AI資料中心的光通訊革命：矽光子、CPO與OCS技術圖解

我們都知道，人工智慧（AI）的時代即將全面到來。

在這股浪潮中，半導體、AI 資料中心、GPU 等各種專有名詞層出不窮，讓人眼花撩亂。

為了整理這些資訊，同時也為了未來的投資布局，本文將梳理這些關鍵術語，並深入探討支撐 AI 時代的「幕後主角」們。

本文內容彙整自相關書籍、各企業官網以及學術研究機構的資料，並經過筆者自行消化理解。

希望能為各位投資人提供一張清晰的技術地圖。

術語整理與技術定位

首先，我們先來釐清幾個核心概念。了解這些詞彙的位置關係，有助於後續的分析。

術語	定義與 AI 領域的關聯
GPU 與資料中心 (GPU & Data Center)	GPU 原本是廣泛用於圖像處理的晶片，但因擅長平行運算，現已成為 AI 學習的「心臟」。例如我們常提到的 NVIDIA H100 或 B200。而將數千個這樣的 GPU 排列運作的地方，就是 AI 專用資料中心。請想像一個像體育館一樣寬廣的建築，裡面密密麻麻排列著伺服器。
頻寬與延遲 (Bandwidth & Latency)	這是網路話題中常出現的詞彙。頻寬是指 1 秒內能流過多少數據，可以想像成水道管的「粗細」。延遲則是數據到達所需的時間，就像轉開水龍頭到水流出來的時間差。AI 需要將大量數據在精準的時機傳送給眾多 GPU，這兩者至關重要。
銅導線 vs. 光纖 (Copper vs. Fiber)	目前的電腦大多使用銅線連接。短距離還沒問題，但若提高速度，電力消耗和發熱就會增加，且長距離傳輸訊號會變弱。相對地，光纖是利用光的閃爍來傳送數據的纜線。它適合長距離傳輸，且透過改變顏色（波長），可以同時傳送多組訊號。
矽光子與光引擎 (Silicon Photonics & Optical Engine)	矽光子是在矽晶片上製造「光通道」的技術。想像將電子電路和光學電路整合在同一個晶片或封裝中，這是製造端的關鍵字。 光引擎則是一組將電訊號轉為光、或將光轉回電的零件總成。簡單說，裡面包含了雷射（發光）、調變器（將電波轉為光的閃爍）、光偵測器（將光轉回電）。若以汽車比喻，就像將引擎轉速傳遞給車輪的「離合器和變速箱」。
CPO (Co-Packaged Optics)	CPO 是「將光引擎直接黏在晶片旁邊」的概念。以往光的入口位於「電路板邊緣」，現在則直接拉到「晶片正前方」，大幅縮短電訊號傳輸距離。
OCS (Optical Circuit Switch)	最後一個術語。OCS 是光路交換器，可以想像成在資料中心內「用光纖直接連結 GPU 機櫃的光開關」。一般的網路交換器（乙太網交換器）需要經過 (1) 光轉電、(2) 查看封包地址、(3) 轉發 這三個步驟，中間會產生延遲和耗電。而 OCS 不看封包內容，直接利用光學元件傳遞資訊，因此延遲幾乎為零，且能大幅降低功耗。這是 Google TPU 網路等正在採用且備受矚目的技術。

1. 現狀與課題：資料中心的「道路」正在塞車

術語準備就緒後，我們進入技術話題。首先來看看「現在到底發生了什麼問題」。

在生成式 AI 的學習過程中，需要將巨大的模型分散到數千個 GPU 上進行學習。這不是靠一台電腦單打獨鬥，而是像一個 GPU 軍團同時進行運算。

此時，各個 GPU 不僅是在計算，還在互相交換數據。它們將自己的計算結果交給附近的 GPU，並接收對方的結果，反覆進行以更新整個 AI 模型。

這裡的重點在於「如何連接這些 GPU」。

GPU 單體的性能每一代都在飛速成長。但是，連接 GPU 的網路端卻沒那麼容易變快。

用一個常見的比喻來說：GPU 已經變成了高性能跑車，但道路卻還是單線道，導致嚴重的交通堵塞。

這背後的原因在於電氣配線（銅線）的物理極限。一旦提高速度，銅線中的訊號就會模糊，傳輸距離變短。在資料中心內，要讓訊號傳輸 10 公尺、20 公尺，中間必須經過多次稱為「Retimer（重計時器）」的裝置來重建訊號。

問題不僅是距離。試圖用銅線傳送高速電訊號，每 1 位元（bit）所需的電力就會增加。在 AI 資料中心，已經有指出「通訊」而非「運算」所消耗的電力佔據了相當大的比例。如果這個比例繼續上升，同樣的電力預算下能放置的 GPU 數量就會減少。隨之而來的是冷卻負擔增加，空調設備的投資也會膨脹。

此外，越是勉強使用銅線，配線就越複雜。機櫃背面布滿了粗重且難以處理的纜線，一旦發生故障，光是找出原因就非常困難。對於資料中心營運者來說，這種「配線地獄」在營運成本上也是一個令人頭痛的問題。

因此，在 AI 資料中心領域，大家逐漸意識到：

不僅是買了幾台 GPU，更是「如何連接」決定了性能與成本。

即使使用相同的 GPU，網路設計優良的叢集與設計不佳的叢集，在 AI 性能與效率上已經開始出現巨大的差距。

2. 用「光」重鋪道路：三個解決方案

那麼，「光」是如何解決這個瓶頸的呢？請各位試著從俯瞰資料中心的角度來閱讀。

2-1. 光收發模組：光的 LAN 線

最容易導入的解決方案，其實已經實用化了。這就是稱為「光收發器（Optical Transceiver）」或「光模組」的零件，安裝在既有的基礎設施上。

觀察伺服器或交換器的正面，會看到排列著小插槽。將一個比 USB隨身碟稍大的模組「卡嚓」一聲插進去，外側則連接細細的光纖電纜。在這個模組內部，電訊號被轉換為光，而在另一端則變回電。

這種方式的優點是，伺服器或交換器附近數公分到數十公分的距離仍使用銅線，之後的長距離則交給光纖。這樣可以避開銅線不擅長的長距離問題，同時幾乎不需要改變現有的伺服器或交換器設計。

在實際現場，400G（每秒 400 Gigabit）、800G 的光模組正在迅速成為主流，甚至 1.6T（1.6 Terabit）等級的模組也正在進行試作（簡單來說，就是「數據傳輸的速度越來越快」）。

2-2. CPO 與光 I/O：將光引擎移至晶片眼前

光模組雖然帶來了顯著改善，但「從晶片到模組」這段區間仍然是銅線。到了這個階段，設計師們開始思考：

「乾脆把光引擎直接黏在晶片旁邊不就好了嗎？」

於是 CPO（Co-Packaged Optics，共同封裝光學） 誕生了。將光引擎搭載在交換器晶片或未來的 GPU 旁邊，將晶片到光入口的距離縮短至數毫米到數公分。電訊號傳輸距離越短，損耗和電力自然就越小。

這時就會用到矽光子技術。這是將光的通道或透鏡等構造直接做在交換器晶片或封裝內，實現電子與光同居的技術。

例如，全球最大的半導體代工廠台積電（TSMC）準備了名為「COUPE」的矽光子平台，打造能將電子晶片與光子晶片一體化封裝的環境。

NVIDIA 或 Broadcom 等企業也參與其中，試作次世代的光 I/O 或 CPO 產品。

光 I/O Chiplet（小晶片）的潮流也是其延伸。在主 GPU 周圍排列幾個「光專用的小晶片」，由這些小晶片負責電與光的橋接。美國半導體新創 Ayar Labs 提出的 TeraPHY 就是將光 I/O 小晶片與外接雷射結合，直接以光進行晶片間通訊的架構。

這些動作雖然才剛從資料中心的一部分開始，但可以說已經具體描繪出「GPU 叢集的血管，將逐漸從電替換為光」的未來藍圖。

2-3. OCS：將資料中心的主幹道直接變成光

光的應用場景不僅在晶片附近或機櫃之間。縱觀資料中心整體的網路結構，還存在著「交換器之間如何連接」這個更上層的問題。

這裡登場的就是 OCS（光路交換器）。

一般的交換器會暫時將光轉回電，查看封包（數據塊）的內容後再決定送往哪個埠。而 OCS 則是維持光的狀態，僅切換「從哪個埠通往哪個埠」。它就像一個巨大的光配線盤，透過改變內部的微小鏡片或元件的方向來切換光的通道。

在 AI 學習中，經常出現「在某段期間內，特定的 GPU 群組之間需要頻繁交換大量數據」的模式。這時，若用 OCS 拉一條「粗大的光水管」直通，比起堆疊多層電子交換器，能以更簡單、更低延遲且低功耗的方式組成叢集。

據報導，Google 已經在其部分資料中心運用數萬埠規模的 OCS，預測未來幾年 OCS 市場將擴大至數十億美元規模。

3. 支撐「光」的幕後的主角

了解技術故事後，接著來看看「是誰在支撐這個世界」。以下列舉的僅是代表性案例，並非個股推薦，請視為理解「有擔任這種角色的公司存在」的地圖。

3-1. Coherent 與 Lumentum：800G 模組的雙巨頭

首先是光模組領域常被提及的兩家公司：Coherent 與 Lumentum。

Coherent 是併購了光通訊元件世界級領導者 Finisar 等公司後壯大的老牌光元件廠。在資料中心領域，400G 和 800G 的光模組是其主力，調查報告顯示其在 800G 領域擁有頂級市占率。

該公司的強項在於廣泛涉獵「從雷射到模組」的所有環節。不僅是資料中心內部的短距離，連接據點與據點的長距離「同調通訊（Coherent communication）」模組也有生產，處於能同時覆蓋 AI 資料中心內部與外部的位置。

Lumentum 則是一家利用 InP（磷化銦）材料平台決勝負的公司。以能覆蓋 200G/lane 高速傳輸的元件為武器，主打製造省電的 800G 或 1.6T 模組。相較於 Coherent 業務廣泛，Lumentum 更專注於 AI 資料中心領域。作為投資標的，其波動性（Beta值）也相對較高。

這兩家公司的共通點是：「不只停留在擴充性高、靈活的（可插拔）光模組，在未來的 CPO 或 OCS 領域也擁有技術立足點」。即使 AI 資料中心的設計改變，它們也能透過改變形態持續供應光元件，建立了穩健的產品組合。說到光模組的核心，非這兩家莫屬。

3-2. 中國勢力 Innolight 與 Eoptolink：支撐 NVIDIA 的「量」

另一方面，在「量」的層面支撐近幾年 800G 模組激增的，是中國的 Innolight（中際旭創） 與 Eoptolink（新易盛通信技術）。

他們的強項在於能以合理的成本、合理的良率，大量持續生產。根據報導，NVIDIA 最新 GPU 叢集用的 800G 模組，有相當大的比例是由這兩家公司承接。

特別是 Eoptolink，積極展示對應多芯光纖（Multi-core fiber）的 800G 模組以及 1.6T 試作品等「預示下個世代」的技術，令人印象深刻。在一根光纖中放入多個核心，減少配線數量的巧思，對正與配線地獄搏鬥的資料中心營運者來說極具吸引力。

不過，中國勢力始終伴隨著美中對立與出口管制的地緣政治風險。雖然與 NVIDIA 等美系企業關係緊密，但未來管制強化會造成多大影響，始終是潛在的不安因素（Innolight 已將過半生產移至中國境外以應對風險，但若美國政府直接禁止交易則另當別論）。

3-3. 日本勢力：掌握模組與纜線的住友電工，EML 晶片高市占的三菱電機

住友電工雖以光纖和電纜聞名，但在 AI 資料中心領域的存在感也逐漸提升。該公司不僅擁有對應 800G、1.6T 的小型光收發器，還自產連接這些裝置的高密度光纜與連接器。也就是說，它能提供「不只一個模組，而是資料中心配線一整套」的提案。

此外，當 Coherent 與 Lumentum 在製造晶片或光引擎時，日本的三菱電機在該晶片（具體來說是 EML 晶片）領域擁有世界頂級的實績。雖然因業務多元容易被忽略，但在所謂的光電融合領域，三菱電機確實擁有強項。

3-4. Broadcom 與 Marvell：掌握模組內「大腦」的半導體

前面提到的企業多是處理「光本身」的公司。若再往內深入一步，光模組內部也有半導體的世界。

這裡的主角是 Broadcom（博通） 與 Marvell（邁威爾）。

800G 或 1.6T 光模組的運作，背後有負責高速訊號處理的 DSP（數位訊號處理）或 PHY 晶片（負責電訊號與數位數據轉換）支撐。這就像是負責整理訊號、修正錯誤的「幕後大腦」。

Broadcom 除了提供交換器用的客製化晶片（ASIC）以及連接電腦網路的 NIC（網路介面卡），也提供 200G/lane 等級的 PHY 和內建雷射驅動器的晶片。撇開技術細節，重點在於「從交換器到 NIC，再到模組內的訊號處理，全部都能在 Broadcom 買齊」這點，簡化了大型雲端企業的設計工作。

Marvell 則是「光模組用 PAM4 DSP」的領導者，這是一種能讓更多數據高效傳輸的技術。其推出了名為 Ara 的 3nm 世代 DSP 平台，宣佈能一氣通貫支援從 400G 到 1.6T 的需求。同時也涉足資料中心間同調通訊用的 DSP，掌握了資料中心內部與外部兩端的「訊號處理大腦」。

3-5. Amphenol：連接器產業的巨人

相對於 Coherent 或 Lumentum 位於光收發器的核心，Amphenol 則是位於光收發器前後端的高速連接器領域的巨人。

該公司雖涉足國防、量子運算等廣泛領域，但產品核心始終是「連接器」。在 AI 資料中心用的高速互連領域，已建立了支配性的地位。

3-6. 其他周邊企業

除了模組與連接器，提供測試裝置或研磨裝置的周邊企業也受到矚目。日本勢力中，測試裝置的 Santec HD、光連接器端面研磨機與檢查裝置的精工技研等均為代表。雖然「資料中心 × 光」的主角是 Lumentum 或 Coherent 這樣直接處理光的企業，但 Santec 和精工技研則位於受惠於這些需求的位置。

如何看待「資料中心 × 光」這個主題

比起 GPU 或半導體的話題，光與配線的故事或許顯得樸實無華。然而，在 AI 資料中心內部，正靜靜地發生著主角輪替。

GPU 單體的性能未來仍會持續進化。但能否發揮出那份性能，已經進入了「很大程度取決於如何連接 GPU」的時代。

透過光模組加速從銅到光的接棒；透過 CPO 或光 I/O 將光引擎拉到晶片眼前；以及透過 OCS 將資料中心的幹線道路本身換成光。

這些技術都在 AI 熱潮的背後，展開了安靜卻激烈的競爭。

作為投資人，在追蹤相關新聞或財報時，試著帶著「這家公司是做 GPU 的？還是支撐 GPU 連接的光通訊部分的？」這樣的觀點，即便同樣是 AI 這個關鍵字，你所看到的世界應該會有所不同。

NTT 是日本企業中屈指可數的大企業，也是我們熟悉的高股息股票。筆者本身也有投資 NTT，而決定投資的理由之一正是 IOWN 構想。

筆者觀點：這與 NTT 的 IOWN 有何不同？

IOWN 在 2024 年與台灣開通了世界首條國際間 IOWN，建立了連結日本與台灣約 3000 公里的全光網路。

這與前面提到的技術有何不同？筆者的解讀如下：

• IOWN：國家到地球規模的全光架構（All-Photonics）。
• OCS 或 CPO：支撐其中 AI 資料中心部分的「局端技術」。

首先，NTT 的 IOWN 構想是「讓全日本、全世界的通訊，盡可能從頭到尾都維持光的形式傳輸」。現有的網路被切分為家庭 LAN、基地台接取線路、連接都市的骨幹網路、資料中心間線路等多個區段。每個交界處都有路由器或交換器，將訊號轉回電再轉回光...這個反覆過程累積了延遲與電力損耗。

IOWN 的 All-Photonics Network（APN，全光網路）的想法是「既然如此，乾脆從頭到尾盡可能用一條光的道路連接吧」。從用戶端的收發器到對方的終點，在電信業者的網路中，不轉回電訊號，直接用波長的隧道貫通。目標是在 2030 年左右實現電力效率 100 倍、容量 125 倍、端對端延遲 1/200 這種極具野心的數字。

另一方面，剛才提到的 OCS（光路交換器），規模則更加「局端」。對象主要是 AI 與 HPC（高效能運算）用的巨大 GPU 叢集，主題是「單一資料中心內部，或資料中心之間如何連接」。

這裡的問題是機櫃與機櫃之間往返流量的壅塞。以往是透過多層電子交換器處理，現在則是利用 OCS 這種光配線盤，將需要的機櫃用光纖直連，以避開壅塞。

因此，兩者的共通點都是「維持光的狀態連接，減少轉回電的次數」。IOWN 也說明要重新檢視現有路徑，盡可能打造光直通終點的網路；OCS 內部僅用 MEMS 鏡片分配光，不解析封包，在這個意義上也是「電路交換的全光網路」。

差異在於，那條光的道路走在哪裡。

IOWN 的範圍包含東京到大阪、東京到洛杉磯這種都市、國家、資料中心間的幹線，以及 5G/6G 的前傳網路，甚至包含企業與家庭的接取線路，是「將奔馳在全日本的高速公路與幹線道路，全部重新設計為『光 Only 網路』」的規模。這是偏向電信業者與雲端業者的社會基礎設施話題，規格也是透過 IOWN Global Forum 這種國際團體來制定，包含生態系的建立。

OCS 則是更偏向企業廠區內、資料中心廠區內的話題。例如在 Google TPU 中，「今天想把這 1024 台組合成巨大叢集，所以把這些機櫃群用光直連」、「下個工作要換別的組合」這類，作為即時重組 GPU 機櫃間配線的光開關來使用。與其說是處理全國流量，不如想成是「如何更快、更省電地完成特定 AI 工作」的局端最佳化工具。