AI 데이터 센터의 광학 모듈은 수동적 연결 부품에서 컴퓨팅 성능의 핵심 구성 요소로 전환되었습니다. 그 이유는 간단합니다. 최신 AI 훈련 클러스터는 GPU, 스위치 및 스토리지 노드 간에 막대한 양의 데이터를 이동하며, 이러한 이동 속도는 값비싼 가속기를 얼마나 효율적으로 사용할 수 있는지 직접적인 영향을 미칩니다. 이것이 바로 이유이다400G, 800G 및 1.6T 광학 모듈이제 거의 모든 AI 인프라 대화의 중심이 되었습니다.
에 따르면이더넷 얼라이언스 2026 로드맵, 하이퍼스케일러는 이미 100G~800G 상호 연결을 배포하고 있으며 1.6Tb/s 이더넷이 AI-규모 패브릭의 다음 주요 단계로 떠오르고 있습니다. 그만큼
IEEE 802.3 워킹 그룹는 구리 및 단일{5}}모드 광섬유를 통해 200G, 400G, 800G 및 1.6T 이더넷을 정의하기 위해 P802.3dj 태스크포스를 발전시켜 왔으며, 이는 업계에 더 빠른 속도 배포를 위한 명확한 경로를 제공합니다.{6}}
네트워크 팀의 경우 실질적인 문제는 더 이상 속도가 증가할지 여부가 아닙니다. 네트워크의 각 계층에 적합한 속도를 선택하는 방법, 전력 및 냉각을 계획하는 방법, 프로덕션 AI 클러스터에 수천 개의 모듈을 배포하기 전에 호환성을 검증하는 방법입니다.
AI 워크로드가 더 높은 광학 모듈 속도를 요구하는 이유
AI 교육은 기존 클라우드, 엔터프라이즈 또는 스토리지 워크로드와 근본적으로 다릅니다. 대규모 언어 모델과 추천 시스템은 단일 분산 시스템으로 작동하는 수천 개, 점점 더 수만 개에 달하는 GPU에 걸쳐 훈련됩니다. 각 훈련 단계 동안 가속기는 기울기를 동기화하고, 활성화를 교환하고, 노드 간에 중간 텐서를 전달해야 합니다. 이로 인해 매우 과도한 east{3}}트래픽이 발생합니다. 즉, 트래픽이 인터넷으로 이동하지 않고 데이터 센터 내부에 머물게 됩니다.
16,000~100,000개의 GPU로 구성된 프론티어 훈련 클러스터에서 내부 패브릭은 외부 링크보다 훨씬 더 많은 대역폭을 전달합니다. NVIDIA는 다음과 같이 보고했습니다.Spectrum-X 이더넷 플랫폼100,000개 GPU를 초과하는 배포 전체에서 약 95%의 유효 처리량을 유지하는 반면, 정체 제어 기능이 없는 표준 이더넷은 일반적으로 동일한 로드에서 약 60%를 제공합니다. 차이점은 학문적이지 않습니다. 패브릭 효율성이 35% 감소하면 훈련 실행 시간이 길어지고 GPU 사용률이 감소합니다.
이것이 광학 속도가 계속 상승하는 진짜 이유입니다. 느리거나 불안정한 광학 레이어는 전체 AI 공장의 병목 현상이 됩니다.
400G에서 800G, 1.6T까지: 각 단계를 이끄는 요소
400G, 800G, 1.6T로의 이동은 단순히 케이블을 추가하는 것만으로는 해결할 수 없는 스케일링 문제로 인해 발생합니다. AI 클러스터의 크기가 두 배로 늘어나면 노드 간 통신 경로 수가 선형보다 빠르게 증가합니다. 병렬 링크를 추가하면 스위치 포트가 소비되고, 파이버 수가 늘어나고, 밀집된 랙 환경에서 관리하기 어려운 케이블링 혼잡이 발생합니다.
포트당 속도가 높을수록-더 확장 가능한 경로가 제공됩니다. 800G 포트는 동일한 물리적 인터페이스를 통해 400G 포트 대역폭의 두 배를 전달합니다. 1.6T 포트는 이를 다시 두 배로 늘립니다. 2025~2026세대 스위치 ASIC은 800G를 새로운 AI 배포의 실질적인 주류로 만드는 기수 및 대역폭 수준을 지원하는 반면, 1.6T는 차세대 스위치 세대의 계획 목표입니다.
400G, 800G, 1.6T 이더넷 전반에 걸친 실시간 다중 공급업체 상호 운용성은 OFC 2026에서 시연되었습니다.이더넷 얼라이언스 OFC 2026 쇼케이스생태계가 AI{0}}규모의 패브릭을 수용할 준비가 되었다는 증거로 제시되었습니다. AI 클러스터는 단일 공급업체 솔루션을 기다릴 수 없기 때문에 이러한 준비 상태가 중요합니다. 대규모로 함께 작동하는 스위치, NIC, 광학 장치 및 테스트 플랫폼이 필요합니다.
400G vs 800G vs 1.6T 광 모듈: 선택 비교
적절한 속도는 클러스터 크기, 네트워크 계층, 스위치 로드맵, 전력 예산 및 이미 설치된 광섬유 플랜트에 따라 달라집니다. 아래 표에는 현재 각 속도가 가장 적합한 위치가 간략하게 나와 있습니다.
| 속도 | 일반적인 모듈 | 최적의 핏 | 주요 고려사항 |
|---|---|---|---|
| 400G | 400G SR8, DR4, FR4, LR4 | 클라우드 데이터 센터, 기업 업그레이드, 소규모 AI 클러스터, 중간 규모 패브릭의 리프 레이어- | 성숙한 에코시스템, 광범위한 스위치 및 NIC 지원, 현 단계에서 Gb당 최저 비용 |
| 800G | 800G SR8, DR8, 2xFR4, 2xDR4, LR8 | AI 훈련 패브릭, HPC, GPU 스파인-리프, 하이퍼스케일 리프 및 스파인 | 포트당 더 높은 대역폭, 더 강한 열 부하, 신중한 FEC 및 호스트 검증 필요 |
| 1.6T | 1.6T DR8, 2xDR4, OSFP-XD | 차세대-세대 AI 스파인, 초-집적도 백엔드 수평 확장-, 미래형 스위치 ASIC(51.2T 이상) | 신호 무결성, 고급 FEC, 액체 또는 향상된 공기 냉각, 광섬유 및 커넥터 전략 계획 요구 |
많은 데이터 센터가 100G 또는 200G에서 {1}중간 업그레이드되고 400G는 AI가 아닌 작업 부하에 대한 비용, 가용성 및 성능의 강력한 균형을 제공하므로 400G는 여전히 적합합니다.{5}} 특히 AI 클러스터의 경우 800G가 새 빌드의 작업 기준이 되었으며, 1.6T는 이제 백엔드 수평 확장 패브릭을 위한 진지한 계획을 세우고 있습니다. 특히 스위치 세대가 이미 레인당 200G-신호를 보내는 경우에- 더욱 그렇습니다. 이러한 속도에 맞는 고밀도 케이블링을 평가하고 있다면-다음에 대한 개요를 살펴보세요.MPO 및 MTP 광섬유 케이블링800G 이상에서 가장 일반적으로 사용되는 커넥터 및 트렁크 옵션을 다룹니다.
400G가 여전히 충분할 때
클러스터 크기가 적당하거나, 사용 중인 GPU가 400G NIC를 포화시키지 않거나, 기존 스위치 제품군이 이전-세대 ASIC에 구축된 경우에는 400G가 올바른 선택입니다. 추론 클러스터, 소규모 훈련 포드, 에지 AI 사이트 및 대부분의 범용{4}}데이터 센터 패브릭은 여전히 400G에서 편안하게 작동합니다. 이러한 환경에서 800G로 직접 전환하면 작업 완료 시간이 눈에 띄게 향상되지 않으면서 비용과 열 압박이 추가됩니다.
실제 테스트는 훈련 중 GPU 활용도를 살펴보는 것입니다. GPU가 전체 시간의 5~10% 이상 데이터를 기다리고 있다면 네트워크에 이미 병목 현상이 발생한 것입니다. 활용도가 꾸준하고 높으면 400G가 제 역할을 하고 있는 것입니다.
800G가 필요할 때
클러스터가 400G 링크가 너무 많은 병렬 연결을 강제하는 규모에 도달하거나 스위치 기수 제한으로 인해 토폴로지 선택이 제한되기 시작하거나 GPU 세대에서 800G 포트를 포화시킬 수 있는 NIC를 도입하는 경우 800G가 필요합니다. 일반적인 AI 훈련 패브릭에서 이는 일반적으로 백엔드 네트워크가 대부분의 그래디언트 교환 트래픽을 전달하는 수천 개의 GPU 이상의 클러스터에 해당합니다.
800G 전환은 실제 엔지니어링 작업도 가져옵니다. 800G 모듈의-포트당 전력은 400G보다 상당히 높고, FEC 모드가 전환되며, 스위치 표면에서 케이블 밀도가 두 배로 늘어납니다. 동기식 교육 작업에서는 불안정한 단일 광 링크로 인해 전체 클러스터 속도가 느려지는 재시도가 발생할 수 있으므로 번인 테스트와 링크 안정성 검증이 필수적입니다.
1.6T를 계획하는 시기
1.6T는 현재 가장 공격적인 AI 백엔드 네트워크를 위한 초기 배포 단계에 있으며 차세대 스위치를 위한 표준 계획 대상입니다. 대부분의 기업 및 클라우드 팀은 현재 생산에 1.6T 광학 장치가 필요하지 않지만, 3{3}}~5{4}}년의 관점에서 패브릭을 설계하는 사람은 누구나 케이블링, 광섬유 플랜트 및 전력 계획에서 이를 고려해야 합니다.
IEEE P802.3dj 태스크 포스는 단일{2}}모드 광섬유를 통한 1.6T에 대한 물리 계층 사양을 정의했으며 OFC 2026은 이 속도에서 작동하는 다중 공급업체 상호 운용성을 보여주었습니다. 실질적인 신호는 1.6T가 현실이지만 스위치 가용성, 냉각 및 운영 도구를 포함한 주변 인프라가 여전히 모듈 자체만큼 중요하다는 것입니다.
QSFP-DD와 OSFP: 올바른 폼 팩터 선택
400G와 800G에서 두 가지 주요 폼 팩터는 QSFP-DD와 OSFP입니다. 둘 다 메인스트림 스위치 플랫폼에서 동일한 속도를 제공하지만 기계 설계와 열 동작이 다릅니다. QSFP-DD는 QSFP28 및 QSFP56 케이지와 역호환되므로 업그레이드 중에 기존 스위치 슬롯을 재사용하려는 환경에 적합합니다. OSFP는 약간 더 크고 내부 부피가 더 많으며 일반적으로 더 나은 열 여유 공간을 제공합니다. 이는 800G, 특히 1.6T에서 중요합니다.
1.6T의 경우 업계에서는 주로 열 용량 때문에 OSFP와 OSFP-XD를 지배적인 선택으로 전환하고 있습니다. 네트워크 팀이 동일한 스위치 세대 내에서 800G 이상으로 업그레이드할 것으로 예상하는 경우 일반적으로 OSFP가 더 안전한 선택입니다. 400G QSFP-DD 투자를 재사용하는 것이 우선순위라면 QSFP-DD는 현재로선 강력한 옵션으로 남아 있습니다.
AI 네트워크용 광학 모듈 선택 시 주요 요소
거리, 도달 범위 및 섬유 유형
랙 행 내부의 짧은-링크는 병렬 단일-모드(DR) 또는 짧은-멀티모드(SR) 모듈을 사용할 수 있는 반면, 행 간 또는 포드 간 링크는 FR 또는 LR 변형이 필요할 수 있습니다. 모듈을 선택하기 전에 실제 광섬유 길이, 광섬유 등급, 커넥터 유형 및 링크 예산을 확인하십시오. 커넥터와 스플라이스 전반에 걸쳐 손실이 어떻게 축적되는지에 대한 유용한 입문서는 다음 가이드에 있습니다.광섬유 네트워크의 삽입 손실. 더 긴 도달 범위의 경우 OS1과 OS2 단일{3}}모드 광섬유의 차이도 중요하며 이에 대한 내용은 다음 개요에서 다룹니다.
전력 소비 및 냉각
속도가 빠른-광학 장치는 더 많은 열을 발생시킵니다. 400G에서 800G로 업그레이드하거나 1.6T를 계획하기 전에-포트별 전원, 공기 흐름 방향 전환, 케이지 온도, 열 경감 규칙 및 랙-수준 냉각 마진을 확인하세요. 이미 GPU에 대한 높은 전력을 끌어오는 고밀도 AI 랙에서는 수천 개의 고속 광학 장치에서 추가되는 열 부하는 사소한 것이 아니며 무시할 경우 가동 시간에 영향을 미칠 수 있습니다.
스위치 호환성 및 펌웨어
호환성은 일치하는 속도 그 이상입니다. 대량 배포 전에 모듈의 정확한 스위치 플랫폼, 펌웨어 버전, FEC 구성, EEPROM 코딩 및 예상 작동 온도를 검증해야 합니다. 열악한 호환성 일치의 증상으로는 링크 플랩, 높은 BER, DOM 경보, 지속적인 부하 시 간헐적인 열 종료 등이 있습니다. 소규모 실험실 번인에서 이러한 문제를 포착하는 것이-생산 단계에서 포착하는 것보다 훨씬 저렴합니다.
케이블링 및 고밀도{0}}커넥터 전략
800G 또는 1.6T로 이동하는 것은 일반적으로 케이블링 계획이 다르다는 것을 의미합니다. MPO-12, MPO-16 및 MPO-24와 같은 다중-광섬유 커넥터는 고속에서 기본값이 되며 고속 스위치 포트를 여러 개의 저속 연결로 팬아웃하는 데 브레이크아웃 케이블링이 사용되는 경우가 많습니다. 이 전환을 평가하는 팀을 위한 가이드는 다음과 같습니다.MPO 브레이크아웃 케이블을 선택하는 방법실질적인 절충안을 다루고-
MPO 및 MTP 트렁크 케이블 옵션800G 스파인 배포에서 가장 일반적인 트렁크 구성을 보여줍니다.
LPO, CPO 및 Silicon Photonics: 800G 이후의 변화
이제 업계는 속도를 넘어 효율성에 중점을 두고 있습니다. 세 가지 기술 방향이 가장 중요합니다.
선형 플러그형 광학 장치(LPO)광 모듈에서 DSP를 제거하고 이퀄라이제이션을 호스트 ASIC에 다시 푸시합니다. 이는 동일한 속도에서 모듈 전력을 30~50%까지 낮추지만, 스위치와 모듈 간의 더욱 긴밀한 조정이 필요합니다. LPO는 호스트 플랫폼이 지원하는 AI 클러스터 내부의 단거리-링크에 가장 매력적입니다.
공동-패키지 광학(CPO)광학 엔진을 스위치 ASIC과 동일한 기판으로 이동하여 전기 경로를 단축하고 비트당 에너지를 줄입니다. 설명된 대로112G 및 224G CEI 및 CPO 프레임워크에 대한 광 인터네트워킹 포럼 작업, CPO는 -플러그형 광학 장치를 대체하는 것이 아니라 차세대-AI 확장-패브릭을 설계하는 방식에서 점점 더 중심이 되고 있습니다. NVIDIA는 이미 포트당 1.6Tb/s와 상당한 에너지 절감을 목표로 하는 공동 패키지 광학 장치가 포함된 Spectrum-X Photonics 및 Quantum-X 실리콘 포토닉스 스위치를 발표했습니다.
실리콘 포토닉스이러한 추세의 대부분을 뒷받침합니다. 변조기, 도파관 및 감지기를 실리콘에 직접 통합함으로써 더 높은 밀도, 더 나은 열 동작 및 스위치 ASIC과의 더 긴밀한 통합이 가능합니다. 대부분의 주요 광학 공급업체는 이제 AI 워크로드 로드맵에 실리콘 포토닉스를 포함하고 있습니다.
2026년 대부분의 팀에서는 플러그형 800G 광학 장치가 주력으로 남아 있으며, LPO, CPO 및 실리콘 포토닉스는 실험실 설정 및 선택된 파일럿 패브릭에서 평가됩니다.
피해야 할 일반적인 실수
가장 흔한 실수는 네트워크의 나머지 부분이 이를 지원할 수 있는지 확인하지 않고 최고 속도를 선택하는 것입니다. 필요한 전기 인터페이스나 열 헤드룸을 제공할 수 없는 스위치의 800G 광학 모듈은 생산 시 800G를 제공하지 않습니다. 두 번째는 권력을 과소평가하는 것이다. 수천 개의 광학 장치에 걸쳐 전력 효율적인-모듈과 일반적인 모듈 간의 차이로 인해 랙이 허용 가능한 수준에서 예산 초과 수준으로 바뀔 수 있습니다.- 세 번째는 호환성을 프로세스가 아닌 확인란으로 취급하는 것입니다. 실제 호환성은 실제 스위치 플랫폼, 펌웨어 및 운영 환경에 대한 검증에서 비롯됩니다. 네 번째는 잘못된 케이블링 계획입니다. 커넥터 품질, 파이버 수 및 패치 관리는 800G 및 1.6T에서 훨씬 더 중요하며 여기서 지름길은 배포 후 몇 달 후에 링크 플랩 또는 손실 증가로 나타나는 경우가 많습니다.
FAQ
Q: 모든 AI 데이터센터에 800G가 필요한가요?
답변: 아니요. 800G는 대규모의 새로운 AI 학습 패브릭에 대한 작업 기준이지만 추론 클러스터, 소규모 학습 포드 및 대부분의 기업 AI 배포는 여전히 400G에서 잘 실행됩니다. 적절한 속도는 클러스터 크기, GPU 생성, 스위치 ASIC 용량 및 관찰된 네트워크 활용도에 따라 달라집니다.
Q: 데이터 센터는 언제 400G에서 800G로 업그레이드해야 합니까?
A: 가장 강력한 신호는 네트워크 대기 시간으로 인한 GPU 활용도 저하, 어색한 토폴로지를 강제하는 스위치 기수 제한, 기본적으로 800G 포트를 지원하는 새로운 GPU 및 NIC 세대입니다. 이들 중 2개 이상이 존재하는 경우 일반적으로 800G가 다음 단계로 적합합니다.
Q: 800G와 1.6T 광모듈의 실질적인 차이점은 무엇입니까?
A: 두 속도 모두 유사한 기본 기술을 기반으로 하지만 1.6T는 레인당 200G-신호를 사용하고 더 발전된 FEC가 필요하며 냉각 및 신호 무결성에 대한 요구가 더 높습니다.. 1.6T는 현재 가장 공격적인 AI 백엔드 네트워크를 위한 초기 배포 단계에 있으며, 800G는 2026년 새로운 AI 패브릭을 위한 주류 선택입니다.
Q: AI 네트워크에는 QSFP-DD 또는 OSFP를 선택해야 합니까?
A: QSFP-DD는 기존 400G QSFP 케이지를 재사용하는 데 매력적이며 800G에서 널리 지원됩니다. OSFP는 더 많은 열 여유 공간을 갖고 있으며 1.6T의 주요 폼 팩터입니다. 동일한 스위치 세대 내에서 800G 이상으로 발전할 것으로 예상하는 팀은 일반적으로 OSFP를 선호합니다.
Q: AI 데이터센터에서 LPO와 CPO는 어떤 역할을 합니까?
A: LPO는 신호 처리 체인을 단순화하여 모듈 전력을 줄이고 AI 클러스터 내부의 단거리{0}}링크에 유용합니다. CPO는 광학 엔진을 스위치 기판으로 옮겨 대역폭 밀도와 에너지 효율성을 향상시키고 차세대-AI 확장-패브릭의 중심이 되고 있습니다. 둘 다 플러그형 광학 장치를 교체하는 대신 공존합니다.
Q: 800G 또는 1.6T로 업그레이드할 때 기존 광케이블 인프라를 재사용할 수 있습니까?
A: 광섬유 유형, 커넥터 전략 및 도달 범위에 따라 다릅니다. 커넥터 품질과 링크 손실이 허용되는 경우 많은 단일{1}모드 플랜트를 DR 및 FR 변형에 재사용할 수 있습니다. 다중 모드 인프라에서는 새로운 속도로 링크 예산에 대한 재검증이 필요할 수 있습니다. 일반적으로 업그레이드 전에 링크 손실 감사를 수행하는 것이 배포 후 손실 문제를 발견하는 것보다 더 빠르고 저렴합니다.
결론
400G, 800G, 1.6T 광모듈의 등장은 기술적인 유행이 아니다. 이는 AI 워크로드가 수천 개의 GPU에서 통신, 동기화 및 확장하는 방식에 대한 직접적인 응답입니다. 이더넷 얼라이언스, IEEE 802.3 및 더 넓은 광학 에코시스템은 400G에서 800G, 1.6T까지의 명확한 로드맵에 맞춰 조정되었으며 LPO, CPO 및 실리콘 포토닉스는 이후의 형태를 형성합니다.
대부분의 네트워크 팀의 경우 올바른 전략은 어디에서나 가장 빠른 모듈을 쫓는 것이 아닙니다. 이는 네트워크 기능에 광학 속도를 맞추고, 확장 전에 호환성을 검증하고, 전력 및 냉각을 신중하게 계획하고, 적어도 한 번의 업그레이드 주기를 통해 네트워크를 전달할 수 있는 케이블링 플랜트를 설계하는 것입니다. 잘 계획된-광학 레이어는 AI 인프라가 지속적으로 성장함에 따라 값비싼 GPU 투자를 최대한 활용할 수 있는 가장 비용 효과적인-방법 중 하나입니다.
