玻璃基板要翻身了！康寧最新論文展示了具備 IOX 波導與電氣互連的玻璃中介層，讓矽光子 PIC 組裝比煮泡麵還快，還能達成 8 Tb/s 的超狂頻寬密度，這就是 AI 時代的互連神兵。

矽光子耦合不再是噩夢！AuthenX 在 OFC 2026 揭露 Meta-lens 耦合方案，將對準容差放寬至 $\pm18~\mu m$。透過雙透鏡準直設計，不僅確保了高斯光束的高品質傳輸，更為 CPO 的量產與可拆卸連接鋪平了道路。

矽光子領導廠商 Lightmatter 在 OFC 2026 發表了基於微環共振器的 800G/1.6T 互連技術。這項技術不僅解決了 AI 運算中的散熱補償難題，更透過 3D 堆疊封裝與 TSMC/ASE 生態鏈整合，宣示矽光子商用化邁入新里程碑

銅纜的物理極限已成為 AI 規模化的瓶頸。Broadcom 在 OFC 2026 展示了 CPO 與 OCI 技術的最新進展，透過 6 pJ/bit 的超低功耗與極高可靠性，預示著光互連將全面統治 Scale-Out 與 Scale-Up 網路。

在 1.6T 與矽光子爆發的 2026 年，MSA (多源協議) 已成為主宰 AI 算力的關鍵。本文完整盤點從 XPO、OCI 到 LPO 等 11 個核心 MSA 聯盟，深入解析其成立目的、成員清單與核心價值。想了解 AI 基礎設施如何達成互操作性與降低功耗？點擊閱讀 Simple Tech Trend 的深度指南。

"Optics is the next memory." 深入解析 NVIDIA, Google, AWS 等巨頭的光通訊供應鏈，從 DSP、光收發模組到矽光子(SiPh)佈局。STT 獨家互動圖表帶你一眼看穿 800G/1.6T 核心供應商。

近期，資本市場在 AI 基礎設施板塊經常圍繞著一個爭論來回震盪：「光進銅退」與「銅進光退」。這股情緒也直接反映在股價表現上——光通訊概念漲時，銅纜族群往往承壓；反之亦然。 然而，如果我們細究兩大算力巨頭 Broadcom 與 NVIDIA 的最新動態，會發現這並非單純的零和遊戲，而是各自商業模式與架構需求下的必然選擇。 Broadcom 的主張：銅纜在 Scale-up 的成本與功耗優勢 在 Broadcom 最新一季的法說會中，管理層明確指出：在 Scale-up（機架內）的環境下，透過博通的 200G/400G SerDes 技術，客戶完全可以繼續使用 DAC（直接附著銅纜），而不需要過早切換到昂貴的光纖。這個策略的核心在於大幅降低功耗與建置成本，對尋求高性價比架構的客戶具有極大吸引力。 法說精華：Broadcom（AVGO）｜FY26 Q1 NVIDIA 的佈局：走向 CPO 以突破算力瓶頸 與 Broadcom 形成鮮明對比的，是 NVIDIA 近期的投資動向。從入股光通訊設備廠 Lumentum (LITE) 與 Coherent (C

當 AI 模型的參數規模與日俱增，資料中心的算力瓶頸早已悄悄從「運算（Compute）」轉移到了「傳輸（I/O）」。我們正在見證一個物理極限的逼近：傳統銅纜的頻寬與功耗牆已難以跨越，而矽光子（Silicon Photonics）正從一個「加分項」，正式躍升為維持 AI 摩爾定律的「必備品」。 就在昨天，NVIDIA 在光通訊產業界投下了一顆震撼彈——宣布分別向光通訊上游巨頭 Lumentum 和 Coherent 各注資 20 億美元，總規模高達 40 億美元。一間稱霸全球的 GPU 與系統級公司，為何需要親自出手，將手伸向最上游的 III-V 族材料與雷射光源（Laser Source）供應商？ 多數市場分析將這筆投資解讀為單純的「產能綁定」，認為這只是 NVIDIA 為了確保 2026 年 1.6T 光模組量產元年不被缺貨卡脖子的防禦性策略。然而，如果我們將時間軸拉長，並對照近期在 ISSCC 2026 以及即將登場的 OFC 2026 中所揭露的底層技術路徑，就會發現這盤棋下得比想像中更深。 這不僅僅是為了買下幾條生產線，更是 NVI

在 AI 模型參數量呈指數成長的今天，GPU 之間的通訊頻寬已成為性能的天花板。在 ISSCC 2026 中，NVIDIA 發表的論文（Paper 23.1）展示了其對次世代互連技術的思考： 放棄單波極速的盲目追求，轉而擁抱高密度、低延遲的 3D 矽光子架構。 1. 策略大轉向：為何 32G NRZ 比 224G PAM4 更具優勢？ 當前業界普遍朝向 224G 邁進，但 NVIDIA 指出，隨著速率翻倍，接收端的靈敏度會衰減約 4dB ，且面臨嚴重的帶寬限制懲罰。 數據速率的代價 ：傳統高速電學 IO 在 224G 下的原生誤碼率（Raw BER）僅約 1E-4 到 1E-6 必須依賴複雜的 FEC（前向糾錯） 才能達到系統要求，這不可避免地帶來 10ns 的延遲。 DWDM 的逆襲 ：NVIDIA 採用 DWDM（密集波分復用） 技術，在單根光纖中塞入 8 個 32G NRZ 數據通道。 這種做法能維持高達 256 Gbps 的總吞吐量，同時將延遲壓低至 <1ns ，且無需複雜的 FEC 或 ML 處理。 2. 核心組件：微

在 AI 算力軍備競賽的聚光燈下，所有人的目光都盯著 Nvidia 的 GPU 和 Broadcom (博通) 的 1.6T DSP。但在聚光燈照不到的角落，中國的光通訊產業正在進行一場完全不同維度的戰爭。 這不是一場關於 3nm 製程或最先進 CPO (Co-Packaged Optics) 的技術對決，而是一場關於 「夠用就好 (Good Enough)」 與 「國產替代」 的生存博弈。 以下分享我看到中國光模塊產業幾個非常鮮明的思維邏輯。 1. 「國產化」是最高指令：即使是「學校等級」也要硬推 在歐美或台灣的 IC 設計邏輯裡，一顆晶片如果 Performance 普普、穩定性欠佳，是不可能送樣給客戶的。但在中國的「信創（信息技術應用創新）」大旗下，邏輯完全不同。 以中國國產晶片廠商 華芯 (SinoSemic / HuaXin) 為例，業界早期的評價非常直接：「這就像是學校實驗室等級的作品。」但在 25G 甚至早期的 100G 時代，即便良率不穩、測試一直 Fail，中國的系統廠（如華為、H3C）依然會給予機會。 為什麼？因為

在 AI 算力呈指數級增長的當下，資料中心面臨著一個嚴峻的物理瓶頸： 連接（Interconnect） 。隨著 GPU 叢集規模擴大，傳統銅線（Copper）在頻寬密度與能耗上已逐漸逼近極限。為了滿足 AI 訓練對海量數據交換的需求，光學互連技術（Optics）正在經歷一場從「可插拔模組」到「共封裝光學（CPO）」的典範轉移。 本文將基於 M. Kohli 與 J. Teissier 所發表的最新研究論文 《VCSEL-based CPO for Scale-Up in A.I. Datacenter – Status and Perspectives》 ，透過其研究數據與觀點，深入解析為何 基於 VCSEL 的「慢與寬（Slow-and-Wide）」架構 ，極有可能是解決 AI Scale-Up 網路（短距離互連）的最佳方案。 核心概念：為什麼我們需要 CPO？ 圖表詳解：Figure 1 - 未來的連接架構 【圖表解析】 這張概念圖展示了 UCIe 相容的 VCSEL 陣列連結 架構 。 左側 (XPU/UCIe)： AI 處理器（XP

前言 CPO (Co-Packaged Optics) 講了十年，終於在 2025 年迎來了它的「iPhone 時刻」。過去，CPO 總被譏為「明年一定發生的技術」，但隨著 Nvidia 正式端出 Quantum-X800 Q3450 CPO 交換器，這不再只是簡報上的願景。STT 必須指出一個反直覺的真相： 這一波 CPO 的推動力，表面上是為了省電，但真正的殺手級應用其實是「Scale-Up」的密度解放。 當 NVLink 的銅纜傳輸距離被壓縮到 2 公尺以內，且 SerDes 功耗指數級上升時，光學不再是選項，而是物理極限下的唯一解。這篇文章將拆解 Nvidia 為何選在此時押注 CPO，以及 TSMC COUPE 如何成為這場戰役的軍火庫。 核心洞察 (Key Insights) 1. 技術規格化：Scale-Out 只是練兵，Scale-Up 才是戰場 我們觀察產業數據，發現一個有趣的「期望落差」。市場普遍認為 CPO 是為了拯救 AI Cluster 的總體功耗，但根據 SemiAnalysis 的模型推算，若僅在後端網路 (Sca

在 Barclays 第 23 屆全球科技大會上， Lumentum Holdings Inc. 全球事業群總裁 Wupen Yuen 給出了一個非常關鍵、但市場常被低估的訊號： AI 基礎設施的短缺，已經全面轉移到「光」這一端。 這不是某一條產品線吃緊，而是 雷射、EML、矽光、模組、OCS 幾乎同時進入供給受限狀態 。 以下，我們從技術與供應鏈的角度，拆解這場訪談真正透露的產業結構變化。 一、這不是「需求變強」，而是「全面供不應求」 Lumentum 給出的描述相當直接： 所有產品線皆產能受限 EML、InP 雷射最為吃緊 客戶訂單能見度 一路看到 2027 年 EML 雷射：2026 年全數賣完，2027 年大多已被預訂 這代表一件事： AI 光通訊已從景氣循環，進入結構性短缺。 這和過去 400G、800G 初期的情況不同，當年是「技術世代交替」，現在是「系統級需求暴衝」。 二、價格邏輯已翻轉：長約 ≠ 折扣，而是「鎖供應」 在典型半導體產業中，長期合約往往換來價格讓利。 但在這一輪 AI 光通訊中，情況完全相反： 主力客戶簽 2 年

1. 前言：AI 時代的算力新戰爭正在開始 過去十年，我們習慣把「AI=GPU」，彷彿訓練大型模型就是 NVIDIA 的專屬領域。 從 GPT-3、Stable Diffusion，到近年的多模態模型與 Agentic AI，NVIDIA 幾乎壟斷了整個算力供應鏈。 但 2025 年開始，局勢不一樣了。 AI 模型越來越巨大、越來越多模態、推論量也因 AI Agent 爆炸式成長， 「算力」不再是唯一瓶頸，真正的瓶頸變成了「互連（interconnect）」 。 GPU 的 FLOPS 增加很快，但 GPU 之間互連頻寬增加得不夠快，導致大模型訓練與推論效率的成長開始放緩。 而 AWS 在今年推出的 Trainium 4 與 NVLink Fusion ，是 AI 加速器發展史的重大轉折： 這是第一次，有非 NVIDIA 的晶片被允許直接接入 NVIDIA 的 NVLink Fabric。 這象徵 AI 不再是單一運算架構，而是多家異質加速器混合共存的時代。 也象徵 GPU 時代的絕對統治力，正在被其他晶片商與雲端公司一點一點打開。...

1. 從晶圓到權利金：矽光子 SiPh Fabless 商業模式全拆解 1.1 為什麼要理解 SiPh Fabless？ 矽光子（Silicon Photonics）這幾年從「實驗室技術」變成 AI 資料中心、雲端與高速運算的核心基礎建設之一。 在這個過程中，產業大致走出兩條路線： 垂直整合（Vertical Integration） Broadcom、Intel、Cisco、NVIDIA 等巨頭，從矽光子製程、光學引擎、模組到系統，一路向下整合。 Fabless（無廠設計模式） 自己不蓋晶圓廠、不做前段製造，而是專注在 矽光子設計、IP、光學引擎 ，製造交給 foundry。 本篇文章聚焦的就是第二條： SiPh Fabless 模式 。 1.2 本文要回答的三個問題 SiPh Fabless 商業模式到底怎麼運作？ 它跟科技巨頭的垂直整合，在商業與技術上有什麼本質差異？ Fabless 公司如何說服客戶：「這個設計真的可以產品化與量產」？ 2. 什麼是 SiPh Fabless 商業模式？ 2.1 定義：不蓋廠，只做設計與 IP 的矽光子

前言：算力不再是 GPU 的競賽，而是互聯的競賽 AI 的爆發讓全球資料中心進入一個極度明確的趨勢： 模型越大 → Token 消耗越誇張 → 訓練與推理成本變成根本性基礎建設問題。 2023～2025，全球頭部 CSP（Google / AWS / Meta / Microsoft / 阿里 / 騰訊 / 字節）陸續上調 Capex： Google：850 億美元 Meta：660–720 億美元 AWS：突破 1,000 億美元 微軟：單季超 300 億美元 光是美國四大 CSP 2025 合計 Capex 已超過 3610 億美元 。 這裡最關鍵的是—— 投入結構正在改變 ： 從「買更多 GPU」→「打造專屬 AI Fabric」。 因此，本文重點為： AI 雲端的算力架構是如何從 GPU 時代走向 ASIC + Fabric？ Scale-Up / Scale-Out / Scale-Across 的互聯技術正進入哪些新階段？ CPO、OCS、背板、Optical I/O 為什麼是未來 10 年 AI 最大的供應鏈機會？ 全球 CSP

2021年寫了一篇文章： https://www.drflyout.com/post/400g-optical-transceiver-spec 感謝大家的直持與回饋，接下來將進入到800G的時代，因此更新了這篇文章。 從 400G 邁向 800G，不只是速度翻倍，而是整個光通訊產業對 AI 集群、GPU Superpod、Scale-Up / Scale-Out 架構 的全面回應。800G 已經成為 hyperscale data center 的主流採購規格，也是所有光通訊供應鏈最關鍵的技術戰場。 這篇文章是我重新整理後的 800G 光模組技術規格總覽 ，提供給工程師、投資人與對光通訊有興趣的讀者，快速理解最新形式因素、封裝技術、傳輸距離與產業方向。 1. 為什麼是 800G？ AI 集群的流量需求在 2024–2027 年正式爆炸： 每台 GPU 需要數 Tbps 的 I/O GPU 數量以萬計組成超大規模 cluster 東西向流量（East-West Traffic）佔比超過 80% 這些需求直接推動 800G 成為**中短距（

過去兩年，AI 的爆發讓「資料中心的瓶頸」這句話第一次聽起來不再只是老生常談。問題不在 GPU、不在 HBM、不在 PCIe，而是在最底層的那張網： 交換架構（Switching Architecture） 。AI 集群愈做愈大，從原本一個機房塞滿 GPU，變成許多機房串成一座 AI 超級工廠。而每當规模增加 4 倍，網路交換器的布線、耗能與延遲就會以指數方式爆炸。 這讓整個產業都看到同一件事： 下一代 AI 網路的核心，不是更快的 SerDes，而是更聰明的拓撲＋更低功耗的交換方式。 OCS（Optical Circuit Switching，全光交換）於是受到注意。 為什麼大家開始認真看 OCS？ 我認為原因在於： 光不應該被強制轉成電再轉回光。 傳統交換機（即 OEO 交換）會做的事包括： 光 → 電 在晶片內處理交換 電 → 光 這聽起來合理，但當數據量大到 AI 等級，就變成三個大問題： 1. 電交換是瓶頸 所有流量都要經過交換晶片，因此： SerDes 速率拉不上去時，你的網路升級全部卡死 晶片功耗大到不合理 交換設備變得又大又熱又貴

前言 在資料中心網路（DCN）這個世界裡，**Clos + 電子封包交換（EPS）**曾經是唯一解。直到 AI/ML 集群成為主流、東西向流量暴增、以及每一代升速都把功耗和成本往上推，過去那套“堆更多電子交換晶片、拉更多銅纜與跳線”的方法，開始顯得笨重又昂貴。 Google 的 Apollo／Lightwave Fabrics 做了一個關鍵選擇：把**（Optical Circuit Switching, OCS）**真正放進生產網路，讓「 可重構拓撲 」成為日常操作，而不是實驗室 demo。這不是把 EPS 丟掉，而是用 OCS + SDN 控制 + WDM 光模組演進 ，重新切分哪一段在光域完成、哪一段在電域處理，讓網路升級與擴容回到符合經濟性與工程邏輯的軌道上。 接下來，我用工程管理＋產品視角，完整拆解這條路徑： 發展歷史 → 架構與硬體 → 控制與可重構 → 效益數據 → ML 應用 → 風險與下一步 。 內容 一、發展歷史（Timeline）：從想法到生產規模 SIGCOMM 2022《Jupiter Evolving》 關鍵轉折

前言 隨著 AI 工廠與超大規模資料中心的崛起，網路正在進入 Terabit 世代 。這不僅是速率的提升（100G → 200G → 400G/lane），更代表整體系統在 功耗、熱設計、互連技術 上的深刻變革。Cisco 在 ECOC 2025...