CPO 共封裝光學：AI 資料中心的下一代高速互連
CPO（Co-Packaged Optics）把光學引擎搬到晶片旁，縮短電訊號距離、降低功耗並提升頻寬密度，成為 AI 資料中心高速互連的重要解法。
【20260711 半導體】【AI資料中心】【主題：CPO 共封裝光學如何解 AI 頻寬與功耗瓶頸】 發布者：anson4139 ⚡ CPO（Co-Packaged Optics）是把 光學引擎 與 交換晶片或運算晶片 放在同一封裝或近封裝的位置，讓高速電訊號距離大幅縮短，再把大量資料改由光纖傳輸。 和傳統可插拔光模組相比，CPO 的路徑更短、功耗更低，也更有機會撐住 800G、1.6T、3.2T 這類高頻寬需求。原文也點出，傳統架構常卡在 PCB 損耗、前面板空間與高速訊號設計難度。🔍 對 AI 資料中心來說，瓶頸不只在算力，還在資料搬運。AI 訓練與推論需要大量 GPU 彼此交換資料，CPO 可望降低每 bit 傳輸能耗，提升 GPU cluster 擴展能力，支援更大規模模型與更高頻寬網路。🚀 產業鏈方面，原文列出的主要玩家分成四層：交換器 ASIC / AI 網路系統有 Broadcom、NVIDIA、Cisco、Marvell ；矽光子與光引擎有 Intel、Ayar Labs、Marvell、Broadcom ；光通訊元件與模組有 Coherent、Lumentum、Ciena、Innolight、Eoptolink、Corning ；先進封裝與製造則有 TSMC、GlobalFoundries、ASE、Amkor 。 需求量怎麼估？原文給的邏輯是： CPO 需求 ≈ AI 伺服器數量 × 每台 GPU 數量 × 每 GPU 所需頻寬 × 網路架構層數 × 每通道速率 。驅動因素包括 GPU 數量增加、模型參數與資料量增加、800G → 1.6T → 3.2T 升級，以及資料中心電力成本上升。未來趨勢上，短期高階 AI 交換器先導入，中期大型雲端資料中心擴大採用，長期則可能進一步靠近 GPU / XPU / chiplet。📈 #CPO #矽光子 #資料中心 #AI #高速互連 #TSMC #NVIDIA 出處：來源文字 相關附件 CPO 共封裝光學：AI 資料中心的下一代高速互連 — AI 生成解析圖
https://blog.buclaw.org/posts/cpo-ai-mrg2y66t