AI算力卡在耗電與傳輸，矽光子何時變成量產訂單？

 

AI算力擴張開始受能源與資料搬移成本約束

截至今年8月14日，AI模型訓練所需算力仍以倍數成長。晶片運算能力持續提升，資料中心同時面臨供電、散熱與資料搬移成本上升。大量資料在GPU、記憶體與網路設備之間移動，消耗的能源與等待時間，已逐步影響整個運算叢集的效率。

半導體競爭因此從單一晶片規格，擴大至系統級協同設計。GPU或ASIC負責運算，高頻寬記憶體(HBM)供應資料，先進封裝縮短元件距離，光互連提升傳輸速度，電源管理則控制整體能耗。任何環節跟不上，都可能壓低昂貴加速器的實際使用率。

即將登場的SEMICON Taiwan 2026，聚焦ASIC與AI晶片設計、HBM及矽光子高速互連，正好反映產業瓶頸的變化。算力效率已成為系統工程問題，需要雲端業者、晶片設計、晶圓製造、封裝測試與設備供應商同步調整架構。

 

雲端平台與台灣供應鏈共同討論系統級整合

今年大師論壇集結Google、Microsoft、NVIDIA、Micron與Broadcom。這些公司分別掌握雲端平台、AI加速器、記憶體與網路晶片，涵蓋資料中心從運算到傳輸的主要環節。論壇焦點放在AI基礎架構與半導體生態系演進，顯示單一供應商很難獨立完成下一代運算平台。

台灣供應鏈則涵蓋台積電(2330)、聯發科(2454)、鴻海(2317)、日月光(3711)與欣興(3037)。角色從IC設計、晶圓製造、封裝測試、載板延伸至伺服器製造，形成完整的硬體交付鏈。AI資本支出會沿供應鏈分層傳導，各公司承接的價值量與獲利模式仍有差異。

台積電與日月光連結先進製程及封裝，欣興供應高階載板，鴻海承接電子製造與系統整合，聯發科則位於晶片設計環節。這些能力需要配合雲端平台的架構更新，才能把晶片規格轉化成可大規模部署的資料中心設備。

 

CPO共通架構處理銅線傳輸的物理限制

大型AI叢集持續增加加速器數量，銅線互連開始受到距離、頻寬與功耗限制。傳輸速度愈高，訊號損耗與散熱壓力愈大。矽光子利用光訊號搬移資料，可望降低長距離高速傳輸的能源負擔，並提高叢集擴張能力。

共同封裝光學(CPO)把光學元件放到交換器晶片或運算晶片附近，藉此縮短高速電訊號的傳輸距離。這項設計有機會改善頻寬密度與每位元功耗，也會提高封裝、測試、散熱及良率管理的複雜度。CPO商業化仰賴整套生態系成熟，光引擎、雷射、連接器、封裝與系統設計都要協同運作。

Lightmatter已聯合Dell、鴻騰精密、創意電子(3443)、雲達科技等19家企業，在開放運算計畫(OCP)旗下發布白皮書，推動CPO共通架構藍圖。技術中立與模組化設計有助於建立多供應商互通性，也能降低雲端業者導入不同零組件時的整合成本。

共通規格目前代表產業合作方向，距離大規模部署仍要經過產品驗證、可靠度測試與量產良率爬升。白皮書能降低介面分歧，後續能否轉成設備採購與穩定營收，仍取決於雲端資料中心的部署時程。

 

台美合作把矽光子推向量產與區域供應鏈

跨國產官學合作也在同步推進。國科會近期率團參訪美國德州光通訊廠Applied Optoelectronics(AAOI)，交流矽光子與高速光收發模組技術。合作方向涵蓋台灣半導體製造能力，以及美國當地產能布局。

這類合作可補足光通訊供應鏈的不同環節。台灣具備晶圓製造、封裝與電子製造基礎，美國則擁有雲端客戶、系統設計及部分光通訊產能。若技術驗證與量產節點順利銜接，矽光子便有機會從研發專案進入更大規模的商業部署。

目前產業方向已相當清楚：AI基礎建設正從增加晶片數量，走向運算、記憶體、網路、光學與能源管理的整體優化。後續觀察焦點是標準能否轉成量產訂單，以及CPO的功耗改善、可靠度與成本能否滿足大型資料中心需求。這些條件將決定矽光子從技術路線進入營收貢獻的速度。