从“算力”到“运力”, Credo如何押宝AI基础建设下一主战场？

AI集群的下一战场：不是算力规模，而是“运力”效率

过去几年，AI基础设施被简化成一个词：算力。行业讨论的中心是“有没有足够多的高端GPU”“能不能拿到卡”。但现在的矛盾正在转向另一端：不是单颗GPU有多强，而是成千上万颗GPU能否像一台机器一样协同工作。换句话说，真正稀缺的资源，正在从算力转向“运力”——也就是大规模互连、调度和数据搬运的能力。

这背后其实是系统架构在变。传统数据中心主要靠横向扩容：一排排加服务器，把算力拼出来。AI训练和推理带来的新负载，把模式变成了“scale up + scale out”的组合：同一个节点内部要继续向上堆带宽、降低延迟；不同节点之间也要互联成一个高吞吐、低抖动的整体。从芯粒级别（die-to-die、UCIe、XSR）、到板级和模块级（VSR、MR、LR等高速电互/光互）、再到机柜内、跨机柜、跨机房的集群网络，整条链路都在同时升级。也就是说，AI基础设施不再是“买更多GPU”，而是“把GPU组织成可以线性放大的集群”。谁能把这张网搭得更稳、更快、更省电，谁的AI集群效率就更高。

资本开支的分布也在说明同一件事。头部云厂商和AI公司每年在AI上的投入已经是数十亿到上百亿美元的量级，而且不再只砸在GPU本体上。行业内部的测算是，大约六分之一的AI基础投入，正直接流向网络与高速互连，包括光模块、交换、线缆、电接口等环节，而不是算力芯片本身。这意味着“连接”已经从配套件，变成独立的预算中心。也就是说，互连正在吃到AI基础设施里的真金白银，而不是做边角生意。

这种转向在两个场景里体现得尤其明显：推理规模化，以及能耗约束。

首先是推理。Credo的光DSP产品副总裁Chris Collins表示，早期大家讲AI集群，更多是在谈训练——几千、上万张卡围着一个超大模型反复算梯度，典型诉求是极高带宽的全域互联。现在格局变了：当推理走向大规模商用，意味着同时请求服务的用户会多出好几个数量级。想象一下，数十万甚至上百万个终端（车队、机器人、移动设备）在同一时间把推理请求打回云端，并希望毫秒级响应。这不仅要求继续堆GPU数量，还是一次对互连架构的硬考核：链路时延能不能继续压低，I/O能不能避免拥塞，模块级、板级、机架级的信号链是不是还能保持稳定可维护。

推理业务的爆发，直接把“互连延迟”和“互连功耗”推到台前。过去它们像基础设施里的配角，现在它们是业务能否上线的决策项：如果链路太慢，响应卡住；如果链路太耗电，同一条供电红线下就塞不下更多GPU。

第二个关键词是能耗。AI数据中心正在进入十万卡级别的部署规模后，每一瓦电都要算经济账。以典型的超大规模数据中心为例，十万张GPU的整站功耗可能在百兆瓦量级，而光模块本身就占到其中的几个百分点。看上去只是几个百分点，但在这个功耗天花板下，“省下来的几兆瓦”意味着可以不扩电力基础设施、直接再多塞几千张GPU卡去跑推理服务。这就是为什么业界如此执着于低功耗光互连、低功耗有源线缆（AEC）、线性可插拔光模块（LPO/LRO）这些听上去很工程化的东西：节能本身已经等同于“等额新增算力”。

这也解释了为什么在800G这一代开始出现多条不同的技术路线：全DSP方案强调可视性、易维护；LPO/LRO强调把功耗打到极低，牺牲一部分链路诊断能力换系统总功耗回落。到了1.6T时代，这种权衡会更激进。带宽翻倍之后，数据中心不再把“可视性”摆在唯一优先级，越来越多的客户开始接受“先把功耗压下来，再想怎么运营和监控”的现实路线。根本原因是，AI集群已经不是几柜几排的小规模实验，而是真正变成生产力基础设施，高耗电就是高成本。

往后看，AI数据中心高速连接的技术之争还面临两个变化：CPO vs AEC，和800G vs 1.6T。

第一场是封装层面的。CPO（光电共封装）被很多人视作下一代高带宽互连的终点方案：把光引擎和交换/加速芯片放进同一封装里，缩短距离、压功耗、提带宽。它的目标带宽已经指向6.4T/端口级别。但是产业现实是，CPO的落地仍面临工艺复杂度、散热难度、可靠性、可维护性等问题，短期内不会“一刀切”替代现有可插拔模块。相反，CPO更像是新增的一个互连层级：芯片本体到光引擎之间需要新的高速、低功耗电接口，这恰好也是高速SerDes、chiplet互连等厂商在提前卡位的地方。也就是说，CPO并不是把传统互连供应商排除在外，而是把战场推到了更靠近芯粒/封装的那一层。

与此同时，AEC（有源电缆）这条线并没有消亡。传统印象里，铜缆适合短距离，过机架就不现实；但现实部署正在往反方向走：AEC正从机架内互连，扩展到跨机架场景，并且在一些大客户侧已经是量产方案。原因非常直接：铜缆方案在很多场景下功耗更低、可靠性高、成本结构也更好，还能绕开部分光模块在维护和更换上的复杂度。也就是说，哪怕CPO继续前进，AEC仍会在可预见的几年里保持存在感，特别是在算力网络的“中距离互连”这一层。

第二场是速率的代际切换。市场上有一种线性叙事：1.6T将全面接替800G，后者很快过时。现实并没这么快。800G仍在放量，尤其在一些区域市场里生命周期会很长；与此同时，1.6T的产业链（交换芯片、网卡、光模块、DSP等）还在爬坡，很多环节距离“全线可大规模交付”还有工作要做。厂商现在的策略，基本都是“两条线同时走”：一边继续铺800G/400G的现网需求，保证当下出货；一边提早把1.6T相关的DSP、LRO、光模块方案推到客户那里做联合验证，好让下一代系统的功耗、可靠性、调试方法提前成型。

这一点很关键：1.6T不是一个“明天立刻全量上线”的标准，而是一个需要提前18个月以上做系统联调的工程节点。等它真正成熟，行业预期它的出货规模会超过800G的峰值，但那已经是几年的时间尺度，而不是一夜切换。

把这些趋势合在一起，可以看到AI基础设施的主线已经从“单卡性能”走向“全栈互连效率”。训练到推理的转折，带来了以低时延为核心的网络诉求；十万卡级别的集群规模，把每一瓦电力都变成了算力预算；互连技术不再是单一路线押注，而是铜缆、可插拔光模块、CPO、chiplet、1.6T DSP多线并行、分层落地。

Chris Collins表示，面对以上趋势，Credo把自己定位成“高速连接解决方案提供商”，它强调的行业趋势不是单纯把带宽做大，而是把大量GPU高效连成一个可协同工作的整体。也就是说，算力竞争正在从“有多少GPU”转向“这些GPU之间能否以足够高的吞吐、足够低的功耗和时延去稳定互联”，而这正由数据中心内部网络来决定，尤其是可规模化的高速互联。围绕这个方向，Credo把核心押在SerDes（高速串行器/解串器）技术上，并由此向外铺开成一个分层的产品体系：底层是SerDes IP本身，既可授权给客户，也作为公司技术护城河；往上一层是基于这套IP做成标准芯片，比如Retimer、用于光模块的DSP、SerDes chiplet等；再往上一层是把这些芯片直接做成可量产部署的系统级产品，如AEC（有源电缆）。这意味着Credo不只是“卖一颗芯片”，而是直接卖互联能力本身，覆盖不同介质、距离、拓扑下的链路完整性和集群“运力”。

Chris Collins认为，这种全栈布局正好踩在AI基础设施升级的拐点：随着集群规模指数级上升，数据中心需要的是高带宽+低功耗+可扩展的互联方案，而不是简单堆更多单卡算力。Credo披露，其解决方案已经覆盖到1.6Tb/s端口速率，并且财务上也在快速放量：最新一个财季营收达到2.23亿美元，同比增幅超270%，环比也增长30%以上，多季度刷新纪录。

Credo面向AI集群的四大产品主线

Chris Collins认为，AI集群真正的瓶颈已经从“有没有GPU”转向“GPU之间能不能高效协同”。 在这轮AI基础设施建设里，Credo的定位是“算力互联的基础层”。

为了解决这个问题，Credo把数据中心网络拆成两类：一类是机柜与机柜之间的大规模横向扩展（scale-out），对应的是不同节点之间的数据同步、训练集群之间的互联；另一类是单个机柜、单个节点内部的纵向扩展（scale-up），也就是一台“超级机柜”里如何继续塞进更多GPU、更多加速卡、更多高速I/O而不失控。围绕这两类需求，Credo形成了几条互补的产品线：AEC有源电缆、PCIe Retimer/PCIe AEC、以太网互联芯片（Retimer/Gearbox/MACsec）、光DSP，以及配套的链路可视化工具“PILOT”。这些线条表面上看分散，实质上都在回答一个问题：AI训练集群在变得更大、更密、更热、更贵之后，怎么让它们既跑得动、又管得住。

第一条主线是AEC（Active Electrical Cable，有源电缆）。这是Credo最早投入的系统性产品、也是它口中“进入AI数据中心的第一把钥匙”。这条线并不是AI热潮起来之后才临时搭的。Credo大约七八年前就开始做AEC，积累了大量专利，如今已经量产覆盖100G、200G、400G、800G等速率档位，可以在一套AI训练集群里，给速率不完全一致的设备做可靠对接。AEC的本质价值，不是“线缆+信号放大”，而是把Credo自研的高速芯片直接做到线缆端，例如Retimer、Gearbox，去主动修正、重定时信号，确保高速电信号在较长距离传输后仍然干净、可判决。这一能力直接改变了数据中心里的互联架构：客户在很多机柜内、跨机柜连接上可以少用一部分高功耗、高成本的光模块，而在成本、功耗、布线复杂度之间取得一个更平衡的点。Credo给出的一个非常直观的指标是，它的AEC可以把一条稳定的高速链路拉到大约7米，这在过去基本只能靠光手段来解决。随着AI整机功耗上行、液冷机柜快速上量，GPU和交换板卡并不总能呆在同一机架的最优位置，互联距离被迫拉长，AEC正好卡在这个需求点上。

第二条主线，是面向PCIe总线生态的PCIe Retimer和PCIe AEC。这条线解决的并不是机柜之间怎么连，而是“一台机柜内部还能不能继续往上叠加资源”。目前主流AI服务器的内部互联几乎都围绕PCIe展开：CPU到GPU、GPU到GPU、存储设备、加速卡、CXL扩展设备，全部挂在PCIe总线上。行业正在从PCIe Gen5往Gen6走。Gen6的带宽再次翻倍，但副作用是：信号衰减更敏感、可容忍的噪声余量更低、走线布局更严苛，同时系统里要挂载的设备数量又比上一代更多，尤其是为了追求更大的单节点算力，厂商会尝试在一台机柜里塞入更多GPU和更多高速I/O口。这意味着没有高质量的链路调理，就很难把“算力密度”继续往上拉。

Credo推出的新一代PCIe Retimer，目标就是在PCIe Gen6时代稳定住这些链路，让主机（CPU或主控交换芯片）还能有效管理更多下挂设备，不至于在物理层就开始掉链路、爆错误、限带宽。换句话说，它让“单机柜的超级节点”能继续长大，而不会在规模到达一定程度后变成一团不可维护的“电磁噪声球”。与此配套，Credo把自己在以太网AEC上的成功模块化经验平移到了PCIe，开发出PCIe AEC，直接把稳定长距离PCIe链路这件事做成可复制方案。公司提到，这一代PCIe Gen6产品已经基于7nm工艺量产，设计过程里不仅考虑信号完整性，也考虑延迟、功耗、制造一致性，目标是让客户能量产部署，而不是只停留在实验室演示。

第三条主线，是面向数据中心以太网互联的芯片系列，这是Credo目前相对成熟、已经跑量的业务，包括Retimer、Gearbox、MACsec安全加密芯片等，已经经历了从56G到112G的产业化，并正向224G演进。这条线的定位，可以理解为“数据中心前端网络”的基础部件：也就是负责任务分发、南北向流量进出、多租户隔离、跨机房传输等传统数据中心职责。这里最有代表性的产品之一是MACsec芯片。传统做法是通过更上层的软件/网关去做隔离和加密，问题在于延迟上不去、带宽上不来，尤其是跨数据中心或跨租户场景，安全与性能经常二选一。Credo的做法是在链路层实现线速加密，单链路带宽可以做到1.6T，同时支持包括SM4在内的国密算法。这让大型云服务商、运营商可以在同一张物理网里同时承载不同租户/业务域，而不必因为安全合规要求而牺牲吞吐，或者额外拉一套“安全专网”。换句话说，这条产品线不仅在“跑得快”，还在“跑得安全”。

第四条主线，是光DSP以及相关的高速光互联器件。Credo在交流中明确把这一方向和AI训练本身绑定：过去，数据中心网络可以被视为单张“平面网”；现在，随着大模型训练的规模飙升，正在出现“双网络结构”——前端网络继续负责常规业务流量，而后端网络专门服务于GPU到GPU之间的高速互联，用来把成百上千颗GPU像一台巨型计算机那样同步训练。后端网络对带宽和延迟的要求极端苛刻，需求量也不是线性增加，而是成倍上跳。

重点产品展示

本次CIOE期间，Credo展示的主要产品，分别对应Seagull、Dove、Lark、Bluebird四个系列，以及一套实网级互通展示。

1. Seagull：单波50G时代的基本盘

在单波50G这一代，Credo的Seagull系列光DSP已经是出货量最大的成熟产品线，特别是在中国市场的400G/200G/100G短距互连里。系列共有4款器件，覆盖1×50G、2×50G、4×50G、8×50G等配置，方便客户按端口速率去做400G、200G、100G甚至50G的光模块或有源光缆。

Seagull把VCSEL驱动器直接集成在DSP内。VCSEL是一类成本低、功耗低、适合短距的数据中心内部互连用激光器。把驱动集成进去，相当于少用一颗独立芯片，能同时降低BOM成本和整机功耗。

这些芯片最终对应的典型模块形态包括400G SR4、400G AOC、200G SR4等，都是国内互联网厂商和大型数据中心仍在大批量部署的主力规格。也就是说，Seagull不是实验品，而是长期供货的现金型产品线，已经在第四代DSP架构上跑了多代网络和多速率场景，客户复用成本很低。

2. Dove：单波50G向单波100G的过渡工具

网络正从单波50G走向单波100G，尤其是交换机整机带宽已进入51.2T时代。但现实并不是全链路同步升级：很多交换机端口已经上到单波100G，而下游服务器/NIC/GPU侧仍停留在单波50G，出现“新老口径并存”。

Dove系列正是为这个阶段设计的，是Credo第一代单波100G光DSP，包括Dove 480、Dove 410和Dove 800。

其中，Dove 480主打Gearbox能力：电口和光口可跑不同速率，实现一端4×100G、另一端兼容8×50G。这样，运营方可以先升级交换机侧的100G链路，但仍保留现有50G服务器和加速卡，无需一次性全网替换。

Dove 410和Dove 800则分别对应400G和800G模块（4×100G和8×100G结构），面向SR4、VR4等常见短距、多模、成本敏感场景，已经过国内多家客户的现网环境验证。它们的卖点不只是“能跑到100G”，而是“已经能插到主流交换机/网卡上稳定跑”。

3. Lark：把单波100G做成AI集群能用的形态

如果说Dove解决的是“如何把100G拉进现实网络”，Lark系列强调的是“如何让100G适配AI集群的功耗和时延要求”。

Lark是单波100G DSP，属于Credo第五代DSP架构，相比上一代在整体功耗上再降约35%，同时显著降低端到端链路时延。对AI训练/推理集群来说，GPU之间参数同步越快，整体训练迭代越短，推理响应也越快，因此链路时延本身就是算力效率的一部分。

Lark还支持一种LRO（半DSP）模式：发送端仍用DSP做均衡与补偿，接收端不再放完整DSP，等于“半边DSP”。基于Lark 850做出来的800G单模光模块，在500米链路上长时间运行仍能保持与全DSP方案相当的误码率表现，但功耗可在标准全DSP基础上再降35%以上。这意味着同机架的功率预算、散热压力都能明显下降，对正在扩容AI算力池的数据中心来说，这是直接的运营成本优化点。

4. Bluebird：指向1.6T和单波200G的下一代答案

Bluebird可以理解为Credo押注未来AI互联形态的旗舰，是一款单波200G、面向1.6T光模块的DSP平台。它采用3nm工艺，是Credo第六代DSP架构，目标是在下一代1.6T互连里同时做到极低功耗和极低时延。

设计理念很直接：AI训练/推理集群优先。也就是说，它不只是追求带宽翻倍，而是把延迟、链路可靠性、掉线重传代价这些“算力集群痛点”当成同等级指标来优化。在超大规模训练网络里，任何瞬时链路闪断都会导致一次完整迭代报废、重新计算，代价巨大，因此稳定性被视为和速率同等的重要指标。

在功耗方面，基于Bluebird的1.6T全DSP光模块，整机功耗可做到“远低于25W”。25W本身已经是行业很多厂商努力压缩的目标，但Credo的部分客户反馈，他们的1.6T模块设计在Bluebird平台上甚至可以显著低于这个数字。如果采用类似LRO的“半DSP”模式，功耗还有机会压到20W甚至更低，接近今天主流800G模块的水平。也就是说，1.6T并不是“800G×2功耗”，而是在带宽翻倍的同时，把能耗和时延控制到可大规模上架的区间。

5. 实网级演示：不是PPT，而是现成组合

除了芯片本身，Credo还带了一个“迷你AI集群”式演示：用主流服务器，通过常见的200G/400G网卡和来自不同客户的光模块，接到12.8T或51.2T交换机，再把这些设备互联跑通。交换机、网卡、光模块都来自多家合作伙伴，包含二十多个已进入量产设计流程的实际型号。

这个展示的目的，是向客户证明这些模块已经和主流交换机/NIC完成互通，而不是“给你一颗DSP自己回去调”。对正在搭AI集群的用户来说，这类“现场跑过”的组合，相当于是给出一条风险可控的部署清单。

Credo “三高三低”竞争优势

总结自身的竞争优势，Credo在技术层面大概是“ 三高三低”：

“ 三高 ”指高带宽、高性能、高可靠性。

高带宽首先体现在单波速率的推进上。行业从50G往100G单波演进的过程中，很多厂商在50G时代还主要停留在约53G这一档，而Credo已经在做56G、58G甚至64G；进入100G单波时代，他们同样在向112G甚至128G推。这种差距并不是宣传口径上的“更快一点”，它决定了单个端口能否顺利往800G甚至1.6T上走，而不需要额外堆更多链路、更多模块、更多机架空间。对于今天的大模型训练集群来说，带宽已经不是简单的“链路是否够用”，而是在同样的机柜功耗预算、散热能力和空间体积下，能不能继续扩展通信吞吐，而不推倒重来做基础设施改造。

高性能更多是算整体链路效率，不是芯片本身跑多快。AI训练并不是一颗GPU在自嗨，而是成百上千甚至上万颗GPU在同一张高速互联网上做同步计算。只有当“GPU到GPU之间”的互联足够干净、足够快，这个集群才能像一台“巨型单机”一样在合理的时间窗口里完成训练任务。Credo的说法是，它的SerDes和DSP技术路线就是为这种“集群级算力”服务，而不是只盯着单芯片跑分。

高可靠性被他们视为和带宽、性能同等级的卖点。Chris Collins表示，随着越来越多的超大规模数据中心、AI训练集群开始量产采用其器件，客户侧反馈显示，其链路稳定性和可靠性指标相较部分对标方案可以高出“两个数量级”。对于传统数据中心业务来说，链路偶发掉线是烦，但还能兜住。对AI训练来说，这是致命的：一条链路“抖”一下，最后可能不是一台服务器离线，而是整批训练进程重来，几百张卡、几小时计算直接报废。换句话说，在AI场景里，“可靠性”基本等于“是否能继续生产”。

对应的“ 三低 ”，是低功耗、低时延、低成本。

低功耗，是所有大型数据中心和算力基地绕不过去的硬指标。互联芯片和DSP不是孤立发热体，它们叠加到数十万只光模块、数千条高速链路之后，直接变成机房级别的电力支出与散热负担。Credo强调的是在同等带宽和制程节点上继续压能耗。Chris Collins内部给过一个例子：在5nm节点上，他们的112G测试芯片，依靠深度定制的库和时序优化，比部分同代玩家还能再降大约30%的功耗；在更高目标（单波224G）上，他们也在复制同样的思路。这种差距，放到单颗芯片上只是几瓦，放到集群里就是能否上电、能否过消防审计、能否在现有水冷/风冷系统下稳定跑满的现实问题。

低时延，是AI训练网络里的“第二生命线”。在传统数据中心网络设计中，吞吐量是第一优先，延迟通常可以通过堆缓存、做重传、做调度策略去部分掩盖。但在大模型分布式训练里，延迟意味着GPU之间多久能把梯度同步完。延迟越大，同样规模的集群，单位时间内的有效训练进展越慢。Credo称，在一些客户的链路压测中，他们的互联系统相对同级产品展现出明显的时延优势，而且网络规模越大，这种优势越被放大。用工程语言讲：如果你打算做上千卡、上万卡集群，低时延不是“体验更好”，而是“经济模型更划算”。

低成本包含几个维度：器件本身的BOM成本、交付周期的可控性、供应链弹性、还有网络部署的整体复杂度。对很多国内客户来说，这是关键点，尤其在高性能GPU的获取仍受限制的当下。把手里的算力如何用“更经济的互联方式”组织起来，决定的不是漂亮的实验室成绩，而是实际能不能把AI模型规模做上去、把训练周期压下来。这一点上，Credo把自己明确定义为“提升现有算力池效率的公司”，而不是“卖你一堆全新重资产硬件的公司”。

行业的常规路径，是在先进代工厂（如台积电）给的标准单元库、时序库基础上完成芯片实现。这种方式的优点是稳，风险低，能把芯片按时做出来；缺点是性能、功耗、面积大多停留在“能用”水平。Credo的做法更激进：拿到基础库之后进行深度定制，重写关键单元，重收敛时序，把速度、功耗、面积在同一工艺节点上重新平衡。这种“自己改库”的能力，被他们视作一道真正的护城河。它解释了为什么他们可以在同一制程下，把功耗打下来，同时又维持甚至提高速率目标。

总结：做下一代AI数据中心的共建者

可以看到，Credo不再满足于“我是模块/芯片供应商”这种被动角色。Credo现在更倾向于把自己描述成下一代AI数据中心网络拓扑的参与者，甚至是共建者。它不只卖标准芯片和DSP，而是把SerDes IP授权、Chiplet协同、整机互联系统方案打包给客户，直接进入客户自研的算力ASIC、机架架构甚至整套AI集群网络的设计流程里。用更直白的话说，Credo不只是“卖设备的人”，而是试图在下一代AI数据中心互联拓扑里占据主角位置，并且已经在高带宽互联核心器件上，向传统领先者发起了正面竞争。