人工智能下游应用场景中，大模型训练与推理、自动驾驶、以及云计算数据中心是对AI芯片和光模块需求最为迫切、结构拉动最强的三个领域。这些场景共同依赖海量算力与高速数据传输，直接驱动了产业链上游核心硬件的增长。
大模型训练与推理：算力需求的核心引擎
大模型（如ChatGPT背后的GPT-3.5等）的涌现能力，使其在模型规模达到某个阈值后性能突飞猛进，但也带来了对算力的极致渴求。训练和运行这些模型需要大量的AI芯片（如GPU）提供并行计算支持，同时，数据中心内部服务器之间的高速互联离不开光模块，尤其是CPO（共封装光学）技术，它能实现高速率、大带宽、低功耗的网络连接。可以说，每一次大模型的迭代和部署，都直接拉动了对高性能AI芯片和光模块的采购需求。
自动驾驶：边缘侧的实时计算与通信
自动驾驶是AI技术在下游场景中的重要应用，它要求车辆在行驶过程中实时处理海量传感器数据（摄像头、激光雷达等），并做出毫秒级的决策。这需要车端搭载强大的AI芯片进行边缘推理，同时，路侧单元与云端之间、以及车辆与基础设施（V2X）之间的数据交换也依赖高速光模块。自动驾驶对低延迟和高可靠性的严格要求，使其成为推动车规级AI芯片和专用光模块需求增长的关键力量。
云计算数据中心：算力基础设施的底座
云计算是承载各类AI应用的基础设施。随着AI应用的普及，云服务商需要不断扩建和升级数据中心，以提供充足的算力和存储。这些数据中心内部，成千上万的服务器通过光模块互联构成计算集群。AI技术的发展对光通信的带宽容量和传输速率提出了更高要求，而CPO技术正是实现这一目标的关键路径。因此，云计算数据中心的持续投资，是光模块和AI芯片需求最稳定的来源之一。
常见问题
为什么大模型对AI芯片的需求特别大？
大模型的训练需要处理海量数据并进行复杂的矩阵运算，传统CPU效率较低。AI芯片（尤其是GPU）专为并行计算设计，能大幅缩短训练时间。同时，大模型的“涌现能力”意味着只有达到一定规模才能产生质变，这进一步推高了算力需求。
光模块在AI产业链中扮演什么角色？
光模块是光通信系统的核心器件，负责实现服务器之间、数据中心之间的高速数据传输。在AI训练中，数据需要在成百上千个芯片间快速同步，传统电信号传输在带宽和功耗上存在瓶颈，而光模块（特别是CPO技术）能提供更高带宽、更低延迟和更低功耗的互联方案。
除了上述场景，还有哪些应用会推动需求？
AI技术还广泛应用于工业自动化、智慧城市、金融风控、医疗影像分析等领域。这些场景虽然单个需求可能不及大模型训练，但数量庞大且持续增长，共同构成了对AI芯片和光模块的广泛需求基础。