每日AI新鲜事·07月18日午间版：CPO为何逆势受看好

今天AI圈的消息不算特别密集，但有一个话题在B站上炸了锅——就是CPO这个事。不过咱们先快速过一下最近几条新闻，然后再聊这个。

行，你先说。

好，那今天板块一我就把最近几天还没深聊的一些边角料拎一拎。首先，OpenAI那个内部对抗模型GPT-Red，你有没有细想过它的意义？

这个事我觉得挺有意思的。它的核心思路其实是"以攻代守"——用一个专门搞破坏的模型来自动生成prompt注入攻击，然后把成功的攻击案例转成训练数据，反过来强化防御。

这个闭环设计很聪明。传统的红队测试靠人，贵而且慢。GPT-Red这种方式相当于让攻击自动化、规模化。而且它不对外开放，说明OpenAI把它当成内部的核武器级别工具在用。

对，我看到这个消息的时候第一反应就是——哦，所以Agent安全这块儿他们是认真在做的，不是说说而已。

确实。尤其是现在接工具的Agent系统越来越多，prompt注入是真实的攻击面，不是理论威胁。GPT-Red专门针对这个场景，说明OpenAI内部对这块的重视程度很高。

好，这条就先聊到这。然后我还想提一下Mila Murati那边——她创立的Thinking Machines发布了一个叫Inkling的开源权重模型，参数量975B，接近一万亿了。

975B这个数字很微妙。一万亿是个心理关口，差一点点没到，但体量已经完全是顶级梯队的规模了。而且开源权重这个选择——说明Thinking Machines走的是跟Meta类似的路线，靠开放来建生态。

前OpenAI CTO出来做的第一个大模型就直接冲到这个量级，胆子不小。

Mila出来本来就自带光环，她做事一向不走小步子。当然，参数量大不等于效果好，这个还得看实际benchmark表现。不过开源这件事本身就很有价值，社区会帮着验证的。

说到大模型，英伟达那边也有个小更新——CUDA 13.3加了无进位乘法支持，主要是为了加速密码学运算。这个感觉有点冷门，但你觉得有没有搞头？

这个更新其实是个信号。密码学运算在AI安全、隐私计算、联邦学习这些方向上需求越来越大。英伟达在底层指令集层面做这种支持，说明他们在布局这些场景的硬件加速。

不是什么轰动的消息，但对做同态加密或者安全多方计算的团队来说，这个更新很实在。

好，还有一条——Motional和UCLA合作出了个叫nuReasoning的数据集，大概两万条真实世界的长尾驾驶片段，带推理标注，专门给自动驾驶的推理能力训练用。

长尾场景是自动驾驶最难啃的骨头。普通路况数据已经够多了，但那种极端情况——比如大暴雨里突然出现逆行的行人——数据极度稀缺。这个数据集专门收集这类片段，而且带反事实推理标注，学术价值和工程价值都有。

好，新闻就先聊到这儿。接下来我们聊聊最近B站上讨论得很热的一个话题——OpenAI、亚马逊都在推新技术，但分析师为什么反而还在继续看好CPO？这个逻辑我初看有点绕。

这个话题值得好好拆一下。先说CPO是什么——Co-Packaged Optics，共封装光学器件。简单说，就是把光电转换的功能直接封装到芯片旁边，而不是像现在这样通过独立的光模块传输数据。

等等，我先问一个基础问题——为什么现在AI数据中心对光学互连这么在意？这个需求是怎么来的？

因为AI训练的规模上去了之后，瓶颈从算力本身转移到了数据搬运上。你想啊，几千张GPU要协同训练一个大模型，它们之间每秒要交换海量的数据。这个时候网络带宽和传输延迟就成了卡脖子的地方。

传统的铜缆电气互连，功耗高、距离短、带宽有限。光传输的优势是速度快、功耗低、可以走更远。所以现在大型AI集群基本上都在往光互连方向迁移。

那CPO相比普通光模块的优势是什么？

普通光模块是插在交换机或者网卡的笼子里的，数据还要经过一段电气传输才能到光模块。CPO是直接把激光器、调制器这些光学元件封装到交换机芯片旁边，电气走线极短，能耗大幅下降，带宽密度大幅提升。

听起来很美好，那问题在哪儿？为什么OpenAI和亚马逊搞新技术，反而让人觉得CPO更值得看好？这个逻辑我没绕过来。

这里有个反直觉的地方。OpenAI搞的是自研芯片，亚马逊也有Trainium、Inferentia这些自研加速器。表面上看，这些大厂自研芯片会绕开传统芯片产业链，但CPO这个层面恰恰相反——不管你用谁的芯片，只要你要建大规模集群，你就离不开高性能光互连。

CPO不是某个芯片厂商的专属配件，它是整个数据中心网络层的基础设施。自研芯片越多，集群规模越大，对CPO的需求反而越旺。

哦，我懂了——CPO是"无论谁赢，我都赢"的那种逻辑？

对，分析师看好它的核心逻辑就是这个。就像淘金热里卖铲子的，不管哪家矿主挖到金子，你铲子都得卖出去。CPO就是AI数据中心扩张浪潮里的那把铲子。

这个类比我喜欢。但B站评论区好像也有反对的声音？

有，主要集中在两点。第一，CPO的量产良率问题——光电集成的封装工艺复杂，良率上去是有难度的，现在还没有哪家厂商真正大规模量产出货过。第二，技术路线还没有完全收敛，不同厂商做法不一样，标准化程度低。

这个质疑听起来也挺有道理的。你怎么看？

良率问题是真实的挑战，不能无视。但从历史上看，每一个新的封装技术——从倒装芯片到2.5D、3D封装——一开始良率都很差，最后都因为需求够大而被工程师们硬啃下来了。

CPO的需求驱动力足够强，超大规模数据中心的功耗压力是刚性的，这个力量会推动供应链去解决良率问题。时间窗口可能是2到3年，但方向我觉得是确定的。

那从产品角度聊，我有个问题——现在数据中心采购的决策链很长，CPO要替代现有方案，采购方愿意冒这个新技术风险吗？

这个问题问到点子上了。所以现在CPO的落地路径，不是一步替换，而是渐进式引入。比如先在新建的Pod里用CPO，原有的设施继续跑传统光模块。

而且你看头部云厂商，微软、谷歌、AWS都在自己参与CPO供应链的早期绑定，说明他们对这个方向是认可的，只是在做风险分散。采购方不是不愿意，是在等良率和成本曲线下来。

那这里有个时间差的问题——分析师现在就看好，但真正大规模落地可能还要好几年，这中间的预期差怎么理解？

分析师看的是"确定性"，不是"立刻爆发"。CPO的确定性在于：只要AI基础设施继续扩张，这个方向的需求就不会消失。这种结构性需求，在资本市场上比"今年暴涨"更值钱。

有点像当年5G建设期看好光纤光缆的逻辑？

类比得相当准。5G建设启动的时候，光纤光缆这种基础设施材料先涨，然后才是应用层爆发。CPO现在的位置，有点像2018、2019年的光纤行业——需求逻辑清晰，但落地节奏还在爬坡。

好，那我来总结一下——OpenAI和亚马逊搞自研芯片这件事，反而是CPO的利好，因为集群规模越大，光互连需求越刚性，CPO作为下一代解决方案的确定性在增强，分析师看的是这个结构性逻辑。

总结得很准。当然短期的良率和标准化问题是真实的风险，不是没有。但如果你看的是三到五年的窗口，这个方向很难被绕开。

行，我觉得今天这个话题其实挺适合那些在关注AI基础设施投资逻辑的朋友，角度不一样，不是在聊模型，是在聊"模型背后的管道"。

对，AI产业链现在越来越值得从基础设施层往上看。不是每个人都要去分析模型benchmark，有时候看看数据中心的电和光，逻辑反而更清晰。

好，今天就聊到这儿，下午还有事儿，咱晚上见。

晚上见。