AI 科技資訊人工智慧的新知入口
首頁 / CPO 光通訊伺服器是什麼？用「光」取代銅線，AI 資料中心的下一步
AI 產業基礎架構 (Infrastructure)

CPO 光通訊伺服器是什麼？用「光」取代銅線，AI 資料中心的下一步

閱讀約 4 分鐘

CPO（共同封裝光學）把光學元件直接放到交換器晶片旁邊，讓 AI 伺服器之間用光傳資料。本文用白話說明 CPO 是什麼、為什麼 AI 需要它、目前 NVIDIA 與 Broadcom 的產品進度，以及仍待克服的門檻。

本文導覽
  1. 一句話重點
  2. 它解決什麼問題？
  3. 核心特色
  4. 目前有哪些產品？
  5. 它和傳統光模組有什麼不同？
  6. 非工程背景的人需要知道什麼？
  7. 適合誰關注？
  8. 可能不適合誰？
  9. 目前的門檻與風險
  10. 我們的觀察
  11. 來源

訓練一個大型 AI 模型，往往需要上萬顆 GPU 一起工作。這些 GPU 分散在許多台伺服器裡，彼此要不停交換資料。GPU 算得再快，只要資料傳不過去，整體速度就會被拖慢。

CPO（Co-Packaged Optics，共同封裝光學） 就是為了解決這個問題而出現的技術。它把負責「電轉光」的光學元件，直接封裝在交換器晶片旁邊，讓資料用光高速傳出去，而不是先在電路板上走一大段銅線。

新聞裡常說的「CPO 光通訊伺服器」，其實大多指搭載 CPO 交換器的 AI 伺服器機櫃與網路。目前真正量產的 CPO 產品集中在網路交換器，還不是每一台伺服器裡都有。

傳統做法像是把貨物從工廠用小貨車載到幾公里外的火車站；CPO 則是直接把火車站蓋在工廠門口，貨物一出廠就上車。

一句話重點

CPO 把光學元件搬到晶片旁邊，縮短耗電的銅線路徑，目標是讓 AI 資料中心在連接更多 GPU 時更省電、更穩定；2026 年已有交換器產品開始量產，但成本、測試與維修仍是普及前的門檻。

它解決什麼問題？

資料中心裡，伺服器和交換器之間通常用光纖連接。現在的主流做法是可插拔光模組（pluggable transceiver），也就是插在交換器前面板上、大小像隨身碟的小盒子，負責把電訊號轉成光訊號。

這個做法很方便，壞了就拔起來換。但 AI 讓問題浮上檯面：

  1. 耗電越來越高：訊號從晶片出發，要先在電路板上走一段距離才到光模組。速度越快，這段銅線上的訊號損耗越大，需要更多電力來補強。
  2. 元件數量太多：一台大型交換器可能插滿上百個光模組，每個都有自己的雷射，整座 AI 叢集加起來就是非常大的數量。
  3. 故障點變多：元件越多，出問題的機會也越多。AI 訓練一旦某條連線中斷，可能整批工作都要暫停重來。

CPO 的思路是：既然問題出在「晶片到光模組那段路」，那就把光學元件直接放到晶片旁邊。

核心特色

1. 光學引擎緊貼晶片

CPO 會把光學引擎（負責電光轉換的元件）和交換器晶片封裝在一起。電訊號只要走很短的距離就能變成光，損耗與耗電都能降低。

這需要用到矽光子（silicon photonics）技術，也就是用製造晶片的半導體製程，在矽晶片上做出能處理光的微小結構。

2. 更少雷射、更低功耗

NVIDIA 表示，旗下 CPO 交換器相較傳統光模組做法，雷射數量可減少約 4 倍，並宣稱有數倍的電力效率提升。這些是廠商公布的數字，實際效益仍要看各資料中心的佈署方式。

3. 讓更多 GPU 連在一起

AI 模型越大，需要串接的 GPU 越多。CPO 交換器單台頻寬更高、每埠更省電，有助於在同樣的電力預算下，連接更大規模的 GPU 叢集。

目前有哪些產品？

廠商 產品 類型 公開資訊
NVIDIA Quantum-X Photonics InfiniBand 交換器 144 個 800Gb/s 連接埠，採液冷設計
NVIDIA Spectrum-X Photonics 乙太網路交換器 最高 400Tb/s 總頻寬；2026 年 8 月報導已進入全面量產
Broadcom Tomahawk 6 Davisson 乙太網路交換晶片 102.4Tbps，第三代 CPO，2025 年 10 月宣布出貨
台積電 COUPE 矽光子封裝平台 為 NVIDIA、Broadcom 等提供光電整合製程，2026 下半年量產

NVIDIA 的 CPO 交換器是為新一代 Vera Rubin AI 平台設計的網路設備。依 StorageReview 報導，CoreWeave、Oracle Cloud、Microsoft Azure 等雲端業者已在導入。

它和傳統光模組有什麼不同？

比較 可插拔光模組 CPO 共同封裝光學
光學元件位置 交換器前面板 晶片旁邊，同一個封裝內
銅線路徑 較長 很短
耗電 較高 較低（依廠商數據）
維修方式 壞了直接拔起來換 較複雜，需要整體設計可維修性
供應商選擇 多家廠商可互換 與晶片廠綁定較深
技術成熟度 非常成熟 剛進入量產初期

簡單說，可插拔光模組勝在「彈性與好維修」，CPO 勝在「省電與高密度」。兩者在未來幾年很可能會並存。

非工程背景的人需要知道什麼？

  • AI 的瓶頸不只在 GPU：電力與資料傳輸，正在成為 AI 資料中心擴張的關鍵限制。
  • 「光進銅退」是長期趨勢：先從交換器開始，業界也在研究把光帶到 GPU 與伺服器內部，但時程仍未確定。
  • 台灣供應鏈參與度高：台積電負責矽光子製程，矽品（SPIL）負責封裝測試，鴻海負責交換器系統組裝，這也是台灣媒體高度關注 CPO 的原因。

如果你想了解光纖與晶片如何對接，可以參考本站先前的文章：康寧 Glass Bridge 解決 CPO 痛點。

適合誰關注？

  • 想了解 AI 資料中心基礎架構趨勢的讀者。
  • 關注半導體、網通與光通訊產業的內容工作者或創業者。
  • 負責規劃大型 GPU 叢集或雲端機房的技術主管。

可能不適合誰？

  • 只使用一般雲端主機或小型伺服器的團隊：CPO 目前鎖定超大型 AI 叢集，短期內不會出現在一般機房。
  • 想把 CPO 新聞直接當成投資依據的人：產業題材不等於公司獲利，相關判斷仍需查看財報與專業分析。

目前的門檻與風險

  1. 成本仍高：市場研究指出，CPO 目前至少比同級光模組貴一成以上。
  2. 測試困難：光學元件和晶片封裝在一起後，晶圓級測試與光纖對位都更難，台積電也公開承認這是量產挑戰。
  3. 維修模式改變：光模組壞了可以單獨換，CPO 則需要新的維修與備援設計。
  4. 量產規模待觀察：TrendForce 等研究機構認為，2027 到 2028 年才是決定 CPO 能否大規模量產的關鍵期。

我們的觀察

CPO 不是要立刻淘汰可插拔光模組，而是在最大型的 AI 叢集裡，先解決「電力不夠用」的問題。當一座資料中心的電力預算固定時，網路設備省下的每一瓦，都能多分給 GPU 做運算。

我們認為未來兩年的觀察重點不在規格數字，而在三件事：實際佈署後的故障率、維修流程是否可行，以及成本能否降到讓更多雲端業者採用。這些答案，要等第一批 CPO 叢集實際運作一段時間後才會清楚。

來源

延伸閱讀

AI 產業

LPU 是什麼？專為 AI 推論設計的「語言處理單元」，速度快 GPU 10 倍的秘密

LPU（Language Processing Unit，語言處理單元）是由 Groq 公司開發、專為大型語言模型推論設計的全新 AI 晶片架構。它捨棄了 GPU 的動態排程與外部記憶體，改用確定性靜態排程搭配大量片上 SRAM，讓每個 Token 的產出速度比傳統 GPU 快數倍至十數倍，成為即時 AI 對話與語音應用的關鍵硬體加速器。

閱讀全文 →