1. 课程导入与3.2T光模块需求背景

在AI大模型训练与推理集群快速扩张的今天，数据中心内部的互联带宽正面临前所未有的压力。当我们把视线聚焦到光模块这一关键器件上时，会发现一个清晰的代际跃迁正在发生：从当前主流的800G，向1.6T过渡，并最终迈向3.2T。本课程要讨论的，正是3.2T光模块的主流架构与技术路线选型问题。在正式进入架构细节之前，本节先回答三个基础问题：3.2T光模块到底是什么、为什么现在需要它、以及后续课程将用什么样的方法论来指导选型。

学习目标

完成本章学习后，学员应当能够：准确说出3.2T光模块的速率定义与代际定位，理解其与800G、1.6T之间的继承与差异；从AI算力集群的组网需求出发，解释带宽驱动力的来源；掌握本课程贯穿始终的“需求—架构—器件—工艺—验证”选型方法论，并能在后续章节中运用这套框架分析具体技术路线。需要强调的是，本课程不是单纯罗列参数，而是帮助大家建立“为什么这样选”的判断能力。

3.2T光模块的定义与代际定位

所谓3.2T光模块，指单模块聚合双向传输速率达到3.2Tb/s量级的光收发模块。这里的“3.2T”通常指模块总带宽能力，具体到实现上，常见形态是8×400G或16×200G的电通道与光通道组合。从代际上看，光模块速率大致遵循800G→1.6T→3.2T的演进节奏，每一代约对应2倍带宽提升，同时伴随调制格式、封装形式、功耗密度和信号完整性要求的同步升级。

理解代际定位时，不能只看数字。800G时代以100G/lane电接口和PAM4调制为主，1.6T开始引入200G/lane电接口，而3.2T则进一步把单通道速率推向200G甚至400G量级，同时对SerDes、DSP、驱动和光引擎提出更高要求。换句话说，3.2T不是简单地把通道数量翻倍，而是速率、功耗、密度、散热和成本多重约束下的系统性升级。下表给出一个便于对照的代际定位示例（参数为教学示例，非实测值）：

AI算力与数据中心互联对带宽的驱动

为什么3.2T会在此时被提上日程？核心驱动力来自AI集群的组网结构变化。以大模型训练为例，单个训练任务往往需要成百上千张GPU协同工作，GPU之间需要进行梯度同步、参数交换和All-Reduce通信。这些通信流量集中在集群内部，对带宽和时延都极为敏感。当单集群GPU数量从数百扩展到数千甚至上万时，交换机端口速率和光模块带宽必须同步提升，否则网络会成为算力释放的瓶颈。

具体来看，一个典型的AI集群组网中，GPU通过Scale-up网络连接同一节点内的加速器，通过Scale-out网络连接跨节点的交换网络。Scale-out层通常采用叶脊架构，叶交换机与脊交换机之间、叶交换机与GPU服务器之间都需要大量高速光模块。假设一个集群有1024台GPU服务器，每台服务器配置8个400G上行端口，仅服务器侧就需要8192个400G光模块；若升级到800G或1.6T端口，模块数量可能减少但单模块带宽要求显著提高。当端口速率继续向3.2T演进时，交换机单端口容量和面板密度将迎来新的设计挑战。这正是3.2T光模块需求背景的核心逻辑：算力规模驱动网络带宽，网络带宽驱动光模块代际升级。

课程整体框架与选型方法论概述

本课程共30章，整体按照“需求背景—架构形态—光电器件—电接口与DSP—封装与散热—验证与选型决策”的逻辑展开。第1章建立需求认知，后续章节将依次深入可插拔、OBO、CPO等架构形态的对比，分析EML、硅光、薄膜铌酸锂等光电器件路线的适用边界，讨论200G/lane电接口与DSP均衡、FEC设计，最后落到功耗、散热、成本与量产良率的综合权衡。

贯穿全课程的选型方法论可以概括为四个步骤。第一步是需求锚定：明确应用场景是Scale-out还是Scale-up，传输距离是百米级还是公里级，端口密度和功耗预算是多少。第二步是架构筛选：根据需求排除明显不匹配的架构，例如超短距高密度场景可优先评估CPO，而需要现场可更换的场景则倾向可插拔。第三步是器件与接口匹配：在选定架构下比较激光器类型、调制器材料、DSP能力和电接口速率，形成候选方案。第四步是验证与决策：通过眼图、误码率、功耗实测和成本测算，结合供应链成熟度做出最终判断。

需要提醒的是，3.2T目前仍处于技术路线竞争和产业导入阶段，不同厂商的架构选择存在差异，部分参数和方案仍在演进中。本课程中出现的具体数值，除特别说明外均为教学示例或合理假设，用于帮助理解选型逻辑，不代表任何厂商的实测指标。掌握方法论比记住某个数字更重要，因为技术路线会变，而判断需求、匹配约束、验证结果的思路是长期有效的。