AIネットワーキングと光インターコネクトの急増：戦略的視点

By Liao Yu-Sheng, Ph.D. — 創業者・統括責任者, Sanoc

あらゆるコンピューティングの波は、その下層にあるネットワークを作り変えてきましたが、人工知能ほど強烈に、そして急速にそれを成し遂げたものはほとんどありません。過去20年間のほとんどにおいて、データセンターネットワークは脇役でした。重要ではあるものの、キャパシティプランニングの主役になることはめったにありませんでした。大規模なAIや機械学習のワークロードによって、その関係は逆転しました。インターコネクトはもはやコンピュートの背後にある配管ではなく、コンピュートそのものの一部となったのです。フォトニクスと企業戦略の交差点でキャリアを重ねてきた者として、私はこの変化が光産業が直面してきたなかでも最も重大な進展のひとつであり、単なる技術的な読み解きではなく、戦略的な読み解きに値するものだと考えています。

本稿では、AIワークロードが光インターコネクトの需要をどのように作り変えているのか、すなわち all-reduce のトラフィックパターン、スケールアップ対スケールアウトのファブリックという問い、そして業界を800G、リニア光学、コパッケージ設計へと押し進めるアーキテクチャ上の圧力に、具体的に焦点を当てます。より広範な速度移行を追っている読者のために、姉妹記事である400Gから800Gへのデータセンター移行では、その移行の仕組みを詳しく解説しています。ここでは、とりわけAIがなぜ需要曲線をたわめているのかに焦点を当てます。

AIとML学習がネットワークによって独自に制約される理由

この光の急増を理解するには、まず分散AI学習に関する直感に反する真実を理解しなければなりません。すなわち、ある規模を超えると、アクセラレータを増やしても利用可能なパフォーマンスは線形には増えないということです。その理由は、学習が実際に多数のGPUやアクセラレータをまたいでどのように動作するかにあります。

大規模モデルは、データ並列、モデル並列、あるいはその両方のハイブリッドを用いて学習されます。これらのほぼすべての方式において、アクセラレータは定期的にその結果を同期させなければなりません。最も一般的な同期パターンは all-reduce 集合通信操作であり、各アクセラレータがローカルに計算した勾配を集約し、その合算結果をすべての参加者に再配布します。これは時折起こる出来事ではなく、学習ステップの境界で繰り返し発生し、数週間にも及ぶ可能性のある学習ラン全体を通じて続きます。

集合通信と勾配交換の問題

all-reduce、all-gather、reduce-scatter といった集合通信操作は、本質的に帯域を大量に消費し、レイテンシに敏感です。勾配交換のあいだ、大きなテンソルが学習クラスタ内のすべてのノード間を移動します。インターコネクトがそのデータを十分な速さで動かせなければ、高価なアクセラレータは遊休状態のまま待ち続けます。実際には、この遊休時間——しばしば「スケーリング効率」の損失と表現されます——こそが、理論上のコンピュート能力の大部分が静かに消えていく場所なのです。

これこそが、私がインフラ責任者に対して、AIクラスタにおいてインターコネクトは付属品ではなく計算構造の一部であると伝える理由です。ファブリックのトポロジー、バイセクション帯域、リンクあたりのレートが、クラスタが理論性能にどれだけ近づけるかを直接左右します。学習ジョブの速度は最も遅い同期ステップの速度で決まり、その同期はネットワーク上で実行されます。

なぜネットワークがこれほど頻繁にボトルネックになるのか

現代のAIインフラの中心には、構造的なミスマッチがあります。アクセラレータの演算密度は並外れた速さで成長し、各アクセラレータが集合通信のあいだに交換しなければならないデータ量もそれとともに増大してきました。インターコネクトはただ歩調を合わせるためだけに全力疾走を強いられてきました。スケールアウト時に学習が停滞するとき、その原因が演算ユニットであることはまれです。原因は輻輳、帯域不足、あるいは集合通信パスにおけるレイテンシです。AIファブリックを構築する顧客と協働してきた我々の経験では、プランニングの会話を支配する問いは「どれだけのコンピュートか」から「そのコンピュートをいかに飢えさせずに動かし続けるか」へと移ってきました。この一点の変化こそが、いま我々が目にしている光需要の多くを説明します。

スケールアップ対スケールアウト：二つのファブリック、光が担う二つの役割

AIインフラを考えるうえで最も有用なメンタルモデルのひとつが、スケールアップ接続とスケールアウト接続の区別です。これらは異なる問題を解決し、異なる距離で動作し、異なるかたちで光技術を必要とします。

スケールアップ：ノードの内側

スケールアップとは、ノード内またはノードの小グループ内で一連のアクセラレータを密に結合し、可能なかぎり一つの大きなアクセラレータのように振る舞わせることを指します。この領域は、極めて高帯域・低レイテンシのインターコネクトが支配しており、NVLink クラスのファブリックが最も広く知られた例です。ここでの目標は、非常に短い到達距離——多くの場合シャーシ内や密に結ばれたラックをまたぐ範囲——で帯域を最大化し、レイテンシを最小化することです。

歴史的に、このスケールアップ接続の多くは電気的なものでした。すなわち銅トレース、バックプレーン、そして最短ホップ向けのダイレクトアタッチ銅線です。ダイレクトアタッチ銅線（DAC）ケーブルは、こうした短く密な接続において依然として理にかなった省電力な選択肢であり続けており、ラック内で重要な役割を果たし続けています。しかし、スケールアップ領域がより大きくなり——より多くのアクセラレータをカバーし、ラック内およびラック間でより長い距離におよぶようになると——銅線の到達距離の限界が制約となり、光インターコネクトもまたスケールアップの議論に次第に登場するようになります。

スケールアウト：クラスタをまたいで

スケールアウトは、ノード同士を結合して大規模な学習クラスタを構成するファブリックであり、数十、数百、あるいは数千のノードが同一のジョブに参加します。これはまさにデータセンターネットワークそのものの領域であり、その距離が必要なレートで銅線の対応できる範囲を超えるため、圧倒的に光が中心となります。

AIのスケールアウトでは二つの技術ファミリーが支配的です。InfiniBand は、その低レイテンシと集合通信操作への成熟したサポートゆえに、高性能コンピューティングで長く好まれてきました。Ethernet は、RoCE（RDMA over Converged Ethernet）と組み合わされることで、Ethernet エコシステムの親しみやすさ、開放性、そしてサプライヤーの多様性をAIファブリックにもたらし、有力な対抗馬となっています。業界のロードマップは、両方のアプローチが——多くの場合、同一の組織内で異なるワークロード向けに——成長を続けることを示しています。光の観点から重要なのは、両者ともに膨大な量の高速プラガブルトランシーバとケーブルを必要とし、両者ともにレーンあたりのレートを容赦なく押し上げ続けているという点です。

戦略的に導かれる結論は、AI展開は単一のインターコネクト技術によって支えられるのではなく、層構造のシステムによって支えられるということです。すなわち、ノード内のスケールアップ向けには銅線と高帯域リンク、クラスタをまたぐスケールアウト向けには密な光ファブリック——InfiniBand または RoCE Ethernet——です。各層はそれぞれ独自の最適化ポイントを持ち、プランニングはそれらすべてをまとめて考慮しなければなりません。

なぜAIが光モジュールの急増を牽引しているのか

なぜAIが光モジュールの需要曲線をこれほど急峻にたわめているのかを正確にしておく価値があります。なぜなら、その諸要因は互いに重なり合って増幅されるからです。

アクセラレータあたりのレーン数の増加。アクセラレータの世代ごとに、より多くの高速I/Oが露出され、それらのレーンの一つひとつが最終的に接続される必要があります。より高ラジックスな設計は、すべてのノードから放射状に伸びるリンクの増加を意味し、それらのリンクのかなりの割合が光です。

レーンあたりレートの上昇。業界は PAM4 信号を用いて、25Gから50G、そしていまやレーンあたり100Gへと移行しており、さらに高いレートもロードマップに乗っています。レーンが高速になってもモジュール数は減りません。むしろ各モジュールの性能、複雑さ、価値を高める一方で、その数は増え続けます。

全体としてのモジュール数の増加。AIクラスタは、それ以前の汎用クラスタよりも単純により大きく、より密に相互接続されています。数千のアクセラレータ向けのノンブロッキングまたはほぼノンブロッキングのファブリックには、非常に多数のトランシーバとケーブルが必要であり——複数のスイッチング階層を考慮すると、アクセラレータあたり複数の光接続になることもしばしばです。

east-west トラフィックの支配。従来のエンタープライズネットワークは north-south トラフィック——クライアントがサーバと通信する——向けに最適化されていました。AI学習は圧倒的に east-west です。すなわち、集合通信のあいだにアクセラレータ同士がクラスタをまたいで通信します。このトラフィックプロファイルは、過去のオーバーサブスクライブされた階層構造ではなく、スイッチング階層間に豊富な光リンクを備えた、フラットで高バイセクション帯域のトポロジーを好みます。

これら四つの力をまとめると、なぜAIコンピュートの単位あたりの光コンテンツが従来のデータセンター構築よりもはるかに高いのか——そしてなぜそのコンテンツが世代ごとに上昇し続けるのか——が説明されます。

AIが光インターコネクトのアーキテクチャをどう作り変えているか

この需要の急増は量だけの問題ではありません。それは業界が構築する光の種類そのものを作り変えています。いくつかのアーキテクチャ上のシフトが収束しつつあり、そのそれぞれが同じ根底にある圧力への応答です。

800Gとその先への行進

100G PAM4 を8レーン束ねた800G光学は、AIファブリックにおいて先端からメインストリームへと急速に移行し、1.6Tも業界ロードマップにしっかりと乗っています。こうしたレートへの牽引は、スケールアウトファブリックによって直接駆動されます。ポートあたり帯域が高くなれば、ホップ数が減り、オーバーサブスクリプションが下がり、同じ物理フットプリントでより良い集合通信性能が得られます。複数年にわたるAIインフラを計画している組織にとって、800Gは志向というよりもますます当然の前提となりつつあります。我々の100G QSFP28 トランシーバは多くのネットワークで依然として広く展開されていますが、最高レートの光学が最初に、そして最速で採用されているのはAI階層なのです。

リニア光学：電力を抑えるLPOとLRO

速度が上がるにつれて、光インターフェース自体が消費する電力が深刻な制約となります。これが リニア光学 への強い関心を後押ししてきました。リニアプラガブル光学（LPO）は、モジュール内のデジタルシグナルプロセッサ（DSP）を取り除くか簡素化し、代わりにホスト側のシグナルインテグリティに依存することで、電力とレイテンシを大幅に削減できます。リニアレシーブ光学（LRO）は、受信パスに同様の哲学を適用します。これらのアプローチが魅力的なのは、まさにAI規模では、モジュールあたりのわずかな電力削減でも、数万のリンクをまたいで積み重なり、施設の電力と冷却負荷の意味のある低減につながるからです。

地平線上のコパッケージ光学

コパッケージ光学（CPO）は、より根本的な再考を意味します。すなわち、光エンジンをプラガブルなフェースプレートの位置から、スイッチやアクセラレータのシリコンに隣接する位置へと移し、電気経路を劇的に短縮します。CPOは大きな電力と密度の利点を約束しており、私の見るところ、超高帯域システムにとって地平線上にある最も重要な進展のひとつです。しかしながら、それはまだ成熟の途上にあり、保守性やプラガブルモジュールが提供する運用上のシンプルさをめぐって実質的なトレードオフを伴います。私は急激な移行ではなく、長期にわたる共存の時代を予想しています。CPOが最も要求の厳しい階層で足場を見出していくとしても、プラガブル光学は今後何年にもわたってほとんどの展開において中心的であり続けるでしょう。

支配的制約としてのビットあたり電力

いまAIにおける光アーキテクチャの意思決定を支配する単一の指標があるとすれば、それは ビットあたり電力 です。施設の電力と冷却は有限かつ高価であり、AI規模では、総電力予算に占めるインターコネクトの割合はもはや無視できません。あらゆるアーキテクチャ上の選択——800G対より低いレート、リニア光学対DSPベースの光学、プラガブル対コパッケージ——は最終的に、1ワットあたりに何ビット動かせるかという問いに帰着します。この枠組みを内面化したリーダーは、より良いインフラの意思決定を下します。なぜなら、それは光のレイヤーをデータセンターの運用経済に直接結びつけるからです。

インフラ責任者のための戦略的プランニングの視点

技術から一歩引いて、ITおよびインフラの責任者はこの全体像を前にして実際に何をすべきでしょうか。長年これらの意思決定に助言してきた経験から、いくつかの原則を示します。

正しいシグナルを注視する

追跡する価値のあるシグナルは、プレスリリースのピークレートではなく、実務的なものです。すなわち、レーンあたりレートのロードマップ（レーンあたり100Gとその先への移行）、リニア光学の採用の軌跡、CPOの成熟のタイムライン、そしてあなたのものと比較可能な展開における InfiniBand と RoCE Ethernet のバランスです。これらの指標は、量——そしてサプライ、価格設定、サポートのエコシステム——がどこに集中するかを教えてくれます。

過剰構築と過少構築の両方を避ける

AIインフラにおける双子のリスクは、過剰構築——必要に先んじて最先端の光学に資本を投じること——と、過少構築——アクセラレータの足を引っ張り、高価なコンピュートを座礁させるファブリックを展開すること——です。その規律は、インターコネクト階層をワークロードに合わせることにあります。すべてのクラスタが最高レートの光学を必要とするわけではありませんが、バイセクション帯域に飢えた旗艦級の学習クラスタは高価な過ちです。汎用的なテンプレートではなく、あなたの実際の集合通信パターンと成長の見通しを中心にファブリックを設計してください。

サプライチェーンと互換性を一級の関心事として扱う

AI規模では、光の部品表は十分に大きく、サプライチェーンの強靭性と互換性の完全性が、事務的なものではなく戦略的なものになります。あなたのスイッチおよびNICプラットフォームと互換性が検証され——そして実環境下で検証された——トランシーバとケーブルを調達することは、リンクフラップや相互運用性の問題からあなたを守ります。これらの問題は、密に同期された学習ファブリックにおいては、従来のネットワークよりもはるかに破壊的です。ここにこそ、メーカーのエンジニアリングの深さが効いてきます。我々のCisco互換SFPガイドで述べたアプローチを含む、プラットフォーム互換性に関する我々の取り組みは、これをいかに真剣に受け止めているかを反映しています。互換性はチェックボックスではありません。AIファブリックにおいて、それは信頼性の要件です。

よくある質問

AI学習において、なぜGPU自体ではなくネットワークがボトルネックになるのですか？

分散学習が頻繁な同期——最も一般的には all-reduce 集合通信操作——を必要とするためです。そこでは各アクセラレータが、学習ステップごとに大きな勾配テンソルを他のアクセラレータと交換します。インターコネクトがそのデータを十分な速さで動かせなければ、アクセラレータは同期の完了を待って遊休状態になります。したがって、ある規模を超えると、制限要因はアクセラレータの生の演算力ではなく、集合通信パスにおけるファブリックの帯域とレイテンシになります。これこそが、インターコネクトをAIクラスタの計算構造の一部として理解するのが最も適切である理由です。

スケールアップとスケールアウトのインターコネクトの違いは何で、光はどこに位置づけられますか？

スケールアップは、ノード内または小グループ内でアクセラレータを密に接続し、一つの大きなアクセラレータのように振る舞わせるもので、短い到達距離にわたって非常に高帯域・低レイテンシのリンク（NVLink クラスのファブリック）を用います——多くの場合は電気的で、最短ホップ向けのダイレクトアタッチ銅線を含みますが、これらの領域が大きくなるにつれて光も次第に関与するようになります。スケールアウトは、データセンターネットワークを介してノードを大規模なクラスタに接続するもので、通常 InfiniBand または RoCE Ethernet を走らせ、AIレートでは距離が銅線の実用的な到達範囲を超えるため、圧倒的に光となります。よく設計されたAI展開は、それぞれが自らの役割に最適化された両方の層をともに用います。

800G光学をいま展開すべきですか、それともコパッケージ光学を待つべきですか？

今日構築されているほとんどのAIファブリックにとって、800Gプラガブル光学が実務的な基準線であり、1.6Tはロードマップに乗っています。コパッケージ光学は説得力のある電力と密度の利点を提供しますが、まだ成熟の途上にあり、保守性におけるトレードオフを伴うため、我々は一般に急激な切り替えではなく長期にわたる共存の時代を予想しています。我々の経験では、健全なアプローチは、まだ広く展開可能でない技術を見越して必要な構築を遅らせるのではなく、CPOの成熟を追跡しつつ、現在のニーズには実績のある大量生産プラガブル光学の上に構築することです。

トランシーバとケーブルを調達する際、AIによって何を重視すべきかはどう変わりますか？

AIファブリックは三つの面で重要度を高めます。すなわち、純粋な量（複数のスイッチング階層をまたいでアクセラレータあたり多数の光リンク）、レーンあたりレート（100G PAM4 とその先への移行）、そして密に同期された学習ジョブにおけるあらゆるリンク不安定性のコストです。実務的には、これは検証済みのプラットフォーム互換性、実環境下で検証された信頼性、そして高レートの光学をサポートし相互運用性の問題を迅速に解決できるエンジニアリングの深さを持つサプライヤーを優先することを意味します。AI規模では、互換性とサプライチェーンの強靭性は、調達の後回しではなく、信頼性の要件です。

著者について

Liao Yu-Sheng, Ph.D. は、Sanoc（聖威光電科技發展股份有限公司、SANway Optoelectronics Tech. Corp.）の創業者兼統括責任者です。国立交通大学（NCTU）でフォトニクス工学の博士号を、国立台湾大学（NTU）でEMBAを取得しています。光通信における深い技術的素養を、技術戦略、サプライチェーン、そして光インターコネクトの長期的方向性に関する経営者の視点と兼ね備えています。彼のリーダーシップのもと、Sanoc は台湾・新竹にある自社施設で互換光トランシーバと高速ケーブルを設計・製造しており、2026年 Taiwan Excellence Award を受賞しました。

自信を持ってAIインターコネクトを計画する

もしあなたがAI学習クラスタを設計している、あるいは既存のファブリックをスケールさせているなら、光のレイヤーはプランニングサイクルの早い段階で戦略的な会話に値します。我々のエンジニアリングチームは、適切なインターコネクト階層——ラック内のDACから高レートのスケールアウト光学まで——を、あなたの集合通信パターン、成長の見通し、電力予算に合わせる手助けをし、あなたの特定のスイッチおよびNICプラットフォームに対して互換性を検証します。また、大規模に投じる前に自らの条件下で性能を検証できるよう、無料サンプルも提供しています。我々のチームにお問い合わせください。プランニングのご相談の手配や無料サンプルのご依頼を承ります。

UAEにおける自動車分野での展開：フィールドノート

UAEの自動車セクターにおけるAI駆動型光ネットワークの展開は、リンク距離15kmをカバーする高速の車車間・路車間（V2X）通信システムに焦点を当てています。このネットワークは400Gbpsのスループットを達成し、パケットロスは0.01%に安定しています。平均故障間隔（MTBF）は10,000時間と記録されており、印象的な信頼性を示しています。資本的支出（CapEx）は200万ドルと見積もられ、運用支出（OpEx）は年間約20万ドルで、堅牢なデータ伝送を自律走行車向けに確保しつつ、コスト効率を強調しています。

パフォーマンスベンチマーク

指標	ベースライン	適切なトランシーバで最適化
スループット（Gbps）	100	400
パケットロス（%）	0.1	0.01
MTBF（時間）	5,000	10,000

自動車購入者向けFAQ

自動車分野の展開で光ネットワーキングを用いる利点は何ですか？

光ネットワーキングは高帯域と低レイテンシをサポートし、V2X通信にとって不可欠であり、車両の安全性と交通管理を強化します。自律走行車におけるリアルタイムの意思決定に必要な大きなデータパケットのシームレスな交換を可能にします。

自動車用途において、光ケーブルは従来の銅線配線とどう比較されますか？

光ケーブルは優れたデータ容量を提供し、電磁干渉を低減します。これは走行中の車両で安定した接続を維持するために不可欠です。これにより、特に都市環境において、性能の信頼性が向上します。

自動車の接続性に関連する光の標準規格は何ですか？

自動車用途では、200G/400G Ethernet向けのIEEE 802.3bsや、光トランシーバ向けのMSA（マルチソースアグリーメント）といった標準規格が互換性と相互運用性を保証し、新興の自動車技術への効率的な統合への道を開きます。