AI 應用如何重塑光通訊產業？一篇看懂交換器供應鏈的機遇與變革

在過去的概念裡，資料中心僅是存放企業伺服器與數位資料的機房，然而隨著雲端運算和 AI 的興起，今日的超大規模資料中心（Hyperscale Data Center）已儼然成為一座算力工廠，透過集結大量的處理器及其算力（以 GPU、TPU 等特定運算處理器為主，關於 xPU 介紹可參考<AI 趨勢下「運算卸載」會帶來哪些 ASIC 與 xPU 的發展？>研究報告），為訓練複雜的 AI 大型語言模型（LLM）提供源源不絕的動力。

而這樣龐大的算力工廠不僅由伺服器構成而已（關於伺服器組成，可參考<雲端服務商機！白話文解構「伺服器產業」>研究報告），在這之中，交換器更是支撐數據傳輸的重要角色，其功能就像是城市中的十字路口交通指揮中心，負責讀取每個數據封包的目的地地址，然後精準地將其轉發到正確的伺服器或下一個交換器，確保數據能夠快速和準確到達目的地。

隨著 AI 相關應用對於資料中心內部資料高流量、高速傳輸的需求增加，交換器及光收發模組相關零組件規格也迎來大幅升級空間，以下是本篇文章重要觀點：

1. 資料中心改用脊葉式架構，以滿足 AI 運算對極致低延遲的嚴苛要求
2. AI 應用激增的頻寬需求，成為光通訊傳輸規格從 400G 持續邁向 1.6T 的主要催化劑
3. 以光代電，已不再是選項，而是資料中心追求傳輸速度下唯一出路
4. 高速光收發模組的性能極限與成本結構，正日漸由數位訊號處理器所定義
   
5. 未來光通訊產業在 CPO 技術的引進下將持續革新，供應鏈極具成長潛力

立即開戶 ➠ 富果 App 串接元富證券，研究到下單一站到位！

資料中心改用脊葉式架構，以滿足 AI 運算對極致低延遲的嚴苛要求

在資料中心內，伺服器透過網路線連接到交換器，交換器之間再相互連接，構成一個龐大的內部網路。傳統企業應用中，資料流動以「南北向」（North-South Traffic）為主，使用者從外部網路連線到資料中心內的伺服器，伺服器運算處理過後再回傳資料，多數會採用一種稱為三層式架構（3-Tier Architecture）的設計，這種樹狀結構由下至上分為三層：

• 存取層（Access Layer）：位於最底層，由大量的邊緣交換器（Edge Switch）組成，伺服器直接連接到這一層的交換器，通常以 ToR（Top of Rack）交換器形式存在。
• 匯聚層（Aggregation / Distribution Layer）：位於中間層，負責將來自多個存取層交換器的流量匯集起來，進行路由管理。
• 核心層（Core Layer）：位於最頂層，由少量高性能的核心交換器組成，是整個網路的骨幹，負責在不同匯聚層之間進行高速數據交換 。

Source：富果研究部

但在現代 AI 應用中情況截然不同，訓練一個大型 AI 模型，需要將龐大的計算任務拆解並分配給成千上萬個處理器協同運作，過程中必須進行海量且高頻率的資料交換與同步，形成了巨大的「東西向」（East-West Traffic）流量，其規模往往遠超傳統的南北向流量。

此時整體系統效能不僅取決於單顆處理器或單個機櫃的運算能力，更取決於連接這些運算單元的高速網路骨幹，任何傳輸延遲或瓶頸，都會讓昂貴的 GPU 閒置，直接拖慢 AI 模型的訓練效率，推高營運與開發成本。

而傳統的三層式架構就像是每座城市只有一條主幹道（核心層），跨區交通多數時候都必須先繞到主幹道上，流量一提升便可能會造成嚴重的交通壅塞，這就是三層式架構的瓶頸所在，伺服器機櫃間的通訊路徑過長，且容易在核心層產生擁堵，導致高延遲。

為了解決這個問題和因應 AI 叢集（Cluster）的需求，現代資料中心普遍改用脊葉式架構（Spine-Leaf Architecture），這種架構將網路扁平化、只分為兩層：   

• 葉交換器（Leaf Switch）：連接伺服器。
• 脊交換器（Spine Switch）：與所有葉交換器相連。

Source：富果研究部

這種設計帶來了幾個好處，包括：

• 低延遲與高效率：任何兩台機櫃之間的通訊，最多只需要經過「葉-脊-葉」兩跳（2-hops），極大程度降低了延遲
• 高頻寬與可擴展性：由於存在多條路徑，流量可以被均勻地分散到所有脊交換器上，避免了單點瓶頸，頻寬使用效率最大化；且當需要擴充網路時，只需增加新的葉交換器或脊交換器即可，擴展性極佳
• 高可靠性：任何一條鏈路或一台脊交換器發生故障，流量可以立即切換到其他備用路徑上，保證了網路的穩定運行。

AI 應用激增的頻寬需求，成為光通訊傳輸規格從 400G 持續邁向 1.6T 的主要催化劑

但另一方面，AI 伺服器