引言
几十年来，光纤的核心角色一直被定义为两类：传输，以及近年兴起的传感。我们利用光纤让数据传输得更快、更远；而在新兴的“光纤传感”应用中，我们利用它来观测物理世界。
然而，最近一个新颖的观点将讨论引向了一个完全不同的方向。
传奇程序员、计算物理极限的长期探索者约翰·卡马克（John Carmack）提出了一个挑战人工智能（AI）系统内存思维的构想：利用长距离单模光纤环路作为一种临时存储手段，将传输延迟（propagation delay）转化为可用的存储容量。
乍一看，这听起来有些不切实际；但细究之下，它却显得异常扎实。
当延迟化为容量
光在光纤中的传播速度大约是真空光速的三分之二。在200公里的单模光纤中，单向延迟接近1毫秒。
现在，想象一下将这根光纤组成一个闭合环路。
数据以光脉冲的形式注入并持续循环。在任何给定时刻，大量信息并非“存储”在内存单元中，而是在物理层面上处于“飞行状态”。
凭借当今的商业技术，一条200公里的单模光纤链路可支持约 256 Tb/s 的传输带宽。这意味着在任何时刻，环路中同时存在约 32 GB 的数据。
如果能精确控制时间——即数据何时进入、何时读取、何时刷新——这些移动的数据就变得可寻址。传输延迟实际上变成了一个临时存储层，其等效带宽可以以**每秒数十太字节（TB/s）**来衡量。
换句话说：传输即存储。
为什么这个想法在当下至关重要
十年前，这可能只是一个有趣的物理思想实验。但今天，背景已经改变。
AI 工作负载正将内存系统推向尴尬的境地。大规模模型训练和推理需要极高的带宽、可预测的延迟和海量的数据移动。传统的 DRAM（动态随机存取存储器）受限于成本、功耗和物理密度，进一步扩展正变得愈发困难。
与此同时，并非所有的数据访问模式都需要纳秒级的随机访问。许多 AI 工作负载涉及结构化、确定性的数据流——例如以已知序列移动的权重、激活值和特征流。
这正是“光纤环路缓存”极具吸引力的地方。它更看重吞吐量而非随机性，更看重确定性而非灵活性，更看重物理结构的简单性而非密集的电子元件。作为二级缓存层，它可以减轻 DRAM 的压力，而无需与其直接竞争。
构建于现有光学技术之上
这一构想最令人感兴趣的地方在于，它并不依赖于推测性的组件。
其构建基石已经存在：
单模光纤
波分复用（WDM）系统
高速光收发器
成熟的衰减控制、色散补偿和同步解决方案
这些都是当前光通信生态系统的产物。存储容量可以通过增加并行环路来扩展，而带宽则随波长和信道数量线性增长。
最难的问题不在于光学，而在于架构。精确的时间控制、高效的读写调度、故障处理以及长期的信号稳定性，都需要精心的系统设计。但这些挑战中没有一个违反已知的物理极限。
重绘计算、存储与传输的边界
如果这种方法在规模化应用中被证明可行，它将打破数据中心架构一贯视为固定的界限。
光纤将不再仅仅是连接计算与存储的媒介，它本身将成为内存层级结构的一部分。
在那个世界里，光学基础设施不仅关乎距离或损耗，更关乎如何直接利用光的物理特性来实现系统架构。存储、传输和计算将作为一个整体进行设计，而非分层独立存在。
对于光纤行业来说，这开启了一个全新的需求维度。光纤的部署不仅是为了连接系统，更是为了在系统内部实现新的功能。
结语
这个想法目前仍处于概念阶段，仍有大量的工程工作要做。精确计时、高效访问模型和运行韧性都不是简单的问题。
但在一个由“内存墙”和电子缩放极限定义的时代，这种将物理特性转化为系统能力的构想值得高度关注。
也许有一天，数据中心内最长的光纤环路根本不是为了连接两个点——而仅仅是为了给数据提供一个在被使用前可以不断奔跑的场所。
