........................................................................................... 1 2. 全光网 3.0 概述 ........................................................................................... ....................................... 3 3. 全光网 3.0 目标架构与网络特征 .......................................................................... 5 3.1. 全光网 3.0 总体目标架构 .................................... 3.5.1.智算中心光网络目标架构 ................................................................. 16 3.5.2.工业 PON 光网络目标架构 ............................................................... 18 3.6. 光网络智能化目标架构 ....

RDMA、定制化传输协议 等），通过将数据流绕过处理器卸载到网卡，在相同处理开销下显著 提升传输速率，与智算负载的高带宽要求非常契合。然而，智算中心 对于互连网络的速度需求远超普通数据中心，而光网络的引入又带来 网络核心带宽的进一步提升，因此对端侧网络协议栈的处理速度提出 了极高要求。 当前，端侧高性能网卡的单端口速率已提升至 800 Gbps 量级， 要求在极短时间内完成多个数据包的处理。这不仅对延迟控制提出极 操作模式[12]。 基于这一发现，可以在应用层构建智能的通信模式预测机制。该 机制根据当前模型架构特征、训练阶段状态以及历史通信行为，主动 预测即将出现的数据通信需求模式。这种预测能力使系统能够提前调 整光网络的链路配置，优先为关键集合通信操作建立直连链路，并通 过重配置时间的预先调度来最小化链路切换等待延迟，实现通信性能 的显著提升。 3.1.2 拓扑有感知的动态集合通信重构 现有的机器学习训练框架中，开发者通常直接调用通信库(如 器 A 到服务器 B 的流需要经过 C、E，才能被转发到 B），等效带宽变为链路带宽的 1/3，网络时延也因为在中间节点的服务器上排队而大幅增加。如果 讲 Allreduce 的通信顺序与当前光网络拓扑匹配，则每个节点都能最 大化利用链路带宽，且没有额外的网络延时。 图 3-2 采用与拓扑相匹配的集合通信 实际实现上述技术时，需要考虑许多问题： 控制平面的复杂度问题：在实际部署过程中，控制平面需要同时

层的算网协同模块，对底层链路进行流量调度。通过在智算集群等 场景实际测试，在降低延迟、降低功耗以及增加可靠性等方面，取 得了较好的效果。 2.3.2 光分组交换 OPS 是光网络领域的远期技术路线，它描绘了一个带宽效率最 高、灵活性最强的全光网络终极蓝图，其宏伟目标是在光域内，以 单个分组数据作为为最小交换单元，实现全程无须光电转换的存储、 路由和转发，如图 9 所示。但受制于光缓存/同步难题，目前暂未实 Coherent、Google、Lumotive、 Microsoft、nEye、NVIDIA、Oriole Networks 以及 POLATIS （HUBER+SUHNER）。项目主要聚焦 OCS 配套光网络软件定义。在 2025 年 8 月的 OCP 亚太峰会（OCP APAC)上，OCS 子项目作为四大进 展之一，首次亮相，后续将以月度例会形式持续推动进展。 云智算光互连发展报告 6. 发展趋势与发展建议

POL ， Passive Optical LAN ，全光局域网，基于 PON 网络的新型局域网技术； POL ，具备更广的组网距离，更经济的建设成本，更简便的维护方式 全光网络 数字交通枢纽方案 04 ——N 项应用 全光网络 传统宽带网络 BNG METRO ACCESS IP CORE Residenti al Enterpris e WLAN WEB EMAIL 音乐

，国内光计算产业迎来新 一轮快速增长。上海曦智科技于 2018 年成立，作为国内光计算产业化的先行者 中国移动 面向新型智算的光计算白皮书（2025） 4 之一，围绕光子矩阵计算、片上光网络、片间光网络三大核心技术开展产品研发， 构建了从光计算到光互连的全栈技术链，2025 年推出天枢光电混合计算卡，光 学处理单元支持 128×128 规模矩阵计算，2025 年 9 月曦智科技宣布完成由中国

AI 模型训练与推理等方面的挑战，思科 AI Pod 提供了强大的算力支持、智能管理和全球互联能力，助力企业在全球市 场实现 AI 能力的高效部署与应用。 全球部署与互联能力 • 路由光网络（Routed Optical Network）：基于 400G/800G DCO 模块，提供跨数据中心和跨国区域的高 速、低延迟互联，满足全球 AI 模型训练和推理的实时数据需求。 •

，兼顾务实与创新 39% 32% 29% 混合模式：核心业务先导投入+长尾场景按需扩展 渐进升级：基于现有数据中心扩展AI算力（如GPU集群分批扩容） 前瞻布局：3-5年技术预研（如万兆光网+智算中心一体化） 入+长尾场景按需扩展”的混合模式。其次有32%的受 访企业选择“渐进升级：基于现有数据中心扩展AI算 力”，位列第二。这种模式的优点为成本可控且易于 实施。最后，29%的受访企业更倾向于选择“前瞻布

围绕工业、文商旅、教育、医疗健康、协同办公等重点行业应用需求， 形成一批城市信息模型、建筑信息建模、数字孪生、数字沙盘仿真、空 间计算、扩展现实等行业级解决方案。加快工业互联网、物联网、5G、 千兆光网等新型网络基础设施规模化部署。开展元宇宙应用场景“揭榜 挂帅”，力争到 2027 年年均向社会开放 20 个应用场景。（责任单位： 市经济信息化委、市发展改革委、市数据局、各区政府） （十二）