系列文｜光通產業鏈故事

一個沒有人在乎的物理事實

黃仁勳站在舞台上，背後是一張投影片。

上面是一個機櫃的剖面圖，密密麻麻的線路，像一棵被剪掉葉子的樹，只剩下藤蔓互相纏繞。他說：「我們做到了。72 顆 GPU，連在一起，像一顆巨大的超級晶片。這個架構將會改變 AI 的一切。」

台下掌聲。

媒體的標題都在報算力：「GB200 NVL72 效能碾壓前代」、「黃仁勳：AI 超級電腦新里程碑」。

沒有人在報導那 2 英里長的銅線。

是的，2 英里，大約 3.2 公里的銅纜，纏繞在那個機櫃的內部。NVIDIA 的工程師知道自己在做什麼——機櫃內部的短距離連接，銅線夠用，成本低，而且省下了 20kW 的功耗，讓整個系統的散熱需求更容易管理。

這是一個務實的工程決策。

但這個決策裡藏著一個沉默的前提，一個機櫃裡可以用銅線，不代表整個資料中心都可以。當 AI 的規模繼續膨脹，這個前提會開始動搖，然後有一天，它會塌掉。

那一天，比大多數人想像的，近得多。

銅線的物理極限

要理解問題，你得先理解銅線在做什麼。

在一個 AI 資料中心裡，GPU 和 GPU 之間需要不停地交換資料。訓練一個大型語言模型，不是一顆 GPU 的事，是幾千顆、幾萬顆 GPU 同時協作的事。它們像一個龐大的合唱團，每個聲部都需要聽到其他人在唱什麼，才能決定自己下一個音符。

這個「聽的動作」，在電腦裡就是資料傳輸。

傳輸的速率，決定了 AI 可以學多快。

銅線傳資料，靠的是電訊號。電訊號有一個天敵，叫做距離。Keysight 的工程師說過一句話，工程圈裡流傳很廣：「在 200 Gbps 的速率下，1 公尺的銅纜大約會產生 34dB 的訊號損耗。」

34dB，你可以把它換算成一個更直觀的數字：訊號強度衰減到原來的萬分之四。

你傳出去一百個字，對方只收到不到一個字。

當然，工程師有辦法補償這個損耗——放大器、均衡器、各種信號處理技術，可以在一定距離內把訊號拉回來。但補償本身需要消耗能量，能量變成熱，熱要散掉，散熱要花錢花電。然後你就掉進了一個越補越貴的無底洞。

更根本的問題是：這個補償有上限。

銅線的頻寬，存在一個物理上的天花板。你可以加錢、加技術、加工程師，但你無法改變物理定律。當 AI 對頻寬的需求超過這條線，銅線的故事就結束了。

那條線，現在已經近在眼前。

AI 為什麼把問題逼出來了

過去十年，這個問題不是沒有人知道。學術界很早就在討論光通訊進入資料中心的可能性。但那時候的 AI，規模還沒大到讓人認真在乎。

2018 年，訓練一個當時算是前沿的語言模型，可能用幾百顆 GPU，幾週時間。銅線連接，延遲可以接受，頻寬夠用，電費在可控範圍內。

然後 ChatGPT 出現了。

GPT-3 訓練據估計用了 1,000 顆以上的 A100 GPU，幾個月時間。GPT-4 的規模又翻了好幾倍。到了現在，頂級 AI 公司的訓練叢集，動輒幾萬顆 GPU，散布在整個資料中心的多個機架和機房。

機架之間的距離，幾十公尺。不同機房之間，可能幾百公尺。

這個距離，銅線已經沒有辦法用原本的邏輯運作了。EE Times 的一份報告記錄了一個轉捩點：到 2025 年底，全球超大型資料中心新建的骨幹連接，有 85% 已經改用光纖，而不是銅線。

85%。這不是一個緩慢的趨勢，這是一個決定。

為什麼是光？

光纖傳輸的原理，和銅線完全不同。

銅線靠電子移動傳遞資訊，光纖靠光子。光子在玻璃纖維裡傳播，損耗極低——同樣的距離，光纖的訊號衰減只有銅線的幾千分之一。你可以讓光跑幾公里，甚至幾十公里，訊號依然清晰。

頻寬上，光的優勢更是碾壓式的。銅線的頻寬受限於電磁波的物理特性，有個很難突破的天花板。光的頻寬幾乎是理論無限——你可以在同一條光纖裡，用不同波長的光同時傳遞多路訊號，像一條公路上同時跑無數條不同顏色的車道。

功耗上，光也贏。在相同的傳輸速率下，光模組的功耗比銅線系統低很多，而且距離越長，差距越大。

這對 AI 資料中心來說，意味著真金白銀。

一個大型 AI 資料中心，年電費可以高達幾億美元。任何能降低功耗的技術，都可以直接換算成利潤。微軟、Google、Meta 這些公司不是因為環保才換光纖的，他們是因為算出來了，光纖比銅線便宜。

但光纖還不夠

光纖解決了「機架之間」的問題。

但如果你想把事情做得更徹底，你會發現還有一個更難解的地方：光訊號從光纖進入晶片之前，要先轉換成電訊號；晶片裡的電訊號出來之後，要再轉換成光訊號，才能繼續傳。

這兩次轉換，叫做「光電轉換」。

每一次轉換，都是延遲。每一次轉換，都是功耗。每一次轉換，都是潛在的訊號失真。

工程師的本能是：能不轉換，就不轉換。

那如果把光直接帶到晶片旁邊，讓光訊號從封裝體內就開始傳，省掉那段電的旅程呢？

這就是 CPO（Co-Packaged Optics，共封裝光學）的核心概念。把光引擎直接封裝在 AI 晶片的旁邊，光和電的距離縮短到幾毫米，轉換損耗幾乎消失，功耗再降 30-40%，頻寬再往上跳。

這個技術，已經不是未來式了。

NVIDIA 已經確認，下一代的 Rubin 平台，在 scale-out 連接（也就是叢集之間的互連）上，將採用 CPO 光學架構。2026 年下半年，Rubin 平台的系統將開始出貨。

但 CPO 要大規模量產，還差一塊拼圖。

那塊拼圖，在新竹。

發令槍的名字叫 COUPE

矽光子技術，也不是新東西。研究人員用標準的矽晶圓製程製作光學元件的想法，學術界討論了將近二十年。想法很美好——如果可以用台積電現有的製程做光學元件，成本就能大幅下降，良率就能大幅提升，量產就能成為可能。

問題是，想法和可以量產之間，永遠隔著一條叫做「工程地獄」的河。

台積電花了很多年，走過了那條河。

他們把這個技術叫做 COUPE——Compact Universal Photonic Engine，緊湊型通用光子引擎。簡單說，就是用台積電的先進封裝製程，把矽光子引擎和 AI 晶片封裝在一起，讓 CPO 從實驗室概念，變成可以大規模製造的工業產品。

台積電宣布，COUPE 將於 2026 年正式量產。

這是一顆發令槍。

槍響之後，整條供應鏈要動了。從上游的雷射晶片材料，到光纖連接器，到被動光學元件，到封裝測試，每一個環節的需求，都會在接下來的幾年內快速放大。

這條供應鏈上，有幾家台灣公司，默默做了很多年，等的就是這一刻。

你可能從來沒有聽過他們的名字。

但你用的 AI，可能正在靠他們的零件跑。

下一篇：台積電的那張入場券——矽光子是什麼，COUPE 怎麼讓整條供應鏈開始動，以及為什麼銅線退場這件事，台積電反而是最大贏家

⚠️ 本文為產業觀察與趨勢分析，不構成投資建議。所有投資決策請自行評估風險。

資料來源：

• 34dB 損耗數據：Keysight 工程師訪談 — AI Drives Need For Optical Interconnects In Data Centers, Semiconductor Engineering, 2023
• GB200 NVL72 銅纜長度（2 英里）：NVIDIA GB200 NVL72 技術分析, Continuum Labs
• 85% 光纖部署比例：Why Fiber Optics is Replacing Copper in Data Centers, EE Times, 2025/12
• Rubin 平台 CPO scale-out 規格：Nvidia's Vera Rubin Platform In Depth, Tom's Hardware, 2025/11
• TSMC COUPE 2026 量產時程：2026年CPO光通訊商轉元年，元富證券, 2025/12