Modul Optik 400G vs 800G vs 1,6T untuk AI

Modul optik di pusat data AI telah beralih dari komponen konektivitas pasif menjadi komponen inti kinerja komputasi. Alasannya sangat jelas. Cluster pelatihan AI modern memindahkan sejumlah besar data antara GPU, switch, dan node penyimpanan, dan kecepatan pergerakan tersebut secara langsung memengaruhi seberapa efisien penggunaan akselerator yang mahal. Inilah alasannyaModul optik 400G, 800G, dan 1,6Tkini menjadi inti dari hampir setiap pembicaraan tentang infrastruktur AI.

MenurutPeta Jalan Aliansi Ethernet 2026, hyperscaler sudah menerapkan interkoneksi 100G hingga 800G, dengan Ethernet 1,6 Tb/s muncul sebagai langkah besar berikutnya untuk struktur skala AI. Itu

Kelompok Kerja IEEE 802.3telah memajukan gugus tugas P802.3dj untuk mendefinisikan Ethernet 200G, 400G, 800G, dan 1,6T melalui tembaga dan serat mode-tunggal, yang memberi industri jalur yang jelas untuk penerapan-tingkat yang lebih tinggi.

Untuk tim jaringan, pertanyaan praktisnya bukan lagi apakah kecepatan akan meningkat. Ini adalah bagaimana memilih kecepatan yang tepat untuk setiap lapisan jaringan, bagaimana merencanakan daya dan pendinginan, dan bagaimana memvalidasi kompatibilitas sebelum menerapkan ribuan modul dalam kluster AI produksi.

Mengapa Beban Kerja AI Menuntut Kecepatan Modul Optik yang Lebih Tinggi

Pelatihan AI pada dasarnya berbeda dari beban kerja cloud, perusahaan, atau penyimpanan tradisional. Model bahasa besar dan sistem rekomendasi dilatih di ribuan, dan semakin banyak puluhan ribu GPU yang bekerja sebagai sistem terdistribusi tunggal. Selama setiap langkah pelatihan, akselerator harus menyinkronkan gradien, bertukar aktivasi, dan meneruskan tensor perantara antar node. Hal ini menghasilkan lalu lintas timur-barat yang sangat padat, artinya lalu lintas tetap berada di dalam pusat data dan bukan menuju internet.

Dalam cluster pelatihan frontier yang terdiri dari 16.000 hingga 100.000 GPU, struktur internal membawa bandwidth yang jauh lebih besar dibandingkan tautan eksternal. NVIDIA telah melaporkannyaSpektrum-Platform X Ethernetmenopang sekitar 95 persen throughput efektif pada penerapan yang melebihi 100.000 GPU, sementara Ethernet standar tanpa kontrol kemacetan biasanya menghasilkan sekitar 60 persen pada beban yang sama. Perbedaannya tidak bersifat akademis. Hilangnya efisiensi fabric sebesar 35 persen berarti pelatihan berjalan lebih lama dan berkurangnya penggunaan GPU.

Inilah alasan sebenarnya mengapa kecepatan optik terus meningkat. Lapisan optik yang lambat atau tidak stabil menjadi penghambat seluruh pabrik AI.

From 400G to 800G to 1.6T: What Is Driving Each Step

Peralihan ke 400G, 800G, dan 1.6T didorong oleh masalah penskalaan yang tidak dapat diselesaikan hanya dengan menambahkan lebih banyak kabel. Ketika ukuran cluster AI berlipat ganda, jumlah jalur komunikasi antar node bertambah lebih cepat dibandingkan secara linier. Menambahkan tautan paralel akan menghabiskan port switch, meningkatkan jumlah serat, dan menciptakan kemacetan kabel yang sulit dikelola dalam lingkungan rak yang padat.

Kecepatan per{0}}port yang lebih tinggi menawarkan jalur yang lebih skalabel. Port 800G membawa bandwidth dua kali lipat dari port 400G melalui antarmuka fisik yang sama. Port 1,6T menggandakannya lagi. ASIC switch generasi 2025 hingga 2026 mendukung tingkat radix dan bandwidth yang menjadikan 800G sebagai arus utama praktis untuk penerapan AI baru, sementara 1,6T adalah target perencanaan untuk generasi switch berikutnya.

Interoperabilitas multi-vendor langsung di 400G, 800G, dan 1.6T Ethernet didemonstrasikan di OFC 2026, yang manaPameran Ethernet Alliance OFC 2026disajikan sebagai bukti bahwa ekosistem siap untuk-skala AI. Kesiapan ini penting karena klaster AI tidak dapat menunggu solusi vendor tunggal. Mereka memerlukan switch, NIC, optik, dan platform pengujian yang dapat bekerja sama dalam skala besar.

Modul Optik 400G vs 800G vs 1,6T: Perbandingan Seleksi

Kecepatan yang tepat bergantung pada ukuran cluster, lapisan jaringan, peta jalan switch, anggaran daya, dan pabrik fiber yang sudah ada. Tabel di bawah menguraikan di mana setiap kecepatan saat ini paling masuk akal.

400G masih relevan karena banyak pusat data yang sedang-ditingkatkan dari 100G atau 200G, dan 400G menawarkan keseimbangan yang kuat antara biaya, ketersediaan, dan kinerja untuk beban kerja non-AI. Khusus untuk kluster AI, 800G telah menjadi dasar kerja untuk build baru, dan 1.6T kini sedang dalam perencanaan serius untuk penskalaan backend-fabric, terutama jika pembuatan saklar sudah selaras dengan pensinyalan 200G-per-jalur. Jika Anda mengevaluasi{14}}pengkabelan berkepadatan tinggi untuk kecepatan ini, ikhtisar kami tentangnyaKabel serat optik MPO dan MTPmencakup opsi konektor dan trunk yang paling umum digunakan pada 800G ke atas.

Ketika 400G Masih Cukup

400G tetap menjadi pilihan yang tepat ketika ukuran clusternya kecil, ketika GPU yang digunakan tidak memenuhi NIC 400G, atau ketika armada switch yang ada dibangun di atas-ASIC generasi sebelumnya. Kluster inferensi, pod pelatihan yang lebih kecil, situs AI edge, dan sebagian besar-fabric pusat data tujuan umum masih beroperasi dengan nyaman di 400G. Untuk lingkungan seperti ini, beralih langsung ke 800G akan menambah biaya dan tekanan termal tanpa memberikan peningkatan waktu penyelesaian pekerjaan yang terukur.

Tes praktisnya adalah dengan melihat pemanfaatan GPU selama pelatihan. Jika GPU menunggu data lebih dari lima hingga sepuluh persen, jaringan sudah mengalami hambatan. Jika pemanfaatannya stabil dan tinggi, 400G berhasil melakukan tugasnya.

Ketika 800G Menjadi Diperlukan

800G menjadi diperlukan ketika cluster mencapai skala di mana tautan 400G memaksa terlalu banyak koneksi paralel, ketika batas radix switch mulai membatasi pilihan topologi, atau ketika generasi GPU memperkenalkan NIC yang dapat memenuhi port 800G. Dalam struktur pelatihan AI pada umumnya, hal ini biasanya berkaitan dengan cluster yang terdiri dari beberapa ribu GPU ke atas, tempat jaringan backend membawa sebagian besar lalu lintas pertukaran gradien.

Transisi 800G juga menghasilkan pekerjaan rekayasa yang nyata. Daya per-port pada modul 800G jauh lebih tinggi daripada 400G, pergeseran mode FEC, dan kepadatan kabel berlipat ganda pada permukaan sakelar. Pengujian-in dan validasi stabilitas tautan menjadi penting, karena dalam tugas pelatihan sinkron, satu tautan optik yang tidak stabil dapat memicu percobaan ulang yang memperlambat seluruh cluster.

Kapan Merencanakan 1.6T

1.6T saat ini sedang dalam penerapan awal untuk jaringan backend AI paling agresif dan merupakan target perencanaan standar untuk generasi switch berikutnya. Sebagian besar tim perusahaan dan cloud tidak memerlukan optik 1,6T dalam produksi saat ini, namun siapa pun yang merancang fabric dengan jangka waktu tiga- hingga lima-tahun harus memperhitungkannya dalam pemasangan kabel, pabrik serat, dan perencanaan daya.

Gugus tugas IEEE P802.3dj telah menentukan spesifikasi lapisan fisik untuk 1,6T melalui serat-mode tunggal, dan OFC 2026 menunjukkan interoperabilitas multi-vendor yang berfungsi pada kecepatan ini. Sinyal praktisnya adalah bahwa 1,6T itu nyata, namun infrastruktur di sekitarnya, termasuk ketersediaan saklar, pendinginan, dan peralatan operasional, masih sama pentingnya dengan modul itu sendiri.

QSFP-DD vs OSFP: Memilih Faktor Bentuk yang Tepat

Pada 400G dan 800G, dua faktor bentuk yang dominan adalah QSFP-DD dan OSFP. Keduanya memberikan kecepatan yang sama pada platform switch mainstream, namun berbeda dalam desain mekanis dan perilaku termal. QSFP-DD kompatibel dengan sangkar QSFP28 dan QSFP56, sehingga menarik bagi lingkungan yang ingin menggunakan kembali slot sakelar yang ada selama peningkatan versi. OSFP sedikit lebih besar, memiliki volume internal yang lebih besar, dan umumnya menawarkan ruang termal yang lebih baik, yang menjadi penting pada 800G dan khususnya pada 1,6T.

Untuk 1,6T, industri beralih ke OSFP dan OSFP-XD sebagai pilihan dominan, terutama karena kapasitas termal. Jika tim jaringan mengharapkan untuk melakukan upgrade melebihi 800G dalam generasi switch yang sama, OSFP biasanya merupakan pilihan yang lebih aman. Jika prioritasnya adalah menggunakan kembali investasi 400G QSFP-DD, QSFP-DD tetap menjadi pilihan yang kuat untuk saat ini.

Faktor Kunci Saat Memilih Modul Optik untuk Jaringan AI

Jarak, jangkauan, dan jenis serat

Tautan-jangkauan pendek di dalam deretan rak dapat menggunakan modul-mode tunggal (DR) paralel atau modul-multimode jangkauan pendek (SR), sedangkan tautan antar-baris atau antar-pod mungkin memerlukan varian FR atau LR. Sebelum memilih modul, konfirmasikan panjang serat sebenarnya, tingkat serat, jenis konektor, dan anggaran tautan. Panduan bermanfaat tentang bagaimana kerugian terakumulasi di seluruh konektor dan sambungan ada dalam panduan kamikerugian penyisipan dalam jaringan serat. Untuk jangkauan yang lebih luas, perbedaan antara fiber mode tunggal-OS1 dan OS2 juga penting dan dibahas dalam ikhtisar kami tentang

jenis dan aplikasi serat{0}}mode tunggal.

Konsumsi daya dan pendinginan

Optik-berkecepatan lebih tinggi menghasilkan lebih banyak panas. Sebelum meningkatkan dari 400G ke 800G atau merencanakan untuk 1,6T, periksa daya-port, ubah arah aliran udara, suhu sangkar, aturan penurunan panas, dan margin pendinginan tingkat rak. Pada rak AI padat yang sudah menggunakan daya tinggi untuk GPU, beban termal tambahan dari ribuan optik-berkecepatan tinggi bukanlah hal yang sepele dan dapat memengaruhi waktu aktif jika diabaikan.

Ganti kompatibilitas dan firmware

Kompatibilitas lebih dari sekedar kecepatan pencocokan. Sebuah modul harus divalidasi pada platform switch yang tepat, versi firmware, konfigurasi FEC, pengkodean EEPROM, dan suhu pengoperasian yang diharapkan sebelum penerapan massal. Gejala kecocokan kompatibilitas yang buruk mencakup penutup tautan, peningkatan BER, alarm DOM, dan penghentian termal sesekali pada beban berkelanjutan. Menangkapnya di laboratorium kecil yang terbakar-jauh lebih murah dibandingkan menangkapnya di produksi.

Strategi pemasangan kabel dan-konektor kepadatan tinggi

Pindah ke 800G atau 1.6T biasanya berarti rencana pemasangan kabel yang berbeda. Konektor multi-serat seperti MPO-12, MPO-16, dan MPO-24 menjadi default pada kecepatan tinggi, dan kabel breakout sering digunakan untuk menyebarkan port sakelar berkecepatan tinggi ke beberapa koneksi berkecepatan lebih rendah. Untuk tim yang mengevaluasi transisi ini, panduan kami tentangbagaimana memilih kabel breakout MPOmencakup keuntungan{0}}praktisnya, dan

Pilihan kabel utama MPO dan MTPmenunjukkan konfigurasi trunk yang paling umum dalam penerapan spine 800G.

LPO, CPO, dan Silicon Photonics: Apa yang Terjadi Setelah 800G

Selain kecepatan mentah, industri ini kini fokus pada efisiensi. Tiga arah teknologi yang paling penting:

Optik Linear Pluggable (LPO)menghapus DSP dari modul optik dan mendorong pemerataan kembali ke ASIC host. Hal ini menurunkan daya modul, seringkali sebesar 30 hingga 50 persen pada kecepatan yang sama, namun memerlukan koordinasi yang lebih erat antara sakelar dan modul. PUT paling menarik untuk tautan-jangkauan pendek di dalam kluster AI yang didukung oleh platform host.

Co-Optik Terpaket (CPO)memindahkan mesin optik ke substrat yang sama dengan sakelar ASIC, memperpendek jalur listrik dan mengurangi energi per bit. Seperti yang dijelaskan olehForum Internetworking Optik bekerja pada kerangka kerja CEI dan CPO 112G dan 224G, CPO bukanlah-pengganti optik yang dapat dicolokkan, namun semakin penting dalam perancangan-skala AI generasi-peningkatan berikutnya. NVIDIA telah mengumumkan switch fotonik silikon Spectrum-X Photonics dan Quantum-X dengan optik yang dikemas bersama, menargetkan 1,6 Tb/s per port dan penghematan energi yang signifikan.

Fotonik silikonmendasari sebagian besar tren ini. Dengan mengintegrasikan modulator, pandu gelombang, dan detektor langsung ke silikon, hal ini memungkinkan kepadatan yang lebih tinggi, perilaku termal yang lebih baik, dan integrasi yang lebih erat dengan ASIC sakelar. Sebagian besar vendor optik besar kini memiliki fotonik silikon dalam peta jalan mereka untuk beban kerja AI.

Bagi sebagian besar tim pada tahun 2026, optik 800G yang dapat dicolokkan tetap menjadi pekerja keras, sementara LPO, CPO, dan fotonik silikon dievaluasi di lingkungan laboratorium dan bahan percontohan terpilih.

Kesalahan Umum yang Harus Dihindari

Kesalahan paling umum adalah memilih kecepatan tertinggi tanpa memeriksa apakah jaringan lainnya dapat mendukungnya. Modul optik 800G pada sakelar yang tidak dapat menyuplai antarmuka listrik atau ruang kepala termal yang diperlukan tidak akan menghasilkan 800G dalam produksi. Yang kedua adalah meremehkan kekuasaan. Di ribuan optik, perbedaan antara modul-efisien daya dan modul biasa dapat mengubah rak dari yang dapat diterima menjadi-lebih dari anggaran. Yang ketiga adalah memperlakukan kompatibilitas sebagai kotak centang dan bukan sebuah proses. Kompatibilitas sebenarnya berasal dari validasi pada platform switch, firmware, dan lingkungan pengoperasian yang sebenarnya. Yang keempat adalah perencanaan pemasangan kabel yang buruk. Kualitas konektor, jumlah serat, dan manajemen patch menjadi jauh lebih penting pada 800G dan 1,6T, dan pintasan di sini sering kali muncul sebagai link flap atau peningkatan kerugian beberapa bulan setelah penerapan.

Kesimpulan

Munculnya modul optik 400G, 800G, dan 1,6T bukanlah sebuah tren teknologi. Ini adalah respons langsung terhadap cara beban kerja AI berkomunikasi, menyinkronkan, dan menskalakan di ribuan GPU. Aliansi Ethernet, IEEE 802.3, dan ekosistem optik yang lebih luas telah menyelaraskan diri pada peta jalan yang jelas dari 400G hingga 800G hingga 1,6T, dengan LPO, CPO, dan fotonik silikon membentuk apa yang terjadi setelahnya.

Bagi sebagian besar tim jaringan, strategi yang tepat adalah tidak mengejar modul tercepat ke mana pun. Hal ini untuk menyesuaikan kecepatan optik dengan fungsi jaringan, memvalidasi kompatibilitas sebelum skala, merencanakan daya dan pendinginan dengan hati-hati, dan merancang pabrik kabel yang dapat membawa jaringan melalui setidaknya satu siklus peningkatan lagi. Lapisan optik-yang terencana dengan baik adalah salah satu cara-yang paling hemat biaya untuk menjaga investasi GPU yang mahal tetap dimanfaatkan sepenuhnya seiring pertumbuhan infrastruktur AI.