#分享 ECOC 2025總結報告：光通訊產業趨勢

天使人妻

股票板

天使人妻

25/10/1

#分享 ECOC 2025 第二天：VCSEL vs. CPO，誰將勝出？

今天是2025 ECOC的第二天，來自 Meta、NVIDIA、Oracle 等來自系統廠、模組商與晶片設計公司的 12 位專家，針對技術路線、可製造性、可靠性與經濟可行性，分享了深入觀點。然而，他們

❝ 引用的文章

之前寫過兩篇今年的ECOC 2025的文章，我來幫各位做個總結。今年所呈現的光通訊產業趨勢，核心主題是 AI 投資如何驅動資料中心對高頻寬與能效的需求。我的報告強調了五大重點議題，包括 AI 作為最大推動力、400G/Lane 與 448G 的技術門檻，以及 Pluggable、LPO 和 CPO 等多樣化的模組與封裝架構。在市場方面，資料通訊（Datacom）是主要成長動力，預計到 2029 年市場規模將大幅擴張，同時🔺能效與可靠性🔺已成為評估技術（如 OCS 和相干 ZR 技術）的核心指標。總體而言，產業正處於從傳統電交換向🔻混合光電架構🔻轉型的關鍵時期，以應對 AI 工作負載對極低功耗和延遲的要求。 🔵 AI 需求如何驅動光通訊技術與市場架構，以及預期的影響規模？ 🟠 AI 投資與 GPU 集群需求是光通訊產業最大的推動力。隨著生成式 AI 與大規模 GPU 集群的崛起，資料中心對於頻寬、能效（Energy Efficiency）與可靠性的要求全面提升。AI 將成為光模組市場的主要增長來源，其 CAPEX 規模達數千億美元。以下將從技術與市場架構的驅動，以及預期的影響規模兩方面，詳細說明 AI 如何重塑光通訊產業：一、 AI 對於 GPU 集群的需求極為敏感，特別是對於延遲（Latency）與誤碼率（BER），因為重傳會顯著拖慢訓練效率。因此，光通訊不再只是追求速率，而是追求在功耗、延遲、可靠性與成本之間找到最佳平衡。 1. 核心技術與速率演進 • 關鍵門檻： 400G/lane 與 448G 的電氣介面是產業的關鍵門檻。 • 速率路徑： 400G/lane 是通往 1.6T / 3.2T 模組的必經路徑。元件必須面對 >100 GHz 的調製/接收頻寬挑戰。 • 能效 KPI： Hyperscaler (超大規模資料中心營運商) 設立了核心能效與密度指標：目標是 <4 pJ/bit（每位元功耗）與 >2 Tbps/mm 的 Shoreline 密度。 • 可靠性要求：系統可靠性必須達到 ASIC 等級或更高，以避免光學成為瓶頸。 2. 模組與封裝架構的多樣化為了滿足 AI 對於極致能效和密度的需求，模組與封裝架構呈現多路並存的局面： Pluggable：仍是主流，部署與維護彈性最大。主要用於 Scale-Out（跨機櫃）場景。 LPO (Linear Pluggable Optics)：能效優於 Retimed pluggable，800G 到 1.6T 已見節能幅度。可維護性較佳。而且比Retimed pluggable 省電約 20–30%。 CPO (Co-Packaged Optics)：能效與密度最佳，相較於 Pluggable 可省電約 65%，相較於 LPO 再省約 35%。散熱、可靠性、維護是最大挑戰。102.4T CPO 系統需協同設計散熱與光纖走線。未來格局：將是 Pluggable + LPO + CPO 的混合共存。 CPO/NPO 預計在 2026–2027 年開始試點商用。 3. 網路架構的分化探索 (Scale-Up vs. Scale-Out) AI 網路將需求分為極短距高密度互連和中長距高頻寬傳輸兩大戰場： • Scale-Up（機櫃內 1–20 m）：集中於同櫃或同排 GPU-to-GPU 互連。 ◦ 需求：極低延遲、高密度、高散熱能力。 ◦ 技術趨勢：正從目前以銅纜為主的架構（reach 已縮至 1–2 m）轉向光化（LPO/CPO/Chiplet Optics）。光化 Scale-Up 預計在 2026–2027 年由新一代 GPU Pod 推動。 • Scale-Out（跨機櫃／DCI）：範圍從數十米延伸至 DCI（10–120 km）。 ◦ 技術趨勢：主力為 Pluggable 800G/1.6T 模組，以及 ZR/ZR+ 相干技術。 4. OCS 與相干技術的引入 • 光路交換 (OCS, Optical Circuit Switching)：針對 AI 網路中長時大流量（elephant flows）和高度同步的特性。 ◦ 優勢：傳統電交換帶來的多層 O-E-O 轉換導致高功耗/高延遲。Google 實測 OCS 效益包含功耗節省 40%、成本降低 30%、吞吐量增加 30%。 • 相干技術 (ZR/ZR+)：解決傳統強度調變（IMDD）在速率提升時距離迅速縮短的瓶頸。 ◦ 應用： AI DCI 需求中，超過 95% 的資料中心間距在 ≤120 km。400ZR/800ZR/1600ZR 正好填補 10–120 km+ 的距離灰區。 ◦ 可靠性：可插拔相干（Pluggable Coherent）具備 DSP/FEC 控誤碼功能，符合 AI workload 對高可靠性的需求。二、 AI 驅動的預期影響規模與市場預測 AI 投資正推動 Datacom 市場爆炸性增長，成為光通訊產業的核心戰場。 1. Datacom（資料中心光模組） Datacom 市場的增長速度和規模遠超傳統通訊市場： • 市場金額： 2025 年預計約 $15B，到 2029 年預計成長至約 $24B。 • 營收占比： Datacom 營收在滾動年營收中，兩年內翻倍，從 $6B 增至 $12B。2025 Q1 營收佔比 63%，Q2 升至 65%。 • 出貨量：高速模組出貨量預計從 2024 年的約 2,250 萬顆，成長到 2025 年的約 3,900 萬顆。 • 1.6T 模組： 1.6T 是當前爆點。2025 年上半年已出貨約 2 萬顆，全年預測約 50 萬顆。 • 3.2T 模組：預計 2029 年才進入實質量產，接棒 1.6T 成為主流。 2. Scale-Up 與 Scale-Out 的市場差異雖然 Scale-Out（傳統 Datacom 轉向 AI Fabric）仍是市場的主導者，但 Scale-Up（機櫃內互連）代表新興市場的擴展： • Scale-Out 規模： 2025 年 Datacom 模組規模約 ~$23B，預計 2030 年達 ~$30B，主要來自 Scale-Out。 • Scale-Up 增長：雖然佔比逐步提升，但增長速度更快。Scale-Up 對頻寬的需求是傳統 CPU bus 的 100 倍。 3. 相干（Telecom / ZR）與 OCS 市場相較於 Datacom 的爆炸性增長，相干與 OCS 市場規模較小但穩定增長，主要滿足 DCI 的能效需求： • 相干市場（含 ZR）： 2025 年預計約 $5B，到 2029 年預計成長至約 $8B。核心驅動力來自 800ZR (2024–2026) 與 1600ZR (2027–2028)。 • OCS 市場（新增量）：預計到 2029 年達到約 $1.6B (保守估計)，到 2030 年約達 $2B。OCS 的驅動點在於能效與拓撲簡化。 🔵 降低能效與提升可靠性，對於未來 AI 網路設計有哪些關鍵挑戰？ 🟠 AI 投資正驅動光通訊技術從追求純粹的速率，轉向追求能效、可靠性、延遲與成本之間的最佳平衡。在 AI 網路中，能效（Energy Efficiency, E.E.）與可靠性（Reliability, R）已成為超大規模資料中心營運商（Hyperscaler）設定的兩大核心 KPI。針對這兩個核心目標，未來 AI 網路設計面臨以下關鍵挑戰：一、降低能效（E.E.）的關鍵挑戰 Hyperscaler 已經設定了嚴格的能效指標：目標是 <4 pJ/bit（每位元功耗）和 >2 Tbps/mm 的 Shoreline 密度。要實現此目標，主要的挑戰集中在封裝架構、熱管理與高功耗元件的優化： 1. 散熱與架構的協同設計 AI 網路的能耗佔比已上升至 GPU 可用功率的 20% 至 30%。新的光學架構雖然能節省大量電力，但卻帶來巨大的散熱壓力： • CPO/NPO 的散熱難題： CPO（共同封裝光學）相較於 Pluggable 可節省約 65% 的功耗，是能效最佳的方案。然而，CPO 封裝必須採用液冷（Direct-to-Chip）或浸沒冷卻。設計一個 102.4T CPO 系統需要協同設計散熱與光纖走線，這對系統工程是巨大的挑戰。 • 熱管理瓶頸：傳統的空冷方式正逼近極限。熱設計必須成為系統設計的「先行者」。 2. 關鍵高功耗元件的優化光模組中的主要功耗來源難以削減，特別是在速率提升到 400G/lane 甚至更高時： • 冷卻系統與 DSP 功耗： TEC/冷卻器的功耗可佔整體模組的 25%–30%。同時，相干模組中的 DSP（數位訊號處理器）功耗高達 5–15 W。如何有效整合元件（例如 4-in-1 泵浦共用 TEC）以節省冷卻功耗，是技術層面的挑戰。 • 調製器/線性度的取捨： MRM（微環調製器）雖然尺寸小、功耗低，但存在溫度敏感的問題，需要加熱調諧，這增加了複雜性，也可能抵銷部分節能效果。此外，它需要突破溫控與線性化才能達到 400G/lane 的要求。 • 高階調變的功耗陷阱：雖然高階 PAM（如 PAM6/8）能節省頻寬，但這會增加 FEC/DSP 的功耗和延遲。二、提升可靠性（R）的關鍵挑戰 AI 網路，特別是 GPU 集群，對網路品質的容忍度極低，可靠性必須達到 ASIC 等級或更高，以避免光學互連成為整個系統的瓶頸。 1. 延遲與 BER 的敏感性 AI 工作負載（workload）對網路的延遲（Latency）與誤碼率（BER）極為敏感。 • 重傳效應：如果發生光學錯誤，重傳會顯著拖慢訓練效率，導致 AI 訓練集群的同步性受損。因此，光通訊系統的可靠性不再是「夠用就好」，而是影響核心業務效率的關鍵。 • 相干技術的可靠性：可插拔相干模組（如 ZR/ZR+）雖然透過 DSP/FEC（前向糾錯）來控制誤碼，以符合 AI 對高可靠性的需求，但這也意味著更複雜的處理流程。 2. CPO/NPO 的維護與長期可靠性 CPO 雖然在能效上表現優異，但其架構本質上帶來了嚴峻的可靠性與維護挑戰： • 維護難度： CPO 將光學元件與 ASIC 共同封裝，使得維護彈性遠低於傳統的 Pluggable 模組，這在大規模部署中是系統營運商必須解決的難題。 • 壽命驗證：儘管業界已累積了超過 1,500 萬小時的 CPO 壽命數據，但如何在極高的溫度和密度下確保其長期高溫壽命，特別是對於新材料如 1060 nm 單模 VCSEL，仍需進一步驗證和突破。 3. 網路架構的可靠性考量在探索新的 AI 網路拓撲時，可靠性也成為核心挑戰： • OCS 的重構時間：光路交換（OCS）雖然在功耗、成本和吞吐量上有顯著優勢（Google 實測功耗節省 40%），但目前的技術，如 Google 部署的 OCS，其重構時間是以小時/天計。對於需要動態調整連結或處理突發流量的 AI 網路而言，這是一個功能性可靠性的瓶頸。 • 互通性與標準化：模組與封裝架構呈現 Pluggable + LPO + CPO 混合共存的局面。確保這些多元技術在互通性、標準化與協同性上達到高可靠度，是未來大規模落地的關鍵。