上海将 GPU CPO 基础设施纳入 2030 年议程，但部署仍落后于政策

上海提升了 gpu cpo 基础设施的地位，但其中存在一个核心矛盾：政策支持正快于国产光计算系统已获验证的大规模部署。

这一信号出现在 2026 年 8 月 12 日的一份中国市场简报中。该简报将上海的技术规划与油价上涨、金价下跌以及美国存储股走强并列。上述市场变动具有时效性，但上海相关政策并非在当日上午发布。

上海的政府五年规划于 2 月 7 日获批，并于 2 月 10 日公布。载有该文件的政府页面也于 7 月 27 日发布。这一区别很重要，因为 8 月的标题是在重提既有产业战略，而非宣布一项一夜之间出台的采购指令。

这项政策仍值得关注。上海正通过一项区域性计划，将国产图形处理器、光网络、制造支持和公共算力基础设施连接起来。GPU CPO，即图形处理器与共封装光学结合，处于这一战略中技术雄心最高的一端。

共封装光学将光引擎置于处理器或网络交换机附近。数据进入光纤前，这种安排缩短了高速电信号传输路径。其目标是解决数千颗加速器作为一个系统运行时不断扩大的带宽、距离和能耗问题。

因此，这场竞争不只是上海与另一座中国城市之间的较量，而是国产系统集成与 Nvidia 高度协调的计算平台之间的竞争。上海可以支持芯片、网络、工厂和测试中心，但政策无法立即复制 Nvidia 的软件、封装产能或量产经验。

上海实际批准了什么

上海批准的是广泛的产业方向，而不是对每一家与 GPU 或 CPO 相关公司的订单保证。

上海官方的五年规划覆盖 2026 年至 2030 年。上海市立法机构于 2 月 7 日批准该规划，市政府则将 2 月 10 日列为其印发和公布日期。

该文件设定，在此期间年度经济增长目标约为 5%。同时，到 2030 年，数字经济产业对上海国内生产总值的贡献目标将超过 20%。

这些目标为算力战略提供了框架。上海希望研发支出超过本地 GDP 的 5%。同时，战略性新兴产业预计将占较大规模制造商工业产出的半数。

该计划将集成电路、生物医药和人工智能置于上海先进产业政策的核心。它提出这三个行业的制造业总产出年增长率将超过 10%。

对于集成电路，该市将设备、制造和芯片设计列为重点领域。对于 AI，则强调智能计算、基础模型、高质量数据、具身系统和专业化应用。

该文件并未将 CPO 描述为独立的消费产品，而是阐述了使先进互连技术具备现实意义的基础设施条件。上海计划统筹算力设施，建立公共智能计算服务平台，并建设国产计算硬件兼容性测试中心。

这一测试中心很重要。一颗 GPU 可能拥有强劲的理论性能，却在实际模型、通信库或混合供应商集群中表现吃力。兼容性测试将产业政策转化为可量化的工程工作。

上海还希望到 2030 年有超过 5,000 家制造商采用 AI 应用。规划要求建设至少 500 家先进智能工厂，从而为 AI 服务器和工业计算服务创造潜在的本地客户。

7 月 7 日发布的另一项上海政策，为工业 AI 项目增加了财政支持。该市的AI 制造措施涵盖工业模型、智能体、软件、服务器、机器人和服务提供商。

这些措施提供项目支持，但并不能证明市场对任何特定光学架构存在需求。使用计算机视觉的工厂，并不必然需要由 CPO 连接的 GPU 集群。

这是对 8 月市场解读的第一个限制。上海已建立战略重点和支持机制，但并未承诺 CPO 将立即在所有数据中心取代可插拔光模块或铜缆连接。

因此，事件日期应谨慎表述。8 月 12 日是市场简报流传的日期；2 月 7 日是核心五年规划获批的日期，而 2 月 10 日则是其正式公布日期。

这一时间线改变了叙事。该消息并非一项突如其来的法令，而是在投资者重新评估 AI 硬件、存储和光网络之际，对一项已获批准产业议程的重新关注。

为什么 GPU CPO 已成为政策重点

政策关注源于一项物理约束：只有当系统能够持续向处理器提供数据时，增加处理器才有帮助。

现代 AI 集群将任务分配给许多加速器。这些处理器在训练和推理过程中不断交换模型参数、中间结果和同步消息。

随着集群规模扩大，通信延迟会占用更多处理时间。当网络无法足够快地传输数据时，名义上更快的 GPU 也可能处于闲置状态。越来越重要的计算单位是完整系统，而非单一芯片。

传统可插拔光模块将光电转换硬件置于交换机前面板附近。在信号到达这些模块之前，电信号需从交换芯片穿过电路板传输。

这一模式仍被广泛部署，因为运营商可以独立更换模块。它还将光学组件与交换机中发热最严重的芯片分离，使维护和热管理方式更为成熟。

然而，更高速的电连接会随距离增加而损失信号质量，并需要更多功耗进行信号调理。随着交换机带宽和连接器密度提升，电路板布线也变得更加困难。

CPO 将光引擎置于交换或计算芯片旁。更短的电气路径可以减少损耗，并在封装边缘支持更高带宽。随后，光纤承担连接中距离更长的部分。

代价是可维护性。发生故障的可插拔模块可以从交换机中取出，而高度集成的光学封装内部出现问题，可能影响更昂贵的组件，并需要不同的维护流程。

热管理带来另一项挑战。光引擎、激光器、交换芯片和先进封装必须在有限空间内可靠运行。制造良率也变得至关重要，因为一个故障组件就可能降低整个封装的价值。

上海的兴趣反映了中国特定的硬件约束。国产加速器开发商必须在无法不受限制地获得所有先进外国芯片的情况下竞争。改善现有处理器之间的通信，提供了另一种提升系统级性能的路径。

这种方式有时被描述为用更大的集群弥补单颗芯片性能较弱的不足。这样的表述并不完整。只有当软件和网络能够防止通信成本压倒新增算力时，增加更多处理器才有效。

光互连可以改善距离和带宽问题，但无法解决低效的集合通信或薄弱的内核优化。它们也无法解决高带宽内存、先进基板或半导体制造短缺的问题。

不过，上海仍有理由鼓励该技术。该市拥有 GPU 设计商、半导体公司、AI 实验室、云运营商和光子学专家。这种集聚可以缩短从原型、集成测试到部署的路径。

本地项目已提供证据，表明该战略正在超越演示文稿阶段。总部位于上海的光子学公司 Lightelligence 已与国产加速器供应商合作开发光互连系统和 xPU-CPO 原型。

xPU 是对 GPU 或其他加速器等处理器的通用称呼。该原型将光连接置于处理封装附近，目标是实现高带宽 scale-up 连接。

Scale-up 将处理器连接到一个高度协同的计算域中。Scale-out 则将机架或集群连接到更广泛的网络中。两者都很重要，但其延迟、距离和维护需求各不相同。

这一区分避免了一种常见的分析错误。适用于网络交换机的 CPO 设计，并不一定能直接适用于 GPU 旁。GPU 直连光学要求处理器接口、封装、热设计和软件共同演进。

行业预测同样需要谨慎看待。TrendForce 估计，到 2030 年，CPO 在 AI 数据中心所使用光通信中的占比可能达到 35%。其CPO 展望仍描述的是渐进式采用曲线，而非即时主导。

这一预测支持上海的长期兴趣，但并不能确定哪些供应商将胜出、哪种架构将领先，或中国部署将以多快速度从演示转向商业集群。

GPU CPO 的竞争，本质上是上海对阵 Nvidia 的全栈体系

上海正试图协调一个产业网络，而 Nvidia 则凭借软硬件一体化平台进入这场竞争。

Nvidia 掌控的不只是一颗加速器芯片。其数据中心系统将 GPU、CPU、网络接口、交换机、通信库、机架设计以及 CUDA 软件环境结合起来。

这种集成在引入新型互连技术时赋予 Nvidia 优势。该公司可以围绕共同路线图，协同优化处理器、网络、软件和系统架构。

Nvidia 已将光学纳入其路线图。其 Spectrum-X 网络产品线正朝采用共封装光学的交换机发展，而其未来计算平台则将光连接进一步延伸至 scale-up 系统。

该公司也保留了在铜缆仍具实用性的场景中使用铜缆的方案。其路线图并未假定每一条短距离连接都必须立即转为光连接。

这种混合策略意义重大。铜缆连接在短距离内可以继续保持经济性和可维护性。当带宽、机架数量或距离将电连接推至可接受功耗预算之外时，光学方案就更具吸引力。

Nvidia 计划中的 Feynman 代际产品说明了这一转变。该平台预计将在 2028 年同时支持其 Kyber scale-up fabric 的铜缆和 CPO 版本。

这一时间表为上海提供了时间，但也设定了严苛标杆。即使国产系统更早出货，仍需在利用率、可靠性、软件支持和运营成本上具备竞争力。

上海的应对方式更为分散。本地 GPU 设计商开发加速器，光子学公司制造光引擎，设备供应商负责封装，算力运营商则整合集群。

这种结构为专业化创造了空间，但也可能引发接口争议、重复研发和不均衡的产品周期。没有任何单一参与者必然能够控制所有依赖关系。

兼容性尤其困难。国产集群日益结合来自不同供应商的处理器。每种处理器都可能采用自己的软件栈、通信库、固件和管理工具。

物理连接并不会自动形成统一的计算系统。运营方需要能够理解底层硬件的调度器、集合通信例程、故障隔离机制、模型框架和可观测性工具。

这正是上海规划建设的国产算力兼容中心比单一原型发布更重要的原因。可重复的测试能够揭示，系统是否能在具有代表性的工作负载下运行，而不只是完成一次精心挑选的演示。

开发者应关注实际利用率，而非峰值计算能力。一套集群即便在某项基准测试中达到理论性能的较高比例，也可能在另一种模型上表现不佳。

混合专家模型提供了一个相关测试。这类模型会针对每个输入仅激活选定的专家网络，从而产生高要求的全互联通信模式。网络必须在工作负载动态变化的处理器之间高效传输数据。

大型推理系统则带来不同需求。它们必须管理内存、提示词处理、Token 生成和用户延迟。针对训练优化的网络，并不一定能自动带来最佳的推理经济性。

上海的国产 GPU 企业同样面临生态系统问题。Nvidia 开发者可以复用成熟工具、优化内核和部署实践。切换硬件可能需要修改代码、验证模型，并掌握新的运维技能。

市级规划通过支持智能云服务和硬件适配，间接认识到了这一点。但公共支持无法消除企业买家的迁移成本。

买家会比较已完成的任务、可用性和运维工作量。他们不会只通过政策目标或实验室带宽来评估处理器。

这种买方纪律是健康的。它会促使国内供应商交付可互操作的系统，而不是一批带着宏大规格的孤立组件。

上海的路径仍有机会形成有意义的替代方案。其最佳机会不在于复制 Nvidia 平台的每一个部分，而在于围绕国产供应、开放接口以及本地运营方能够支持的部署场景构建实用系统。

因此，核心竞争在于集成执行力。Nvidia 通过产品控制实现协调；上海则尝试通过政策、区域集聚、测试基础设施和合作伙伴关系实现协调。

光学路径仍面临制造壁垒

支持 CPO 的最有力理由来自带宽物理规律，而最强反对意见则来自制造和运维。

CPO 将历来遵循不同生产模式的技术结合在一起。电子逻辑、硅光、激光器、光纤耦合和先进封装必须在同一可靠产品中协同实现。

每增加一项技术，都会带来潜在的良率损失。如果昂贵的交换芯片正常工作，但相邻的光引擎发生故障，其经济影响可能超过更换可插拔模块的损失。

外置激光源可以将一个对热敏感的组件移出主封装，但也会引入光纤连接、监控需求以及另一个潜在故障点。

测试也变得更困难。制造商必须在完成最昂贵的封装步骤之前识别出有缺陷的组件，还需要能够在量产规模下测试组装后产品的方法。

这些问题解释了为什么原型不应被视为量产。演示证明工程师能够构建可工作的配置，但并不能证明其具备可接受的良率、可预测的现场可靠性或具有成本效益的维护能力。

近封装光学，或 NPO，提供了一条中间路线。它将光引擎放置在主芯片附近，同时比完整 CPO 保留更多分离度。

NPO 可以缩短电气走线，而不必将所有组件合并到一个封装中。这种安排能够简化更换，并让供应商在采用更深层集成之前积累封装经验。

可插拔模块也在持续进步。更快的模块、更好的连接器和改进的信号处理可以延长其使用寿命。CPO 必须与这一不断变化的目标竞争，而非与静态的传统设计竞争。

因此，上海战略应根据架构选择而非 CPO 标签来评判。采用 NPO 或改进型可插拔模块的项目，只要能够带来更好的系统性能，仍可推动国产 AI 基础设施发展。

标准化仍存在不确定性。连接到某家供应商交换机或 GPU 的光引擎，未必能顺畅接入另一家供应商的封装。专有接口可能会割裂政策意图协调的市场。

Optical Internetworking Forum 和其他行业组织正在制定电气和光学接口规范。然而，标准接口并不能保证不同热设计、控制软件或可靠性要求下的封装可以互换。

出口管制带来另一项风险。国产互连创新可以降低某一层面的依赖，但其他层面仍然暴露在风险之中。先进制造、存储器、电子设计软件和封装设备仍会影响最终系统。

功耗也是另一项不确定来源。光链路可以降低高要求距离下的通信能耗，但整个集群还包括冷却、转换、存储器、处理器和网络设备。

如果没有系统级测量，关于更低链路功耗的说法不应被表述为更低的数据中心功耗。运营方需要在可比条件下收集的工作负载级结果。

同样的谨慎也适用于利用率声明。供应商可以选择有利于自身架构的模型规模、批处理设置、精度格式和基线系统。

独立测试应披露完整配置，包括处理器数量、拓扑结构、软件版本、模型设置、故障率和持续性能。

可靠性数据需要时间积累。一套集群可能在会议演示中表现良好，却在数月运行后出现光学对准、连接器或散热问题。

维修流程也必须能在真实设施中运作。数据中心技术人员需要清晰的故障信号和可替换单元。若一项设计在常规故障中需要专家介入，可能会抹去部分效率收益。

资本规划进一步增加了压力。运营方必须决定是现在购买成熟的可插拔系统、在过渡期间采用 NPO，还是等待拥有更强现场证据的 CPO 产品。

由于工作负载不同，并不存在通用答案。运行通信密集型训练的研究集群，可能会比在较小域内运行的推理服务更早看重光学纵向扩展。

这正是上海项目应在下一轮部署周期中支持竞争性路径的原因。在完成运维测试之前就宣布 CPO 获胜，只会以口号取代工程判断。

上海的计划并不要求犯下这一错误。其对算力基础设施、国产适配和制造的更广泛关注，允许多种互连路径展开竞争。

审慎的结论很直接：GPU CPO 具有可信的技术用途，上海也拥有相关产业参与者。在系统能够于受控演示之外可靠运行之前，其商业规模仍未得到证明。

三个信号将显示上海能否缩小差距

下一阶段必须将政策协调转化为可重复的系统、可衡量的工作负载和已承诺的客户。

第一个信号是经过验证的商业 GPU CPO 部署。应关注是否有具名运营方在披露的集群上运行生产工作负载，而非又一个隔着会议围栏展示的原型。

披露信息应明确加速器系列、处理器数量、拓扑结构、光学架构和软件环境，也应区分已安装硬件与未来最大配置。

工作负载结果应包括持续利用率和任务完成情况。对于推理，运营方应在明确服务目标下报告延迟和吞吐量。

如果上海在未来数月内提供这些证据，其系统级路径的论据将得到加强。没有运行数据的又一次演示，将使核心不确定性维持不变。

第二个信号是国产算力适配与测试工作的进展。上海五年规划提出建设兼容性测试中心，但其价值取决于覆盖范围和透明度。

一项有用的计划应在常见框架、通信库和网络配置下测试多种国产 GPU，并公布足够的方法论，让开发者和买家能够比较系统。

互操作性结果尤其重要。上海拥有多家加速器供应商，客户不希望每个集群都成为孤立的技术孤岛。

可信的测试计划还应追踪故障。只报告峰值基准测试结果，会鼓励为宣传而非可靠运行进行优化。

如果该中心形成可重复的验收标准，上海就能获得单个供应商难以独自建立的协调机制。如果测试仍然私有且偏向宣传，买家将难以区分工程进展与宣传说法。

第三个信号是 Nvidia 及其他全球平台供应商的产品响应。Nvidia 从可插拔光学向 CPO 的转变，为时机和设计选择提供了商业参考。

其 2028 年 Feynman 路线图目前同时保留铜缆和光学纵向扩展选项。这种双路径表明，行业仍预计不同距离和机架布局需要不同解决方案。

Broadcom、AMD、超大规模云运营商和光组件供应商同样会影响采用进程。它们的量产时间表将塑造组件产能、标准和客户预期。

如果全球平台加速 CPO 部署，上海的早期投资将显得时机更佳。但这也会加剧对光子学人才、激光器、封装产能和测试设备的竞争。

如果全球供应商在延长铜缆、NPO 和可插拔模块使用的同时推迟部署，上海应避免强行推进过早集成。延迟会削弱激进采用预测，但不会消除长期带宽问题。

开发者和企业买家应关注这些信号，因为硬件架构最终会影响软件决策。网络拓扑会影响分布式训练代码、模型部署、故障恢复和基础设施成本。

评估国产加速器的团队应要求提供端到端结果。芯片峰值性能对于通信过程中耗时严重或需要大量应用改动的系统而言，说明不了太多问题。

他们还应保留工作负载记录、基准配置、供应商声明和测试结果。一个可搜索的工程知识库可以在硬件修订版本不断增多时，让这些比较保持可追溯性。

投资者面临不同挑战。8 月 12 日的简报将长期产业规划与存储、能源和贵金属的日常市场波动并列呈现。这种形式可能让较早的政策看起来像是一项新指令。

修正方向并非忽视政策，而是区分规划、项目支持、原型开发、客户资质认证，以及能够产生收入的实际部署。

上海显然已将 AI 基础设施列为到 2030 年的战略重点。其在数字产业、科研投入、先进制造和 AI 应用方面的目标，提供了切实的制度支持。

这座城市还拥有一条可信的本地产业链，涵盖处理器、光子技术、封装、软件和算力服务。很少有地区能够在同一个产业集群内协调所有这些环节。

然而，Nvidia 仍是标杆式竞争对手，因为它掌控着一体化平台和成熟的开发者环境。上海必须在多个独立供应商之间构建出可比的系统表现。

这项任务很困难，但可以衡量。生产环境部署、透明的兼容性测试，以及客户续约情况，都将揭示协调是否真正奏效。

短期问题并不是光最终会不会承载更多 AI 流量。这一方向已获得强有力的技术支持。问题在于，光学技术将在系统的哪个环节进入，何时实现集成才具备经济性，以及谁能够可靠地运营它。

上海推动 gpu cpo 的努力，应当在这一层面上接受评判。关注已部署的集群、测试方法，以及全球产品时间表。这三个信号将显示，相关政策究竟正在转化为基础设施，还是仍停留在一个可投资的叙事之中。