【导语】日前，是德科技在其算力新品发布会上推出了采样示波器、互联与网络性能分析仪（1.6T）及数据中心构建器（DCB）三款创新产品。面对全球AI市场即将迎来的爆发式增长，是德科技大中华区高速数字市场部经理李坚指出，AI产业正经历从“小模型实验”到“大算力工业化”的质变。然而，这一进程背后隐藏着高速化带来的技术挑战，包括物理层极限突破、网络层复杂系统脆弱性以及能效与可靠性的双重悖论。为应对这些难题，是德科技提出了从“单点测试”到“全栈验证”的破局思路，并推出了KAI解决方案。展望未来，随着CPO、硅光互联等技术的成熟，测试测量领域将迎来系统性性能预测与测试设备智能化的两大趋势。

日前，是德科技举办针对算力新品发布会，发布了采样示波器、互联与网络性能分析仪（1.6T）、数据中心构建器（DCB）三款产品。是德科技大中华区高速数字市场部经理李坚在发布会上表示：“2025年的AI产业正经历从‘小模型实验’到‘大算力工业化’的质变。”根据Bloomberg预测，全球AI市场规模将从2022年的869亿美元爆发至2030年的1.3万亿美元，年复合增长率达35.7%。这一进程中，以万卡集群为代表的算力中心成为核心基础设施，单是十万卡规模的GPU集群，硬件成本便突破200亿元，年耗电量相当于一座中等城市（约为1.59太瓦时）。然而，高速化背后隐藏着深层技术矛盾。

是德科技人工智能(KAI)系列解决方案

首先是物理层极限突破的阵痛，当以太网从800G向1.6T/3.2T演进、DDR内存从8.4GT/s迈向HBM3的12.8GT/s，传统PCB板因信号损耗超限被淘汰，转而依赖铜缆/光缆互联。但这带来新挑战，光模块在224Gbps速率下，温度每波动1℃便可能导致误码率飙升；GPU板卡间的无源铜缆虽成本仅为光模块的1/10（百美元级vs数千美元），却需要在100Gbps以上速率下实现低至0.1dB的插入损耗控制。

其次是网络层复杂系统的脆弱性。AI算力网络的“东西流量”占比已超60%，万卡集群中5000+线缆的连接复杂度，使得硬件故障率较传统数据中心提升3~5倍。实测数据显示，GPU真正用于计算的时间仅占36%，43%的训练任务因网络阻塞或硬件故障在4小时内失败。李坚指出，在以往十万卡集群的案例中，因光模块温度漂移导致的训练中断，每年造成的直接经济损失超2亿美元。

最后是能效与可靠性的双重悖论。为支撑大模型训练，算力中心需在3~5年内完成从PCIe 5.0（32GT/s）到PCIe 7.0（128GT/s）的两代跃迁，但这使单卡功耗从300W跃升至800W以上。如何在提升带宽4~8倍的同时，将系统能效比（TOPS/W）提升50%，成为产业共同难题。

是德科技大中华区高速数字市场部经理 李坚

为了应对这些难题，是德科技的破局思路是从“单点测试”到“全栈验证”，研发出了KAI（Keysight AI）解决方案给出系统性答案。李坚表示，展望2030年，随着CPO（光电共封装）、硅光互联等技术走向成(chéng)熟(shú)，测(cè)试(shì)测(cè)量(liàng)将(jiāng)呈(chéng)现两大趋势：一是从“单一参数测试”转向“系统级性能预测”，通过AI驱动的仿真模型，在设计阶段精准预测复杂系统的实际表现；二是测试设备本身的智能化，如集成生成式AI算法，自动生成最优测试用例，将工程师从重复性劳动中解放出来，聚焦于创造性突破。