AI数据中心的“铜崖”来了：特斯拉与中国车企AI基建分野

训练一个足够强的自动驾驶大模型，往往不差算法灵感，差的是“把GPU连起来”的能力。行业里有个越来越常见的说法：AI训练速度最终会被互连技术卡住。当单机从几十张GPU走向几百张GPU，机柜背后密密麻麻的铜缆不再只是“线材”，而是成本、功耗、散热、可靠性和交付周期的集合体。

这件事对汽车行业尤其敏感。特斯拉和中国主流智能车企都在押注端到端驾驶、世界模型、车端大模型与云端训练闭环。区别在于：有人把AI当“软件产品”，有人把AI当“工程系统”。而数据中心互连，从铜到光再到“射频/太赫兹波导”，正在把这种差异放大。

在“人工智能在通信与 5G/6G”这条技术主线上，数据中心互连其实是“内网的6G”：更短距离、更高带宽、更低时延、更强可靠性。它决定了AI算力能不能被真正用满。

训练大模型的两件事：Scale-out 与 Scale-up

结论先说：自动驾驶训练的瓶颈，越来越从“算力”转向“算力组织方式”。

数据中心训练AI主要有两种扩展方式：

• Scale-out（横向扩展）：把更多服务器/计算节点连成集群，适合跨机柜、跨机房互联，通常用光纤与光互连，距离可达数百到数千米。
• Scale-up（纵向扩展）：在一台“超级节点”里塞进更多GPU，让它们像“一个巨型GPU”一样协同工作，互连密度比scale-out高一个数量级，过去多用短距离铜缆（1–2米级）。

对自动驾驶来说，scale-up很关键：更大的batch、更频繁的参数同步、更高的GPU间带宽需求，能直接转化为训练吞吐与实验迭代速度。问题是——铜缆正在到极限。

铜缆为什么会“掉下悬崖”：皮肤效应与线束拥堵

结论先说：当链路速率逼近Tb/s级别，铜不再是“便宜可靠”，而会变成“更粗、更短、更热”。

铜在高频高速下会遇到典型物理问题：皮肤效应（skin effect）。频率越高，电流越集中在导体表面，等效电阻增大，损耗上升。结果很现实：

1. 要更粗的线：截面积增大才能“挤出”足够有效导电层。
2. 要更多功耗：为了维持信号质量，要更强的驱动、更复杂的均衡。
3. 要更短的距离：速率越高，可用距离越短。

这就是一些工程师口中的“铜崖”（copper cliff）：在某个速率/距离组合点之后，铜的成本和代价会突然变得不可接受。

更糟的是机柜现实：当GPU规模从72走向数百张（业界路线图中已出现到2027年单系统576 GPU的设想），线束空间、走线可维护性与风道/液冷布局都被逼到极限。

“铜的续命方案”：AEC与Retimer

结论先说：AEC能把铜再往前推一段，但它是在用功耗与复杂度换距离。

主动电缆（AEC）会在两端放置retimer芯片，负责时钟/数据信号重整与再发送，从而把铜的可用距离从“1–2米”延伸到“数米级”。这对从GPU到交换机、从单机到跨机柜的过渡非常实用。

但AEC并不改变“高频电在铜里走不远”的物理事实。它更像是给铜加了拐杖：走得更远，但更耗电、发热更大、故障点更多。

不走光纤，也不硬扛铜：RF/太赫兹“波导电缆”在中间开了一条路

结论先说：射频/太赫兹的“电缆”，试图拿到“像铜一样好用、比铜更细更远、比光更省电更好做”的组合。

近期出现的思路是：把数字比特转换成毫米波/太赫兹的调制信号，在一根更细、更柔韧的波导里传输，末端再还原为数字信号。直观理解：

• 铜：电信号在金属里跑
• 光：光信号在光纤里跑
• RF over waveguide（射频/太赫兹波导）：高频电磁波在介质波导里“导引传播”

在公开信息里，这类方案给出的工程卖点非常明确：

• 距离：可做到约10–20米级别，足以覆盖多机柜scale-up连接
• 线缆体积：比同等级铜缆更细，线束拥堵压力显著下降
• 功耗：目标是比光互连更低（某些方案宣称约为光的1/3）
• 时延：可做到极低（某些宣称比光低到数量级差异）

更关键的是制造逻辑：毫米波/太赫兹前端芯片可在相对成熟的CMOS工艺上实现，波导也更接近“线缆产业链”而不是“精密光学装配”。

为什么这对“车企AI战略”不是小事

结论先说：互连技术改变的是“单位GPU产生多少有效训练”，它会反向塑造企业的AI组织形态。

自动驾驶的训练不是只看GPU数量。真正的指标是：

• GPU利用率（是否经常在等通信）
• 每瓦吞吐（电力配额与能耗成本）
• 训练作业稳定性（一次中断可能浪费数小时到数天）
• 扩容交付周期（从采购到上线的时间）

互连从铜转向“射频波导/更近端的光”，意味着同样预算下可获得更稳定、更密集、更易扩展的训练平台。这会直接影响车企在端到端模型上的迭代速度。

特斯拉 vs 中国车企：AI基础设施选择背后的三种分野

结论先说：特斯拉更像“软件公司建工厂”，中国车企更像“制造体系上AI”，互连与数据中心路线会走出不同的节奏。

下面是我观察到的三条差异线索（不是道德评判，而是组织现实）：

1) 目标函数不同：端到端闭环 vs 多域协同

特斯拉长期强调数据闭环与端到端训练，倾向于把训练平台当作“产品流水线”：输入车端数据，输出模型版本，持续滚动。

不少中国车企则更常见“多供应链、多方案并行”：智驾、座舱、车控、云服务多条线同时推进，训练平台的“内部客户”更多，对资源隔离、稳定性、跨团队共享要求更高。

这会影响互连技术的落地策略：

• 特斯拉更可能为某个核心训练范式做深度定制（scale-up优先）
• 中国车企更可能采用“能快速交付、易运维、可分期演进”的组合（scale-out + 分阶段scale-up）

2) 工程偏好不同：极致自研 vs 生态协作

射频/太赫兹波导方案的机会点在于它更贴近传统线缆与连接器生态，能与既有制造体系对接。

• 特斯拉若认为互连是核心竞争力，可能走更强的自研/深度定制路径，把互连与散热、机柜、作业调度一起做系统优化。
• 中国车企更可能通过头部云/算力合作伙伴、服务器与网络厂商的参考架构来快速复制能力，然后在数据与应用层做差异化。

3) 成本结构不同：算力电力配额 vs 时间窗口成本

2025年末到2026年，国内外都在经历算力“扩容竞赛”，但约束不同：

• 在一些地区，电力与机房容量比GPU更稀缺
• 在另一些企业里，真正昂贵的是研发迭代的时间窗口：一代模型慢两个月，可能错过整车平台周期

射频/太赫兹波导如果能在功耗、线束密度、散热压力上带来实打实改善，就会变成“时间窗口”的放大器：更稳定、更少故障、更高利用率，等于更快迭代。

放到“通信与5G/6G”视角：数据中心互连正在复用移动通信的方法论

结论先说：数据中心互连的演进，越来越像一张“极短距的6G网”。

你会看到熟悉的通信工程要素被搬进机柜：

• 更高载波频率：从GHz走向毫米波/太赫兹
• 更复杂调制与均衡：追求更高频谱效率
• 更严格的链路预算：损耗、串扰、屏蔽、连接器一致性
• 更强调端到端可靠性：一次链路抖动可能导致训练作业崩溃

这也是为什么“AI用于网络优化、故障诊断、智能运维（AIOps）”会越来越重要：互连越复杂，越需要用AI做链路健康预测、拥塞定位、作业编排优化。

车企与供应链可以立刻做的三件事（可执行）

结论先说：别等到“铜崖”塌了才换路，先把测量体系与演进路径建起来。

1. 把互连指标纳入AI研发KPI

   • 除了GPU数量，固定跟踪：GPU利用率、all-reduce时延、作业中断率、训练吞吐（tokens/s或samples/s）、每瓦吞吐。

2. 按“距离层级”规划互连路线图

   • 机内/板内：短距铜仍有优势
   • 机柜内/相邻机柜（10–20米）：重点关注毫米波/太赫兹波导与更近端光的落地节奏
   • 跨机柜/跨机房：光互连仍是主力

3. 提前做运维与可靠性演练

   • 训练作业最怕“非冗余第一跳”掉链子。对关键链路做冗余、热插拔流程、故障注入演练，比追逐单点峰值带宽更能提升有效产出。

结尾：AI战略的分水岭，往往藏在“线缆后面”

铜缆不会立刻消失，它仍然是成本最低、工程最熟的选择。但当GPU规模走向数百张、训练作业价值越来越高时，互连的功耗、体积、可靠性会从后台走到前台。这会迫使每一家做智能驾驶的公司回答同一个问题：你是在买算力，还是在买“可持续迭代速度”？

我更看好一种务实的路线：短距继续用铜，把铜用到极致；跨机柜坚持光；而在10–20米这个“scale-up新战场”，射频/太赫兹波导有机会成为下一代主流选项之一。对特斯拉来说，这可能是进一步放大数据闭环效率的杠杆；对中国车企来说，这可能是把多团队、多业务的训练平台从“能用”推到“高效稳定”的关键补课。

接下来一年值得关注的不是某条链路峰值带宽，而是：哪家车企能把互连、散热、调度、数据闭环做成同一个系统工程。那才是真正的AI战略差距。