iPronics 光交换融资提升 AI 网络竞争筹码

iPronics 获得 1.25 亿美元融资，旨在推动光路交换从专业部署走向主流 AI 基础设施。这笔 iPronics 光交换融资让这家西班牙初创公司拥有更充足的空间来推进技术商业化，也让数据中心运营商面临一个更尖锐的难题：可编程光路能否在不增加 AI 网络运维复杂度的前提下，与电子分组交换机形成互补？

这轮 B 轮融资于 2026 年 9 月 2 日宣布。Maverick Silicon 和 Light Street Capital 共同领投，Nvidia 则作为投资者参与。本轮新老投资方还包括 Bosch Ventures、Catalight Capital、European Innovation Council Fund 和 Amadeus Capital Partners。

根据该公司的融资公告，此轮融资使 iPronics 的累计融资额达到 1.77 亿美元。资金将用于支持商业部署、运营扩张以及美国市场增长。这些目标意味着公司进入了更严峻的阶段：客户采用的重要性将超过光子技术演示。

这场竞争并不只是 iPronics 与另一家初创公司之间的较量，而是可编程光路交换与传统电子分组网络的灵活性和运维成熟度之间的竞争。Google 已证明光路能够在超大规模环境中发挥作用。iPronics 则必须证明，其他运营商也能将其作为商业基础设施加以采用。

这笔融资将技术押注转化为商业考验

新资金意味着 iPronics 必须证明，其光交换机能够成为可重复部署的数据中心产品。

iPronics 将其机架式平台称为 Optical Networking Engine，即 ONE。该系统采用光路交换，通常简称为 OCS。OCS 会在指定端口之间建立直接光路，而不是以电子方式检查并转发每一个数据包。

这种区别十分重要，因为该交换机承担的任务不同于 Ethernet 分组交换机。分组交换机会针对单个流量单元作出快速转发决策；光路交换机则建立物理路径，在大规模数据流跨越网络时可持续保持活跃。

iPronics 表示，ONE 平台将硅光交换矩阵与控制软件、遥测功能和应用程序接口相结合。硅光子技术将光处理组件集成到基于硅的芯片上，可实现比许多传统组件更高密度的光学系统。

该公司当前的 ONE platform 采用可扩展架构，至少配备 32 个端口。它通过流式遥测监测光功率和系统状态。其软件还可在目标网络拓扑发生变化时重新配置物理连接。

这轮 1.25 亿美元融资并不能独立验证该平台的可靠性、经济性或量产准备度。但它为公司提供了与客户开展这些测试所需的资源。这一转变，正是有趣组件与可部署基础设施之间的分界线。

Nvidia 的参与增添了战略分量，因为其加速器处于许多大型 AI 系统的核心。不过，这项投资并不意味着 Nvidia 已为某一特定平台选定 ONE。两家公司均未披露与本次融资相关的商业部署。

这一点应当保持清晰。Nvidia 已在广泛的基础设施供应链中进行投资，股权投资并非采购订单。尽管如此，其参与仍表明，可配置光学网络值得与更快的加速器和更高速链路一道受到关注。

本轮融资也反映了 iPronics 自 2019 年成立以来的发展。该公司源自 Universitat Politècnica de València，主要基地仍位于 Valencia。它已在 California 州 Santa Clara 建立业务据点，使工程和商业工作更接近主要 AI 基础设施采购方。

这种扩张所需的不只是招聘。超大规模运营商期待制造一致性、供应商支持、可预测的故障行为，以及与既有管理系统的集成。满足这些要求，如今已成为 iPronics 光交换融资故事的核心。

为什么 AI 数据中心的光交换此刻如此重要

当网络无法持续向加速器输送数据时，AI 基础设施正越来越多地损失宝贵计算时间。

只有当处理器能够高效交换信息时，大型 AI 集群才能作为一个计算系统运行。训练任务会反复在加速器之间同步数据。推理系统也会在专用资源之间传输模型状态、提示词和中间结果。

增加更多 GPU 并不保证性能按比例提升。当通信耗时过长，或网络无法提供所需路径时，处理器可能处于低利用率状态。这使网络利用率成为高成本计算投资回报的一部分。

传统数据中心网络使用电子分组交换机，是因为它们能够以精细控制处理不断变化的流量。它们可以迅速引导数据包绕过拥塞或故障。其软件、协议、工具和运维实践已历经数十年发展。

这种灵活性也伴随物理成本。光信号通常需要先转为电信号以完成交换，随后再转回光信号进行传输。每一次转换都涉及组件、能耗和热量，而更高带宽则会带来更棘手的电信号问题。

光路能够让流量在交换层内始终处于光学域。这种方法可以减少转换，并在端点之间建立直接路径。当流量足够可预测、值得为这些路径预留资源时，它便具有吸引力。

AI 工作负载重新激发了市场兴趣，因为其通信模式可能包含大量、重复出现的数据流。训练系统通常会在加速器之间执行结构化的集体操作。网络软件有可能将这些操作映射到能够保持足够稳定时间的光路上，使其真正发挥作用。

这并不意味着光路交换可以全面取代 Ethernet。短小且不可预测的流量仍然受益于分组级路由。控制流量同样需要响应迅速的网络，而不是等待光学拓扑发生变化。

更可信的设计是将两种技术结合起来。电子交换机处理动态分组流量，光路则承载选定的高流量数据流，或重新安排物理连接。运维挑战在于如何协调两层体系，而不制造新的瓶颈。

市场兴趣并不限于单一供应商。发表于 npj Nanophotonics 的一篇行业综述将光路交换机描述为 AI 互连领域的新兴选择，并指出 iPronics 和 nEye 等公司正在开发硅光方案。

共封装光学、光输入输出 chiplet 以及新型激光系统，均在应对相关的数据传输限制。不过，它们作用于架构中的不同环节。更快的光链路并不会自动带来可重构的网络拓扑。

这种差异界定了 iPronics 的机会。该公司销售的是改变端点连接关系的方法，而不只是固定端点之间更快的传输管道。当集群需要围绕故障、任务部署或不断变化的通信需求进行适应时，这项能力便会变得有价值。

iPronics 光交换融资挑战仅靠分组的网络模式

核心竞争在于直接光路与成熟分组交换灵活性之间，而非让光和电在所有环节相互对立。

分组网络将数据划分为更小单元，并决定如何通过交换设备转发它们。这种架构支持混合工作负载、流量突发和频繁变化的目的地，也为运营商提供成熟的拥塞控制和可观测性工具。

光路交换遵循另一种逻辑。它在端口之间预留光路，形成临时物理连接。随后，数据可以穿越该电路，而无需在每个中间交换点作出电子转发决策。

对于已知端点之间的持续流量，其优势最为清晰。经过调度的 AI 工作负载能够产生具有明确通信模式的大规模传输。控制器可根据这些模式配置电路，并减少对多个分组交换阶段的依赖。

当流量变化速度快于物理拓扑变化时，其弱点便会显现。建立需要时间的电路并不适合微小、不可预测的数据流。当调度假设被证明错误时，预留容量也可能闲置。

这一权衡解释了为何控制软件与光子芯片同等重要。控制器必须了解工作负载部署、可用路径、故障状况和光功率，随后还必须在不干扰正在运行任务的情况下改变连接。

iPronics 表示，ONE 为此提供了 API 和集成遥测功能。该公司还称，该平台可以为训练和推理重新配置连接。这些仍属于供应商主张，除非客户公布在具有代表性负载下的运维结果。

该公司并未进入一个尚未开发的市场。Google 开发了 Apollo 光路交换机，并将 OCS 集成到 Jupiter 数据中心网络中。Google 表示，这项技术如今支撑了其绝大多数数据中心网络。

Google 的 Jupiter history 描述了围绕光交换、波分复用和软件定义控制开展的多年联合开发。这一历史验证了架构理念，同时也凸显出 iPronics 的商业挑战。

Google 控制了交换机设计、网络架构、调度系统和运行环境。大多数组织并不具备如此程度的垂直整合能力。它们需要能够适配既有设备、采购周期和支持预期的供应商产品。

这正是融资公告中的反转之处。Google 证明了光路可在大规模环境中运行，但其成功并未使这项技术变得易于采购。iPronics 正试图将一种由超大规模云服务商开发的模式打包，提供给更广泛的基础设施建设者。

这家初创公司还必须避免将 OCS 描绘成每一种分组交换机的直接替代品。这样的说法会忽视需要即时、细粒度路由的工作负载。混合架构提供了更可信的路径，因为每项技术都可处理最适合它的流量。

行业协作可能降低采用门槛。Open Compute Project 创建了一项 OCS 计划，参与方包括 Google、iPronics、Ciena、Lumentum、Lumotive 以及学术贡献者。该项目旨在制定共享术语、架构和要求。

Google 通过 OCS project 表示，其在 Jupiter 和 TPU 系统中使用这项技术。开放工作可帮助其他运营商评估 OCS，而无需复制某一家超大规模云服务商的私有设计。

仅靠标准无法决定胜负。运营商将比较集群整体利用率、部署复杂度、功耗、故障恢复能力和软件集成。最终胜出的架构，应当是在不增加难以管理的运营风险的前提下，提高有效计算产出的方案。

可编程光子技术是机制，而非证据

iPronics 的技术差异化在于由软件控制的光子互连结构，但商业化取决于这一结构在受控演示之外的表现。

传统光路交换机通常采用微机电系统（MEMS）。这类系统通过物理调整微小反射镜或相关组件来改变光线方向。它们能够支持大量端口，但机械运动会影响交换行为和封装方式。

iPronics 则利用硅光子技术实现其交换功能。其平台通过芯片上的集成结构控制光信号。该设计旨在提高连接密度，同时减少对可动交换元件的依赖。

可编程光子集成电路能够在制造完成后改变光信号的传输路径。软件可配置电路内的元件，使同一硬件平台支持不同的连接模式。这种可编程性正是 ONE 产品拓扑控制能力的基础。

该架构尤其适用于机架级 AI 系统。机架内及机架之间的加速器日益需要高密度连接，同时还要满足严格的功耗限制。紧凑型光交换机可重新安排这些路径，而无需运营商重新布线设备。

设想一个同时运行多个训练任务的集群。某个任务可能需要一组机架之间具备强连接能力，而另一任务则使用不同的一组机架。可编程电路层可以针对每种已调度的通信模式建立直接路径。

如果加速器或链路发生故障，网络也可能绕过受影响的组件重新路由。Google 已将拓扑重配置和故障管理列为其自身基础设施中 OCS 的优势。商业平台必须通过可用的控制方式提供类似能力。

然而，光信号穿过组件和连接时会不断累积损耗。串扰可能使不需要的光能量干扰另一条路径。封装、光纤对准、温度特性和制造偏差都会影响系统性能。

这些并非无关紧要的实验室细节。它们会影响链路预算、维护周期以及可用端口数量。iPronics 表示，其专有交换结构和工艺设计套件可应对光损耗和串扰问题，但公开的客户测量数据仍然有限。

规模扩大也会改变控制问题。32 端口产品可以组合成更大的系统，但更多级联会引入额外的设计选择。运营商需要了解，随着互连结构扩展，性能、故障域和管理复杂度将如何变化。

交换机必须与任务调度器和分组网络协同工作。在错误时机执行的拓扑更新可能中断宝贵的计算。缓慢或不稳定的控制决策，可能抵消光路径带来的物理效率优势。

安全性同样值得关注。可编程基础设施会产生必须经过认证、监控并防范错误变更的接口。能够重排物理连接的控制器会成为敏感的运营组件。

这些限制并不否定 iPronics 的光路交换技术。它们界定了可信机制与广泛采用之间仍需完成的工作。融资为公司提供了更多完成这些工作的能力，但无法替代生产环境中的证据。

这 1.25 亿美元尚未证明什么

最大的未知因素在于，iPronics 能否将技术兴趣转化为可披露、可重复的客户部署。

融资公告未披露客户名称、已出货系统数量、营收或公司估值。它也未披露制造合作伙伴或具有约束力的采购承诺。这些缺失限制了对其商业进展的评估。

在超大规模基础设施领域，未公开客户名称可以理解。买方通常会对网络架构保密，认证周期也可能远长于消费产品周期。但匿名需求不能长期充当证明。

投资者押注的不只是某一家供应商，也包括市场的发展方向。AI 建设者需要更高带宽、更高密度，以及每单位有效计算更低的功耗。随着传统电气路径在高速场景下越来越难以扩展，光学技术因此获得资本支持。

这种广泛需求也带来了来自多个方向的竞争。nEye 正在开发采用基于 MEMS 元件的硅光子光路交换机。包括 Lumentum 和 Coherent 在内的成熟光学供应商也拥有制造经验和超大规模客户关系。

其他光子初创公司瞄准了相邻层级。Lightmatter 开发更接近处理器和交换机的光互连技术。Xscape Photonics 则专注于多波长光连接。这些产品的功能并不完全相同，但它们都在竞争架构预算。

电子网络供应商也在持续改进其系统。Broadcom、Nvidia、Marvell 等公司不断推进交换芯片、互连协议和光学接口。更好的电子互连结构可能推迟独立电路交换层成为必要组件的时间点。

超大规模运营商也可能构建专有的 OCS 系统。Google 的 Apollo 项目提供了最清晰的先例。当网络规模足以证明专门研发的合理性，且商业产品无法满足精确要求时，大型运营商可能更偏好内部硬件。

这从两方面对 iPronics 形成压力。它必须在有意义的工作负载指标上优于传统网络扩展方案，也必须提供足够价值，使客户选择商用系统而非自行开发。

量产准备度是另一项不确定因素。硅光子技术结合了电子制造实践与光学封装要求。从样品走向大规模系统部署时，稳定的良率和装配质量将变得至关重要。

可维护性将影响采用。数据中心团队需要可预测的更换流程、诊断信息和软件回滚路径。当硬件、遥测或编排系统出现意外行为时，拓扑控制器必须能够安全失效。

工作负载的多样性也会使价值评估更加复杂。一些训练模式可能很适合映射到稳定电路上；突发式推理流量或共享云环境获得的收益可能较少。买方需要看到真实应用中的测量结果，而不仅是峰值组件规格。

关键比较指标是每单位基础设施所实现的有效加速器产出。仅凭端口密度或低组件延迟无法回答这个问题。运营商关心的是，在考虑完整网络后，完成的训练任务和已服务请求是否有所改善。

因此，最有力的证据将是一项独立的生产案例研究。它应披露拓扑、工作负载类别、可用性、功耗测量和利用率变化。缺少这些信息时，商业前景仍具合理性，但尚未得到完整验证。

三个信号将显示 iPronics 能否实现规模化

客户披露、生产可靠性和软件集成，将决定本轮融资能否造就一家持久的基础设施供应商。

第一个信号是具名的商业部署。公开客户应说明 ONE 位于网络的何处，以及哪些工作负载在使用它。这类证据将强化该系统已超越评估阶段的说法。

最有价值的披露不应仅限于安装公告。它还应比较加速器利用率、网络功耗、任务完成时间和恢复行为。即使是有限的测量数据，也能为买方评估该架构提供依据。

没有工作负载结果的部署仍然具有意义，但其验证力度较弱。它可能仅表明客户已经开始测试硬件，而非以有意义的规模运行它。未来报道应始终明确这一区别。

第二个信号是可重复生产和可靠性的证据。iPronics 必须证明，它能够在支持长期运行的同时交付一致的系统。相关指标包括可用性、光损耗稳定性、故障率和更换流程。

制造合作伙伴关系也将澄清公司的规模化路径。初创公司可能设计出强大的光子电路，却在封装产能或系统装配上遇到困难。供应链细节将降低围绕商业交付的不确定性。

第三个信号是与 AI 编排及开放基础设施标准更深入的整合。当工作负载调度器能够自动请求拓扑变更时，光路会变得更有用。运营商还需要通用管理接口，以及跨网络层的可预测行为。

Open Compute Project 为此类工作提供了一个平台。公开规范、互操作性演示或多供应商试验，将降低评估 OCS 的成本。它们也将避免光交换演变为一系列彼此孤立的专有系统。

这些信号应按这一顺序出现。客户部署证明需求，可靠性数据表明产品能否持续服役，软件与标准则证明采用能否超越定制工程项目。

若无法提供这些信号，融资叙事将被削弱。公司仍可能开发出有价值的知识产权，但它将停留在组件故事，而非网络平台故事。届时，更先进的电子交换技术可能吸收更多短期支出。

积极证据将带来更广泛的影响。它将确认，面向 AI 数据中心的光交换正在成为一个商用产品类别。分组交换仍将不可或缺，而可编程光路将在其旁承担明确角色。

iPronics 的光交换融资购买了时间、人才和商业能力，但它并未决定这场架构竞赛的胜负。基础设施买方现在应关注部署和运营数据，而不应只关注投资方名称。

即使不直接采购硬件，这一变化对开发者和企业 AI 团队也很重要。更好的网络利用率会影响模型可用性、训练计划和基础设施成本。评估 AI 系统的团队应询问供应商，其网络在多大程度上让加速器持续工作。

关注未来数月客户披露的信息。应寻找经过测量的生产结果，而不只是更快的组件规格。这些结果将表明，iPronics 是让可编程光网络更容易被采用，还是仅仅更容易获得融资。