Ayar Labs累计融资超10亿美元:NVIDIA、AMD、Intel为何都押注CPO?
随着芯片算力高速迭代,内存与网络带宽的提升却明显滞后。导致这一瓶颈的核心,正是电互连的底层物理极限。 在这一认知前提下,MIT、加州大学伯克利分校及科罗拉多大学博尔德分校的研究人员历时10年联合科研攻关,成功研发出首款通过光信号与内存通信的微处理器芯片。 2015年,这批核心研究人员创立了Ayar Labs,从早期切入
芯片算力一路快跑,内存和网络带宽却跟不上趟。卡住脖子的关键,说到底还是电互连撞上了物理极限。
看准了这个症结,MIT、加州大学伯克利分校和科罗拉多大学博尔德分校的研究人员花了10年联合攻关,做出首款靠光信号跟内存通信的微处理器芯片。
2015年,这批核心研究人员拉起Ayar Labs,最早从高性能计算(HPC)的封装内光学切入;到2018年A轮融资时转向押注大规模AI基础设施,把商业化重心放到共封装光学(Co-Packaged Optics,CPO)上。

Ayar Labs创始团队:Chen Sun,Mark Wade(CEO),Vladimir Stojanovic。图片来源:Ayar Labs
博通等厂商早期走的是过渡路线,把独立CPO模块和交换芯片装在同一块电路板上;Ayar Labs不一样,一开始就把光引擎芯粒直接封进SoC内部。跟传统的“可插拔光模块+电SerDes”比,这套方案带宽能提到5至10倍,延迟压到十分之一,能效提升4至8倍。
融资上,Ayar Labs拿了个“战略投资大满贯”。参投的既有NVIDIA、AMD、Intel、GlobalFoundries、MediaTek、Alchip(世芯电子)这些半导体巨头,也有电信巨头旗下的NTT DOCOMO Ventures和云基础设施服务器大厂Wiwynn(纬颖科技)。产业链上下游,等于都在它身上押了注。
2026年,Ayar Labs完成5亿美元E轮融资,另获1.5亿美元追加融资。E轮由Neuberger Berman领投,Alchip、ARK Invest、Insight Partners、MediaTek、Qatar Investment Authority(QIA)、Sequoia Global Equities以及1789 Capital参投;IAG Capital Partners、Light Street Capital、Playground Global、Founders Fund与GlobalFoundries则更早入局。累计融资已超10亿美元,据路透社报道,其最新估值超过50亿美元。
为什么是CPO?Ayar Labs要用光打通跨机柜Scale-Up
共封装光学(CPO)说白了一件事:原来“电转光”这一步发生在机箱面板的光模块里,现在直接挪进GPU、ASIC或交换芯片的同一封装内。
可插拔的老路子是:GPU/ASIC ➔ 15–30厘米PCB铜走线 ➔ 前面板光模块(内置DSP芯片+光引擎)➔ 光纤
CPO共封装的路子则是:GPU/ASIC ➔ 数毫米封装内电连接 ➔ 共封装光引擎 ➔ 光纤
2025年GTC大会上,黄仁勋推出两款集成CPO技术的网络交换机Quantum-X和Spectrum-X,分别搭载1.6T与3.2T的硅光子CPO芯片。这两款产品眼下已陆续进入量产交付。
CPO主要解决功耗和可扩展这两件事。
黄仁勋在同一场大会上算过账:传统方案下,每颗GPU要配6个可插拔电光收发器,单个模块功耗30瓦;系统扩到100万颗GPU,光这一环节功耗就约180MW(兆瓦)。大规模集群这么烧,显然撑不住。
CPO能把功耗压下来,靠的是把电信号走线从几十厘米缩到数毫米,省掉补偿信号衰减的高功耗DSP芯片,互连能耗因此降低50%以上。
换个角度看,AI基础设施的互连分两层:跨节点的横向扩展(Scale-Out),和算力域内部的纵向扩展(Scale-Up)。
横向扩展(Scale-Out)一般用以太网或InfiniBand等标准网络技术(光互连已广泛采用),把多个独立计算节点或机柜连起来,组成超大规模AI计算集群,面向的是数据中心内部较长距离的通信。
纵向扩展(Scale-Up)跑在单个计算节点或超节点(如单机柜72颗GPU)内部,目标是把密集算力芯片之间的通信带宽做到最大、延迟压到最低,让多颗芯片共享内存、高速协同运算。可单通道200G速率下,无源高速铜缆传输极限只有约2米,受这个物理限制,眼下基于铜互连的纵向扩展网络通常局限在一到两个机柜之内。

AI计算集群中的Scale-Out与Scale-Up网络,图片来源:Ayar Labs
CPO则能同时突破带宽和距离两道瓶颈,把跨越多机柜的成百上千颗GPU连成一台统一的“超级计算机”。
这也正是Ayar Labs要发力的方向。他们认为,相比Scale-Out,Scale-Up对单卡带宽的要求至少高出10倍,对延迟的要求严苛到十分之一,这就必须把光学芯粒直接集成进GPU封装内部。
Ayar Labs的光学I/O方案由两块组成:共封装在算力芯片内部的TeraPHY光学I/O芯粒,以及独立外置的SuperNova多波长光源。
两者配合,能从GPU、CPU或AI加速器封装中直接引出覆盖毫米至公里级的太比特级(Terabit)光互连。
其中TeraPHY把硅光子与标准CMOS工艺结合在一起,是一颗光电芯粒,直接和算力主芯片封装在同一基板上,就近完成电光转换与信号收发。它采用行业通用的UCIe封装接口,对接不同厂商的计算芯片都方便。
性能方面,这一代基于45nm工艺的TeraPHY布了8个光端口。单个端口带宽512Gbps,抵得上一条x8 PCIe Gen6链路;整颗芯粒单向能跑4Tbps,双向合计8Tbps。信号质量本身够好,复杂纠错被省掉,芯粒内部延迟只有10纳秒,光在光纤里飞的时间不算在内。

TeraPHY光学I/O芯粒,图片来源:Ayar Labs
另一块核心组件叫SuperNova,是符合行业标准的独立外置光源。它的活儿是从芯片封装外面通过光纤,给TeraPHY持续供稳定的连续激光。激光器怕热、容易老化,放到封装外头就离滚烫的算力芯片远了;坏了也不用停机,直接拔插换掉。
能力上,一台SuperNova能把16种不同波长的激光同时送进16根光纤,为最多256个数据通道提供光载波,双向带宽最高撑到16Tbps。换句话说,两颗8Tbps的TeraPHY芯粒,一台SuperNova正好同时带得动。

SuperNova 多波长光源,图片来源:Ayar Labs
再往新一代走,工艺换到台积电COUPE平台后,单颗TeraPHY光引擎的单向带宽已经超过13.5Tbps。
AI Scale-Up网络从72卡往576卡以上扩的时候,铜互连会撞上极限。针对这个坎,Ayar Labs拉上定制芯片服务商Alchip和服务器大厂Wiwynn,做了一套光互连AI系统,从芯片封装一直管到整机柜。

由Wiwynn设计制造的机箱(集成 Ayar Labs的CPO器件与外部光源),图片来源:Ayar Labs
系统里头,每个计算托盘装1颗CPU加2颗AI ASIC。每颗ASIC四周环着8颗新一代TeraPHY光引擎,再配上面板上可热插拔的SuperNova外部光源,单颗加速器就能输出100Tbps以上的光带宽。
单柜功耗超过100kW,整机因此上了100%冷板液冷架构,外部光源也纳入液冷;光纤和光源都支持不停机维护。
落到实际效果,一台机柜能塞32个计算托盘,把64颗ASIC光互连起来。16台机柜再一串,就组成支持1024颗以上加速器的Scale-Up集群。跨机柜的上千颗芯片跑起来,延迟低到像“单颗超大型GPU”在协同干活。
算力之外,光互连正推高AI基础设施的上限
CPO商业化分三步走:先Scale-Out交换机,再Scale-Up算力芯片,最后是光连接扩展内存。
2025至2026年,CPO会先在NVIDIA、博通的Scale-Out交换机上落地。不过SemiAnalysis测算过,Scale-Out网络只占集群总功耗的9%,换成CPO,整体成本和功耗也就省2%到7%。现阶段更像产业链跑通制造、验证可靠性的过渡期。
更核心的场景在Scale-Up网络,单卡带宽需求是Scale-Out网络的9倍。量产拐点预计落在2027至2028年,届时CPO批量进入GPU与AI ASIC封装内部;底层工艺也从45nm单片集成转向台积电COUPE等3D异构集成。
顺着光信号在集群里的传输路径看,光互连链条分三段:外部光源、封装侧光电转换、网络层光交换。
最前端是外置可插拔激光光源,初创公司在这一环主攻多波长光源。晶圆级集成16波长的有Scintil;Xscape Photonics已推出8波长模块,还在规划16至128波长的光频梳;Lightmatter则走自研光源的路子。
中间是封装侧光电转换,创业公司分出三条路线。第一条是摆在芯片四周的光学芯粒:Ayar Labs采用UCIe标准,Ranovus主打以太网互通,Nubis用二维光纤阵列,已被Ciena收购。
第二条是光中介层与光桥,铺在芯片正下方,绕开边缘限制,代表有Celestial AI(已被Marvell收购)和Lightmatter。
第三条是基板级微光波导。Volantis由前Ayar Labs一号员工联合创立,在基板上用2微米宽的光波导代替铜线,低功耗直连算力与内存池。
到了网络交换层,传统做法是把CPO封装在电交换芯片旁边,仍要过一遍“光-电-光”转换。光路交换机(OCS)把这步省了,直接在光域内给光信号“改道”。
举个例子,Salience Labs把OCS集成进硅光芯片,配上自研光放大芯片,重配置时间不到300微秒,单跳延迟低于10纳秒,只有传统高性能电交换机的几十分之一。
Creative Strategies估算,2030年这条光互连赛道的市场规模有望到300亿至500亿美元。芯片巨头在垂直整合,创业公司仍有两类机会比较清晰。
一是用光互连实现“算力与内存解耦”。
眼下多数方案是把 GPU 和 HBM 封在一起,可芯片边缘的周长就那么长,一张卡上一般只能放 8 至 12 颗 HBM,资源错配由此产生。传统云服务器也有类似毛病,微软 Azure 就曾披露,因算存绑定而闲置的服务器内存高达 25%。
Agent 推理需求涨起来之后,用低延迟光互连挂上数十至上百 TB 的共享内存池(例如 Celestial AI、Volantis),内存瓶颈能松一松,推理成本也能压下来。
二是做自研芯片阵营里的中立光学供应商。
巨头自己做 CPO,主要服务的是封闭生态;而那些自研 AI ASIC 的云厂商,并不愿意在底层互连上被单一供应商卡住。围绕 UCIe 等开放标准,联合台积电 COUPE 以及 Alchip、GUC(创意电子)等设计服务商,把光引擎做成标准化芯粒,用起来接近 HBM 的体验,就有机会在定制芯片市场占住重要位置。