核心观察：谷歌 TPU 互联拓扑的变化，重点不只是从 3D 走向 6D，而是把训练与推理对互联网络的不同要求拆开处理：训练更看重总通量和二分带宽，推理更在意延迟与跳数。拓扑升级能提高连接效率，但端口数量、光模块、OCS、铜缆和系统成本必须同时算账。
核心要点：在 4096 颗芯片规模下，3D torus 的最远跳数约为 24 跳，6D torus 通过将单芯片连接从 6 个提升到 12 个，理论上可将最远跳数降至约 12 跳并提高二分带宽。与此同时，3D 结构的单芯片光模块配比会随 cube 单元扩大而下降，6D 是否带来更高光链路价值量，仍取决于实际布线、OCS 和成本方案。
01｜从2D到3D：谷歌TPU先解决大规模芯片互联
谷歌 TPU 的互联拓扑经历了从早期 2D torus 到 V4、V5 时代 3D torus 的演进。3D 基础单元可以理解为 4×4×4 的立方体，共 64 颗芯片，每颗芯片与六个邻居连接，边缘链路通过环回方式接回另一侧。借助 OCS，系统还可以扩展到数千乃至 9000 多颗芯片规模。
这种结构的关键是让芯片之间存在多条路径，而不是依赖单一的点到点连接。内部链路可以采用 PCB 和 DAC/铜缆，立方体外表面的链路再使用光模块。这样既能控制成本，又能在集群扩大时保留可扩展的互联能力。与光互联产业链的代际演进结合观察，可参考 高速光模块交付验证。
02｜6D torus的核心变化：端口翻倍，最远跳数减半
在 3D torus 中，4096 颗芯片可以按 16×16×16 组织，每颗芯片有六个方向的 SerDes 连接，最远通信距离约为 24 跳。6D torus 的思路是增加三个新的数学维度，使单芯片连接从六个增加到十二个；在 4096 颗芯片规模下，每一维可以按 4 颗芯片理解，最远跳数理论上降到约 12 跳。
跳数减少并不是唯一收益。二分带宽也会随连接维度增加而提升，因此 6D 更适合解决大规模训练中的总通量问题，同时对推理侧的延迟也有帮助。但端口翻倍会带来布线、封装、光电转换和系统验证难度，不能只把“24 跳变 12 跳”直接换算成确定的商业价值。
关于 AI 互联架构和光互联路线的行业背景，可结合 AI 光互联产业观察 一文回看。
03｜训练与推理分轨：Boardfly解决延迟，torus保总通量
训练和推理对网络的要求并不相同。训练需要在大量芯片之间交换数据，更看重总通量，也就是二分带宽；推理则更容易受到单次请求延迟和跳数影响。因而，训练侧可以继续沿用 3D torus 并向 6D 扩展，推理侧则可能采用类似 Boardfly 或 Dragonfly 的重点节点直连，让关键节点之间形成“高速主干道”。
这种双轨并不意味着某一种拓扑绝对优于另一种。全互联方案的延迟和路径确定性更好，但成本明显更高；环面方案牺牲部分固定低延迟，换取更低的系统成本和更大的部署弹性。最终选择取决于模型负载、芯片赚钱能力、网络预算和客户能够承担的互联成本。
04｜光模块配比不是固定常数：立方体越大，比例越低
在 4×4×4 的 64 芯片立方体中，内部芯片更多使用 PCB 和铜缆，外部六个面暴露出的链路使用光模块。六个面各有 16 个外部光口，总计 96 个光模块，对应 64 颗芯片，得到约 1.5:1 的单芯片光模块配比。
如果把单元扩大为 5×5×5，六个面合计约 150 个光口，对应 125 颗芯片，比例降到约 1.2:1。这说明在 3D torus 中，cube 单元越大，内部铜互联占比越高，单芯片光模块数量反而越低。若未来 6D 方案提高对外连接端口，光链路占比是否回升，还要看哪些链路最终采用光、铜、PCB 或 OCS。
05｜OCS与光入柜：性能提升必须通过成本验证
OCS 的价值在于可编程地调度光路：当某条链路故障或流量结构变化时，系统可以重新规划路径，绕开故障点，而固定铜缆布线无法做到动态切换。对大规模集群而言，这种灵活性可能降低维护和故障恢复压力，但 OCS 本身也会带来设备、控制和部署成本。
光入柜同样不是单向替代。铜缆成本更低，光互联在距离、调度灵活性和带宽扩展上更有优势；是否增加光模块，要看训练与推理业务带来的收益能否覆盖系统开销。站内的 光通信上游器件验证 可作为相关供应链背景参考。
因此，跟踪 TPU 6D、Boardfly、OCS 和光模块需求时，真正需要验证的是产品规格、客户部署、链路配比、供应商认证和单位算力成本，而不是仅凭拓扑名称判断产业增量。有关 AI 产业链文章可继续浏览 大A产业链专题入口。