削除することで、LPOは消費電力とレイテンシの両方を低減でき、予測可能なケーブル配線とタイトなホスト設計に基づいて構築された短距離AIファブリックとよく適合します。欠点はマージンの低下です。信号の完全性は、ボード損失、コネクタのばらつき、ベンダー間の相互運用性に対してより敏感になります。これらの制限を回避するエンジニアリングを行う意思のあるオペレーターにとって、LPOはビットあたりのワット数を向上させる道を提供します。この移行パスの詳細については、次のガイドを参照してください。 AI向け400Gおよび800G光通信の駆動.

フォームファクターの選択は、同じ現実を反映している。熱的余裕により OSFP 特に800Gでは魅力的な選択肢となる一方、次世代の1.6Tシステムは、224Gの電気I/Oとより強力な冷却要件に対応できる、より大型の設計へと移行しつつあります。同時に、DRやFRといったシングルモード光ファイバーは、ケーブル配線を特定のトポロジーに縛ることなく、伝送距離の柔軟性を提供するため、新しいAIポッドの標準となりつつあります。224Gレーンが登場するにつれ、銅線は最短距離でのみ価値を持ち、それ以外のほぼすべての場所で光ファイバーが主要な伝送媒体となるでしょう。

単一ファブリックを超えたAIの拡張：DCIの経済性と光接続の新たなコスト

AIクラスターが単一のホールやキャンパスの規模を超えて拡大するにつれ、光接続はラック間の設計上の問題にとどまらなくなります。帯域幅の制約、レイテンシへの感度、そしてコスト管理といった要素が絡むデータセンター相互接続の問題へと変化していくのです。大規模なトレーニングジョブは、複数の建物、都市圏の拠点、そして地域データハブにまたがるケースが増えています。こうした変化に伴い、コヒーレント光、光ファイバー網の計画、そしてネットワークをボトルネックにすることなく膨大なモデル状態やデータセットを移動させるための経済性といった要素の重要性が高まっています。

キャンパス内では、すでにプレッシャーが高まっている。AIファブリックは400Gから800Gへと急速に移行しており、1.6Tもそれに続いている。各拠点間では、通信事業者は相互接続容量の同様の段階的な増加を必要としている。マルチサイトトレーニング、分散チェックポイント、リモートデータレイクアクセスなどにより、従来のデータセンターの境界を超えた東西方向のトラフィックが継続的に発生している。そのため、コンパクトなコヒーレントプラグインがAIスケーリングの中心となっている。これにより、通信事業者は従来のトランスポートオーバーレイよりもはるかにシンプルなアーキテクチャで、メトロ距離にわたって大容量リンクを拡張できる。400ZRが標準となり、800Gコヒーレントオプションが登場するにつれ、内部ファブリックの拡張と地域的な相互接続戦略の境界線はますます曖昧になっている。

経済面も技術面と同様に大きな変革をもたらしています。AIネットワークにおいて、光モジュールはもはや部品表の誤差範囲ではなくなりました。800Gでは、各リンクが相当量のモジュール電力を伝送し、各スイッチは数十ものリンクをホストできます。大規模なアクセラレータ群では、光モジュールの電力は急速にメガワット規模に達します。そのため、ビットあたりのエネルギー、冷却オーバーヘッド、トランシーバ密度といった要素は、ネットワークレベルの決定と同様に、ボードレベルの決定事項となります。また、調達戦略も変化します。通信事業者は、初期ポートコストだけでなく、ライフサイクル電力、交換ロジスティクス、ファイバー利用率、そして200G/レーン設計への移行余地についてもモデル化しています。その結果、短距離パラレル光モジュール、デュプレックス光モジュール、コヒーレントリンクのいずれが最大の投資対効果をもたらすかに、より焦点を絞る必要が生じています。

ケーブル配線と運用は、その収益に直接影響します。シングルモードファイバーは、短距離AIファブリックと長距離DCI拡張の両方をサポートし、後でメディアの再設計を強制しないため、標準になりつつあります。コネクタの選択、ブレークアウト戦略、パッチフィールドのシンプルさはすべて、クラスタの拡張速度とチームが安全に再構成できるかどうかに影響します。DR、FR、LR光に関する一見狭い範囲の決定でさえ、特に数千のポートにわたって適用される場合、経済的な影響を及ぼします。これらのトレードオフに関する有用な基礎知識については、以下の概要を参照してください。 400G DR4、FR4、およびLR4トランシーバー.

こうしたコスト圧力は、サプライチェーンの回復力がネットワークアーキテクチャの一部となった理由も説明しています。リードタイム、DSPの可用性、レーザーの歩留まり、地域的な調達制約は、電力や冷却の制限と同様に、クラスターの拡張を確実に遅らせる可能性があります。AIデータセンターでは、相互接続の経済性が、トポロジーの決定、展開のタイミング、さらには持続可能性が次の厳しい制約となる前にトレーニングをどの程度まで拡張できるかにまで影響を与えています。

AIデータセンターが800G以上に拡張する中で、持続可能な光接続を設計する

AI規模のインフラストラクチャへの移行に伴い、光通信の持続可能性は二次的な調達上の懸念事項ではなく、ネットワーク設計の中核的な課題となっています。クラスターが400Gから800Gへと移行し、1.6Tへの対応準備を進める中で、光通信は電力密度、冷却戦略、サービスモデル、そして長期的な経済性を左右する重要な要素となっています。高速リンク1本だけでも、両端で数十ワットの電力を消費する可能性があります。これを数千ものポートに掛け合わせると、施設全体の電力消費量のかなりの部分を占めることになります。多くのAIファブリックにおいて、もはや制限要因はスイッチの基数や帯域幅だけではありません。光レイヤーが、過剰な熱負荷やエネルギー消費を抑えつつ、より多くのビットを伝送できるかどうかが、重要な鍵となります。

こうした圧力により、通信事業者はあらゆる接続オプションの評価方法を変えつつあります。パッシブ銅線は依然として非常に短い距離では最適な電力プロファイルを提供しますが、レーン速度が上がるにつれて実用距離は短くなります。112G PAM4、そして224Gではさらに、銅線は数メートルを超えると使用が困難になります。そのため、特に列規模やポッド規模の展開では、より多くのリンクがシングルモード光ケーブルに移行します。シングルモード設計は、DRとFRのリーチ全体にわたるよりクリーンな移行パスを提供し、将来の速度アップグレードを簡素化し、高密度AI環境におけるマルチモードに伴う制約の一部を回避します。結果として、光ケーブルを多用するアーキテクチャが生まれますが、電力消費の急増を避けるためには、慎重な設計が必要です。

モジュールアーキテクチャは、伝送距離そのものと同じくらい重要になってきています。従来のDSPベースのプラグインモジュールは依然として最も柔軟性の高い選択肢ですが、消費電力と遅延の両方が増加します。AIワークロードの場合、この組み合わせはコスト増につながります。トラフィックはマイクロ秒単位の遅延に敏感であり、FECや信号処理の繰り返し処理が複数のホップにわたって蓄積されます。そのため、短距離AIリンクではリニア駆動型プラグイン光モジュールが注目を集めています。モジュールDSPを排除することで、消費電力を削減し、遅延を低減できますが、これはチャネル条件が厳密に制御されている場合に限られます。トレードオフとして、マージンが狭くなり、ホスト設計、コネクタ、相互運用性に対する要求が厳しくなります。多くの通信事業者にとって、予測可能なケーブル配線領域内ではLPOが魅力的ですが、より広範な運用環境では従来のプラグインモジュールの方が安全です。

同様の持続可能性の考え方はパッケージングにも当てはまります。ニアパッケージングやコパッケージングされた光モジュールは、電気損失の低減、ビットあたりのエネルギー効率の向上、フロントパネル密度の向上を約束します。しかし、交換、保守、ライフサイクル計画を複雑化させます。効率性と保守性のバランスは、AIネットワーク設計の中心になりつつあります。ケーブル管理と清潔さも、特に並列光モジュールやブレークアウトを多用する展開では、このような高密度環境ではより重要になり、規律ある実践が求められます。 400Gおよび800G MPO/MTP移行における落とし穴 持続可能性の一部であり、設置品質だけにとどまりません。その意味で、AI向けの持続可能な光接続は、単一の技術選択ではありません。それは、PHY効率、熱的現実性、運用上の簡便性、そして次の帯域幅の急増にも耐えうるアップグレードパスを、規律をもって整合させることなのです。

最終的な考え

AIトレーニングワークロードは、データセンターの光接続に革新的な変化をもたらし、速度、遅延、帯域幅の限界を押し上げています。通信事業者が800Gを採用し、1.6T接続への準備を進める中で、コストと複雑さを管理しながら、これらのネットワークを持続的に稼働させることが不可欠となっています。エンジニアとプランナーは、規格、ファブリック、冷却技術の進歩に追随することで、アーキテクチャが今日のAI需要を満たすだけでなく、将来の分散ワークロードの課題にも対応できる拡張性を確保できます。

高速光通信、MTP/MPOケーブル、データセンター相互接続ソリューションについては、ABPTELにご相談ください。

もっと詳しく知る： https://abptel.com/contact/

会社概要

ABPTELは、データセンター、AI、通信、ネットワークインフラプロジェクト向けに、高速光トランシーバー、MTP/MPOケーブルシステム、DACおよびAOCケーブル、PoEスイッチ、FTTAソリューション、光ファイバーツールを提供しています。

ABPTELにご相談ください

AIデータセンター、GPUクラスター、FTTAプロジェクトに最適な光学ハードウェアをお探しですか？ABPTELは深センから出荷し、OEM/ODMサポート、迅速な納期、エンジニアリングレベルのプリセールスアドバイスを提供します。

• 🔥 400Gおよび800G OSFP/QSFP-DDトランシーバー — AIトレーニングファブリックおよびハイパースケールスパインリーフ向け
• 📡 MPO/MTP高密度ケーブル配線 — 高密度データセンター向け12/24/32ファイバー
• ⚡ AOC & DACケーブル — 短距離GPUインターコネクト、OEM互換
• 🧩 SFP / SFP+ / SFP28 / QSFP28モジュール — 1G～100G光トランシーバー
• ???? データセンター配線ソリューション — エンドツーエンド設計ガイド
• ❓ FAQを読む 互換性、極性、リードタイム、最小注文数量

💬 12時間以内にお見積もりをお届けします。 コンタクトキャンディ · WhatsApp +86 188 1445 5697 · candy@abptel.com