從資料中心到車用 光通訊興起與半導體落地

【作者： 王岫晨】

隨著數位化浪潮的加速，從雲端服務到人工智能應用，再到車用電子與醫療影像處理，龐大的數據流量正以指數型態成長。傳統電子訊號的傳輸方式，雖然在過去數十年間支撐了資訊產業的發展，但如今已逐漸遭遇頻寬與能耗上的瓶頸。電訊號在長距離傳輸時，會受到電阻與電容效應影響，導致延遲上升與功耗大增。相比之下，光訊號具備高速、低延遲、低損耗的特性，使其成為新一代資料傳輸的關鍵解方。

近年來，光通訊不再僅限於光纖骨幹網路，而是逐步向半導體晶片與封裝層級下沉。矽光子學（Silicon Photonics）的進展，讓光學元件能與CMOS工藝結合，大幅降低了成本，並使光通訊的應用場景不再侷限於大型網路節點，而能夠延伸到資料中心伺服器之間的互連、AI晶片的高速傳輸，甚至車用電子與醫療設備。這種「從雲端到邊緣、從資料中心到車用」的多元應用，正在重新定義光通訊的產業價值。

資料中心與 AI運算的推動力

最迫切推動光通訊落地的領域，正是資料中心。全球四大超大型雲端服務商—Google、Amazon、Microsoft與Meta—都面臨相同挑戰：如何在有限空間與能耗限制下，持續滿足 AI 模型訓練與推論的需求。以生成式 AI 為例，單一模型往往需要數百億甚至上兆參數，對 GPU 之間的資料交換頻寬提出極高要求。

傳統的銅線互連，在面對數百 Gbps 到 Tbps 級別的數據流量時，能耗急遽上升，成為系統瓶頸。NVIDIA在其最新一代 GPU-to-GPU 傳輸架構中，便開始探索共封裝光學（Co-Packaged Optics, CPO）方案。透過將光收發器直接整合進 GPU 或交換器晶片封裝內部，訊號在封裝層級便轉換為光訊號，避免長距離銅線的能量損失。這樣的設計不僅能提升頻寬密度，更可顯著降低功耗，對未來 AI 超級電腦的建構至關重要。

此外，像 Intel、Broadcom 與 Marvell 等網通晶片大廠，也紛紛投入矽光子模組的開發。以 Intel 為例，其矽光子產品線已量產多年，並廣泛應用於超大型資料中心內部的伺服器互連。而 Google 更早在自家 TPU 系統中導入光學互連，以滿足龐大的 AI 訓練需求。可以預見，隨著生成式 AI 的快速崛起，光通訊將不僅是選項，而是資料中心維持競爭力的必要基礎設施。

【欲閱讀更豐富的內容，請參閱2025.10(第407期)矽光時代-突破晶片傳輸寬瓶頸CTIMES出版中心】