Salience拿下1.25亿美元融资：全光交换如何把延迟压到10纳秒

当AI集群的GPU数量攀升到数百甚至数千颗，系统性能高低，很大程度上要看GPU之间搬数据的效率。铜互连在带宽密度、传输距离和功耗上越来越吃力，光互连于是加速进入AI算力中心——它能以更低的功耗提供更高带宽，覆盖的距离也更长。

可眼下主流AI算力中心转发数据，仍然大量靠电子交换机。光信号进了交换机，得先转成电、由电子开关处理，再变回光信号送出去。这么一折腾，延迟和功耗反而更高。

Salience Labs（下称Salience）想从交换这一层动手。它做的是一套基于硅光的全光路交换机（OCS）：光信号进入交换层后始终留在光域，直接在端口之间完成光路切换。

首款32端口OCS的单跳延迟不到10ns（纳秒）。博通旗舰级以太网交换芯片的延迟约250ns，它只有对方的二十五分之一；其他高性能以太网交换机通常要450-650ns，差距更明显。

近日，Salience完成新一轮1.25亿美元融资，由Bullhound Capital领投，AMD Ventures、Intel Capital、SBI Group、Hudson River Trading和British Business Bank参投。

Applied Ventures LLC、Oxford Science Enterprises、Cambridge Innovation Capital及Silicon Catalyst Ventures等现有股东也继续跟投。

更早之前，这家公司拿过1150万美元种子轮和3000万美元A轮，投资方中有ICM HPQC Fund、Temasek（淡马锡）前董事会成员Yew Lin Goh等。

全光硅光OCS：交换延迟从数百纳秒降到10纳秒

Salience是从牛津大学和明斯特大学分拆出来的，目前核心创始团队由Vaysh Kewada（CEO）和Johannes Feldmann（CTO）组成。

Kewada在帝国理工学院拿到物理硕士学位，还在McKinsey工作过多年，是公司商业侧的核心人物。Johannes Feldmann则在牛津大学Harish Bhaskaran团队做过博士后，公司第一颗原型芯片由他设计并测试。

Vaysh Kewada（CEO）和Johannes Feldmann（CTO），图片来源：Salience Labs

学术创始人是Harish Bhaskaran和Wolfram Pernice。Harish Bhaskaran曾任牛津大学教授，长期研究相变材料、纳米制造以及光子/类脑计算；Wolfram Pernice是集成光子学专家，也是莱布尼茨奖获得者。

刚入行时，Salience押注的核心技术是相变光电子学（phase change optoelectronics）。按当时的设想，要用一种“存上计算”架构做AI计算芯片，把光子学的高速、电子学的灵活和CMOS工艺的可制造性融在一起。

到2025年，Salience把重心挪到了连接AI集群的光子交换机上。创始人Vaysh Kewada的解释是，这一转变很大程度上源于客户需求的变化：AI集群扩张太快，数据搬运和网络基础设施慢慢成了新的瓶颈。

另一边，CPO（Co-Packaged Optics，共封装光学）、NPO（Near-Packaged Optics，近封装光学）等技术，让光连接在AI算力中心里用起来更现实，不少公司开始往这个方向投入。Salience凭自己的技术底子，盯上了一个问题：数据中心里的光连接越来越多，这些光信号该怎么交换。

注：CPO和NPO都是让光引擎更靠近交换芯片或GPU的封装方案，目的是缩短高速电信号的传输距离、降低功耗、提升带宽。

到B轮融资时，Salience拿出了面向量产的集成硅光OCS方案，首款产品OC-32M用的就是它。

转向的背后，是AI算力中心及其连接需求在快速膨胀。算力中心里的GPU数量、机架功率密度一路往上走，交换层的延迟、功耗和光模块成本也跟着快速增加。Dell’Oro Group预计，2026年至2030年，AI后端网络数据中心交换机的累计支出将接近1万亿美元。

OCS（Optical Circuit Switch，光路交换机）可以理解成给光信号“直接改道”的设备。传统电子交换机得先把光转成电，判断数据往哪走，再转回光发出去；OCS直接在光域里架起一条从输入端到输出端的通路，数据顺着这条光路走。

OCS本身不算新技术。传统产品多用MEMS微镜，靠电信号控制微型反射镜的角度，把输入光束偏转到指定的输出光纤。这类方案已被Google等公司用在数据中心，但重新配置一条光路通常要毫秒级时间。

Salience的做法是把光路交换直接集成进硅光芯片，重配置时间缩短到300微秒以内。跟机械式OCS比，硅光集成还有个好处：能借半导体制造工艺提升可制造性，大规模量产后每端口成本也能降下来。

不过硅光集成也带来一个绕不开的问题：损耗。光在芯片内部经过波导和多个交换器件时，会一路衰减。

为此，Salience用了两颗芯片：一颗全集成硅光OCS芯片负责片上光路交换，另一颗自研的阵列式光放大和信号调理芯片负责补偿片上损耗，两颗芯片背靠背装在PCB上。创始人Kewada说，这颗光放大芯片是整个技术栈的核心。

Salience的芯片，图片来源：Salience Labs

Salience的第一款产品叫OC-32M，是一款32端口的全光硅光OCS。它每个通道最高能跑到200Gbps，折算成理论原始数据速率大约25GB/s；端口到端口的单跳延迟不到10纳秒。对比之下，高性能以太网交换机通常要几百纳秒。

图片来源：Salience Labs

Salience做过一次模拟：576颗GPU跑Megatron 2T模型，网络延迟降下来之后，单用户每秒Token吞吐量最多能提升80%。

图片来源：Salience Labs

64端口版本已经演示过了。接下来，公司打算在这套架构上继续往外扩，做到128和256端口。

跟传统电子分组交换机比，OC-32M最突出的地方是省掉了交换机侧的光-电-光（OEO）转换，也不用配相应的光收发器，数据直接在光域里完成交换。光电转换和数据包处理带来的延迟因此减少，高速收发器的功耗和成本也一并省下。网络带宽和规模越往上走，这部分节省会越明显。

但OCS替代不了电子交换机。它擅长的，是提前建好一条能维持一段时间的光路；电子交换机则可以对每个数据包实时决定往哪转发。OCS自己也没有电子交换机那样的缓存能力，节点之间怎么连，得靠外部系统提前调度。

所以两者更可能长期并存：短小、突发、随机变化的流量交给电子交换；高带宽、通信关系相对稳定、能提前预测的任务，更适合OCS。AI训练和推理里大量GPU通信正好是结构化的、同步性强，这也是OCS重新被关注的关键原因。

Salience的产品眼下先盯AI集群的纵向扩展（scale-up）。NVIDIA和AMD的高带宽scale-up域，目前一般还局限在单机架内；Salience想用低延迟OCS把更多GPU或其他XPU跨机架连起来，把一致性内存域做大。

注：所谓Scale-up，就是在同一套AI计算系统里，用高带宽、低延迟的互联方式接入更多GPU/XPU，使这些芯片如同一台规模更大的机器那样协同运转。

横向扩展（scale-out）网络这边，Salience希望OCS分担一部分汇聚层和集群重构的活。光路可以按不同工作负载重新配置，GPU集群在训练、推理或资源重新分配时就能调整连接关系；更细粒度、变化更快的数据流量，仍旧交给电子分组交换机。

注：Scale-out指通过网络连接更多服务器、机架和计算节点，把多个相对独立的计算单元扩展成更大的AI集群。

商业化方面，Salience已经和Tower Semiconductor合作制造硅光芯片，借它的硅光工艺平台推进预量产和规模化生产。测试环节则拉上了Keysight，一起搭OCS测试环境，用来验证性能、互操作性和大规模部署能力。

光互联与光交换，推动AI计算架构重构

OCS这条路上，推进产品和技术的公司不止Salience一家。

iPronics最近完成了1.25亿美元B轮融资，NVIDIA也参与投资。它的32端口ONE-32走集成硅光路线，单跳延迟不到30纳秒，重配置时间低于300微秒，并且已经和Fabrinet推进专门的封装、组装和测试产线。

Lumentum走的是传统MEMS路线。R300已经做到300×300端口，典型插损约1.5dB，MEMS微镜累计运行时间超过1万亿小时。

PsiQuantum展示了一款8×8硅光OCS，没用光放大器，典型插损1.2dB，重配置时间低于3毫秒。

把这几条路线和Salience摆在一起，OCS接下来的发展会围绕几项指标：端口规模继续做大、插损进一步降低、重配置时间缩短、功耗和每端口成本降下来。

视野再放大一点，光互联会沿几个方向推进。

一是Scale-up从单机架走向多机架，用光连接把数百甚至数千颗GPU/XPU放进同一个低延迟、高带宽的计算域。

二是Scale-out网络。可插拔光模块已经用得很多，接下来会继续提高机架和集群之间的带宽密度，同时把每比特传输的功耗压下去。

封装和集成方式会从可插拔模块，转向OBO、NPO和CPO这些更靠近交换芯片或GPU的形态；更长远的方向还包括Optical I/O，以及2.5D、3D光子中介层。

光网络本身也会变得更能编程。近期重点是用软件控制动态调整网络拓扑和光路；再往前走，是在部分架构里把波长和带宽放在一起调度，并与电子分组交换网络协同运行。

放到整个光互联产业里看，几条创业路线已经比较清楚：光继续往GPU、内存和其他计算芯片附近走；光网络从单机架扩到多机架乃至更大规模集群；封装、制造、测试和网络控制能力也跟着升级。