邬贺铨院士：智能体时代光网络

在今日举行的中国光网络研讨会上，中国工程院院士邬贺铨发表《智能体时代的光网络》主题演讲，阐述了大模型智能体爆发对数字基础设施提出的全新挑战，并重点聚焦入算网络、算内互联与算间互联三大核心层级的技术演进路径。

他指出，随着大模型智能体（Agent）从概念走向规模化应用，不仅显著增加Token调用量，同时推动算力持续走高。据预测，2030年全球IP流量年增60%~90%，流量中AI占比超过60%，这类流量对丢包与时延高度敏感，传统IP网络难以满足需求。

邬贺铨认为，从成本看超算不宜做智算，智算不宜做通算；从性能看通算不胜任智算，智算精度不足无法承担超算。为此，当前互联技术按层级分层选型：卡间互联优选CPO、LPO、OCS技术，机间互联优选Spine-Leaf互联，800G/1.6T可插拔光模块（OSFP）、硅光集成、DWDM+OTN；算间互联则优选DWDM+OTN，相干硅光高速光模块，广域RoCEv2+全域无损调度，光电路交换OCS，算力路由协议、SRv6算力切片等。

入算网络是用户侧数据进入智算中心的通道。随着智能体7×24小时运行及B端企业日均百万至亿级Token消耗成为常态，传统上行窄带已成为瓶颈，且不同场景对时延和数据隐私的要求差异巨大。

针对中小企业及高端个人用户的本地接入，对称50G PON技术成为主流方案。

对于实时性要求高的业务，2000km往返约20ms的基础物理时延叠加处理后普遍超过25ms，难以满足<20ms的实时业务需求。针对上述挑战，主要采取以下应对措施：

一是区分业务类型。能接受30~100毫秒延迟的，可以远程处理。二是架构优化：在东部做意图识别、轻量化预处理，仅把核心算力诉求传到西部，缩减交互数据量，同时缓存预热常驻模型，无需每次远距拉取模型文件。三是用更好的网络技术：重要业务路由选空芯光纤，时延可降低约30%；FC-NVMe用FC无损承载NVMe本地SSD高速接口，将设备+协议延迟压至1毫秒以下；若追求成本与短距，则选RoCEv2。

邬贺铨介绍，算内网络正向全光扁平架构演进，叶脊结构支撑千卡以上GPU集群。系统速率从400G迈向2026年的1.6T、2028年的3.2T。

模块从可插拔800G为主过渡到2026年的近封装（NPO）和共封装（CPO），后者功耗降50%、密度升10倍；2028年后有望引入全光交换（OCS），实现纳秒级时延。

光纤方面，超低损单模用于长距，多芯光纤提升布线密度，空芯光纤衰减更低、时延减少30%，虽成本高，但节省的微秒级时延可提升算力利用率2%–5%，大智算中心算力收益足以覆盖其溢价。

RDMA（远程直接内存访问）是提升算内网络性能的关键技术。相比传统TCP/IP，RDMA通过专用网卡硬件卸载，数据直接在应用内存与网卡间直传，无中间拷贝，显著降低时延。但为防止丢包，需配合ECN、PFC两种拥塞控制机制。

目前RDMA主要适用于交换机内部及局域网环境。其中RoCEv2支持路由扩展，可在数据中心提供微秒级延迟和极致带宽，但因依赖底层以太网性能，尚不适用于不具备底层以太网性能的广域网。

邬贺铨指出，随着算力需求越来越大，卡间/机间互联需要光电融合突破通信瓶颈，算内网络成为光通信产业发展新机遇。

算间互联分为域内（10km内）和广域（上千公里）。域内可通过专用光纤承载RoCEv2解决；广域虽有需求，但面临严峻挑战。

首先是零丢包要求极高，1%丢包即可致RoCEv2吞吐归零，而传统广域网无法满足；二是时延敏感，长距离导致ACK回复慢、缓存占满，600公里时吞吐可从100G骤降至10G；三是拥塞控制滞后，RTT达数十毫秒，流控指令降速前链路可能已堵死；四是ECMP哈希算法失效，易将多条大流分配到同一链路，加剧拥塞。

针对广域互联的时延难题，可通过拥塞控制机制和负载均衡方法来应对。

在拥塞控制方面，可通过长距PFC+IPCN（智能主动拥塞通知）、HPCC（高精度端侧拥塞控制）、RRCC（参考速率拥塞控制）、TC-SACK（计时计数双维度选择重传）等方式应对。此外，还可通过部署边缘流量整形，避免突发冲击，并划分独立缓存分区防止低优流量堵塞高优业务。

在负载均衡方面，改用更精细的策略：负载均衡改用全局调度，由控制器实时感知全网状态，为每条流量锁定无拥塞最优路径；用精细分流替代传统哈希，把大象流拆小、动态分到多条路，并结合端口分组+接口ID Hash+智能编排，动态调权重，达成无损均衡。

为优化广域互联，光网络底层传输协议正从L3到L1逐层适配AI需求，整体目标是构建“智能光网络 + 开放可编程光层 + 数字孪生仿真 + 物理/IP层协同”的底座。

据介绍，上述技术已在多个国家级示范工程中落地验证。以“京数西算”为例：北京利用西宁算力进行数据加密训练和实时性非敏感的推理，既满足数据安全要求，又利用绿电优势降本约30%。典型应用场景包括政务大模型、城市仿真、科研AI等。

在跨域协同上，“边传边算、分段接力”成为主流。以哈密—深圳4000km专线为例：通过定制拥塞控制技术（URDMA/OTN-RDMA）主动预判+逐跳波长级流控+骨干节点超大缓存，成功将丢包率压至10⁻⁵以下，训练效率超90%；在上海—济南1500km链路上，结合RoCEv2+AINET+SRv6动态调整通信与计算节奏等，效率达95%以上。

在算电协同方面，中国电信800km 400G骨干专线项目中，福建依托低价风电/光伏部署AI计算中心，承接上海迁移任务；上海电力60kW推理任务迁移后降低80%负荷；结合BBRv3+ECN+DCTCP，保障跨省密文数据高吞吐、低时延传输。

面对智能体时代流量结构的剧变，网络与算力的关系正走向深度融合。通过光、IP、管控、业务四层深度协同，将传统网络从单纯的传输管道升级为能按需分配、智能调度的“算力延伸底座”。

最后，邬贺铨总结道，光网络技术的发展带动了链路层、网络层和传送层技术的创新，通信网络技术体系正随AI实现代际跃迁。