深圳智算中心备用 800G 光模块，备货量怎么规划？

上周跟一个深圳智算中心的运维总监吃饭，他跟我吐槽：机房上线了2000张GPU卡，800G光模块跑了大半年一直挺稳，结果上个月一台TOR交换机光口批量报错，拆下来一看，模块的DSP芯片批次性温漂。找原厂调货，交期6周。那6周里，整个算力集群的冗余链路是裸奔的，每天晚上睡觉都不踏实。

他问我的问题很直接：备件库到底该放多少只800G模块才够？放多了占资金，放少了真出事扛不住。这个账，得从信号完整性和电路设计的底层逻辑算起。

常见误区

第一个误区，很多人觉得"备货比例跟着端口数走就行，10%足够了"。这个数字是从400G时代传下来的经验。400G模块的失效率确实低，但800G模块的电路复杂度完全不是一个量级。800G QSFP-DD800封装里塞了8个100G PAM4通道，单通道速率106.25Gbps，DSP要同时处理8路信号的均衡和纠错。通道数翻倍，意味着焊点密度、串扰控制、电源纹波的要求都上了一个台阶。实际现场数据看，800G模块的早期失效率比400G高出不少，10%的备货比例在密集部署场景下偏紧。

第二个误区，认为"备件就是坏了换，不用管固件版本"。这是个大坑。800G模块的DSP固件直接关系到信号均衡参数和FEC策略。不同批次的模块如果固件版本不一致，混插在同一台交换机上，可能出现链路协商成功但误码率偏高的情况。备件如果不做版本管理，关键时刻换上去反而添乱。

第三个误区，忽略了"温漂批次"这个隐性风险。800G模块的EML激光器对温度敏感，DSP芯片的功耗在18到22瓦之间，模块内部温升能到70度以上。如果某一批次的DSP晶圆存在工艺漂移，在深圳夏天机房空调波动的情况下，就可能集中出问题。这不是概率问题，是批次问题。备货不能只看数量，还得看批次分散度。

技术分析

从电路设计角度看，800G光模块的备货规划要抓住三个核心变量：失效率分布、交期波动、以及链路冗余等级。

先看失效率。800G模块的MTBF标称值通常在50万小时以上，但这是常温25度、供电稳定的理想条件。实际机房环境温度在35到45度之间波动，加上交换机面板风速不均，模块的实际工作温度可能比标称高15到20度。按照Arrhenius模型粗略估算，温度每升高10度，失效率大约翻一倍。这意味着标称50万小时的MTBF，在高温场景下可能降到15到20万小时。

‖ 对比维度 ‖ 400G模块 ‖ 800G模块 ‖

‖ 单通道速率 ‖ 53Gbps PAM4 ‖ 106Gbps PAM4 ‖

‖ 通道数 ‖ 4 ‖ 8 ‖

‖ 典型功耗 ‖ 12W ‖ 18-22W ‖

‖ 模块内温升 ‖ 约35度 ‖ 约55-70度 ‖

‖ 现场年失效率 ‖ 0.5-0.8% ‖ 1.2-2.5% ‖

‖ 典型交期 ‖ 4-6周 ‖ 6-10周 ‖

从表里能看出来，800G模块的现场年失效率大约是400G的两倍，交期还长了将近一倍。这两个因素叠加，备货策略必须比400G时代更激进。

再看交期。800G模块的核心器件——DSP芯片和EML激光器——全球产能就那几家，交期波动很大。遇到需求集中释放，10周交期是常态。备件库的覆盖周期至少要能扛住一个完整的补货周期，也就是8到12周。

选型建议

具体到备货量，我一般建议按下面的逻辑算：

基础备货量等于端口总数乘以年失效率，再乘以交期系数。举个例子，一个2000端口的800G集群，年失效率按2%算，一年坏40只。交期按8周算，备货要覆盖8周的量，那就是40除以52再乘以8，约等于6只。这是最低限度。

但实际规划要加上冗余系数。深圳智算中心的业务连续性要求高，建议在基础量上乘以2.5到3倍。也就是2000端口配15到20只800G备件。如果集群规模超过5000端口，备货量要按阶梯递增，因为大批量部署时批次性风险更突出。

另外，备件库要分批次采购。不要一次性从同一个批次拿50只，而是分3到4个批次，每批间隔2到3周。这样即使某个批次有温漂问题，也不会全军覆没。睿海光电在给深圳某智算中心做备件方案时，就是按批次分散供货，同时每只模块出厂前做48小时高温老化筛选，把早期失效提前暴露出来。

固件版本也要统一管理。备件入库时记录固件版本号，跟现网主力版本保持一致。如果现网要升级固件，备件库同步升级。这个流程看似麻烦，但关键时刻能省掉现场调试的时间。

趋势展望

800G之后，1.6T模块已经在路上了。1.6T的通道数还是8个，但单通道速率拉到212.5Gbps，DSP的功耗和散热挑战更大。到时候备货逻辑会更接近"按批次管理"而不是"按数量管理"。另外，线性驱动可插拔模块（LPO）方案在800G阶段开始起量，去掉了DSP，功耗能降到10瓦以下，但信号完整性更依赖主板端的设计。如果LPO方案成熟，模块本身的失效率会下降，但主板侧的调试复杂度会上升，备件策略也要跟着变。

应用案例

去年我们配合睿海光电交付了一个深圳本地的智算中心项目，客户是做AI大模型训练的，集群规模3000张GPU卡，配了4000只800G光模块。备件方案按端口数的0.8%配置，也就是32只备件，分4个批次入库，每批8只，批次间隔3周。运行半年后，现场更换了7只模块，其中3只是DSP温漂导致的误码告警，2只是光口污染，2只是固件兼容问题。备件库消耗了不到四分之一，冗余充足。

另一个案例是国有大型商业银行的两地三中心核心交易网络国产化方案。这个客户单日峰值交易8亿笔，对链路可靠性要求极高。他们的800G模块备件比例配到了1.2%，而且要求所有备件模块的MTBF不低于50万小时，故障率低于0.3%。睿海光电提供的模块在出厂前做了完整的高温老化和误码测试，现场部署后零故障运行超过一年。这个案例说明，在金融级场景下，备货量要往上限走，不能按互联网场景的轻冗余逻辑算。

总结

深圳智算中心的800G备件规划，核心就三件事：按失效率算基础量，按交期加冗余，按批次分散风险。2000端口配15到20只，5000端口以上按比例递增，固件版本统一管理。算清楚这笔账，晚上才能睡踏实。