【Moontalk市場觀察】光通訊產業深度研究：從 GPU 瓶頸到 Optical Networking 的投資邏輯（上）
從GPU瓶頸到互連革命，解析Scale-up崛起、CPO變革與光網路TAM爆發的核心邏輯
摘要：
不少投資人都已經注意到，光通訊產業相關股票的明顯上漲。隨著AI基礎設施持續演進，下一個競爭焦點正轉向「網路（Networking）」，核心在於透過高速且低延遲的資料傳輸來放大整體運算效能。儘管市場對不同網路架構之間是否存在替代關係有所疑慮，但更可能的情況是，各類架構將同時擴張、共同成長。
從技術演進來看，當系統由GB300 NVL72升級至Rubin Ultra NVL576（從單一機櫃72顆GPU擴展至跨機櫃整合），每單位算力所對應的網路價值顯著提高。其中，Scale-out與Scale-up架構的網路價值分別可放大約16倍與45倍，並進一步推動可插拔光模組、CPO（共封裝光學）光引擎、銅纜以及PCB中板等相關零組件需求同步成長。
在市場規模方面，以每單位算力計算，機構預期光模組與光引擎的可服務市場（TAM）將擴大約13倍。僅就Scale-out架構而言，可插拔光模組的價值也提升約10倍；即使假設CPO滲透率達到29%，模組數量仍會由216顆大幅增加至約2,500顆。
今天Moon想進一步針對光通訊產業，進行更深入的細節分析。
一、光通訊是什麼？為什麼 AI 時代一定需要它？
1. 光通訊的定義與底層邏輯
光通訊（Optical Communication）是指利用光波作為載波，光纖作為傳輸介質，進行資訊傳遞的技術。在資料中心內部，伺服器與交換機之間產生的是電子訊號，光通訊系統透過「光收發模組（Optical Transceiver）」將電子訊號轉換為光訊號（電轉光，E/O），經由光纖傳輸至目的地後，再將光訊號轉換回電子訊號（光轉電，O/E）供處理器運算。
中文圖視：
英文圖視：
Source: Simple Tech Trend
在開始介紹其他部分前，先簡單介紹關鍵詞，以下是各元件的說明：
電子積體電路（Electronics IC）區塊
ASIC（特殊應用積體電路）：專為特定任務設計的晶片，負責高速資料的編碼、解碼與協定處理，是整個收發器的「大腦」。
DSP（數位訊號處理器）：對數位訊號進行均衡、補償與糾錯，確保訊號品質，尤其在長距離傳輸後能有效修復失真。
Driver（調變驅動器）：接收 DSP 的數位訊號後，將其放大轉換為適合驅動光調變器的電氣訊號（發射路徑）。
TIA（跨阻放大器，Transimpedance Amplifier）：將光偵測器輸出的微弱電流訊號放大轉換為電壓訊號，供 DSP 處理（接收路徑）。
光子積體電路（Photonics IC）區塊
Laser（雷射光源）：產生穩定的連續波光訊號，作為資訊載體；通常使用 III-V 族半導體雷射（如 InP）整合於矽光子晶片上。
Modulator（光調變器）：根據驅動器輸入的電訊號，快速調整光的強度或相位，將電信號「寫入」光波（發射）。
Photo Detector（光偵測器）：將接收到的光訊號轉換回電流訊號，是光→電轉換的核心元件（接收）。
Coupler（光耦合器）：分配或合併光訊號，將發射光與接收光導引至正確路徑，並連接晶片與外部光纖。
光纖陣列（Fiber Array）
FAU（光纖陣列單元，Fiber Array Unit）：將多根光纖精密排列並對準晶片的光學端口，負責晶片與外部光纖網路之間的物理光學連接。
整體路徑可簡單理解為：
電訊號 → ASIC/DSP 處理 → Driver 驅動 → Modulator 調變成光 → Coupler 導引 → FAU 送入光纖，反向則由 FAU 接收光 → Coupler → Photo Detector 轉電 → TIA 放大 → DSP 解調
2. 為什麼資料中心從 Copper 走向 Optical？
傳統資料中心內部大量依賴銅線（Copper）進行短距離連接。然而，在 AI 訓練（Training）與推論（Inference）的過程中，資料搬運的規模呈現指數級增長。銅線在傳輸高速訊號時，面臨著無法克服的物理極限：趨膚效應（Skin Effect）與介電損耗（Dielectric Loss）。當傳輸速率提升至 100Gbps 甚至 200Gbps 每通道（Per Lane）時，銅線的有效傳輸距離急遽縮短至 1 到 2 公尺以內，且訊號衰減極為嚴重，需要消耗大量電力進行訊號補償。
3. GPU Cluster 的高度依賴與「互連瓶頸」
在分散式機器學習中，模型參數與梯度需要在成千上萬顆 GPU 之間進行同步。這導致 GPU 叢集內部產生了海量的東西向流量。
我們可以引入一個核心比喻：GPU 是引擎，而 Optical Networking 是高速公路。如果高速公路的車道不夠寬（頻寬不足）或速限太低（延遲過高），再強大的引擎也無法發揮全速。在實際的 AI 訓練任務中，GPU 常常處於「不是在運算，而是在等待資料（Data Starvation）」的狀態。因此，真正的 Bottleneck 不是 Compute，而是 Interconnect。
Source: Vocus
4. 光通訊的三大絕對優勢
在 AI 時代，光通訊之所以成為必然選擇，源於其具備三大物理優勢：
更高頻寬（Higher Bandwidth）： 光波的頻率極高，可透過波分復用（WDM）技術在單根光纖中同時傳輸多路訊號，輕鬆實現 800G 甚至 1.6T、3.2T 的傳輸速率。
更長距離（Longer Reach）： 光訊號在石英光纖中的衰減極低，可輕易跨越數十公尺至數十公里的距離，完美解決大型 GPU 叢集跨機櫃、跨資料中心的連接需求。
更佳功耗效率（Better Power Efficiency at Distance）： 雖然光電轉換本身需要耗電，但在中長距離的高速傳輸下，光通訊的每位元功耗（pJ/bit）遠低於需要重度訊號放大的銅線傳輸。
二、談討GW與 AI Data Center 的真正限制
1. GW 的定義與市場關注焦點
GW（Gigawatt，十億瓦或吉瓦）是衡量電力容量的單位。在傳統雲端運算時代，資料中心的電力容量通常以 MW（Megawatt，百萬瓦）為單位計算。然而，隨著 AI 基礎設施的爆發，市場與科技巨頭（如 Microsoft、Google、Amazon）在討論新建資料中心時，已全面轉向以 GW 為單位的規劃。一個 1 GW 的資料中心，其耗電量相當於一座中型城市的總用電量。
2. 電力成為 Scaling 上限
AI 資料中心的功耗之所以如此驚人，不僅僅是因為 GPU 本身（如 NVIDIA H100 功耗達 700W，B200 甚至超過 1000W），Networking（網路互連）同樣是耗電巨獸。
這裡存在一個嚴密的邏輯鏈：為了提升 AI 叢集的算力，必須增加 GPU 數量並提升互連頻寬（頻寬 ↑）；在現有技術架構下，推動更高頻率的電子訊號與光電轉換需要消耗更多的能量（功耗 ↑）；當單一機櫃的功耗從傳統的 10-15kW 飆升至 AI 機櫃的 100-120kW 時，整個資料中心的總電力需求便呈現指數級上升（GW ↑）。
最終，電力供應與散熱能力，成為了 AI 算力擴展（Scaling）的絕對物理上限。
3. 光通訊作為解決功耗危機的關鍵路徑
在電力受限的框架下，降低每位元資料傳輸的功耗（Energy per bit）成為產業的生死存亡之戰。光通訊技術的演進（如採用更先進的 DSP 製程、矽光子技術、以及未來的 CPO 架構），其核心目標之一便是大幅降低互連功耗。若無法透過光通訊技術的革新來壓低 Networking 的功耗佔比，AI 資料中心將無法在有限的 GW 容量內部署更多的 GPU，這直接凸顯了光通訊在 AI 基礎設施中的戰略地位。
三、Scale-out vs Scale-up
要真正理解光通訊市場的總可潛在市場（TAM）為何會出現爆炸性增長，必須引入兩個概念：Scale-out（橫向擴展）與 Scale-up（縱向擴展）。
Source: Goldman Sachs Research
1. Scale-out（橫向擴展）：傳統的網路互連
Scale-out 指的是透過增加更多的伺服器節點與機櫃，來擴大整個叢集的規模。在 AI 架構中，這通常依賴 InfiniBand 或 Ethernet 網路進行節點間的連接。在 Scale-out 架構中，光模組、光纖與 Switch 扮演著核心角色。過去幾年，市場對光通訊的認知與估值模型，主要建立在 Scale-out 帶動的 800G 光模組需求上。
2. Scale-up（縱向擴展）：光通訊滲透的新藍海
Scale-up 指的是在單一系統（或邏輯節點）內，增加更多的 GPU 並讓它們共享記憶體，使其運作起來如同「一顆巨大的 GPU」。NVIDIA 的 NVLink 技術便是 Scale-up 的核心。從 NVL72 到未來的 NVL144，甚至更大規模的 Supernode，單一系統內的 GPU 數量正在急遽增加。
過去，Scale-up 內部的連接（如同一個機櫃內的 GPU 互連）距離極短，主要依賴銅線（Copper DAC）。但隨著 Scale-up 系統規模的擴大，跨機櫃的 NVLink 連接距離超過了銅線的物理極限，光通訊開始強勢滲透進 Scale-up 領域。
Source: Goldman Sachs Research
3. TAM 爆炸的真正原因與關鍵數據
市場過去只關注 Scale-out，但真正的價值重估正在發生於 Scale-up。根據機構數據，這一技術演進帶來了驚人的市場增量：
TAM 的躍升： 整個互連市場的 TAM 將從 GB300 世代的約 US$15bn，暴增至未來 Rubin Ultra 世代的 US$154bn。
Dollar Content（單機價值量）的非線性增長： 在此演進過程中，Scale-out 的 dollar content 增加了約 16 倍；而 Scale-up 的 dollar content 則呈現了驚人的 45 倍增長。
結構性反轉： 預計到 2028 年，高達 69% 的 TAM 將來自 Scale-up，徹底顛覆過去以 Scale-out 為主的市場結構。
這意味著，光通訊的應用場景正在從「資料中心的骨幹網路」下沉至「運算節點的內部神經」，這種滲透率的提升是光通訊產業鏈迎來戴維斯雙擊（Davis Double Play）的底層邏輯。
四、三種主要連接技術（PCB / Copper / Optics）
在探討光通訊的絕對優勢前，需要先評估資料中心內部的三種主要連接技術，理解其各自的邊界與適用場景：
在 AI 資料中心中，不同連接技術會依據「距離與速度」進行分工：短距離連接主要依賴銅纜（Copper）與 PCB，因其具備成本低與功耗低的優勢；而在長距離或高速傳輸場景中，則以光纖（Optics）為主，因其擁有更佳的訊號品質與更高的頻寬。由於銅在長距離或高速傳輸下容易出現訊號衰減問題，使其性能快速下降，因此隨著資料中心對頻寬與規模的需求提升，光連接的重要性也隨之大幅提高。
Source: Goldman Sachs Research
PCB（Printed Circuit Board，印刷電路板）
PCB 是伺服器內部最基礎的連接介質，可視為所有晶片之間的「底層通道」。其銅箔走線主要用於極短距離（板內 / tray 內）的訊號傳輸，通常在數十公分以內，具備最低成本、最低功耗與最高整合密度的優勢。然而，隨著 PCIe 5.0/6.0 與 112G/224G SerDes 等高速訊號普及，高頻訊號在 PCB 上的損耗快速上升，不僅需要採用昂貴的超低損耗材料（Ultra-Low Loss CCL），傳輸距離也受到嚴格限制。因此，PCB 雖然是不可或缺的基礎，但其應用範圍主要侷限於最短距離、高密度的連接場景（如晶片內與板內）。
Copper（銅連接：DAC / AEC）
銅連接主要用於短至中距離（機櫃內，甚至鄰近機櫃）的傳輸，是 PCB 與光通訊之間的過渡方案。DAC（Direct Attach Cable）適用於極短距離（通常 <3 公尺），具備低成本、低功耗且無需光電轉換的優勢，因此在現有架構（如 NVL72）中仍被廣泛採用。為延伸距離，AEC（Active Electrical Cable）透過內建 retimer 可將距離提升至約 5–30 公尺，但代價是功耗與成本上升。整體而言，銅連接在距離與成本之間取得平衡，但其物理限制（訊號衰減、體積與重量）在高速（如 200G/lane）下迅速惡化，使其難以支撐更大規模與更高頻寬的系統。
Optics（光通訊）
光通訊主要用於中長距離至長距離（跨機櫃 / 資料中心）的高頻寬傳輸，是大規模 AI cluster 的關鍵基礎設施。雖然光模組需要光電轉換，帶來較高的成本與一定功耗，但在高速與長距離條件下，其訊號完整性、頻寬擴展能力與能效表現遠優於銅連接。因此，光通訊幾乎主導所有 scale-out（機櫃之間）場景，且隨著頻寬需求提升，正逐步從傳統可插拔模組延伸至 NPO（板上光學）與 CPO（共封裝光學），開始滲透至部分 scale-up（機櫃內）應用。
綜合上述比較，可以看出三種連接技術是依據「距離 × 頻寬 × 成本」形成清晰分工：PCB 作為板內與超短距離的基礎連接，提供最高密度與最低功耗；銅連接在機櫃內扮演成本與性能的折衷方案；而光通訊則在中長距離與超高頻寬需求下成為不可替代的核心技術。
隨著 AI 系統持續向更大規模與更高頻寬演進，光技術逐步從機櫃間滲透至機櫃內，銅連接的應用範圍被壓縮至更短距離，而 PCB 則持續透過材料升級與 midplane 設計支撐高密度整合。這種分層且動態演進的架構，正是推動 AI 資料中心網路價值（dollar content）持續提升的核心原因。
五、完整的光通訊產業鏈
1. 上游：核心元件與晶片 - 高技術壁壘、高毛利
(1) Laser（雷射晶片）
雷射是光通訊的「光源引擎」。主要分為連續波雷射（CW Laser，主要用於矽光子架構）與電吸收調變雷射（EML，目前高速光模組的主流）。雷射晶片的製造涉及複雜的化合物半導體（如 InP 磷化銦）製程，良率控制極難。全球具備高階 EML 量產能力的廠商極少，呈現寡占格局。其投資特性為資本密集、技術迭代慢但壁壘極高。
(2) SiPh（Silicon Photonics，矽光子）
矽光子技術是將光學元件（如調變器、探測器）整合到傳統的矽基半導體晶片上。矽光子的本質，是讓光通訊產業走向類似早期半導體產業的標準化與規模化。它能大幅降低光模組的封裝複雜度與成本。長期來看，矽光子是通往 CPO（共封裝光學）的必經之路，具備極高的長期投資戰略價值。
(3) 高速晶片（DSP / SerDes / Switch ASIC）—— 上游產業鏈的定價權核心
DSP（數位訊號處理器）： 在 400G/800G 時代，訊號調變技術從簡單的 NRZ 轉向複雜的 PAM4（四階脈衝振幅調變）。PAM4 雖然提升了頻寬，但極易產生雜訊與誤碼。DSP 的作用就是透過強大的算力進行前向錯誤更正（FEC）與訊號補償。
SerDes（串列解串器）： 負責將平行的低速訊號轉換為串列的高速訊號，是晶片對外溝通的咽喉。
Switch ASIC（交換器特殊應用晶片）： 網路設備的大腦，決定了資料轉發的總頻寬。
2. 中游：光模組與光引擎
(1) 光模組（Optical Module / Transceiver）
光模組負責電和光的核心轉換。在 800G 與即將到來的 1.6T 時代，光模組是目前整個產業鏈中業績兌現最快的環節。核心壁壘在於：
高階產品的良率控制： 800G/1.6T 模組內部光路極其複雜，微米級的對位偏差都會導致產品報廢。
客戶認證壁壘： 雲端巨頭（如 Google、Meta）與 NVIDIA 對光模組的可靠性要求極高，認證週期長達數月至一年，一旦進入供應鏈便難以被替換。
根據機構數據，隨著架構演進，光模組與 GPU 的 Attach Rate（配比率）從過去的 1:2–3 飆升至 1:4–6；單一叢集的光模組數量（Units）從 216 顆暴增至 2,500+ 顆；同時，高階模組的 ASP（平均售價）從 US$800 翻倍至 US$1,600。市場過去常常忽略「每顆 GPU 背後的 Optical Content 正在非線性上升」這一事實，這正是頭部光模組廠商 EPS 呈現爆發性增長的核心邏輯。
(2) 光引擎（Optical Engine）
光引擎是光模組內部的核心次系統，通常包含雷射、調變器與探測器，但不包含 DSP 與外部金屬外殼。在未來的 CPO 架構中，光引擎將被獨立出來，直接與 Switch ASIC 或 GPU 封裝在一起。掌握光引擎設計與先進封裝能力的廠商，將在下一代技術變革中佔據先機。
3. 下游：系統設備
包含 Switch（交換器）、Router（路由器）與 Server（伺服器）。核心角色是將光模組插入設備端口，形成完整的網路基礎設施，本質是實現「算力之間的物理連接」。
系統設備商（如 Cisco、Arista、NVIDIA Networking）的商業模式是「吃量但不是最賺」。他們的毛利率容易受到上游強勢晶片商（如 Broadcom）的擠壓。然而，只要全球雲端服務供應商（CSP）的 AI 資本支出維持強勁，系統設備的需求就具備高度的穩定性與可預測性。
六、Pluggable vs CPO - 產業的最大技術變革
光通訊產業目前正處於一個關鍵的技術十字路口：從傳統的可插拔光模組（Pluggable）向共封裝光學（CPO, Co-Packaged Optics）演進。這是理解未來五年產業競爭格局的最重要變數。
1. 傳統 Pluggable 架構與其面臨的瓶頸
在傳統架構中，資料流向為：GPU/Switch ASIC → PCB 銅線走線 → 面板上的可插拔光模組 → 光纖。這種架構的優點是維護方便，但面臨嚴峻挑戰：
長距離電傳輸損耗： 晶片到面板光模組之間有數十公分的 PCB 距離，在 224G 速率下，這段「電傳輸」會產生巨大的訊號衰減。
功耗與發熱極高： 為了克服上述衰減，必須在光模組內使用高功耗的 DSP 進行訊號補償，導致面板區域熱密度極高，散熱成為災難。
2. 未來 CPO 架構：重構價值鏈
Source: Vocus
CPO（Co-Packaged Optics）的核心理念是將光引擎（Optical Engine）從面板移到晶片旁邊，與 Switch ASIC 或 GPU 封裝在同一個基板（Substrate）上。資料流向變為：GPU/ASIC → 極短距離基板走線 → 光引擎 → 光纖。
優勢： 徹底消除了 PCB 上的長距離電傳輸，大幅降低了對 DSP 的依賴，從而顯著降低系統總功耗與延遲。
價值鏈改變： CPO 將顛覆現有的利益分配。傳統光模組的外殼與部分 DSP 價值被消滅；掌握先進封裝技術的晶片廠（如 Broadcom）與具備光引擎製造能力的廠商將成為最大贏家。
機構預期速度升級將持續至 2028 年，從 800G 在 2026 年提升至 1.6T，並在隨後幾年邁向 3.2T 及以上，同時中國雲端廠商的速度升級將跟進，進而延長整體升級週期。為了滿足日益增加的頻寬需求、功耗壓力以及小型化需求，光連接的形式正在演進：
（1）可插拔光模組正從 EML 轉向矽光（Silicon Photonics），其具備更高整合度、更低成本以及對雷射供應依賴降低的優勢
（2）連接形式由可插拔光模組進一步擴展至板上光學（NPO）與共封裝光學（CPO），以支援短距離高頻寬連接並提升能效。
CPO 初期將與交換晶片（switch ASIC）整合，之後再擴展至各類 XPU（如 GPU、CPU、ASIC 等）。
3. 破除迷思：Pluggable 與 CPO 將長期共存
市場常有一種誤解，認為 CPO 會迅速且全面地取代 Pluggable。從機構投資視角來看，這是不準確的。CPO 面臨著極高的技術挑戰（如雷射光源的散熱與可靠性問題、封裝良率問題、以及商業模式上誰來承擔保固責任）。
因此，Pluggable 不會被完全取代，而是會與 CPO 長期共存。在超大規模的 Scale-up 核心節點或對功耗極度敏感的 Switch 核心，CPO 將佔據主導；而在跨資料中心連接或邊緣網路，Pluggable 仍將是主流。
七、投資框架
1. 利潤分配 ：誰吃最多利潤？
在光通訊產業鏈中，利潤率與定價權呈現明顯的階層分佈：
高速晶片（DSP / Switch ASIC）： Broadcom 與 Marvell 憑藉極高的技術壁壘與寡占格局，享有最強的定價權與最高的毛利率（通常在 60%-70% 以上）。
高階光模組（800G / 1.6T）： 階段性利潤收割者。在技術迭代初期（如目前的 800G 週期），頭部廠商憑藉良率優勢與產能稀缺性，享有極高的超額利潤。
光引擎 / SiPh： 未來的利潤增長極高。目前處於技術投入期，但隨著 CPO 時代到來，其價值佔比將大幅提升。
網通設備（Switch / Router）： 穩定獲利者。毛利率受制於上游晶片，但營收規模龐大，賺取的是系統整合與軟體服務的利潤。
傳統光元件： 利潤最薄弱。競爭激烈，產品同質化高，主要依靠規模效應壓低成本。
2. 最大受益者與公司定位
在該產業研究的第二篇，Moon將會研究全球主要光通訊相關標的。
八、結論
在 AI 基礎設施的投資浪潮中，市場的定價邏輯正在發生深刻的演變。過去兩年，資本市場已經對 GPU 與 Compute（算力）進行了極其充分的定價，NVIDIA 的市值奇蹟便是最佳註解。
然而，隨著 AI 模型參數的無極限擴張，以及資料中心面臨嚴峻的 GW 級電力限制，解決「資料搬運效率」與「互連功耗」已成為 AI 產業能否持續 Scaling 的關鍵。光通訊技術，憑藉其在頻寬、距離與功耗上的絕對物理優勢，正以前所未有的速度從資料中心的骨幹網路，深度滲透至 GPU 運算叢集的核心。
深刻理解光通訊的技術演進與價值鏈重構，並在 DSP 寡占巨頭、高階光模組龍頭以及具備 CPO 選擇權價值的核心元件商中進行結構性佈局，將是捕捉 AI 基礎設施下半場Alpha的關鍵路徑。
Source: Simple Tech Trend, Vocus, 九方智投, Goldman Sachs Research
本文不構成投資建議。所有分析均為個人研究觀點，投資決策需結合個人風險偏好與最新市場數據進行獨立判斷。
太佛了❤️
這是我看過講解最詳細的報告，謝謝您！