Ayar Labs 拿到 1.5 亿美元追加融资，这轮总额推到 6.5 亿美元，投资方名单里有英伟达和 AMD。它做的事很窄：把芯片之间的连线从铜换成光。背后是百万块 GPU 的集群光在连线上就要烧掉 180 兆瓦的物理上限。

9月10日，硅谷公司 Ayar Labs 宣布再拿1.5亿美元。

这笔钱是今年3月那轮5亿美元 E 轮的追加，把这一轮的总额推到6.5亿美元。公司累计融资约8.7亿美元。3月那轮对应的估值是37.5亿美元，而据9月的报道，一笔老股交易的定价已经超过50亿美元。

投资方名单里有英伟达和 AMD。

这家公司做的事情听起来很窄。它想把芯片之间的连线从铜换成光。

但这件事背后有一个正在逼近的物理上限，而这个上限决定了未来几年 AI 数据中心能不能继续变大。

01 算力不是唯一的瓶颈

大多数关于 AI 基础设施的讨论停在两件事上，芯片够不够快，电够不够用。

还有第三件事，它在过去两年才变成主要矛盾。芯片之间的数据交换。

训练一个大模型不是一块 GPU 的事，是几千到几万块 GPU 协同的事。每一步计算之后，这些芯片要互相交换中间结果。交换得越慢，越多的芯片在等待，而等待中的 GPU 仍然在耗电。

交换的是什么，可以具体说一下。训练时每块芯片拿到一部分数据，各自算出一组参数更新量，然后所有芯片要把这些更新量汇总再分发回去，让每块芯片手上的模型保持一致。这个动作每一步都要做一次，而一次训练有几十万到几百万步。

参数量越大，每次要汇总的数据越多。模型规模的增长，因此同时推高了两件事，算力需求和通信需求，而后者的增长往往更快。

所以一个集群的实际算力，不等于把所有芯片的标称算力加起来，它取决于这些芯片之间连得有多好。

行业里有一个大致的规律，网络带宽的需求每两到三年翻一倍。这个速度和芯片本身的迭代速度差不多，问题在于，连线的物理基础跟不上这个速度。

02 铜线撞上了一堵墙

芯片之间的电信号走在印刷电路板的铜走线和连接器上。信号频率越高，这些铜线上的损耗越大。

有一个门槛值得记住。当单通道速率超过每秒112吉比特之后，电路板和连接器上的电损耗开始急剧上升。

给一个具体的量级。在每通道200吉比特的链路上，一套传统的可插拔光模块方案，其中的电学部分损耗可以达到22分贝。

分贝是对数刻度，22分贝意味着信号功率衰减到原来的百分之一以下。要把这样的信号还原出来，接收端就得上更复杂的电路。电路越复杂，功耗越高，延迟也越长。

损耗为什么随频率上升，物理原因有两层。一层是趋肤效应，频率越高，电流越集中在导体表面很薄的一层里，等效电阻因此变大。另一层是介质损耗，电路板基材在高频下本身会吸收能量。这两项都随频率单调上升，而且没有便宜的办法绕开。

工程上的应对是在两端加更强的信号处理电路，业内叫 SerDes。它能把衰减和失真补回来一部分，代价是功耗和延迟。随着速率上升，这个代价的增长比速率本身更快。

铜线在高频下失效的两个物理原因。Sense AI 整理自公开技术资料

铜的另一个限制是距离。速率越高，铜能传的距离越短。这对机架内部影响还不大，但当一个训练任务需要跨机架、跨机柜组网时，铜就到头了。

03 把这件事换算成电费

这是最能说明问题的一组数字。

一个800G DR8 的光模块，典型功耗约14.2瓦。换算成每传输一个比特消耗的能量，约为17.75皮焦。

一块现代 AI GPU 需要配六个这样的光模块，每个约30瓦。

把这个数字放大。如果要建一个一百万块 GPU 的集群，仅仅是互连部分的功耗，就会达到180兆瓦。

180兆瓦是什么概念。一座中型燃气电厂的装机容量大约在两三百兆瓦这个区间。也就是说，光是让这些芯片互相说话，就需要接近一座电厂的电力，而这部分电没有参与任何一次矩阵乘法。

把互连功耗换算成电。数字来自公开行业测算，用于说明量级

还可以从另一个角度看这个数字。按工业电价粗略估算，180兆瓦连续运行一年的电费在一亿美元以上，这还没算为这部分功耗配套的供电和散热设施的投资。以上是我们按公开电价做的估算，不同地区差异很大。

更关键的是它占据了配额。一个数据中心从电网拿到的容量是有上限的，而且这个上限往往比土地和资金更难突破。互连多用一瓦，能给计算的就少一瓦。

这就是行业里说的功耗墙。它不是由计算造成的，是由连线造成的。

需要说明的是，以上数字来自公开的行业测算，不同厂商的方案和不同的集群拓扑会让结果有差异，这里取的是一个用于说明量级的口径。

04 解法是把光搬进封装里

目前的主流做法是可插拔光模块。数据在芯片里是电信号，走到电路板边缘，再进到一个插在面板上的模块里转成光，然后通过光纤发出去。

这条路径上，电信号要在铜上走一段不短的距离，而前面说的损耗和功耗，主要就发生在这一段。

共封装光学的思路是把转换点往前挪。把光收发器件直接做进和交换芯片或者加速器同一个封装里，电信号只需要在封装内部走极短的距离就转成光。

效果是可以量化的。电损耗从22分贝降到4分贝，单端口功耗下降超过七成，芯片边缘可用的带宽密度提升一个数量级。

能效上的改善更直接。下一代近封装的硅光引擎，公开宣称的数字是每比特低于5皮焦，并且这个数字包含了激光器本身的功耗，部分演示给出的结果约为4皮焦。

和前面17.75皮焦的对照放在一起，这是接近四倍的改善。

把光搬进封装之后的四项改善。低于5皮焦为下一代产品的公开宣称

05 Ayar Labs 做的是哪一块

05Ayar Labs 做的是哪一块

这家公司的核心产品叫 TeraPHY，是一种光 I/O 芯粒。

芯粒指的是把一颗大芯片拆成若干功能模块分别制造，再封装到一起。这种做法的好处是每个模块可以用最适合它的工艺，而且可以混搭不同厂商的模块。

TeraPHY 的定位是其中负责对外通信的那一块。公司的说法是，它是业内第一个符合 UCIe 标准的光互连芯粒。UCIe 是芯粒之间的互联标准，符合它意味着理论上可以被不同厂商的设计直接采用，而不用为每家单独适配。

最新一代 TeraPHY 的双向带宽是每秒8太比特，单方向每秒4太比特。

标准这件事值得多解释一句。在没有统一接口的年代，一家芯片公司想用别人的光互连方案，双方要一起做很久的联合设计，这个成本高到只有最大的几家玩得起。有了统一接口之后，理论上采购一个芯粒就像采购一个标准件，设计周期和验证工作都会大幅缩短。

这正是这类公司想要的位置。卖一个模块和成为一个标准件，长期价值差别很大。

06 投资人名单里的两个名字

英伟达和 AMD 同时出现在这家公司的投资方里，这件事值得单独说。

这两家是 AI 芯片市场上最主要的竞争对手，而它们都投了同一家做互连的公司。

原因不难理解。对它们来说，互连的瓶颈会直接限制自家芯片能卖出多少。一块再快的 GPU，如果在集群里因为连线而空转，客户感知到的性能就上不去。它们既需要这个问题被解决，又不希望解决方案掌握在对方手里。

两个竞争对手为什么投了同一家。Sense AI 整理

投资一家中立的供应商，是一个折中。这种做法在半导体行业不罕见，几家互相竞争的公司共同扶持一个上游环节，让它保持独立，谁也不吃亏。

代价是这家供应商很难把价格提上去。它的股东就是它的客户，而这些客户手上都有自研这个选项。

对 Ayar Labs 来说，这个位置有好处也有风险。好处是两大客户都有理由让它活下来。风险是它的产品必须保持中立，而一旦任何一家决定自己做，它的议价能力会立刻变化。

07 为什么是现在

把光引进芯片封装这个想法不新，硅光技术做了二十年。

它此前一直没有大规模落地，原因有几个。一是成本，光器件比铜贵得多，在带宽需求不高的年代算不过账。二是可靠性，激光器的寿命和温度敏感性是老问题，而封装内部恰恰是高温环境。三是产业链，光器件和芯片制造原本是两个体系，缺少把它们结合起来的标准和产能。

这两年变化的是第一条。当铜的功耗代价大到一座电厂的量级时，光器件的成本就不再是决定性因素了。

第二条尤其棘手。激光器的发光效率随温度上升而下降，而封装内部紧挨着的就是发热量最大的计算单元。业内的一种应对是把激光光源移到封装外面，用光纤把光引进来，封装内只保留调制和接收，这样激光器可以工作在温和的环境里，坏了也能单独更换。代价是多了一层耦合，而耦合处的对准精度本身又是良率的来源之一。

后两条仍然是真实的障碍，这也是这个行业现在的主要战场。

08 这条路上不止它一家

需要说明的是，把光搬进封装这件事，不是一家公司在做。

大型网络芯片厂商在从交换机这一侧推进，把光引擎和交换芯片封装在一起，这条路线的好处是客户明确、替换路径清楚。另有一批创业公司从不同角度切入，有的做光互连芯粒，有的做光交换结构，还有的直接做面向 AI 的光计算。

Ayar Labs 的位置在加速器这一侧，它想成为芯片设计公司可以直接采购的一个标准模块。这个位置的价值取决于一件事，芯粒这种拆分方式在 AI 芯片里到底会走多远。

如果主流路线是每家大厂把光引擎自己做进自家封装，那么第三方芯粒的空间会被压缩。如果行业真的走向模块化采购，不同厂商的芯粒可以像搭积木一样组合，那么这个位置会很值钱。

这个问题现在没有答案，而它决定了这家公司是一个部件供应商还是一个标准的一部分。

09 这门生意的难处

把风险列在这里。

这门生意的五处难。Sense AI 整理

第一是量产。研发阶段能跑通和大规模一致地做出来是两件事。光器件的耦合精度要求在微米量级，良率直接决定成本，而这一步是所有硅光公司的共同难关。

第二是可靠性。数据中心的设备要求连续运行多年，而封装内的激光器长期工作在高温下，寿命衰减是必须回答的问题。一块 GPU 坏了可以换，封装在一起的光引擎坏了，整块芯片就废了。

第三是大厂自研。英伟达和 AMD 现在投资它，不代表将来不自己做。这类核心部件一旦规模足够大，垂直整合的动力就会出现。

第四是标准。符合 UCIe 是一个优势，但标准本身还在演进，而参与制定标准的公司很多。今天的领先不保证明天的兼容。

第五是时间窗口。如果铜的改进比预期更快，或者封装和拓扑上出现别的省电办法，光进封装的紧迫性就会下降。行业里一直有另一条思路，把更多芯片塞进同一个封装，用更短的距离绕开长距离互连的问题。这条路同样在推进，两者是竞争关系。

10 这件事对理解 AI 产业的意义

把这个案例放大一点看，它说明了一个正在发生的转移。

过去几年，AI 基础设施的叙事集中在芯片上。谁的芯片更快，谁的产能更多。

现在这个叙事正在往两侧扩散。一侧是电，数据中心选址开始围绕电力供应，我们此前写过这个方向。另一侧就是互连，芯片之间怎么连、连得多省电，成了决定集群规模上限的东西。

这两侧有一个共同点。它们都不是软件问题，也不是靠模型变好能解决的问题。它们是物理和工程问题，遵循的是另一套时间表。一个算法的改进可以在几周内部署，一条产线的良率爬坡要按年算。

这也解释了一个看起来矛盾的现象。模型能力在快速提升，而支撑它的基础设施投资周期却在拉长。数据中心的选址、变电站的审批、光器件的产线爬坡，每一项都以年为单位。当软件侧的迭代按周计算、硬件侧按年计算时，中间会出现一段时间的错配，表现为要么算力闲置，要么算力紧缺，而且两种情况可能在不同环节同时出现。

对于判断 AI 产业的节奏，这一点比大部分模型发布更有参考价值。

11 几个还不知道的

把没有答案的部分列清楚。

这家公司的收入规模没有公开，产品处在什么量产阶段也没有明确说明。

50亿美元这个估值来自对一笔老股交易的报道，不是一轮新融资的定价，两者的含义不同。

180兆瓦这个数字是基于公开测算的推演，取决于集群拓扑、模块选型和具体的使用率，实际数字会有出入。

低于5皮焦每比特是下一代产品的公开宣称，不是已交付产品的实测值。

英伟达和 AMD 在这家公司持有多少股权，有没有附带任何商业条款，没有公开信息。

UCIe 标准在光互连方向上的成熟度，以及有多少家芯片设计公司实际采用了这条路径，我们没有找到可靠的统计。

资料来源：

The Register 报道 Ayar Labs 5亿美元 E 轮（2026年3月）原文 https://www.theregister.com/2026/03/03/ayar_labs_500m/

Datacenter Dynamics 报道该轮由英伟达与 AMD 支持原文 https://www.datacenterdynamics.com/en/news/optical-interconnect-startup-ayar-labs-closes-500m-funding-round-backed-by-nvidia-and-amd/

Electronics For You 报道 Ayar Labs 追加1.5亿美元原文 https://www.electronicsforyou.biz/industry-buzz/silicon-valleys-ayar-labs-raises-150m-to-advance-ai-optical-chips/

Optics & Photonics News 报道本轮融资原文 https://www.optica-opn.org/home/industry/2026/march/ayar_labs_raises_us$500_million/

Gazettabyte 关于 Ayar Labs 光 I/O 路线的技术报道原文 https://gazettabyte.com/ayar-labs-prepares-to-fulfil-its-optical-input-output-i-o-vision/

Marvell 关于共封装光学的技术说明原文 https://www.marvell.com/blogs/co-packaged-optics-for-next-wave-ai-data-centers.html

Embedded 关于把铜移出数据中心能耗等式的分析原文 https://www.embedded.com/taking-copper-out-of-the-ai-data-center-energy-equation-the-optical-transceiver-design-path-forward/

Contrary Research 关于 Ayar Labs 的公司研究报告原文 https://research.contrary.com/company/ayar-labs