Selamat datang ke QSFPTEK Global     Penghantaran percuma untuk pesanan A.S. & EU melebihi US$79.8     Gudang global

Mata wang: USD $
USD $ - US Dollar
EUR € - Euro
JPY 円 - Japanese Yen
KRW ₩ - Korean Won
Cari

Troli

0
Free shipping on U.S. & EU orders over US$79.8
Mata wang: USD $
Choose language
Back
  • USD $ - US Dollar
  • EUR € - Euro
  • JPY 円 - Japanese Yen
  • KRW ₩ - Korean Won

Bagaimanakah Transceiver Optik Akan Berkembang dalam Era AI?

Pengarang Aiyden

Tarikh 01/17/2024

Selami peranan penting transceiver optik dalam memacu kemajuan teknologi dan membentuk semula seni bina dalam era yang dipacu AI.

Sejak pertumbuhan pesat ChatGPT pada Januari 2023, aplikasi perisian yang dibangunkan oleh OpenAI ini telah mendapat perhatian dan sokongan yang belum pernah berlaku sebelum ini daripada pengguna di seluruh dunia. Pelancaran ChatGPT turut merangsang pembangunan produk pesaing, membentuk suatu pandemik yang menyaksikan syarikat-syarikat global bersaing untuk menggunakan kecerdasan buatan. 

 

Nvidia melaporkan pertumbuhan jualan perkakasan Kecerdasan Buatan (AI), seperti interkoneksi gentian optik. Google merancang untuk menggalakkan pelaburan dalam kluster pelayan AI. Syarikat awan lain, seperti Amazon dan Microsoft, boleh menerajui pembangunan aplikasi AI baharu.  Pasaran telah melihat bahawa sistem AI amat memerlukan transceiver optik untuk menyediakan penghantaran data antara pelayan pengkomputeran yang jauh lebih pantas dan berlebar jalur lebih tinggi berbanding sebelum ini. Artikel ini memberikan pandangan pasaran tentang bagaimana transceiver mungkin berkembang dalam era yang didorong oleh AI.

 

Apakah kaitan transceiver optik Have dengan Kecerdasan Buatan?

Chatgpt telah memperoleh seratus juta pengguna aktif bulanan dalam tempoh dua bulan selepas pelancarannya pada 30 November 2022, menjadikannya aplikasi perisian pengguna yang berkembang paling pesat dalam sejarah. Pengguna individu harian yang melawati dan mencari Chatgpt berjumlah kira-kira 13 juta, dan jumlah ini masih berkembang. Operasi ChatGPT mesti disokong oleh sumber pengkomputeran awan yang berkuasa untuk memenuhi keperluan pengguna yang besar. Jika tidak, insiden seperti gangguan ChatGPT’ akibat lonjakan trafik pada petang 7 Februari akan berlaku dengan kerap.

 

 

AI generatif dilatih menggunakan set data sedia ada, seperti yang mungkin anda perhatikan dalam medan gesaan apabila bertanya soalan kepada Chatgpt: pengetahuan saya kali terakhir dikemas kini pada Januari 2022. Set data tersebut merangkumi parameter yang sangat besar untuk keupayaan pengkomputeran teguh dan pembelajaran mesin, yang diedarkan merentasi berpuluh-puluh ribu pengawal. AI ialah faktor utama yang mendorong permintaan terhadap pusat data, dan pusat data memerlukan transceiver untuk menyokong penghantaran data pautan. Pusat data semasa dan masa hadapan mesti menambah unit AI persendirian untuk memproses set data yang besar dan menjalankan pengkomputeran kompleks dalam masa nyata.  

 

Pembentukan Semula Seni Bina pada Sisi Latihan dan Ramalan - Peralihan kepada Rangkaian CLOS: Fat-Tree, Spine-Leaf dan Apakah Seterusnya?

Penggunaan AI yang meluas dan permintaan jalur lebar yang semakin meningkat untuk terminal rangkaian serta perkakasan pengkomputeran seperti CPU/GPU yang terhasil daripadanya mungkin membawa perubahan pada seni bina rangkaian pusat data AI pada masa hadapan. 

 

Platform AI generatif menggunakan kaedah latihan di sisi awan dan ramalan di sisi terminal. Permintaan terhadap modul transceiver untuk latihan AI berkait rapat dengan penghantaran GPU. Sebaliknya, permintaan terhadap modul di sisi ramalan AI berkait rapat dengan trafik data yang diperlukan oleh pengguna akhir. Seni bina fat-tree tidak mengalami kesesakan, jadi ia mungkin mendominasi rangkaian sisi latihan Awan untuk memenuhi keperluan rangkaian berprestasi tinggi. Memandangkan sisi inferens ramalan berhadapan dengan pengguna akhir, lonjakan potensi dalam jumlah pengguna yang didorong oleh aplikasi AI video atau imej popular memerlukan kuasa pengkomputeran yang lebih tinggi berbanding sisi latihan. Oleh itu, sisi ramalan lebih mengutamakan seni bina spine-leaf untuk mengendalikan peningkatan beban data yang dipacu oleh aplikasi AI. Pembentukan semula seni bina pusat data AI dijangka menjadi pemangkin lain kepada peningkatan transceiver optik dan suis rangkaian.

 

Seni bina tradisional tiga peringkat Core-Aggregation-Access adalah berdasarkan mod penghantaran Utara-Selatan, yang menunjukkan keterbatasannya apabila lonjakan trafik timur-ke-barat mula mendominasi pusat data. Rangkaian CLOS telah menjadi penting bagi pusat data untuk membina rangkaian pensuisan tanpa sekatan dan berbilang peringkat. 

 

Seni bina Fat-Tree menandakan model rangkaian CLOS memasuki bidang pusat data dan menyaksikan kejayaannya di pusat data Nvidia. Fat-Tree menggunakan sejumlah besar suis murah berprestasi rendah yang sama untuk membina rangkaian berskala besar tanpa kesesakan. Walau bagaimanapun, Fat Tree juga mempunyai kelemahannya. Contohnya, skala pengembangan dihadkan oleh ketumpatan port suis teras, yang tidak menyokong pembangunan pusat data yang mampan.

Seni bina spine-leaf dua tingkat, iaitu satu lagi model rangkaian CLOS, mendapat momentum dalam sambungan pusat data. Seni bina spine-leaf ialah struktur rata yang sesuai untuk kemunculan trafik timur-barat. Suis Spine serupa dengan suis teras, manakala suis Leaf disambungkan terus kepada komputer. Semua suis adalah dwihala untuk input dan output data. Rangkaian spine-leaf mempunyai kelebihan reka bentuk rata, pengembangan yang mudah, kependaman yang boleh dijangka, keselamatan yang tinggi dan penggunaan lebar jalur yang cekap. Walau bagaimanapun, suis spine-leaf memerlukan semua suis pada titik pautan menjadi suis L3, yang kosnya jauh lebih tinggi berbanding seni bina tiga tingkat tradisional yang hanya memerlukan suis teras berada pada lapisan 3. Inilah sebabnya rangkaian spine-leaf menjadi popular di pusat data sejak beberapa tahun kebelakangan ini, sehingga kos peranti pensuisan mula menurun.

 

Bagaimanakah Modul Optik Akan Mempengaruhi Perubahan Teknologi dalam Era AI?

Transceiver optik dijangka memacu revolusi teknologi generasi seterusnya sebagai komponen teras intersambungan pusat data dan intersambungan dalaman. 

 

Memandangkan 400G semakin menjadi standard dominan dalam interkoneksi pusat data untuk mengendalikan jumlah trafik data yang besar antara pelayan dan storan, produk penyelesaian pecahan 4x 100G dan 8x 100G telah terbukti popular. Walau bagaimanapun, model AI besar seperti ChatGPT telah meningkatkan keperluan terhadap trafik data di dalam dan di luar pusat data, dengan peningkatan daripada 400G kepada 800G menjadi trend baharu. Menurut data ramalan LightCounting, penghantaran port DWDM dengan kelajuan lebih tinggi, 600G, 800G dan ke atas, dijangka meningkat pada tahun 2024 dan beberapa tahun akan datang. 

 

Pengendali pusat data hiperskala menantikan penggunaan optik generasi seterusnya bagi membolehkan aliran data yang pantas dan besar-besaran antara pelayan dan peranti storan. Trend ini juga memenuhi permintaan terhadap teknologi baharu seperti Internet Benda (IoT), Kecerdasan Buatan (AI) dan Pembelajaran Mesin (ML).

 

Sumber: Ramalan Pasaran Komunikasi Optik LightCounting, April 2022.

  

Kita boleh menjangkakan bahawa modul optik akan memainkan peranan penting dalam bidang berikut pada era kecerdasan buatan: 

• Membangunkan sistem AI yang lebih baik: Sistem AI harus bergantung pada transceiver optik untuk mencapai penghantaran data yang sangat pantas dan boleh dipercayai.

• DCI dan Superkomputer: Saling menyambungkan pusat data dan superkomputer yang mengehos sistem AI memerlukan kelajuan tinggi dan lebar jalur yang besar untuk analisis serta pengkomputeran data berskala besar.

• Mendorong pembangunan pengkomputeran Edge berasaskan AI: Peranti IoT seperti penderia dan kamera memerlukan keupayaan untuk memproses data dengan pantas sambil meminimumkan kependaman.

 

Apakah Isu yang Perlu Diselesaikan oleh Transceiver Masa Hadapan dalam Era AI?

 

Penggunaan Kuasa

Penggunaan kuasa amat penting kerana terdapat beribu-ribu transceiver dalam pusat data besar atau bahkan ratusan ribu dalam pusat data hiperskala. Apabila kelajuan modul optik meningkat, penggunaan kuasa juga bertambah. Dengan melihat kembali peralihan daripada 1G kepada 800G, kita boleh mengesahkan perkara itu: 1W untuk modul SFP 1G, 1.5W untuk modul SFP+ 10G, 3.5W untuk modul QSFP+ 40G, 4W untuk modul QSFP28 100G, 12W untuk 400G QSFP-DD modul dan 17W untuk transceiver 800G QSFP-DD800.

 

Ambil Cisco Nexus 9232E 32-port QSFP-DD800 800G Switch sebagai contoh. Jika ia dimuatkan sepenuhnya dengan 32 unit transceiver optik 800G QSFP-DD800, penggunaan kuasa keseluruhan ialah 544W = 17W x 32. Dalam penghantaran sebenar, transceiver digunakan secara berpasangan, yang akan menyebabkan penggunaan kuasa modul optik pada kedua-dua hujung pautan mencapai lebih daripada kilowatt. Penggunaan kuasa sedemikian hanya untuk modul optik adalah mahal.

 
Nota: Nilai penggunaan kuasa diambil daripada Helaian data modul transceiver Cisco

 

Keberkesanan Kos

Transceiver masa hadapan akan digunakan secara meluas apabila kosnya menjadi berpatutan. Contoh bagi perkara ini ialah 40GE digunakan secara meluas sehingga 100GE menjadi berpatutan. Salah satu pendekatan adalah menggandakan kadar data dalam setiap lorong tanpa meningkatkan kadar baud, yang telah berjaya dilaksanakan dalam modulasi PAM4 (Pulse Amplitude Modulation 4-level) dengan FEC (Forward Error Correction) dan penyamaan untuk menangani sensitiviti tinggi PAM4 terhadap hingar. 100G PAM4 kini matang untuk aplikasi 100GE atau 400GE. Peningkatan kepada 800G memberi tekanan terhadap ketersediaan penghala dan suis 25.6 Tbps dengan antara muka 100G PAM4. Penyelesaian 200G PAM4 yang baru dibangunkan dalam optik 800G QSFP-DD dan 800G OSFP menjadikan 800G lebih berpatutan. 

 

Fotonik Silikon mungkin merupakan satu lagi teknologi kritikal untuk mengurangkan kos optik masa hadapan, terutamanya bagi transceiver padat dengan lapan atau lebih lorong dan transceiver optik koheren yang dikuasakan oleh keupayaan gentian optik yang kompleks. Teknologi ini mengintegrasikan komponen fotonik dan fungsi transceiver ke dalam substrat silikon. Selain itu, transceiver masa hadapan dijangka dibungkus bersama ASIC suis, yang bermakna transceiver optik bebas mungkin tidak perlu dipalamkan ke dalam panel suis.

 

 

Kecerdasan

Rangkaian masa hadapan yang didominasi oleh aplikasi dipacu AI akan mendorong permintaan terhadap peranti dan komponen rangkaian optik pintar. Rangkaian berasaskan AI mungkin merangkumi kuantiti peranti, perisian dan teknologi kompleks yang tidak terkira, yang akan menjadi bencana melainkan sistem rangkaian automatik direalisasikan. Sistem kawalan kendiri dan automatik berasaskan AI akan menyampaikan optik pintar untuk memajukan keadaan operasi keseluruhan sistem itu sendiri dan gentian yang disambungkan, yang penting untuk menjangkakan kegagalan sebelum berlaku serta memastikan operasi lancar sistem pengkomputeran AI. 

 

Sebagai penyelesaian yang menjimatkan kos dan mudah untuk rangkaian penghantaran berkelajuan tinggi dan jarak jauh, transceiver koheren merupakan standard dominan dalam rangkaian Metro dan akan memikul tanggungjawab serta jangkaan yang lebih tinggi dalam aplikasi intensif AI masa kini dan masa hadapan. FEC yang dicapai oleh DSP (komponen teras teknologi koheren) membolehkan pautan koheren menjadi lebih tahan hingar berbanding pengesanan langsung. Transceiver pintar yang diprogramkan pada masa hadapan dijangka dapat mengawal FECnya untuk menyesuaikan diri dengan aplikasi rangkaian yang berubah-ubah.

 

Ringkasan

Kecerdasan buatan (AI) semakin mendapat momentum dan masih dibangunkan untuk mengoptimumkan batasannya, seperti menghasilkan jawapan yang tidak masuk akal. Transceiver optik yang lebih berkuasa dan kalis masa hadapan amat penting untuk menyokong penghantaran data ultra pantas apabila permintaan pusat data meningkat didorong oleh AI. Peralihan daripada 400G kepada 800G memenuhi permintaan yang semakin meningkat: 2024 mungkin menjadi tahun 800G untuk penggunaan di pusat data. Pembentukan semula seni bina pusat data pada bahagian latihan dan ramalan dijangka menjadi pemangkin dan pendorong lain bagi permintaan transceiver. Selain sentiasa mengejar kelajuan yang lebih tinggi, cabaran termasuk peningkatan penggunaan kuasa, keberkesanan kos dan keperluan terhadap sistem pintar dan automatik untuk menyokong rangkaian dipacu AI. Mempelajari teknologi berjaya terdahulu dan membuat kemajuan dalam modulasi PAM4, pembetulan ralat hadapan (FEC) serta Fotonik Silikon mungkin menyumbang kepada kemampuan dan kecekapan dalam memenuhi permintaan ini.

 

Kongsi

Tag

#"AI
#Optics and Transceivers
#Market Insight"