Salience Labs 融资将光交换推向 AI 网络瓶颈

Salience Labs 已融资 1.25 亿美元，以推动其光子网络芯片进入批量生产，直面一个仅靠增加 GPU 无法解决的瓶颈。此轮 Salience Labs 融资瞄准的是连接 AI 数据中心内各加速器的网络。这些连接日益决定运营商能够实际利用多少昂贵的计算能力。

这轮超额认购的 B 轮融资由 Bullhound Capital 领投。AMD Ventures、Intel Capital、SBI Group、Hudson River Trading 和 British Business Bank 也参与了投资。现有投资者包括 Applied Ventures、Oxford Science Enterprises、Cambridge Innovation Capital 和 Silicon Catalyst Ventures。

这份投资者名单令本轮融资的重要性超过了一般硬件融资。AMD 和 Intel 都向数据中心销售处理器，而这些处理器的性能取决于数据能否在芯片之间快速传输。两家公司的参与并不验证 Salience 的产品主张，但表明大型半导体公司正在密切关注光交换。

Salience 正在推进光路交换（optical circuit switching，OCS），即在网络端点之间建立直接光路。该公司希望在多个机架之间连接数千块 GPU，同时避免光信号与电信号之间的反复转换。

这使 Salience 面临现代数据中心广泛采用的成熟电分组交换架构的竞争，也让这家初创公司与多种竞争性的光学路线并肩而立，包括共封装光学（co-packaged optics）以及超大规模运营商已部署的专有系统。

问题已不再是光是否应当进入 AI 网络。光纤已经承载了系统之间的大部分流量。竞争焦点在于光学技术将在架构的何处介入、能够以多高的动态性重定向流量，以及是否能以数据中心级规模实现可靠制造。

Salience 如今拥有资金、战略投资者以及一套可运行的 64 端口演示系统。但至少从公开信息来看，它尚未证明其架构能够在大规模商业部署中提供可靠的经济效益。

Salience Labs 融资推动 OCS 迈向量产

这笔新资金旨在推动 Salience 从技术演示走向制造和客户部署。

Salience 于 2026 年 10 月 14 日宣布 B 轮融资。根据该公司的融资公告，资金将用于支持部署、批量制造，以及扩大其在硅谷的业务布局。

Bullhound Capital 主任 Callum Stewart 将加入公司董事会。金融投资者与战略投资者的共同参与，为 Salience 带来的不只是现金。半导体投资者能够提供制造经验、客户引荐，以及对未来加速器平台更清晰的洞察。

Salience 于 2021 年成立，源于牛津大学和明斯特大学开展的研究。目前，公司专注于面向 AI 数据中心网络的集成式光路交换机。

OCS 会在两个端口之间建立一条在特定时间内专用的光路。随后，数据可作为光信号穿过交换机，无需针对每一次转发决策转换为电信号。这种方式不同于电分组交换机，后者会以电子方式检查并路由更小的流量单元。

Salience 在 2026 年 9 月举行的欧洲光通信会议上演示了一台 64 端口全光交换机。公司称，这是同类产品中首个 64 端口硅光子 OCS 演示。这一表述仍属于公司主张，而非独立发布的量产基准测试结果。

这套最新系统是在 2026 年早些时候展示的 32 端口交换机之后推出的。根据其交换机路线图相关报道，Salience 还在开发 128 端口和 256 端口产品。

端口数量之所以重要，是因为每个端口都代表通往光互连网络的另一种潜在连接。更大的交换机可以建立更多路径，并支持更广泛的网络拓扑。然而，增加端口也会提高设计、封装、控制和制造的复杂性。

Salience 计划在扩张过程中与 Keysight Technologies 和 Tower Semiconductor 合作。Keysight 提供测试与测量系统，而 Tower 运营包括硅光子技术在内的半导体制造平台。这些合作关系涉及商业化中两项困难环节：生产一致的器件，以及验证其行为是否符合预期。

该公司此前于 2025 年完成了 3,000 万美元 A 轮融资。从该轮融资迈向 1.25 亿美元 B 轮，反映出将光子学研究转化为基础设施硬件的成本。芯片设计只是其中一个组成部分。封装、光学对准、测试、软件集成、可靠性认证和客户试用都需要大量投资。

Salience Labs 融资并不意味着这些步骤已经完成。它为公司提供了以更大规模尝试完成这些工作的资源。

这一区别很重要，因为数据中心运营商不会孤立地购买前景可期的组件。他们购买的是能够经受持续运行、与现有网络控制系统集成，并可跨越多代硬件持续维护的系统。

因此，Salience 的近期转变既是组织层面的，也是技术层面的。它必须建立制造运营体系、扩充工程团队、支持客户，并将实验室性能转化为可重复交付的产品。

真正的约束是 GPU 利用率

AI 基础设施愈发依赖于持续向加速器供给数据，而不仅仅是安装更多加速器。

大型 AI 模型将工作分配到众多处理器上。在训练期间，这些处理器会反复交换模型参数、激活值和部分结果。一些推理系统也会将单一工作负载分配给多个加速器。

这些交换中的任何延迟都可能让 GPU 陷入等待。闲置的加速器仍占据机架空间，也代表已投入的资本，但在暂停期间不会产出任何有用的 token。

Salience CEO Vaysh Kewada 从利用率和延迟角度阐述了这一问题。她告诉 Data Center Dynamics，客户需要从昂贵的基础设施中获得更高回报，而网络限制制约了紧密互连的加速器域规模。

这正是 Salience Labs 融资背后的商业机会。如果网络能够高效连接更多加速器，运营商便可从相同的计算投入中提取更多工作量。关键结果不只是交换机功耗更低，而是完成训练和推理任务的总成本。

电分组交换机依然有效，因为它们能够灵活路由流量，并迅速响应不断变化的目的地。它们还支持成熟的 Ethernet 和 InfiniBand 环境。其缺点在于，速度不断提升的链路需要更多电处理、更多收发器和更多功耗。

光路交换改变了这种平衡。一旦建立光路，高带宽流量便可穿过交换层，而无需在光交换机内部进行电子分组处理。视具体实现而定，该路径还可以独立于特定数据速率或分组协议。

这种架构很适合大规模、可预测的数据传输。AI 任务通常会产生结构化的通信阶段，例如在大量加速器之间移动数据的集合通信操作。控制器有可能围绕这些已知模式配置光路。

Google 已经证明 OCS 可以超越实验室环境运行。其Jupiter 网络采用光路交换机和软件定义网络，构建可重配置的数据中心拓扑。Google 表示，其内部开发的 Apollo 交换机如今支持其大部分数据中心网络。

Google 的案例提供了一个历史参照，但并不保证 Salience 也会取得相同结果。Google 围绕自身基础设施设计了网络、控制软件、收发器和运营流程。向多个环境销售产品的供应商，面临的是更广泛的集成难题。

机会也不仅限于原始链路带宽。数据中心还必须应对故障、变化中的工作负载、维护和渐进式扩张。可重配置的光学层或许能让运营商在无需为每次拓扑变更逐一重新布线的情况下重组连接关系。

随着 AI 集群扩展至更多机架，这一承诺尤其具有现实意义。铜缆连接在短距离内表现良好，但在更高速度和更长传输距离下，信号完整性和功耗会更难管理。光链路已经解决了距离问题，但传统网络通常仍会在每个交换阶段将流量转换回电信号形式。

Salience 希望让更多路径保持光学状态。其架构旨在连接大型加速器群组，同时减少所涉及的交换层。

压力首先会落在高基数电交换机、光收发器和传统多层网络架构的供应商身上。不过，这些公司也没有停滞不前。电交换芯片持续进步，供应商也在将光学组件进一步靠近网络芯片。

数据中心采购方将比较完整网络，而非将光学组件与电气组件单独对比。他们会衡量任务完成时间、可用性、功耗、部署工作量以及闲置容量的成本。

这使 GPU 利用率成为决定性指标。一台功耗较低却无法响应真实工作负载模式的交换机，并不能解决客户更大的问题。能够提升加速器有效运行时间的系统，则足以证明重大架构变革的合理性。

光路挑战电分组交换

Salience 正押注于：可预测的 AI 流量能够支持直接光路，而通用分组网络会带来不必要的开销。

传统数据中心网络通常采用多层电交换机。分组会根据路由规则、可用容量和目的地，在拓扑中向上和向下传输。

这种设计支持多样化工作负载和快速变化的流量。但这也意味着每个交换阶段都会以电子方式处理信号。光收发器可以在交换机之间承载流量，但交换机本身仍然以电信号作出转发决策。

全光电路则采用不同路径。交换机在端口之间配置一条物理光路，让信号无需进行逐包电子路由即可穿过。该方法可以减少转换，并在选定连接上保持带宽。

其代价是灵活性。在交换机改变配置之前，电路会为特定端点保留路径。如果流量在控制系统作出响应前发生变化，可用的光学容量可能处于闲置状态，而另一条路径则会变得拥塞。

AI 工作负载使这一限制不像在通用云网络中那样严重。训练框架会协调重复的计算和通信步骤。调度器知道哪些加速器参与某项任务，通常也能预判主要的数据流动。

MIT 的研究清晰描述了其背后的设计权衡。理想的 OCS 需要具备高端口数量、低重配置延迟、低光损耗和低成本。根据一篇 OCS 架构论文，要同时实现这四点仍然很困难。

Salience 的方案采用集成硅光子技术，而非大型可移动镜面阵列。该公司表示，其设计整合了部署所需的光交换功能、控制电子设备和软件接口。

集成化有望支持更小型的系统以及半导体式制造。但它也带来了严苛的封装要求。光子组件必须以低损耗引导光线、保持对准，并在温度变化时维持一致性能。

这项 64 端口演示很重要，因为更高的端口数量能扩展网络可实现的连接模式。不过，一次演示无法解答所有运营层面的问题。

客户需要插入损耗测量数据、切换时间、故障行为、波长兼容性和长期可靠性数据。他们还需要了解，针对目标集群需要部署多少设备，以及单个组件故障时会发生什么。

控制软件同样重要。如果调度器无法决定何时、何处建立电路，再快的物理交换机价值也有限。系统必须将光拓扑变化与工作负载部署、通信阶段以及周边分组网络协调起来。

这也是为什么光路交换并不只是以更快的方式替代 Ethernet。它增加了一种必须由软件主动管理的拓扑。

因此，Salience 可能的部署模式将与电交换并存。电网络可处理控制流量、较小的数据传输和不可预测的数据流。光路则可在选定的加速器组之间承载持续的大容量通信。

这种混合结构降低了让单一技术解决所有网络问题的需求。但由于运营商必须协调两套转发系统，它也提高了集成负担。

Salience Labs 获得的融资为这家初创公司构建这些配套层提供了空间。它必须证明，这一光网络结构能够融入真实集群，而无需客户重构软件栈的每一个部分。

兼容性将决定采用速度。运营商已在 Ethernet 和 InfiniBand 工具、监控、安全及运营实践上投入巨大。能够兼容熟悉接口的光子交换机，将更容易进入这些环境。

Salience 表示，其技术面向大规模制造和现有数据中心基础设施而设计。在客户部署产生测量数据之前，这些说法应被视为产品目标。

光学竞争已经拥挤不堪

Salience 并非要说服市场认识到光学技术的重要性。它竞争的是：哪一种光学架构能够获得网络预算。

Nvidia 已发布面向 Ethernet 的 Spectrum-X Photonics 和面向 InfiniBand 的 Quantum-X Photonics。这些系统采用共封装光学（CPO），即将光学组件置于网络交换芯片附近，以降低电连接的长度和功耗需求。

Nvidia 的光子战略针对的是相关瓶颈，但走的是不同技术路线。CPO 改善了流量如何进入和离开电子分组交换机，但未必会以光路替代分组交换。

这种差异定义了核心竞争。Salience 希望让更多流量通过配置好的光路跨越网络。Nvidia 则将光学技术引入高度集成的交换平台，同时保留电分组网络的运行方式。

CPO 提供了熟悉的路由灵活性，以及与既有网络平台相连的产品路径。其挑战包括热管理、激光器设计、封装，以及维护靠近高价值交换芯片的光学组件。

OCS 可以从选定路径中移除电子转发，并对传输数据速率保持透明。其挑战包括重配置、路径调度、光损耗，以及高效处理意外变化的流量。

Google 是另一项竞争参照。其 Apollo OCS 证明光拓扑管理可以在超大规模环境中运行，但 Apollo 是内部系统。Salience 正尝试将集成交换机产品化，面向缺少 Google 定制工程团队的客户。

其他初创公司也从技术栈的不同位置切入光子网络。Lightmatter 开发用于连接计算芯片的光互连产品。Celestial AI 专注于在处理器与内存之间移动数据的光子网络结构。Ayar Labs 则将光输入和输出集成进芯片封装。

这些公司并非 Salience 的完全替代品。它们的存在表明，计算、封装和网络之间的边界正从多个方向向光学技术迁移。

AMD Ventures 和 Intel Capital 的战略投资在这一竞争领域中尤为值得注意。两家公司都需要能够帮助加速器平台扩展的网络选择。支持 Salience，使它们能够接触 Nvidia 垂直整合网络产品组合之外的光学架构。

这并不意味着 AMD 或 Intel 已承诺采用 Salience 的产品。风险投资参与可以支持技术协作或战略观察，而不一定带来商业部署。

Salience 还必须与传统基础设施的持续改进竞争。Ethernet 交换容量不断上升，而更快的可插拔收发器在不要求运营商采用新电路层的情况下扩展了光连接能力。

Salience 最强的应用场景似乎是 AI 工作负载在稳定的加速器组之间产生大量、协调一致的数据传输。最弱的场景则是网络以短暂、不可预测且要求立即进行分组级决策的数据流为主。

客户架构将决定有多少流量属于每一类。运行高度受控训练系统的超大规模云服务商，与服务众多互不相关租户的云服务商有不同需求。

这种差异性使部署证据比头条带宽更为重要。Salience 需要展示哪些工作负载能受益、网络功耗会如何变化，以及系统是否能提高每台加速器完成的工作量。

竞争结果未必会产生单一赢家。共封装光学可以改进分组交换机，光子链路可以连接处理器，光路可以重配置大型计算组之间的路径。多种方案可以共存于同一数据中心。

Salience 的机会在于，将 OCS 建立为一个独立、可重复的采购类别，而非定制化的超大规模云服务商项目。其战略投资者有助于开启这场对话。制造和运营层面的验证必须完成后续工作。

制造与控制仍是艰难考验

本轮融资为 Salience 的规模化提供资金，但并未消除从会议演示到可靠网络之间的技术和商业风险。

第一项考验是制造良率。硅光子技术采用半导体工艺，但光学行为引入了不同于普通数字逻辑的公差。细微变化可能影响损耗、交换性能和通道一致性。

大规模生产要求每个环节都具备可重复性。制造、封装、光纤连接、热控制和测试，都必须以可接受的成本满足客户规范。

Salience 与 Tower Semiconductor 的合作涉及制造产能。其与 Keysight 的合作可支持测试系统。两种合作关系都无法保证量产设备能达到大规模部署所需的性能或良率。

第二项考验是扩展至 64 端口以上。Salience 计划推出的 128 端口和 256 端口产品将扩大可服务的集群规模。更高的径数也可能增加光路、控制复杂度、封装密度和总插入损耗。

因此，成功的 64 端口设备奠定的是基础，而非完整架构。后续产品需要在连接数量增加时维持延迟、信号质量和可靠性。

第三项考验是重配置。当工作负载迁移、任务结束或硬件故障时，光路交换机必须改变路径。有效切换时间不仅包括物理设备的响应，还包括测量、调度、控制器决策以及与工作负载的协调。

2022 年发表于 Nature Communications 的一项研究展示了一种在纳秒级时间尺度运行的半导体光放大器交换机。该研究也强调，控制器开销会影响实际网络性能。其交换研究说明，设备速度与系统速度不能被视为相同概念。

第四项考验是可靠性。AI 集群运行的昂贵任务可能长期占用大量加速器。一项网络故障可能同时延误许多机器。

运营商将希望看到关于组件寿命、热漂移、恢复行为、监控和维修程序的证据。他们还需要冗余方案，以避免让光交换机成为单点故障。

第五项考验是软件集成。控制器需要获得足够的工作负载通信信息，才能配置有用的光路。这些信息可能来自任务调度器、集合通信库、遥测系统或应用框架。

更深层的协调可以提高效率，但也可能增加部署摩擦。客户可能抵触要求大幅改造既有调度和网络软件的架构。

安全性和多租户隔离又增加了一层复杂度。运营商必须确保重配置后的光路只连接获得授权的系统，并确保控制故障不会让不同工作负载之间的流量暴露。

第六项考验是客户证据。Salience 已公布投资者、研究起源、制造合作伙伴和产品里程碑。它尚未公开披露这一新获融资交换平台的大型量产客户。

对于这一阶段的基础设施初创公司而言，这种缺口很常见。但它仍限制了外界对需求、部署时间和运营经济性的判断信心。

读者还应区分较低的组件功耗与较低的系统功耗。光交换机可以避免部分电处理，但完整网络还包括激光器、控制电子设备、收发器、冷却、冗余和分组交换机。只有系统级测量才能确定净收益。

同样，设备内部更低的延迟并不会自动缩短应用运行时间。除物理链路延迟外，训练任务还会受到软件开销、同步、拥塞和故障的影响。

Salience 最有力的近期证据将把设备规格与真实工作负载基准结合起来。该公司需要展示，在具有代表性的集群条件下，其光网络结构能够改善任务完成时间或加速器利用率。

三个信号将揭示这场押注是否奏效

下一阶段应以产品验证、制造进展和客户部署来衡量，而非又一轮融资新闻。

第一个信号是针对 64 端口交换机的独立性能数据。Salience 应披露或支持涵盖交换时间、插入损耗、功耗、吞吐量、故障恢复，以及在真实 AI 流量下表现的测试。

与训练或分布式推理相关的基准测试将尤其有价值。它应将完整的光学架构与可信的电学基线进行比较，并纳入控制器开销。

强劲的结果将支持这样一种说法：OCS 可以通过保持加速器高效运行来改善 token 经济性。缺失或范围过窄的结果，则会使核心的利用率论点悬而未决。

第二个信号是可正常工作的 128 端口产品。从 64 端口扩展将表明，Salience 能在保持光学性能和运行性能的同时延展其架构。

这一里程碑需要的不只是又一次受控演示。客户会希望看到封装完成的硬件、管理软件、可重复的规格，以及制造良率正向商业化要求迈进的证据。

延迟的路线图并不会使底层技术失效，但会削弱这样一种论点：集成式 OCS 已准备好以快于竞争性光学方案的速度实现扩展。

第三个信号是具名客户部署或详细的合作伙伴试用。AI 云服务商、超大规模云厂商、加速器供应商或科研计算运营商，都可能揭示该交换机在真实集群中的表现。

最有价值的披露应明确工作负载、网络规模、部署模式和测得的运营结果。即便是有限的试点，也能为集成工作量和系统可靠性提供证据。

涉及 AMD 或 Intel 硬件的部署，也将澄清它们的投资是否与产品层面的合作有关。在此之前，它们的参与仍是战略信号，而非采购承诺。

这三个指标应按这一顺序出现。性能确立技术价值；更大的产品检验可扩展性与制造能力；客户部署则检验整个系统能否在 Salience 的环境之外运行。

Salience Labs 的融资为公司追求这三项目标提供了足够资本，同时也提高了预期。投资者如今押注的是，从研究驱动的硬件开发过渡为能够服务生产级 AI 基础设施的供应商。

对于开发者和 AI 团队而言，这一问题可能显得遥远，因为网络设备位于模型框架和云服务之下。但其影响并不遥远。网络效率会影响可用集群规模、训练时长、推理能力，以及最终 AI 产品的成本和速度。

企业买家应关注供应商是否开始提供围绕可重构光学互连构建的集群。这类系统或许能为同步工作负载带来更高利用率，但也可能引入新的资源放置规则和性能波动。

基础设施团队应要求供应商提供应用层面的证据，而非孤立的设备规格。真正相关的问题是：完整集群能够在其功耗和资本限制内完成多少有用任务。

光学网络早已是 AI 数据中心的一部分。Salience 正在进行一项更聚焦、也更具影响力的押注：光不仅应传输数据，也应重构加速器之间的路径。

下一款产品、基准测试和客户公告将决定这一押注能否成为可复制的基础设施业务。在这些信号出现之前，这轮 1.25 亿美元融资应被视为对这场检验的资助，而非检验结果。