光通信发展现状

1966年，中国科学家高锟博士发表了具有里程碑意义的经典论文—— 《光频率介质纤维表面波导》，奠定了光纤通信的理论基础，开启了光通信的伟大时代。

如今，光纤通信已经经历了半个多世纪的发展。它彻底改变了人类通信技术的发展轨迹，也改变了我们每一个人的生活。

现在我们能享受到高速低成本的网络连接服务，很大程度上得益于光纤通信的贡献。

如今，光纤通信已经成为整个通信网络的主干和基础。全网98%以上的信息都是通过光纤通信传输的。

产业方面，光通信作为承载网(传输网)和数据中心的关键技术，支撑着一个庞大的产业链。根据研究机构的数据，2020年，全球光通信下游市场收入将达到1.4万亿元。

中国企业在光通信产业链中占有很高的比重：

面向未来的光通信还有很大的发展空间。现网数据流量每年以30%~40%的速度递增。总的来说，技术变革仍然可以跟不上业务流量的增长速度。

在云管道端架构，光通信的流量压力一方面来自用户端，一方面来自云端。

客户端很明显。随着5G(蜂窝5G)和f 5G(固网5G)的不断发展，以及4K/8K超高清文章的普及，用户终端的带宽越来越大，承载网(传输网)的带宽也必须紧随其后。

云中带宽增长的需求更多来自云服务的增长。

云业务具有横向流量大(东西向流量)的特点，分布式的部署也加剧了这类流量。

业务和云服务的增长刺激了数据中心(DC)建设的热潮。

数据中心之间的连接是——DCI(DCInterconnect)，带宽需求明显增加，成为重要的增长点。

光通信技术发展路线

如何才能解决光通信网络带宽不足的问题？

总体来说，还是两个思路。首先，通过更先进的技术，传输网络的物理带宽变得更大。二是加强网络的调度能力，提高效率。

这就像我们的城市交通。一方面要拓宽道路，把单车道改成两车道、四车道甚至八车道。另一方面，设置更多更智能的红绿灯，安排更多的交警，合理调度。

让让我们先来看看底层的带宽增强技术。

目前，单波100G光纤通信已广泛应用于商业。200G和400G光模块的光通道基本都是基于单波100G g。

400G光模块在2019年前后已经成熟商用，主要是因为谷歌、脸书等国外公司数据中心的普及。400G在国内使用不多。一方面需要循序渐进(考虑成本)，另一方面需要基于网络架构。也就是说，如果操作者的网络架构和设计接口需要200G，就是200G，没必要强求400G g。

未来单波400G将是下一代OTN技术的基本传输速率。

从底层技术来看，提高带宽的主要手段还是最基本的通信原理。

第一，采用更先进的调制技术。

第二，使用更大的频谱带宽。

信道一般采用C频段，频谱资源为4THz。扩展CE频段后，频谱资源增加了20%，达到4.8THz，如果使用C频段，则为6THz。如果采用C L频段，则为11THz，比C频段高175%。

无疑，这可以显著提高光纤资源的利用率。

第三，在芯片和算法上做文章。

第四，研发新型光纤，增加单根光纤的纤芯数，或者引入材料科学技术，降低光纤传输过程中的损耗。

除了载波带宽之外，容量也得到了提高

目前，全光骨干网已经在很大程度上完成。是城域网的后续全光(先城域核心，再汇聚接入)。

OTN/WDM号的沉没也是专家们关注的焦点注意。一方面可以支撑带宽增长的需求，另一方面可以大大节省光纤资源。

看完物理带宽的提升，让关注网络调度的发展。

这条路线还是以SDN思维为主。简而言之，就是开放和脱钩。

希望运营商的光通信网络进一步解耦，控制平面和数据平台进一步分离。厂商会把控制平面开放给运营商，运营商会开发自己的平台来调度和管理全网。

毫无疑问，设备制造商不愿意这样做。(在会上，很明显设备制造商在这一点上有困难。)

还有如果我不这样做，我也无能为力。我不想。开放是大势所趋。如果可以不要一步到位，要循序渐进。

目前，在黑盒和白盒之间有一个灰盒过渡，即部分脱钩。

总之，经营者脱钩的需求非常迫切。目前通信行业市场的寡头垄断格局对运营商越来越不利。如果不通过解耦进一步推动技术开放，未来运营商的处境会更加被动。

在加强网络调度方面，还有一个概念被与会专家反复提及，那就是OSU。这个概念之后还会有小枣君俱乐部的特别呈现。

最后说说人工智能(AI)。

人工智能是整个行业的焦点，通信行业也不例外。会上，多位专家就人工智能与通信的结合发表了自己的看法。

一般来说，大多数专家都是谨慎和务实的，他们不会不要胡说八道。

人工智能如何改变交流，是一个非常大且长期的话题。

一些专家认为，人工智能通信仍处于早期阶段，AI可以不要指望在短期内接管通信网络的运行和维护。一些专家还认为，人工智能是否以平台或模块的形式实现通信网络尚未确定。

很多专家都提到了数据的问题。人工智能可以离不开算法和计算能力。计算能力说起来容易，但是算法模型比较麻烦。

一方面，现有的人工智能算法模型基本不适合通信领域的场景。另一方面，建立算法模型需要大量的数据。目前数据只掌握在运营商手里，甚至主流设备厂商都可以我得不到足够的数据。

算法模型的研究也需要数据。常规数据(正常数据，也可称为阴性样本)没有多大价值，但是数据(也可以称为阳性样本)当异常情况(特殊情况)发生时才具有实际价值。这样的数据往往更敏感，客户也更不愿意打开。

数据获取和清洗(技术上或法律上)的问题将继续困扰人工智能和通信技术的结合。

但目前仍有设备商和运营商开发了少量的算法模型和场景并进行验证。千里之行始于足下。

好吧，那今天就到这里的文章。谢谢你的耐心。

japan quarterly 日本季刊