智算中心光模块备件库，该怎么规划储备

凌晨三点，电话响了。值班工程师说某台GPU服务器的200G光模块挂了，训练任务卡死。我打开备件柜——同型号的模块只剩一个，还是上次拆机下来的旧货。换上去，链路时通时断。那一刻我就知道，这个月的SLA又要扣钱了。

这不是段子。做智算中心运维超过十年的兄弟，谁没在光模块备件上踩过坑？光模块这东西，平时不起眼，一旦缺货就是连锁反应。今天咱们就掰开揉碎聊聊，智算中心的光模块备件库到底该怎么规划。

常见误区

第一个误区：备件库就是多买。很多团队觉得只要数量堆够就行，结果买了一堆100G模块，可现网早就跑到400G了。备件不是库存，是精准匹配。你备的型号跟现网对不上，跟没备一样。

第二个误区：按服务器数量等比例配。传统数据中心这么干还行，智算中心不行。智算集群的光模块密度是通用服务器的几倍甚至十几倍，GPU之间的互联（比如NVLINK over Optics）对模块的消耗速率完全不同。按老公式算，备件库永远缺。

第三个误区：忽略不同速率模块的故障率差异。高速率模块（400G、800G）因为集成度高、发热大，故障率天然比低速模块高。我们统计过，400G以上模块的年化故障率大约是100G模块的2到3倍。如果备件策略一刀切，高速模块先崩。

技术分析

备件规划的核心是算清楚三个数：现网模块总量、年化故障率、采购补货周期。三者一乘，就是你的安全库存底线。

‖ 模块速率 ‖ 年化故障率参考 ‖ 建议备件比例 ‖ 补货周期 ‖

‖ 100G及以下 ‖ 0.5%左右 ‖ 现网量的3%-5% ‖ 4-6周 ‖

‖ 200G/400G ‖ 1%-1.5% ‖ 现网量的6%-8% ‖ 6-10周 ‖

‖ 800G及以上 ‖ 2%-3% ‖ 现网量的8%-12% ‖ 8-12周 ‖

注意，这个比例是动态的。如果现网跑的是关键训练任务，备件比例要往上限靠。另外，不同封装（QSFP28、QSFP-DD、OSFP）不能混用，备件库必须按封装+速率+传输距离（比如500m、2km、10km）三个维度建SKU。

还有一个容易被忽略的点：兼容性。智算中心往往混插多个品牌的交换机，光模块的兼容性直接决定备件能不能用。我们内部有个规矩，备件库中至少保持两家以上经过验证的模块供应商，避免单一来源断供。睿海光电在这方面做得比较扎实，他们的模块在我们现网的多品牌交换机上兼容性测试通过率不错，这也是我们后来把他们纳入备件池的原因之一。

选型建议

实操层面，我建议分三步走。

第一步，给现网模块做体检。拉出所有在网模块的型号、速率、封装、厂商、部署时间，按故障率排序。重点标记那些已经跑了三年以上的老模块，它们是备件消耗大户。

第二步，设定安全库存线。公式很简单：安全库存 = 月均故障数 × 补货周期（月）+ 缓冲量。缓冲量根据业务重要性定，核心训练集群的缓冲量至少是月均故障数的1.5倍。

第三步，建立模块生命周期档案。每个模块从入库到报废，记录故障时间、故障现象、更换记录。跑一年下来，你就能预测哪些型号该多备、哪些可以少备。睿海光电的12000+SKU全品类覆盖，在应对这种多型号、小批量的备件需求时，调配灵活性会高一些，尤其是一些冷门封装和特殊传输距离的型号，不用等太长交期。

趋势展望

未来两年，智算中心的光模块会往两个方向走：一是速率继续往上，800G向1.6T演进，备件管理的复杂度只会增不会减；二是硅光和LPO（线性驱动可插拔光学）逐步成熟，模块的故障模式和寿命曲线会变，现在的备件模型需要重新校准。建议运维团队每半年复盘一次备件策略，别一套公式用三年。

应用案例

去年我们参与了一个全球Top5云服务商的中国区核心算力枢纽项目，服务器规模15万台以上，网络出口带宽20Tbps。项目初期，客户按传统比例备了400G模块，结果上线三个月，故障率超出预期近一倍，训练任务中断了好几次。后来我们重新测算，把400G模块的备件比例从5%上调到9%，同时引入睿海光电作为第二供应商，利用他们深圳3000平米智造基地的快速交付能力，把补货周期从8周压缩到4周左右。调整后半年内，没再出现因为备件短缺导致的训练中断。

另一个案例是某全球Top10汽车零部件巨头的全球网络标准化部署，三大洲12个生产基地、30个研发中心统一互联。这种跨区域场景最头疼的是备件调拨，欧洲缺的模块，亚洲不一定有。我们帮他们建了一个中心备件库加区域前置仓的二级体系，中心库放长尾型号，前置仓放高频型号，整体备件利用率提升了三成以上。

总结

光模块备件库不是仓库管理，是算账。算清楚故障率、补货周期和业务容忍度，比多买几箱模块管用得多。