FA、FAU是什麼?CPO光纖陣列一字之差、身價大不同!大立光、玉晶光、先進光布局一次看
FA、FAU是什麼?CPO光纖陣列一字之差、身價大不同!大立光、玉晶光、先進光布局一次看

過去一年,市場談論共同封裝光學(CPO),多半聚焦在交換器晶片、矽光子晶片(PIC)與封裝技術,但真正決定光訊號能否穩定傳輸的,卻是外界較少注意的光纖陣列(FA)與光纖陣列單元(FAU),名稱僅一字之差,兩者卻代表截然不同的技術層級與商業價值。大立光為何選擇從FA切入市場,未來能否憑藉精密光學技術,進一步搶攻高毛利的FAU與光學引擎市場,在AI浪潮中打造下一個成長曲線。

本文重點速覽

CPO是什麼?共同封裝光學為何是AI非它不可的技術?

隨著生成式AI模型日趨龐大,龐雜的資料處理導致以往硬體運用的傳輸技術瀕臨極限,而CPO也因此成為突破AI算力瓶頸的關鍵拼圖之一。

共同封裝光學CPO(Co-Packaged Optics)是一種先進封裝技術,是將光學元件(如矽光子光引擎)與電子晶片(如GPU、網路交換晶片等)整合於同一塊封裝載板上面,藉由整合光收發模組,並以光訊號取代以往用電訊號傳輸的資料,CPO能達到更快且不易產生熱能的傳輸效果。

過去伺服器內的資料主要依靠銅線傳輸電訊號,當資料要跨伺服器進行傳輸時,會先將電訊號傳送到主機板邊緣的光收發模組,經轉換成光訊號後再傳過去,這段路徑由十幾公分的銅線所組成。

由於AI資料中心伺服器傳輸的資料量變得比以往更為龐大,無論在密度或功耗方面,依靠銅線傳輸電訊號的方式皆已無法負荷,當傳輸速率超過100G或200G時,運用銅線即會撞上銅牆(Copper Wall),產生傳輸距離縮短、訊號衰竭與耗電等諸多物理問題,這導致大量電力被浪費在搬運資料上,而非用於運算。

CPO的出現縮短了這十多公分銅線的距離,因為矽光子晶片(PIC)與電子積體電路(EIC)封裝在一起,彼此的距離縮短到剩下幾毫米的單位,換句話說,當電訊號一離開運算晶片,即可在極短距離內被轉換為光訊號供後續步驟處理。相較之下,採用CPO的方式較傳統銅線更為省電、訊號不易衰退,且較無高溫問題,讓AI資料中心和超級電腦能更有效率的運行。

有「PCB女王」之稱的廖婉婷指出,當資料傳輸規格再往上走時,銅線將很難負荷,全面轉向光傳輸幾乎是必然趨勢,採用CPO架構的產品初期成本會比較高,滲透率不會馬上拉升,但未來2、3年之間普及的速度會明顯加快。

FA、FAU差在哪?光纖陣列與光纖陣列單元一字之差、身價大不同

在運用CPO的技術中,「光」是當中的主角,而如何精準地把光轉移至極小的晶片內,是一項極為關鍵的步驟,在此處涉及到光通訊領域的兩個名詞,光纖陣列FA(Fiber Array)與光纖陣列單元FAU(Fiber Array Unit),它們是不可或缺的配角,分別代表了「核心結構」與「完整模組」的差異。

FA指的是一種高精度的排列結構,當一根光纖的纖芯達到9微米左右寬時,會變的比頭髮還要更細,若要將數根光纖同時對準光學晶片上的微小通道,在尺寸上很難用手去處理,因此業界會使用刻有極高精準度V型槽的基板,按照一定間距將多根無外皮的裸光纖放進基板的V型槽中,並覆上蓋板以特殊膠水將其固化,這樣的處理最終能讓多根光纖變成一排平整的陣列,保持精確的間距。

FAU則是將FA進一步衍伸處理,經過後段加工與配件後所製作出的完整終端零組件,為CPO裡的關鍵被動光學元件,主要作用是將多根光纖以極高精度的間距固定,並對準晶片上的光波導。通常一個FAU會包含FA、從尾端延伸出的光纖線、保護套管,前端會被精密研磨成特定斜角或是同微透鏡、90度轉折的微稜鏡等微光學元件作組合,讓要傳輸的訊號能夠實現光耦合,無損地傳送至另一個光學元件。

FA的良率影響的是損耗均勻性、外觀可靠度等項目,犯錯成本較低且可以部分修正;對於FAU而言,良率涉及到更多因素的疊加,任何一個加工步驟出現偏差,都可能讓整顆CPO模組報廢。綜合來看,FA與FAU都是CPO缺一不可的重要部件,FA是FAU的基礎原料,經由精密製程、設備與測試等步驟後,可升級成FAU,同時這也是FAU毛利率與技術壁壘較FA高的原因。

大立光CPO進度到哪?切入不到1年就繳出成績單

大立光董事長林恩平稍早揭露公司跨足矽光子的最新進展,證實已取得首家客戶FA量產規格,7月正式送樣,若認證順利,最快2027年中開始量產並挹注營收。消息一出,大立光成市場資金追逐的焦點。

不過,大立光最早在CPO領域鎖定的並非FA,而是FAU。林恩平在4月法說會中提到,大立光布局主要先切入FAU這段,研發相關稜鏡元件,進度仍在準備送樣、讓客戶認證的階段,尚未進入量產,即便客戶認證過後,產能建置也要1~2年的時間,離量產還有很長一段距離。

到了6月的股東會,林恩平表示,大立光預計9月前完成首條自動化試產線(Pilot Line)建置,率先投入光纖陣列(FA)產品生產,並將邀請潛在客戶參觀,為後續認證及量產鋪路。

林恩平說,產品會先以FA、多通道微透鏡陣列(PMLA)為主,若客戶願意直接採購FA,就先出貨FA,若客戶需要模組,會再評估是否往FAU發展。

時間來到7月的法說會,大立光在CPO的進度上大有斬獲。林恩平指出,目前開發的產品包括FA和PMLA,FA產品已收到客戶正式送樣規格,7月可完成送樣,客戶也將以最快速度展開驗證,首條自動化試產線(Pilot Line)預計第三季底建置完成,待客戶完成驗證後,即可開始複製量產線,最快明(2027)年年中會準備就緒,並同步推進多家客戶的概念驗證(POC)。

高精度V型槽難取得,大立光的解法是什麼?

林恩平說,有許多業者都想做FAU,但目前主要瓶頸在於高精度的FA、FAU及V-Groove(V型槽)不易取得,尤其高精度V型槽生命周期長、成本高,加上FA本身也存在公差,兩者結合後往往難以做出符合高精度需求的產品。

目前大多做法是挑選精度最好的V型槽與FA進行組合,但這會造成大量材料被汰除,不利量產與成本控制,而大立光則手握其在手機鏡頭累積的超精密模具與光學主動對焦技術的優勢。

林恩平表示,大立光是以「不完美的V型槽搭配不完美的FA」,再透過內部自有製程做出高精度產品;現在已能達到低於0.3微米(μm)精度,優於目前多數的0.5~0.8微米水準。

此外,大立光選擇從FA元件著手,出貨給模組廠,由客戶自行組成FAU,可以不用面對如GPU巨頭等終端晶片大廠冗長且複雜的認證流程,有助其快速切入市場拿到訂單。

玉晶光、先進光搶進CPO!光學廠爭食大餅

不只大立光,台灣光學廠也爭相搶進CPO賽道。玉晶光董事長陳天慶證實,公司已切入CPO關鍵零組件領域,除完成產品開發外,目前部分產品已開始出貨,下半年將全力推進客戶認證與量產規劃,未來有望成為公司繼手機鏡頭之後的第二大成長引擎。

總經理郭英理指出,在CPO部分,目前專注於技術門檻較高的關鍵被動元件,可提供的產品包括MT插芯(Mechanical Transfer Ferrule)、準直器(Collimator)、稜鏡(Prism)、V型槽等關鍵零組件,目前多數產品處於送樣驗證階段,部分產品則已開始小量出貨,2027~2028年逐步量產。

先進光在今年COMPUTEX 2026展會中展示共同封裝光學(CPO)相關產品。先進光董事長高維亞透露,目前會先以V-groove(V型槽)和MT Ferrule(Mechanical Transfer Ferrule,機械轉移插芯)產品為主,由於這兩項產品屬於精密加工產品,主要取決於加工精度及良率,只要良率穩定,毛利率表現也會相對穩定;未來也不排除加入稜鏡(Prism)等零組件,畢竟目前市場需求遠大於供給。

高維亞提到,先進光正積極拓展光纖陣列單元(FAU)客戶,相關新品預計在8月時送交客戶驗證,若是進展順利,預計2027年可以開始量產,期望能成為繼NB鏡頭業務後的第二大產品線,營收占比目標可達到約3成。

(本文出自工商時報

關鍵字: #大立光 #CPO
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓