AI超大規模運算架構下,CPO光互連技術的結構性瓶頸

（本文刊載於台灣《工商時報》，2026年2月25日，作者●林偉智）

随着生成式AI与大型语言模型的训练规模持续扩张，数据中心正快速迈向十万乃至百万加速器节点等级的运算形态。在此趋势下，系统效能瓶颈已逐步由单颗芯片的运算能力，转移至节点间数据交换效率与能耗结构，其互连系统的功耗与稳定性，开始直接决定整体运算平台的经济性与可持续性。光电共封装（CPO）被视为下一阶段AI基础架构的重要支撑技术，但从工程与产业化角度观察，目前仍面临难以忽视的结构性限制。

首先在功耗层面，光互连虽能降低长距离传输损耗，却无法消除电光转换本身的能量消耗。数据在进出芯片时，仍须透过高速SerDes（序列器／解序列器）、调变器与雷射完成讯号转换。当通道数量由数十条提升至上千条甚至上万条时，即使单位能耗已压低至数皮焦耳等级，累积功耗仍快速放大，成为系统级热源。这种功耗集中现象，使高密度封装环境更容易形成局部热点，进而影响光学组件稳定度与电子组件寿命。同时，高速SerDes在极限带宽下运作，必须依赖复杂的校正与补偿机制。这些辅助电路本身亦消耗大量功率，使实际系统能耗与理论规格存在落差。当数据中心规模扩张至数万颗以上加速器时，互连系统功耗已不再是边际成本，而是直接影响电力配置与散热设计的核心因素。因此雷射加大功率恐无法作为最佳解决方案。

接着在可靠度层面，CPO面临的挑战更为深层。相较于可插拔式光模块，光电组件被深度整合于封装与中介层内，使光路、电路与散热结构高度耦合。这种设计在提升带宽密度的同时，也显著降低系统容错弹性。一旦关键光学组件或控制单元发生异常，往往无法单独更换，而必须整组停机维修，提高营运风险。

另外，可靠度风险亦体现在测试与验证难度上。CPO系统必须同时验证光学性能、电性与热稳定性，测试流程远较传统模块复杂。现阶段仍缺乏成熟且高度自动化的全流程测试体系，使潜在缺陷可能在量产后才逐步显现。对于依赖长时间稳定运作的AI平台而言，这种不确定性将直接影响系统可用率与投资回报。

从产业化角度观察，虽然Vera/Rubin平台预计在2026年底量产，2027年放量。但目前CPO仍处于商业成熟度未完整阶段，供应链分散于雷射、硅光子、先进封装与系统整合等不同体系，使质量控管与可靠度标准难以统一。在此情况下，功耗管理与稳定性保障往往必须依赖高度客制化设计，进一步限制规模化复制能力。

整体而言，AI超大规模运算对光互连的需求已具有高度确定性，带宽密度与延展能力亦具长期潜力。然而，在现阶段技术条件下，功耗累积效应与可靠度风险仍构成CPO普及化的核心障碍。只要电光转换区域的能耗无法有效收敛，封装与系统的长期稳定性仍缺乏充分验证，CPO便难以成为全面主流架构，而更可能以高端与局部导入形式存在。真正的大规模落地，仍有赖于功耗结构优化、可靠度工程体系成熟与产业协作深化，才能跨越从技术可行走向经济可行的关键门坎。