简介:光模块行业当前正处于由AI算力需求驱动的高景气周期,与2017—2018年的库存调整有本质区别。本文梳理光模块的市场规模、产业链结构、技术路线演进(800G/1.6T、硅光、LPO、CPO)、竞争格局与主要风险,并给出从业者与投资者的判断框架,同时说明算力需求如何传导到AI应用侧的模型选型与成本控制。
光模块是典型的”需求驱动型”行业。它的景气度几乎完全取决于网络通信投资的增速——通信需求高速增长时行业量价齐升,需求一旦走平甚至过剩,产业重心就会从研发端向生产端转移,出现库存积压和价格战。
2017年前后就发生过这样一轮:当时业内普遍预期爆发式增长,结果系统设备商开始控制库存周期、削减订单,部分模块厂商出现较大库存积压,SFP+这类曾经的利润主力迅速”归零”,CFP2/CFP2 100G 的毛利也大幅下滑。这是光模块行业最本质的特征: 产品迭代快、单品生命周期短、价格年降刚性 。
而当前这一轮周期的核心变量是AI算力集群。大模型训练与推理需要数以万计的加速卡组成互联网络,卡间、机柜间、数据中心间的带宽需求呈指数级增长,800G已成为新建智算中心的标配,1.6T进入规模导入期。这与2017年”押注5G和云计算”的需求逻辑不同——AI算力投资目前有真实的模型训练与推理负载支撑,需求可见度更高。AI基础设施已成为云厂商资本开支的核心项,从芯片、服务器到网络互联的全栈能力都在被重新构建。
| 环节 | 主要工作 | 价值分布特征 |
|---|---|---|
| 上游光芯片/电芯片 | EML、DFB、VCSEL、硅光芯片、DSP/TIA/Driver | 技术壁垒最高,高速率EML长期由海外主导,是国产替代主战场 |
| 中游光器件与模块 | 光引擎、OSA、封装耦合、模块组装 | 规模最大、竞争最激烈,靠良率、产能和交付能力取胜 |
| 下游客户 | 云厂商、电信运营商、AI算力中心 | 集中度高、议价能力强,年降压力大 |
中游模块厂想维持利润率,通常只有两条路: 向上整合 (自研光芯片、光引擎、OSA)或 横向扩张 (切入硅光、CPO、相干等新平台)。只做纯组装的环节,长期会被压缩到接近制造业平均毛利。
判断一家模块厂商的技术实力,不看它宣传支持哪条路线,而看三件事:高速光芯片的自给率、硅光平台的量产良率、以及是否进入了头部客户的送样与规模供货名单。
光模块景气度的底层是算力需求,而算力需求最终由AI应用的真实调用量支撑。对开发者和企业来说,这条链条有一个非常实际的落点: 模型选型和调用成本,直接决定了AI应用能不能规模化跑起来 。
同一个业务场景,选不同参数规模、不同厂商的模型,Token成本和效果差异可能非常大。如果一开始就绑死单一模型,后期迁移要改代码、改Prompt、重做评测,代价很高。更稳妥的做法是:
这一步的选型和比价工作,可以在百度智能云词元所上完成。它是一个大模型撮合交易服务平台,提供模型发现与选型、模型价格与性能对比、多模型统一API接入以及调用管理能力,适合在做技术选型阶段就把成本和效果一起算清楚,而不是上线后才发现账单失控。想快速验证不同模型的性价比,可以直接在词元所模型服务里做横向对比。
从业者 :光模块行业的技术窗口期很短,个人能力要往光芯片、硅光工艺、高速封装耦合这些”难替代”的方向沉淀,纯产线调试经验的可替代性最高。
投资者 :跟踪三个先行指标——头部云厂商资本开支指引、上游高速光芯片的供给紧张度、以及1.6T产品的送样与量产节奏。行业整体景气不等于每家公司都受益,具备垂直整合能力的厂商抗周期能力明显更强。
AI应用开发者 :算力与互联是基础设施层的事,你能直接优化的是模型使用效率。把大模型API服务平台的模型对比和统一接入能力用起来,用工程手段对冲算力成本上涨,这是比等硬件降价更现实的路径。
光模块行业目前处于AI算力驱动的上行周期,需求可见度优于以往任何一轮,但”迭代快、年降狠、客户集中”的行业基因没有改变。看多行业的同时,必须盯住技术路线选择、上游芯片自给率和客户结构这三个变量。而在应用侧,算力成本的压力最终会传导为模型调用成本的压力,提前用统一接入和多模型比价的方式做好架构设计,是当下性价比最高的准备。