我在追蹤 NVIDIA GTC 2026 的預告資訊時，撞上一個讓我停下來想了很久的數字：2 公尺。

在 1.6 Tb/s 的傳輸速度下，銅線的訊號完整性和散熱問題，讓它連 2 公尺都撐不住。這不是理論推導，是工程實測。NVIDIA 在 3 月 2 日宣布砸 40 億美元投資 Lumentum 和 Coherent 兩家光子學公司，接著在 GTC 發表 Spectrum-X 和 Quantum-X 矽光子網路交換器。

銅線時代正在結束。如果你在管 AI 叢集，或者你的工作跟 GPU 運算基礎設施沾上邊，這件事值得花十分鐘搞懂。

問題出在哪：銅線碰上了物理牆

GPU 跑得再快，資料傳不過去就是白搭。

現代 AI 訓練和推理的瓶頸早就不只在運算力。一個 NVL72 機架裡塞了 72 張 Rubin GPU，它們之間的資料交換量是天文數字。第六代 NVLink 的頻寬達到 260 TB/s，但這些資料要在 GPU 之間、機架之間、甚至跨資料中心移動。

銅線在低速時代不是問題。但當每個埠口要跑 1.6 Tb/s，物理定律就開始反咬：

  • 訊號衰減：高頻電訊號在銅線裡跑得越遠，衰減越嚴重。2 公尺以上，訊號品質就撐不住了
  • 散熱：高速銅線產生的廢熱跟傳輸距離成正比。機架越密集，熱管理越困難
  • 串擾：密集佈線時，相鄰銅線之間的電磁干擾會降低訊號品質

這三個問題在 400 Gb/s 時代還能靠更好的銅合金和更粗的線材硬撐。到了 1.6 Tb/s，撐不住了。

NVIDIA 的解法：用光取代銅

光子學不是新概念。長途電信骨幹網路用光纖已經幾十年了。NVIDIA 要做的，是把光子技術推進到 GPU 機架內部——這個距離原本是銅線的地盤。

Co-Packaged Optics（CPO）

核心技術叫 co-packaged optics（共封裝光學）。把光電轉換元件直接封裝在交換器晶片旁邊，而不是用外接的光學收發模組。

好處很直接：

  • 距離不再是限制：光纖在 1.6 Tb/s 下跑幾百公尺沒有訊號衰減問題
  • 功耗降低：CPO 消除了晶片到收發模組之間那段銅線的耗電
  • 密度提高：光纖比銅線細得多，同樣空間能塞更多連接

Spectrum-X Photonics

NVIDIA 在 GTC 發表的 Spectrum-X 矽光子交換器，就是第一個大規模商用的 CPO 產品。規格：

  • 每埠 1.6 Tb/s
  • 支援連接「數百萬」張 GPU 跨站點運作
  • 與 TSMC、Coherent、Corning、Foxconn、Lumentum、SENKO 共同開發

注意那個「數百萬張 GPU」。目前最大的 AI 叢集大概在十萬張等級。NVIDIA 在為百萬張 GPU 的世界做準備，而銅線在那個規模根本行不通。

40 億美元的佈局

NVIDIA 的投資分配很有意思：

  • Lumentum：20 億美元。他們做雷射光源，提供 Spectrum-X 產品的雷射元件
  • Coherent：20 億美元。他們做矽光子整合，負責光電轉換的核心技術

這不是風險投資式的撒錢。這是把光子學供應鏈的兩個關鍵環節鎖死：光源和光電轉換。其他競爭者要做 CPO，也得跟這兩家買東西。

NVIDIA 已經在 GPU 市場做過一次這種事——先把 CUDA 生態建起來，讓所有 AI 框架都綁在 NVIDIA 的平台上。現在他們要在網路層做同樣的事。

對開發者和基礎設施工程師的影響

如果你在管理 AI 叢集，或者在選購雲端運算資源，幾件事值得注意：

1. 機架設計的遊戲規則在改變

過去的資料中心佈線思維是「銅線近距離、光纖遠距離」。CPO 把這個分界線推到了近乎零。未來的 AI 機架從一開始就是全光學設計。

這意味著如果你的資料中心還在用傳統的 Top-of-Rack 銅線交換器架構，升級路徑可能比想像中陡。

2. 雲端服務商的差距會拉大

Microsoft Azure 已經是全球第一個完成 Vera Rubin NVL72 驗證的雲端供應商。AWS 和 GCP 要到 2026 下半年才能部署。這代表光子學技術的早期採用者會在 AI 推理成本上取得明顯優勢。

如果你在選雲端平台跑大規模 AI 推理，供應商的光學網路能力會成為新的比較指標。

3. 推理成本的下降曲線

NVIDIA 說 NVL72 的推理成本比上一代 Blackwell 降低 10 倍。光學網路是達成這個數字的關鍵因素之一——更低的網路延遲和更高的 GPU 利用率，直接轉化為每 token 成本的下降。

對於正在用 API 呼叫大型模型的開發者來說，這意味著 2026 下半年開始，推理價格可能會有一波明顯的降幅。

4. 分散式訓練的架構可能性

當跨機架甚至跨資料中心的延遲大幅降低，分散式訓練的架構選擇就多了。以前因為網路延遲太高而不實際的訓練並行策略，在全光學網路下可能變得可行。

這不只是 NVIDIA 的事

Corning（康寧，對，就是那個做手機玻璃的）也是這個生態的關鍵玩家。他們提供光纖和光學元件。從手機螢幕玻璃到 AI 資料中心光纖——這個轉型路徑說出來有點荒謬，但 Corning 在光學材料上的技術積累確實讓他們佔了好位置。

整個光子學供應鏈在 2026 年會有一波快速擴張。對硬體工程師來說，這可能是未來五年最重要的技術轉型之一。

實話說

我不確定「數百萬張 GPU」的願景能多快實現。這需要的不只是網路技術突破——電力供應、冷卻系統、晶片製造產能都是瓶頸。Microsoft 的 Wisconsin 和 Atlanta 超級工廠是專門為極端功率密度和液冷設計的，這種等級的基礎設施投資不是每家公司都玩得起。

但 2 公尺的物理極限是真的。只要 AI 模型繼續變大、推理需求繼續成長，銅線到光纖的轉換就是必然。問題不是要不要換，是什麼時候換、換的過程中誰能搶到先機。

NVIDIA 用 40 億美元押了光子學。考慮到他們過去在 CUDA 生態上的判斷力，我傾向認為這個押注的方向是對的。

延伸閱讀：