OFC 2026 | Meta：博通51.2T CPO超9000万器件小时验证进展与故障模式解析

◆ 研究背景：AI算力爆发驱动光学Scale-Up核心刚需

Meta全球平台拥有34亿日活跃用户，其业务稳定运行高度依赖AI基础设施的可靠性、性能与成本效益。当前Meta正处于AI基础设施爆发式增长周期：2025年已部署超130万H100等效GPU，未来还将新增数百万片；资本开支从4年前的350亿美元增长至2025年的700亿美元，2026年目标超1150亿美元；已发布路易斯安那州Hyperion数据中心，建成后总功率达5GW，占地面积相当于曼哈顿的显著区域，同时在俄亥俄州、得克萨斯州、印第安纳州规划了多个1GW级数据中心。

AI算力的持续扩容对单机架加速器密度与集群Scale-Up域规模提出了更高要求。当前主流的铜背板/铜缆互连方案已接近物理瓶颈：单宽机架可支持72个加速器节点，双宽机架可实现144节点的电互连Scale-Up域，但256节点及以上的更大规模Scale-Up，面临着功耗、体积、可靠性与工程实现的多重挑战，光学互连成为解决超大规模AI集群Scale-Up需求的核心技术路径。

共封装光学（CPO）技术将光学IO与交换机芯片紧密集成，可大幅减少电通道损耗、支持更高的端口密度，是突破数据中心网络能效瓶颈的核心方案。但该技术的可靠性、可用性与可服务性（RAS）长期缺乏大规模实测验证，这也是Meta连续两年在行业顶会发布测试成果的核心聚焦点。

◆ ECOC 2025：首轮大规模验证结果

在2025年欧洲光通信会议（ECOC）上，Meta团队已发布基于Broadcom Bailly 51.2Tbps CPO交换机的首轮大规模实测结果，完成了CPO技术从实验室验证到规模化场景测试的关键跨越。

ECOC 2025：Meta实测博通Bailly 51.2T CPO交换机，超百万小时可靠性验证支撑超大规模AI数据中心

本次评估的Bailly CPO交换机基于Broadcom Tomahawk5交换基板设计，硬件架构上集成8个6.4Tbps硅光子光学引擎，可提供128个400Gbps FR4端口，采用标准单模光纤即可实现51.2Tbps的总交换容量。物理设计上，CPO封装与交换机主板直接互联，整机集成于4U机架，前面板配备128个LC双工光纤连接器；特别设计了可现场更换激光源（PLSs），每个PLS支持8个400Gbps端口，解决了光模块核心故障点的运维问题；激光器结温在最坏情况下低于50℃，远低于传统可插拔模块约80℃的工作结温，从设计上提升了激光器的长期可靠性，整机通过后部8个风扇实现空冷散热，风扇转速由软件根据温度自动调节。

首轮验证的核心测试结果如下：

- 功耗优势显著：在40℃环境下，Meta对15台CPO交换机与传统2×400Gbps FR4可插拔光模块开展对比测试，结果显示CPO技术相比带重定时器的传统可插拔方案，单通道功耗从15W降至5.4W，功耗降低65%，全配置系统可节省超500W功耗；即便在40℃的应力温度条件下，光学引擎芯片温度升高对功耗的影响可忽略不计，验证了CPO在高温环境下的功耗稳定性。

- 光学性能符合行业标准：发射机侧的消光比、发射机TDECQ、光调制幅度等核心指标，在标称温度与高温环境下均满足400GBASE-FR4标准规范；所有通道的误码率均低于5×10^-8，性能一致性良好，充分验证了CPO与现有光模块生态的互操作性。

- 可靠性完成超百万小时验证：在40℃应力环境下的持续测试中，系统完成了超过100万小时的400Gbps端口运行，未出现不可纠正的码字；75%的端口在运行105万小时后，最大非零前向纠错（FEC）bin小于7，实验期间仅出现1次FEC bin＞10的情况。实测结果表明，光链路平均无故障时间的下限，足以支撑24k GPU AI集群实现＞90%的训练效率，且不会因互联故障成为性能瓶颈。

◆ OFC 2026升级验证：超9000万小时测试体系与全维度结果

在ECOC 2025的基础上，Meta在OFC 2026发布了升级后的大规模可靠性测试成果，进一步扩大了测试规模、延长了测试周期、升级了系统版本。

① 升级后的测试体系

Meta搭建了更大规模的硬件监控测试基础设施，采用远严于行业通用标准的测试规则，完整测试体系如下：

1. 严苛的故障定义：将任何传输未校正码字（UCW）、误码超过阈值的事件均记为故障，而非仅统计完全中断的“死链”，最大程度还原真实业务场景下的链路健康风险。

2. 测试分组与规模：

- CPO Phase1系统：基于初代Bailly CPO设计，在40℃高温应力环境下持续测试，累计完成超4000万小时的400G端口等效设备小时测试；

- CPO Phase2系统：升级了制造标准的优化版本，在常温正常工况下持续测试，累计完成超5000万小时的400G端口等效设备小时测试；

- 对照组：2x400G FR4可插拔光模块，在与CPO Phase1相同的40℃高温应力环境下测试，累计完成约800万小时的400G端口等效设备小时测试。

3. 全维度监控方案：对所有链路的发射光功率、接收光功率、激光器偏置电流、FEC统计量、信噪比（SNR）等关键参数进行持续监控，采样粒度为每5分钟一次，覆盖所有通道、所有端口、所有测试系统，实现故障机制的精准定位。

② 光学性能长期稳定性测试结果

针对CPO系统在长期高温应力环境下的性能稳定性，Meta开展了全周期持续监控，完整测试结果如下：

1. 长期稳定性验证：在9个月的持续测试周期内，随机抽取的单端口单通道数据显示，发射光功率、接收光功率等核心光学参数虽有符合预期的正常波动，但始终处于设计指标范围内，无任何性能退化趋势。

2. FEC链路健康度统计：分别在累计运行100万小时、1800万小时、3600万小时三个关键节点，对所有测试系统的128个端口开展24小时连续FEC统计，结果显示：75%的端口最大非零FEC bin值小于4，FEC bin超过6的情况极少，全程未出现接近纠错极限的16号bin事件，链路性能预留了充足的裕量，无系统级可靠性退化。

③ 功耗测试升级结果

在ECOC 2025验证的基础上，Meta补充了不同光学方案的横向功耗对比，完整结果如下：

- 对比带重定时器的传统可插拔光模块，CPO系统单链路功耗降低65%，单台51.2Tbps交换机全配置场景下可节省超500W功耗；

- 100Gbps每通道规格下，对比线性直驱光模块（LPO），CPO系统仍实现35%的功耗降低，进一步验证了集成架构的能效优势；

- 40℃高温应力环境下，光学引擎芯片温度升高对CPO系统功耗的影响可忽略不计，高温场景下的功耗稳定性符合设计预期。

④ 可靠性MTBF全量测试结果

基于累计超9000万小时的全量测试数据，Meta发布了完整的MTBF（平均无故障时间）测试结果，所有数据均来自实测统计，无理论推算：

- 对照组2x400G FR4可插拔光模块：40℃高温应力环境，累计约800万设备小时测试，实测MTBF为0.71M小时；

- CPO Phase1系统（全故障统计）：40℃高温应力环境，累计超4000万设备小时测试，实测MTBF为1.47M小时，较传统可插拔模块实现2倍可靠性提升；

- CPO Phase1系统（排除可修复的PLS非根本性问题）：40℃高温应力环境，累计超4000万设备小时测试，实测MTBF达8.2M小时，较传统可插拔模块实现超10倍的可靠性提升；

- CPO Phase1系统（整机级）：40℃高温应力环境，累计超4000万设备小时测试，实测MTBF超过20M小时；

- CPO Phase2系统（整机级）：常温正常工况，累计超5000万设备小时测试，因全程故障数量过少，暂无法输出具有统计意义的MTBF数据，侧面印证了优化后系统的极高运行可靠性。

◆ 故障模式与故障范围（爆炸半径）深度分析

① 统一故障定义标准

本次测试采用远严于行业通用标准的故障判定规则，明确：故障≠完全中断的死链，任何传输未校正码字（UCW）、误码超过阈值的事件，无论是否可复现、是否影响链路持续运行，均记为故障事件。该定义比行业通用的“链路抖动（link flap）”标准更为严苛，可最大程度提前识别潜在故障风险，匹配超大规模AI集群的高可靠性要求。

② 传统可插拔模块故障模式全解析

基于对照组800万设备小时的测试数据，Meta完整梳理了可插拔光模块的故障Pareto分布，按故障占比从高到低排序为四大类：

1. 不可归因的模块故障（含不可复现的瞬时故障）：为第一大故障来源，这类故障的典型特征为：出现单次或少数几次不可纠正的码字，但模块温度、pre-FEC BER等所有核心参数全程保持稳定，故障后链路恢复正常且全程无复现，无法定位明确的硬件或软件根因。

2. 接收侧硬件故障：为第二大故障来源，属于可定位的硬件失效问题，目前仍在持续开展根因分析，是可插拔模块硬件设计的核心优化方向。

3. DSP固件相关问题：为第三大故障来源，属于可通过固件升级解决的问题家族，新版本固件可覆盖绝大多数此类故障。

4. 脏光纤与连接器问题：为第四大故障来源，是所有光纤接口的共性问题，在CPO系统、可插拔模块、实验室测试与现网部署中均有出现，并非CPO技术的特有问题。

③ CPO系统故障模式全解析

基于Phase1系统4000万设备小时的测试数据，Meta完整梳理了CPO系统的故障Pareto分布与根因定位，核心内容如下：

1. 主导故障来源：PLS模块激光驱动电路SMT组件退化：该故障为Phase1系统的核心故障来源，典型故障特征为：出现可重复的链路抖动与不可纠正码字，可关联到对应ELSFP光子层（PLS）模块的激光偏置电流异常波动。经与合作伙伴联合分析，根因为PLS模块激光偏置电路中的一个SMT组件出现性能退化，属于可通过设计优化解决的非根本性缺陷，并非CPO集成架构的固有问题；重新设计剔除该缺陷组件的PLS模块，以及经过严格筛选的PLS模块，均未出现此类故障。

2. 次要故障来源：不可复现的瞬时故障：此类故障的特征与可插拔模块的瞬时故障一致，但占比显著低于可插拔模块，对系统可靠性的影响极小。

3. 共性故障来源：脏光纤与连接器问题：与可插拔模块的故障特征完全一致，属于光纤接口的共性问题，并非CPO技术的特有缺陷。

④ 故障范围（爆炸半径）与RAS影响分析

针对超大规模AI集群的Scale-Up场景，Meta完整分析了不同故障类型的爆炸半径（故障影响范围）与业务影响，核心前提与分析如下：

1. AI Scale-Up场景的高敏感性前提：AI集群Scale-Up域的GPU互联带宽是“极度珍贵”的，当前并未做超额配置，AI Zone的收敛比为1:7，链路冗余能力有限，因此互联故障对AI训练任务的影响远大于普通数据中心场景，任何链路中断都可能导致训练任务效率下降甚至中断。

2. 不同故障类型的爆炸半径对比：

- 传统可插拔收发器故障：1个收发器模块仅支持2条及以下链路，故障仅影响对应端口，可通过port-to-port路由实现冗余，爆炸半径最小，对系统整体影响最低；

- CPO PLS模块故障：1个PLS模块支持8条及以上链路，故障影响的链路数远大于单收发器，需要更大范围的端口路由冗余，爆炸半径中等，是CPO系统运维的核心关注对象；

- 交换机整机/ASIC故障：1台Bailly CPO交换机支持128条链路，故障需要交换机节点级冗余，爆炸半径最大，会直接影响整个Scale-Up域的带宽能力，是CPO系统可靠性设计的核心底线。

3. 核心RAS问题与解决方案：CPO商用的核心RAS顾虑为“若CPO交换机的故障率与可插拔模块相当，其更大的爆炸半径会导致系统整体可用性大幅下降”。而Meta的实测数据验证了CPO系统的端口级故障率远低于可插拔模块，同时可现场更换的PLS模块设计，大幅缩小了单点故障的爆炸半径，将绝大多数故障的影响范围控制在8条链路以内，避免了整机级故障的频繁发生，有效解决了CPO系统的运维与可用性顾虑。

◆ CPO高可靠性的核心驱动因素

基于两轮累计超9000万小时的实测数据，Meta总结了CPO系统可靠性优于传统可插拔模块的四大核心驱动因素：

1. 更少的物理接口与更深的系统集成，减少了潜在的硬件故障点，符合“组件数量越少，可靠性越高”的基本工程逻辑；

2. 系统级协同设计，优化了激光器等关键器件的工作条件，大幅降低了激光器的工作结温，减少了长期运行的性能退化风险；

3. 光学组件在制造流程的更早阶段完成集成，可实现全流程的系统级测试与筛选，提前剔除潜在缺陷器件，提升了出厂系统的一致性与可靠性；

4. 减少了部署与运维环节的人工干预，同时可现场维护的PLS模块设计，大幅降低了运维操作带来的额外故障风险。

◆ 观众问答核心内容

演讲结束后，现场观众围绕测试细节与技术对比展开提问，Meta团队的回应核心内容如下：

1. 针对观众提出的“测试对比的光学类型、以及可插拔模块SNR更高但故障更多的原因”问题，Meta回应称，本次对比测试的CPO与可插拔模块均采用FR4光学方案。可插拔模块故障更多的核心原因，一方面是不可复现的瞬时问题在故障占比中权重很高，同时各类制造相关的问题，比如组件、胶水、贴片工艺等带来的缺陷，都会带来额外的故障点，符合“组件数量越多，潜在故障点越多”的基本逻辑；另一方面，可插拔模块配套的多源DSP与固件也是故障的重要来源。同时，CPO方案减少了重定时器对应的DSP环节，也是可靠性提升的潜在因素。

此外，单通道100G规格下没有链路训练机制，一定程度上也加剧了可插拔模块的链路稳定性问题，而单通道200G规格下即将引入的链路训练，可能会改善这一问题。此外，可插拔模块的多厂商互操作性优势，也带来了链路调优的局限性，而CPO的集成系统可完成全流程联合测试，进一步优化了链路稳定性。

2. 针对观众提出的“CPO与可插拔模块的可靠性对比是否为公平的同条件对比，若可插拔模块也完成与交换机的联合测试，MTBF是否会有显著变化”问题，Meta回应称，这个问题本质上和链路训练的影响类似，100G每通道规格下目前没有对应的链路训练机制，200G规格下的链路训练可能会带来可插拔模块链路稳定性的提升，最终结果需要数据验证。同时，本次测试得到的数据，与Meta在实际数据中心集群中观测到的运行数据高度相关，测试场景完全复现了Meta实际部署的标准流程，测试结果具有代表性，能够反映真实部署场景下的可靠性表现。如果后续链路训练等技术能带来可插拔模块的可靠性提升，Meta也会同步跟进测试与部署。

3. 针对观众提出的“是否有LPO模块的相关测试数据”问题，Meta回应称，目前暂无LPO模块的相关测试数据可以分享，这也是团队后续重点关注的测试方向，后续有进展会同步向行业更新。

◆ 总结与展望

从ECOC 2025的首轮验证，到OFC 2026累计超9000万设备小时的大规模严苛测试，Meta针对博通51.2T CPO系统开展的全维度长期实测，为行业评估共封装光学技术的商用可行性提供了关键的一手数据，大幅缓解了业界对CPO技术长期可靠性的核心顾虑。

需要客观指出的是，本次可靠性对比的基准为当前规模商用的100G per lane重定时可插拔光模块，而传统可插拔光模块技术本身仍在持续迭代演进。进入单通道200G时代，LPO（线性直驱光模块）、优化型重定时架构、标准化链路训练机制等技术路线，均有望进一步补齐可插拔方案的可靠性及能效短板、提升长期运行可靠性，新一代可插拔方案与成熟化CPO技术的长期综合表现对比，仍有待后续更大规模、更长周期的产业级实测验证，目前尚无确定性结论。

从现有测试结果来看，CPO技术在功耗、带宽密度上展现出集成架构带来的固有优势，在规模化量产后具备全生命周期成本优化的潜力，且已通过Meta的超大规模测试，验证了其满足超大规模AI集群部署要求的可靠性能力。目前Meta正联合行业5家合作伙伴推进OCI MSA标准，旨在构建开放的光学Scale-Up技术生态，后续也将在OCP、ECOC等行业会议上更新Phase2 CPO系统的完整可靠性数据，持续推动集成光学技术在超大规模数据中心的产业化落地。