顯示具有 學習 標籤的文章。 顯示所有文章
顯示具有 學習 標籤的文章。 顯示所有文章

2026年8月12日 星期三

當美國通膨終於踩煞車:7月 CPI 沒有爆炸,但 FED 會不會還是把升息按鈕拿在手上? #CPI #美國CPI #美國通膨 #通膨降溫 #Fed #聯準會 #升息 #利率政策 #美股 #股市投資 #科技股 #AI概念股 #經濟數據 #投資理財 #是德是瑞是克

 



美國最新公布的 2026 年 7 月 CPI 出爐後,市場大概出現了一種很熟悉的表情:先看數字、再看核心 CPI、最後抬頭看看 FED,心裡默默問一句:

「所以……現在到底是要買股票,還是先去泡杯咖啡冷靜一下?」

答案可能是:咖啡先泡,但不用把股票全部丟進垃圾桶。

根據美國勞工統計局(BLS)公布的最新數據,7 月 CPI 整體表現比 6 月稍微回升,但年增率則繼續下降;核心 CPI 也維持相對溫和。整體來說,這份報告沒有出現市場最害怕的「通膨突然復活」劇情。

美國 7 月 CPI 數據整理

指標            上個月(6月)                這個月(7月)            增減率/變化
整體 CPI 月增率-0.4%+0.1%+0.5 個百分點
整體 CPI 年增率+3.5%+3.4%-0.1 個百分點
核心 CPI 月增率0.0%+0.2%+0.2 個百分點
核心 CPI 年增率+2.6%+2.5%-0.1 個百分點

資料顯示,7 月整體 CPI 從 6 月的 月減 0.4% 轉為 月增 0.1%,主要原因之一是先前大幅下跌的能源價格影響逐漸消退。不過從年增率來看,整體 CPI 由 3.5% 降至 3.4%;核心 CPI 也從 2.6% 降至 2.5%

簡單來說:

通膨沒有死掉,但目前看起來也沒有準備開第二場演唱會。

這份 CPI 數據告訴我們什麼?

第一個重點是:通膨壓力正在緩慢下降。

整體 CPI 年增率已經從 6 月的 3.5% 降到 3.4%,核心 CPI 也同步下降。尤其核心 CPI 通常比整體 CPI 更受到市場與 FED 關注,因為它排除了食物與能源這兩個很容易受到短期波動影響的項目。

例如油價今天可能因為中東局勢噴上去,明天又因為供應增加掉下來。

如果 FED 每天看到油價就改變政策,大概會變成:

星期一升息、星期三降息、星期五主席請假。

因此,核心 CPI 比較能反映美國內部真正的通膨壓力。

而目前核心 CPI 年增率降到 2.5%,距離 FED 長期希望看到的 2% 通膨目標 已經不算太遠,但還沒有真正達標。

所以這份數據比較像:

通膨已經從跑步變成快走,但 FED 還在旁邊拿著碼表觀察。

FED 接下來可能怎麼做?

這份 CPI 最大的意義,就是降低 FED 進一步採取強硬升息政策的壓力。

7 月整體與核心 CPI 年增率都比前一個月下降,代表通膨並沒有重新加速。對 FED 來說,這是一個好消息,但還不足以讓他們立刻宣布:

「各位觀眾,我們贏了!」

因為整體 CPI 年增率仍然有 3.4%,高於 2% 目標。

所以 FED 接下來比較可能採取的策略,我認為是:

第一種:維持利率不動,繼續觀察

這仍然是相當合理的選擇。

FED 現在最怕的不是通膨下降太慢,而是太早放鬆之後,通膨突然又反彈。

就像你減肥成功減了 3 公斤,結果馬上宣布:

「太好了!今晚吃到飽!」

隔天體重計可能會告訴你人生的殘酷。

因此,如果後續就業市場、薪資、服務業通膨沒有明顯惡化,FED 有理由先保持耐心。

第二種:升息壓力降低,但不能完全排除

目前數據對「繼續大幅升息」並沒有提供強烈支持。

因為 CPI 年增率正在下降,核心 CPI 也沒有失控。

不過 FED 不會只看一個月的數據。

接下來還要觀察:

  • PPI 生產者物價指數

  • PCE 物價指數

  • 非農就業

  • 失業率

  • 薪資成長

  • 能源價格

  • 地緣政治風險

尤其 FED 更重視的 PCE 通膨數據,仍可能影響下一次政策決策。

所以現在比較像是:

FED 的升息按鈕還在桌上,但手指暫時沒有放上去。

對美股會帶來什麼影響?

從股市角度來看,這份 CPI 屬於偏正面的結果。

原因很簡單。

市場最害怕的是:

通膨突然升高 → FED 更鷹派 → 利率更高 → 股票估值被壓縮。

但這次數據並沒有出現這種劇本。

成長股可能比較開心

像科技股、AI 股、半導體股,通常對利率比較敏感。

因為這類公司的估值很大一部分來自未來的獲利預期。

如果利率持續上升,未來的錢折現回今天就會變得比較不值錢。

簡單來說:

利率越高,華爾街的計算機按起來越痛。

因此,這次 CPI 數據如果讓市場降低對進一步升息的擔憂,對科技與成長型股票相對有利。

債券市場也可能鬆一口氣

如果市場相信 FED 不需要繼續 aggressively 升息,美債殖利率可能降低壓力。

殖利率若出現回落,通常也會對股票估值形成支撐。

尤其是大型科技股、AI 概念股與高估值成長股。

不過要注意,這不代表:

CPI 一公布,美股明天開始天天漲。

股市通常不會這麼乖。

市場可能今天解讀成利多,明天突然開始擔心:

「等等,通膨下降是不是代表經濟也在變慢?」

於是昨天買股票的人,隔天又開始賣股票。

這就是市場。

永遠可以在同一份報告裡,同時找到樂觀與悲觀的理由。

接下來真正要注意什麼?

這次 CPI 比較像是 FED 決策拼圖中的一塊,而不是整幅拼圖。

接下來市場要注意的,是通膨是否能夠持續往 2% 靠近。

如果未來幾個月出現:

  • CPI 年增率持續下降

  • 核心 CPI 穩定回落

  • 就業市場逐漸降溫

  • 薪資成長沒有重新加速

那麼 FED 未來的政策壓力將進一步降低,對股票市場尤其是成長股會是一個相對友善的環境。

但如果能源價格再次大漲、服務業通膨回升,或者核心通膨重新加速,那麼市場又可能開始上演:

「FED 到底要不要升息?」第 38 集。

結論:通膨正在降溫,但 FED 還沒準備開香檳

這次美國 7 月 CPI 可以說是一份相對溫和的成績單。

整體 CPI 年增率從 3.5% 降到 3.4%,核心 CPI 年增率也從 2.6% 降到 2.5%,顯示美國通膨壓力沒有重新失控。

對 FED 來說,這代表短期內進一步強力升息的必要性下降,但距離 2% 通膨目標仍有一段距離,因此最可能的策略仍是:

繼續觀察、保持耐心、不要太早宣布勝利。

而對股市來說,只要市場相信利率不會再次快速往上衝,科技股、AI、半導體等高成長族群就有機會獲得估值支撐。

不過投資人也別因為一份 CPI 就直接把鍵盤上的「All In」按下去。

因為市場接下來還有 PPI、PCE、非農、FED 會議,以及不知道哪一天又會突然冒出來的地緣政治新聞。

所以最好的策略可能還是:

看數據、看趨勢、不要因為一根紅K棒就以為自己已經看懂宇宙。

畢竟 FED 的工作是控制通膨,而投資人的工作,則是在市場每天製造驚喜的時候,努力控制自己的手不要亂按交易按鈕。

2026年8月4日 星期二

當 AI 開始塞車,不是 GPU 不夠,而是交換機開始「發燒」:XPO 與 CPO,誰才是 AI 資料中心的下一代高速公路? #AI資料中心 #XPO #CPO #矽光子 #SiliconPhotonics #光通訊 #高速交換機 #AI基礎建設 #GPU #ASIC #AI伺服器 #資料中心散熱 #AI投資 #科技股 #是德是瑞是克

 


近兩年大家都在聊 AI,幾乎每天都有新模型、新 GPU、新晶片,好像只要多買幾張 GPU,就能打造世界最強 AI。

但真正的大型 AI 資料中心,其實早就遇到另一個更現實的問題。

不是 GPU 不夠快,而是大家擠在一起太熱了。

想像一下,GPU 就像一群超跑,每台都能跑 300 公里,但如果全部擠進一條只有兩線道的高速公路,再快也只能一起塞車。

因此,AI 時代真正的瓶頸,開始從「算力」慢慢變成「資料怎麼搬」、「熱怎麼散」。

而最近最熱門的兩條技術路線,就是 CPO(Co-Packaged Optics)XPO(External Pluggable Optics)


AI 資料中心真正卡住的是什麼?

以前資料中心最大的問題,是 CPU 不夠快。

後來變成 GPU 不夠多。

現在則變成:

GPU 很快,但資料搬不過去。

AI 模型越來越大,一個機櫃可能有數十甚至上百顆 GPU,每秒要交換數十 TB 的資料。

傳統銅線到了高頻高速後,就像老舊水管。

流量越大:

  • 訊號衰減越嚴重
  • 耗電越高
  • 發熱越驚人
  • 傳輸距離越短

因此大家開始大量導入光通訊。

但新的問題又來了……

光模組到底該放哪裡?

這就是 CPO 與 XPO 最大的差異。


什麼是 CPO?

CPO,全名 Co-Packaged Optics

意思就是:

把光學模組直接放到交換 ASIC 旁邊。

以前資料流程像這樣:

交換晶片 → PCB → 電路 → 插槽 → 光模組

每走一步,都會耗電、延遲、發熱。

CPO 則直接把光模組搬到晶片隔壁。

好比原本住隔壁縣市,現在直接搬到同一棟公寓。

優點非常明顯:

  • 電訊號距離縮短
  • 功耗降低
  • 延遲更低
  • 可支援超高頻寬

因此,許多人認為 CPO 是未來 3.2T、6.4T 交換機的重要方向。


那 XPO 又是什麼?

XPO(External Pluggable Optics)可以理解成:

保留可插拔光模組,但重新設計整體架構。

它不像 CPO 那樣,把光模組焊死在交換晶片旁。

而是把高速電訊號縮短,同時保留模組可更換、可維修的特性。

換句話說:

兼顧效率,也兼顧工程師的人生。

因為資料中心最怕的不是設備壞掉,而是:

「壞了一個光模組,結果整台交換機都要送修。」


CPO 最大的優點

第一,是功耗最低。

高速 SerDes 越短,耗電越少。

第二,是訊號品質最好。

少了許多 PCB 傳輸損耗。

第三,是未來頻寬最容易提升。

尤其當交換 ASIC 邁向 102.4Tbps、204.8Tbps 時,CPO 幾乎成為最具潛力的方案。


CPO 最大的缺點

但天下沒有白吃的午餐。

最大的問題就是:

維修。

以前光模組壞了,只要抽出來換新的。

現在如果光模組就在 ASIC 旁邊……

工程師只能苦笑:

「不好意思,整台一起拆。」

除此之外:

  • 生產成本高
  • 封裝技術複雜
  • 散熱設計更困難
  • 良率要求極高

因此,目前仍主要應用於超大型 AI 資料中心。


XPO 為什麼開始受到重視?

近一年,越來越多交換機廠商開始討論 XPO。

原因很簡單。

不是 CPO 不好。

而是 CPO 太強,也太難。

XPO 希望取得一個平衡。

它保留可插拔模組,因此:

  • 維修容易
  • 升級方便
  • 更換成本低
  • 可沿用既有供應鏈

對雲端業者而言,這代表建置速度更快,也更符合實際營運需求。


XPO vs CPO 比較

比較項目                         XPOCPO
光模組位置                    外接可插拔                與交換 ASIC 共封裝
功耗                    較低                最低
延遲                    低                最低
訊號品質                    良好                最佳
維修性                    ★★★★★                ★★☆☆☆
升級彈性                     高                較低
製造難度                    中                非常高
成本                    較低               較高
散熱設計                    容易               困難
適合場景                    多數雲端資料中心               超大型 AI Cluster

投資人該注意什麼?

如果把 AI 比喻成高速公路。

GPU 是超跑。

HBM 是油箱。

交換 ASIC 是交流道。

那麼 CPO 與 XPO,就是決定這條高速公路會不會天天塞車的重要設計。

未來 AI 的競爭,不再只是誰的 GPU 最快,而是誰能用最低功耗,把最多資料送到正確的位置。

因此,交換晶片、高速 SerDes、光通訊、矽光子(Silicon Photonics)、封裝技術與散熱方案,都有機會成為 AI 下一波的重要受惠族群。

所以,下次看到有人說 AI 就只是「買 GPU」時,你可以笑著告訴他:

真正的高手,早就在研究 GPU 後面的那條高速公路了。畢竟,再快的超跑,遇到塞車也只能乖乖踩煞車。

2026年7月28日 星期二

當大家都在追 EUV,中國卻偷偷把 DUV 開到滿等:晶片界的「老車改裝」真的能追上超跑嗎? #DUV #EUV #半導體 #晶片製造 #曝光機 #光刻機 #ASML #中國半導體 #先進製程 #成熟製程 #AI晶片 #奈米製程 #科技新知 #半導體產業 #是德是瑞是克


 

最近市場一直流傳一個消息:「中國已經開始量產 DUV 設備了!」

很多人第一個反應都是:「不是都在講 EUV 嗎?DUV 是什麼?是不是比較舊、比較落後?」

如果把晶片製造比喻成印考卷,那今天我們就用最生活化的方式,聊聊 DUV 和 EUV 到底差在哪裡,以及為什麼大家明明都知道 EUV 比較厲害,中國還是拼命做 DUV。


DUV 是什麼?

DUV,全名 Deep Ultraviolet(深紫外光)

它是一種曝光技術,用來把晶片電路「印」到矽晶圓上。

可以把它想成一台超級高級的投影機。

工程師先把晶片設計畫在一片光罩(Mask)上,再利用特殊波長的紫外光,把圖案投射到晶圓。

就像以前老師用投影片上課,只是解析度高了幾千萬倍。

DUV 使用的光波長大約 193 奈米

聽起來已經很小,但問題來了。

現在 AI 晶片動不動就是 5 奈米、3 奈米、甚至 2 奈米。

193 奈米的光,怎麼印出只有幾奈米的線路?

答案就是——

硬拚。


DUV 怎麼印出小尺寸?

如果你拿一支超粗的麥克筆,要畫出像頭髮一樣細的線。

怎麼辦?

你不能換筆,只能一直遮、一點一點描、一層一層畫。

DUV 也是如此。

它需要大量使用:

  • 多重曝光(Multiple Patterning)
  • 多重蝕刻
  • 多次對位(Overlay)

原本一次能完成的事情,它可能要做三次、四次,甚至更多次。

就像本來拍一張照片就好,現在要拍十張再用 Photoshop 合成。

可以做到,但速度變慢、成本變高,而且失敗率也增加。


那 EUV 又是什麼?

EUV,全名 Extreme Ultraviolet(極紫外光)

最大的不同,就是它使用 13.5 奈米波長。

從 193 奈米直接縮小到 13.5 奈米。

等於拿放大鏡變成顯微鏡。

原本畫不出的細線,現在一次曝光就能完成。

這也是為什麼台積電、三星、Intel 都瘋狂投資 EUV。

因為它可以:

  • 更少曝光次數
  • 更高解析度
  • 更低成本(量產後)
  • 更好的良率

尤其 7 奈米以下製程,EUV 幾乎已經變成主角。


DUV 和 EUV 到底差在哪?

可以把它想成兩種拍照方式。

DUV 就像一支十年前的手機。

白天拍照其實也很好。

但晚上拍夜景,就得一直開 HDR、夜景模式、多張合成。

EUV 則像最新旗艦手機。

感光元件更大。

拍一次就成功。

速度快、畫質高,也不用一直修圖。

兩者都能拍出漂亮照片。

只是付出的代價不同。


為什麼中國還要拼命做 DUV?

原因很簡單。

因為 EUV 買不到。

目前全球唯一能大量生產 EUV 設備的公司,就是荷蘭的 ASML

而 EUV 因為出口限制,無法賣給中國。

既然最好的工具買不到。

那怎麼辦?

只好把手上的 DUV 用到極致。

就像不能買法拉利。

那就把 Toyota 改到可以跑賽道。

速度可能還差一點。

但至少可以比賽。


DUV 可以做到幾奈米?

很多人以為 DUV 只能做 28 奈米。

其實不是。

利用大量多重曝光。

DUV 理論上可以做到:

  • 28nm
  • 14nm
  • 10nm
  • 7nm

甚至市場認為,中國部分晶片已經利用 DUV 製造出接近 7 奈米產品。

只是代價非常高。

例如:

  • 曝光次數增加
  • 生產時間拉長
  • 良率下降
  • 成本提高

所以能做,不代表划算。


EUV 為什麼這麼難?

很多人以為只是把光變短。

其實事情遠比想像困難。

13.5 奈米光,幾乎會被所有材料吸收。

一般玻璃根本不能用。

因此 EUV 全部使用反射鏡。

而且不是普通鏡子。

每片鏡子要鍍上幾十層特殊材料。

表面誤差甚至不到原子大小。

如果放大到整個台灣。

鏡面高低起伏可能只有幾公分。

另外,EUV 光源本身更像科幻電影。

它不是燈泡。

而是每秒發射數萬滴錫(Sn)液滴,再用高功率雷射把它打成電漿,產生 13.5 奈米光源。

光是這套系統,就已經是一門博士論文等級。


DUV 就簡單嗎?

也完全不是。

DUV 同樣需要:

  • 超高精度光學系統
  • 奈米級定位平台
  • 高速控制系統
  • 極低震動環境
  • 超高潔淨度無塵室

曝光時,只要震動幾奈米。

印出來的線路可能全部歪掉。

想像有人叫你站在高速行駛的新幹線上,用原子筆在米粒上寫名字。

還不能寫錯。

大概就是這種難度。

所以即使 DUV 技術比 EUV 早很多年,它依然是全球最高難度設備之一。


中國量產 DUV,代表什麼?

如果市場消息屬實,代表中國半導體設備自主能力正在持續提升。

雖然距離 EUV 還有一段距離,但 DUV 本身就是成熟製程最重要的設備之一。

別忘了,全球其實有大量晶片仍使用:

  • 28 奈米
  • 40 奈米
  • 55 奈米
  • 90 奈米
  • 180 奈米

汽車晶片、工控晶片、家電、電源管理 IC、感測器等,很多都不需要最先進製程。

因此,只要 DUV 能穩定量產,就能降低對外依賴,並支撐不少成熟製程需求。


最後,真正重要的不是 DUV 或 EUV,而是整個生態系

很多人以為有了曝光機,就能做先進晶片。

其實曝光機只是其中一關。

後面還有光罩、光阻、蝕刻、薄膜沉積、離子佈植、量測、封裝、EDA 軟體,以及龐大的材料供應鏈。

晶片製造就像組一支世界冠軍球隊。

有明星前鋒很重要,但只有一個人,再厲害也踢不贏完整的十一人隊伍。

因此,中國如果真的能持續提升 DUV 技術,代表的是自主化往前跨了一步;但要真正追上全球最先進製程,仍需要光學、材料、設備、軟體與整個半導體生態系一起突破。

所以,下次再看到「中國量產 DUV」或「EUV 技術突破」的新聞,不妨把它想成兩條不同的賽道:一條是在成熟製程穩紮穩打,另一條則是在先進製程全力衝刺。誰能笑到最後,不只看一台曝光機,更要看整個產業鏈能不能一起跑完全程。

2026年7月27日 星期一

當光纖也開始討厭塞車:康寧 GlassBridge 到底是要取代 FAU,還是幫 FAU 找到新工作? #CPO #GlassBridge #康寧 #FAU #矽光子 #光通訊 #高速傳輸 #AI伺服器 #資料中心 #NVIDIA #AI產業 #半導體 #科技趨勢 #供應鏈分析 #是德是瑞是克

 



如果你最近一直在看 AI、CPO(Co-Packaged Optics,共封裝光學)新聞,一定很容易看到一個新名字  康寧(Corning)的 GlassBridge

不少人開始問:

GlassBridge 是什麼?

它是不是要把 FAU(Fiber Array Unit)淘汰掉?

那台灣做 FAU 的公司是不是要開始睡不好?

其實答案沒有那麼簡單。

今天就用一般人也能懂的方式,一次搞懂 GlassBridge 到底在玩什麼。


先了解 CPO 為什麼突然變明星

現在 AI 伺服器最大的問題,不是 GPU 不夠快。

而是 GPU 彼此講話太慢。

以前一台伺服器裡只有幾張 GPU。

現在 GB300、Rubin、甚至未來的平台,一台可能就是七十幾顆甚至更多。

大家同時聊天,就像上百人在同一個 LINE 群組一直傳語音。

如果高速公路不夠寬,再快的 GPU 也只能乾瞪眼。

因此大家開始把電訊號改成光訊號。

速度更快、耗電更低、距離更遠。

這就是近幾年 CPO 爆紅的原因。


FAU 到底是什麼?

FAU 全名 Fiber Array Unit。

可以把它想成:

一個超精密的光纖插座。

裡面有很多根光纖。

每一根都要對準晶片上的光學元件。

誤差可能只有幾微米。

甚至比人的頭髮還細。

只要偏一點點,

光就進不去。

所以 FAU 最重要的工作就是:

超高精度對光(Alignment)。

目前全球大量生產 CPO,

FAU 幾乎都是不可缺少的一部分。


那 GlassBridge 又是什麼?

GlassBridge 可以把它理解成:

玻璃版的高速交流道。

康寧利用特殊玻璃加工技術,

把原本需要很多材料組裝的結構,

直接做到一塊玻璃裡。

包括:

  • 光路
  • 微結構
  • 導光
  • 定位
  • 封裝基板

全部整合在同一塊玻璃。

玻璃最大的好處有三個。

第一:

尺寸穩定。

玻璃受熱膨脹很小。

AI 晶片每天都像暖爐一樣發熱。

如果材料一直熱脹冷縮,

光學對位就容易跑掉。

玻璃就穩定很多。

第二:

可以做得更精密。

康寧本來就是玻璃加工高手。

手機玻璃、光學玻璃做了幾十年。

現在只是把技術搬到 CPO。

第三:

可以大量製造。

以前很多零件要一個一個組。

GlassBridge 希望直接一次完成更多功能。

降低成本。


GlassBridge 能不能取代 FAU?

這也是大家最愛問的問題。

答案是:

短期內,不太可能。

原因很簡單。

GlassBridge 解決的是:

「玻璃平台怎麼做好?」

FAU 解決的是:

「光纖怎麼精準接上去?」

兩者負責的工作其實不同。

比較像:

GlassBridge 是道路。

FAU 是交流道。

沒有道路不行。

沒有交流道,

車子也開不上高速公路。


那未來呢?

未來比較可能出現的是:

GlassBridge + FAU。

也就是:

把玻璃平台做好。

再利用 FAU 完成最後的光纖耦合。

因此很多分析師認為,

GlassBridge 更像是在改善封裝架構,

而不是直接把 FAU 消滅。


康寧會自己做 FAU 嗎?

這倒是值得觀察。

康寧本身就是全球最大的光纖公司之一。

它本來就有:

  • 光纖
  • 光纜
  • 光學玻璃
  • 精密加工

如果未來再往 FAU 延伸,

技術上並不是做不到。

但截至目前公開資訊來看,

GlassBridge 的定位仍偏向玻璃光學平台,並非宣布完全取代既有 FAU 架構。

因此市場比較傾向認為:

GlassBridge 是增加新的零件,

不是拿掉原本所有零件。


台灣廠商會受到影響嗎?

答案要分成兩種情況。

第一種:只做傳統 FAU

如果產品完全沒有升級。

未來可能會有壓力。

因為客戶希望:

更小

更快

更便宜

更容易量產。

如果還停留在舊設計,

競爭力自然下降。


第二種:能跟 GlassBridge 整合

反而可能受惠。

因為 GlassBridge 不代表所有零件都自己做。

它還需要:

  • 精密組裝
  • 光纖加工
  • 光學量測
  • 雷射焊接
  • 主動對位
  • 封裝測試

這些仍需要整個供應鏈合作。

因此真正有能力升級技術的台灣廠商,

反而有機會接到更多訂單。


哪些台灣公司值得留意?

如果未來 CPO 持續放量,

市場可能持續關注:

  • 光纖元件
  • FAU
  • 光學封裝
  • 矽光子
  • 精密加工
  • 光學檢測
  • 光通訊模組

相關供應鏈仍具有發展機會。

真正需要擔心的,

不是 GlassBridge。

而是自己有沒有跟著 CPO 一起升級。


結論:GlassBridge 比較像「升級道路」,不是「拆掉交流道」

很多人看到 GlassBridge,

第一個反應就是:

「FAU 要失業了!」

但從目前技術發展來看,

比較合理的理解應該是:

GlassBridge 是把玻璃平台做到極致,

提升封裝效率、散熱與可靠性。

而 FAU 仍然負責最重要的光纖耦合與精密對位。

短時間內,兩者更可能是合作關係,而不是敵對關係

真正會改變產業的,不是某一項技術,而是誰能把所有技術整合成一套高良率、低成本、可量產的 CPO 解決方案。

所以,台灣供應鏈不用急著唱《最後一夜》,但也不能繼續躺著睡。AI 光通訊的高速列車已經開動,未來真正能留下來的,不一定是跑最快的人,而是最能跟著新平台一起升級的人。

畢竟,在 AI 時代,連光都開始內捲了,人還能不進化嗎?

2026年7月23日 星期四

當你的電腦還在用 0 和 1,量子電腦已經開始「我全都要」:它真的跟現在的電腦完全不同嗎? #量子電腦 #QuantumComputing #量子計算 #QuantumComputer #Qubit #量子位元 #超導量子電腦 #科技新知 #AI趨勢 #未來科技 #半導體 #科普知識 #電腦架構 #科技解說 #是德是瑞是克



如果把現在的電腦比喻成一位認真考試的學生,那麼量子電腦就像是一位考試時,能同時翻所有考卷、看所有答案,最後才決定交哪一張的人。

聽起來是不是很作弊?

別急,量子電腦(Quantum Computer)雖然很神奇,但它並不是一台「超快版 Windows 電腦」,更不是把 CPU 換成量子版 Intel 或 AMD 就結束了。它從底層架構、運算方式,到思考模式,都和現在的電腦完全不同。

我們現在使用的電腦是怎麼工作的?

你現在用來看這篇文章的電腦、手機,甚至智慧手錶,都屬於傳統電腦(Classical Computer)

它們最基本的單位叫做:

位元(Bit)

Bit 只有兩種狀態:

  • 0
  • 1

就像電燈只有:

或者像開關只有:

  • OFF
  • ON

CPU 每秒就是不停地操作這些 0 和 1,利用幾十億個電晶體完成所有運算。

無論是玩遊戲、剪影片、開 Excel,最後都會變成無數個 0 和 1 的排列組合。

所以今天的電腦,本質上就是:

一次只能處理一種狀態。

 

那量子電腦到底是什麼?

量子電腦(Quantum Computer)則完全建立在**量子力學(Quantum Mechanics)**之上。

它不是把 CPU 做得更快,而是直接改變「計算」的方法。

它使用的不是 Bit,而是:

量子位元(Qubit,Quantum Bit)

這就是整件事情最神奇的地方。

一般 Bit:

  • 只能是 0
  • 或只能是 1

但 Qubit 可以:

  • 是 0
  • 是 1
  • 同時是 0 和 1

很多人第一次聽到都會說:

「蛤?這不是精神分裂嗎?」

其實這叫做:

量子疊加(Superposition)

可以想像成:

一般硬幣放在桌上:

  • 正面
  • 反面

但量子硬幣像是在空中旋轉。

在落下之前,它不是正,也不是反,而是同時具有兩種可能。

這就是量子世界最不可思議的地方。


量子計算(Quantum Computing)到底厲害在哪?

假設有一把一千萬位數的密碼。

傳統電腦只能:

第一組……

第二組……

第三組……

慢慢試。

即使速度超快,本質上仍是一個一個檢查。

但量子計算利用:

  • 疊加(Superposition)
  • 糾纏(Entanglement)
  • 干涉(Interference)

可以讓許多可能性同時參與運算。

注意!

很多媒體會說:

「量子電腦一次算完所有答案。」

這其實有點誇張。

真正的情況比較像:

它可以同時探索大量可能性,再利用量子演算法,把正確答案的機率放大、錯誤答案的機率降低,因此在某些特定問題上,能比傳統電腦快非常多。

所以量子電腦不是萬能,而是非常擅長解決特定類型的問題


超導量子電腦是什麼?

目前世界上最熱門的一種量子電腦,就是:

超導量子電腦(Superconducting Quantum Computer)

像:

  • Google
  • IBM
  • Rigetti
  • IQM

都是走這條路。

它利用超導材料製作量子位元。

但有一個很大的問題……

它怕熱。

不是普通怕熱。

而是超級怕熱!

一般 CPU:

70°C

80°C

90°C

都還能工作。

但是超導量子電腦需要:

接近 -273°C。

沒錯。

就是接近絕對零度。

大約只有十幾毫開爾文(mK)。

比外太空還冷。

因此你看到 IBM 或 Google 的量子電腦照片,中間那個像金色吊燈的大傢伙,其實不是裝飾品,而是稀釋製冷機(Dilution Refrigerator),專門把量子晶片冷到幾乎沒有熱能,否則量子態很容易被外界干擾而失效。

所以有人開玩笑說:

「一般電腦吹風扇。」

「量子電腦直接住進冰箱。」


量子電腦是不是會取代現在的電腦?

答案:

短期內,不會。

原因很簡單。

量子電腦不是什麼都快。

例如:

你開:

  • Word
  • Excel
  • Photoshop
  • LOL
  • Steam

甚至刷影片。

量子電腦完全沒有優勢。

甚至可能比你的筆電還慢。

它真正厲害的是:

  • 新藥研發
  • 分子模擬
  • 材料科學
  • 最佳化問題
  • 密碼破解(特定演算法)
  • AI 某些模型加速
  • 金融風險分析

所以未來比較可能變成:

一般電腦負責日常工作。

真正需要超級運算時,再交給量子電腦處理。

就像今天:

不是每個人家裡都有超級電腦。

但是需要時,可以使用雲端運算中心。

未來量子電腦也可能走向類似模式。


傳統電腦 VS 量子電腦

項目傳統電腦量子電腦
基本單位      Bit(0 或 1)        Qubit(可同時具有 0 與 1 的量子態)
運算方式     邏輯電路        量子力學
工作環境     室溫即可        接近絕對零度(超導架構)
適合用途     文書、遊戲、影音、上網       科學研究、最佳化、密碼學、模擬
是否會取代彼此     不會      更可能互補合作


未來會人人都有一台量子電腦嗎?

大概……不太可能。

至少未來十幾年,很難看到有人把量子電腦放在客廳,旁邊還擺著 Wi-Fi 分享器。

原因很簡單。

它目前設備昂貴、維護困難,還需要極低溫環境,而且量子位元很容易受到外界干擾,錯誤率仍是工程上的重大挑戰。

更可能的發展是,你照樣使用 Windows、macOS 或手機,當需要執行特殊任務時,再透過雲端把工作送到量子電腦完成,就像今天使用雲端 AI 一樣。


結語:量子電腦不是更快,而是「想法完全不同」

很多人以為量子電腦只是「超高速電腦」,其實真正的差別,不是跑得更快,而是用完全不同的方式思考問題

傳統電腦像是一位耐心解題的學生,一題一題慢慢做;量子電腦則像是一群能同時探索許多可能性的研究團隊,在特定問題上展現驚人的效率。

因此,未來最有可能出現的世界,不是量子電腦取代所有電腦,而是形成「最佳拍檔」:傳統電腦負責日常工作,量子電腦則專攻那些連超級電腦都頭痛的難題。

畢竟,不是每位廚師都需要工業級烤箱,但當要一次烤出全世界最大的蛋糕時,你就知道該請誰出場了。

2026年7月15日 星期三

當台積電還在蓋 AI 高速公路,聯電已經開始鋪光纖?1.6T 矽光子量產,COUPE 與 UMC 路線誰比較香? #聯電 #台積電 #UMC #矽光子 #SiliconPhotonics #COUPE #CPO #光通訊 #AI晶片 #AI資料中心 #半導體 #晶圓代工 #科技趨勢 #AI投資 #是德是瑞是克



 最近半導體圈又冒出一則新聞,很多人第一眼看到可能只覺得:「哦,矽光子。」然後滑過去。

但如果你知道 AI 資料中心現在最大的問題不是 GPU 不夠,而是GPU 彼此聊天太慢,你就知道這件事其實很有意思。

因為聯電(UMC)與新加坡 SILITH 宣布,在短短 18 個月內,成功完成第一批 1.6T 矽光子(Silicon Photonics)晶圓量產交付

不少人立刻開始問:

「這是不是代表聯電要挑戰台積電?」

先別急。

這比較像是兩家餐廳都在做牛肉麵,但一家主打日本和牛,一家主打CP值神級牛肉麵。

都是牛肉麵,但根本不是同一種打法。


為什麼 AI 現在突然迷上矽光子?

以前資料中心最大的成本是 CPU。

後來變成 GPU。

現在又開始變成另一件事……

資料搬運。

一顆 GPU 每秒要跟其他 GPU 傳送數 TB 的資料。

速度越快,AI 訓練越有效率。

如果還靠傳統銅線,就像:

Ferrari 在高速公路上,結果前面塞了一排腳踏車。

GPU 再快也沒用。

因此近兩年大家開始瘋狂投入:

  • 光通訊
  • CPO(Co-Packaged Optics)
  • 矽光子
  • 光電整合

目的只有一個:

把電子變成光。

因為光不怕距離、不容易發熱、頻寬更高。


聯電這次做了什麼?

這次聯電與 SILITH 完成的是:

1.6T Silicon Photonics Platform。

注意,它不是一顆完整交換器。

也不是 AI GPU。

而是一個能夠大量生產的矽光子平台

裡面整合了:

  • 光波導(Waveguide)
  • 光調變器(Modulator)
  • 光耦合器(Coupler)
  • 光檢測器(Photodetector)

簡單說,就是把很多光學元件直接做在晶圓上。

之後客戶可以依需求再整合雷射、封裝等等。

最大的重點不是速度。

而是:

可以量產。

很多技術都能在實驗室跑。

真正困難的是:

做一百萬片,良率還要漂亮。

聯電現在證明了一件事:

「我做得到。」


那台積電 COUPE 又是什麼?

很多人看到矽光子,就想到台積電。

因為最近最紅的就是:

COUPE(Compact Universal Photonic Engine)

名字很帥。

但它不是一個新的電晶體製程。

它比較像:

一套完整的光電整合平台。

它最大的特色是:

把:

  • GPU
  • 光引擎
  • 光學元件
  • CoWoS
  • SoIC
  • CPO

全部整合在一起。

意思就是:

不是只有做光。

而是直接把整座 AI 高速公路一起蓋好。


兩者最大的不同在哪?

如果用蓋房子來比喻。

聯電

像是做出品質非常好的鋼筋、水泥。

很多建商都能拿去蓋房子。

重點在:

「我有成熟製程。」


台積電

比較像:

直接幫你蓋整棟智慧豪宅。

還順便把:

  • 電梯
  • 網路
  • 太陽能
  • 停車場

全部一起做好。

所以 COUPE 的價值並不是只有矽光子。

而是整體 AI 封裝能力。


技術可以直接比較嗎?

答案其實是:

不能直接比。

因為定位不同。

聯電

優勢:

✔ 成熟製程(成熟節點)
✔ 成本低
✔ 良率高
✔ 容易大量供貨

比較像 ODM。


台積電

優勢:

✔ 最先進封裝
✔ CoWoS 生態系
✔ SoIC
✔ CPO 整合能力
✔ 與 NVIDIA、AMD 等 AI 客戶深度合作

比較像 Apple 等級的整合方案。


那誰比較先進?

如果單看:

矽光子平台。

聯電這次確實很厲害。

因為成功跨進量產。

但是如果談:

整個 AI 光互連平台。

目前市場仍普遍認為:

台積電走得更前面。

原因不是因為它光學比較強。

而是:

它可以把所有東西整合。

今天 AI 客戶最怕的是:

不是沒有光。

而是:

光、GPU、HBM、封裝全部接不起來。

而這正是台積電最大的優勢。


聯電真的沒有機會嗎?

倒也不是。

AI 市場未來可能需要:

數百萬顆甚至上千萬顆光引擎。

不是每個客戶都需要最頂規方案。

很多交換器、電信設備、資料中心、企業網路,更重視的是:

便宜、穩定、可靠。

這正好就是聯電最擅長的地方。

因此未來市場很可能形成:

  • 台積電主攻最高階 AI 光電整合
  • 聯電切入成熟、大量、成本導向市場

兩家公司未必是正面對決,更可能是各自吃不同的市場。


最後想說

以前半導體比的是:

誰的電晶體比較小。

現在開始比的是:

誰能讓光跑得比較快。

聯電這次量產,代表成熟製程也能切進 AI 光通訊市場。

而台積電則利用 COUPE、CoWoS、SoIC 等完整生態系,打造從晶片到封裝再到光互連的一條龍方案。

所以如果一定要一句話總結:

聯電像是在打造一條又便宜又可靠的高速公路;台積電則是在規劃整座 AI 未來城市。

最後,AI 世界最有趣的地方就是:

以前大家拼的是「算得快」。

現在真正決勝負的,可能變成:

「誰家的光,比塞車的電子跑得更快!」

2026年7月12日 星期日

大家都在做 CPO,結果卡關的竟然不是光,而是「考試」!矽光子檢測到底有多難? #CPO #矽光子 #光通訊 #共同封裝光學 #AI基礎建設 #AI晶片 #半導體 #先進封裝 #晶片測試 #光學檢測 #資料中心 #高速運算 #台積電 #科技投資 #是德是瑞是克

 



最近科技圈最熱門的三個字母,大概不是 KPI,也不是 ETF,而是——CPO(Co-Packaged Optics,共封裝光學)

簡單講,它就是把「光通訊模組」直接搬進 AI 晶片或交換器旁邊住。以前資料走銅線,現在改走光纖,就像把巷口摩托車升級成高鐵,速度快很多、耗電少很多。

但問題來了:高鐵蓋好了,不代表驗收容易啊!

現在業界真正頭痛的,不是「做不出 CPO」,而是——怎麼測它,而且還要測得快、測得準、測得便宜。

為什麼 CPO 檢測特別難?

傳統晶片測試很像量體溫:探針一碰,電流一跑,數據就出來了。

但 CPO 不只會「用電」,它還會「發光、收光、調光」。於是工程師突然多了半套光學實驗室的工作。根據 TrendForce 與 SemiEngineering 的整理,CPO 至少要經過四關測試:

CPO 四大考試關卡

量產關鍵

PIC 晶圓測試

第一關

量光功率、插入損耗、暗電流,確認光路沒歪掉。

EIC+PIC 聯測

第二關

測調變器、接收器、高速訊號與 S 參數,確認電光協同工作。

KGD/Burn‑in 篩選

最花時間

先把容易早夭的晶粒淘汰,否則封裝後壞掉等於把整桌麻將推倒重來。

封裝後最終測試+系統測試

終極驗收

光纖接上後跑高速流量,確認真機運作沒問題。

看到這裡你會發現:它根本不是在測一顆晶片,而是在測一台「會發光的小型通訊設備」。

那到底容易嗎?

一句話:不容易,而且比傳統 IC 測試慢很多。

原因有三個:

  • 光纖對位超龜毛:電探針碰到 Pad 還能有點誤差,但光纖偏個幾微米,訊號就掉光了。封裝時還得做到亞微米級對準。

  • 不能只看電,還要看光:每測一次都要同時量電壓、電流、光功率、波長、眼圖,儀器比一般 IC 測試站貴得多。

  • 溫度會鬧脾氣:光學元件對溫度非常敏感,很多測試得在不同溫度下重跑。AI 交換器旁邊又超熱,熱漂移是大魔王。

會很花時間嗎?

如果一般 IC 測試像超商結帳,CPO 測試比較像:

「先量身高 → 再驗視力 → 再做心電圖 → 最後跑馬拉松。」

業界普遍認為,矽光子/CPO 的晶圓測試時間是傳統純電性測試的數倍以上,而且目前最大的瓶頸就在「晶圓級光學測試(on-wafer test)」。AI 需求暴增後,這一步甚至被點名為量產卡點。

換句話說:現在不是工廠做不出晶片,而是測試機台來不及幫它們考試。

還有哪些專業重點?

三個投資人值得記住的關鍵字

OWAT(光學晶圓測試)

最紅

在晶圓還沒切割前先測光學性能,避免把壞晶粒封進昂貴 CPO。這是目前最熱門的設備戰場。

WLBI(晶圓級燒機)

可靠度

讓光學晶片先高溫高壓跑一段時間,把早夭品提前淘汰。AI 光互連開始大量導入。

校準(Calibration)

隱形工時

很多矽光子元件出廠後還要調相位、調波長,測試不只是驗收,還包含「調音」。

台灣有哪些公司跟 CPO 檢測有關?

這裡要分成「直接做測試設備/檢測方案」與「做 CPO 封裝量測相關」兩類。

公司

角色

旺矽

     台灣目前最明確的矽光子晶圓測試設備供應商,已有 SiPh on‑wafer 測試平台。

日月光投控

     先進封裝與 CPO 整合的重要玩家,也投入相關測試與系統驗證。

台積電

     COUPE 光電共封裝平台推進者,測試需求會帶動整條供應鏈。

精測

     高速探針卡與先進封裝測試能力,可望受惠 CPO 高速測試需求。

穎崴

      高頻高速測試座與 Burn‑in 介面供應商,屬潛在受惠族群。

是方電訊

     不是做測試設備,但積極布局 AI 資料中心光通訊生態,可視為下游需求觀察指       標。

如果只挑一間「最純的 CPO 檢測概念股」,目前市場普遍第一個想到的還是:旺矽(MPI)。因為它已公開展示矽光子晶圓級測試平台,而且直接對準 CPO/SiPh 的量產需求。

一句話總結

大家現在都在討論 CPO,好像光纖一插 AI 就會起飛;但真正讓工程師熬夜的,往往不是「光跑得夠不夠快」,而是「這顆會發光的晶片到底有沒有考試及格」。

CPO 的難點正在從設計轉向測試。 未來誰能把光學晶圓測試做得更快、更準、更便宜,誰就可能成為 AI 光互連時代真正悶聲發財的角色。而在台灣,旺矽、日月光、精測、穎崴等公司,正站在這場「光速考場」的第一排。

畢竟 AI 晶片再強,也得先通過期末考,才能畢業進資料中心啊! 😄

2026年7月9日 星期四

當 HBM 還在住豪宅,SPHBM4 已經搬進高級公寓?AI 記憶體大降價計畫:砍掉 75% 引腳、不用矽中介層,速度反而飆 300%! #AI #AI晶片 #SPHBM4 #HBM #HBM4 #記憶體 #半導體 #JEDEC #先進封裝 #CoWoS #人工智慧 #NVIDIA #AMD #科技新知 #是德是瑞是克

 



AI 晶片最近就像房價一樣,大家都知道很貴,但真正貴的地方,不一定是 GPU。

很多人以為 NVIDIA 最貴,其實現在不少 AI 加速器真正卡住的,是旁邊那幾顆 HBM(High Bandwidth Memory,高頻寬記憶體)。

因為不是有錢就能買得到,而是封裝根本排不到。

就在大家還在想怎麼增加 CoWoS 產能時,JEDEC 最近正式發布了一個全新的標準──SPHBM4(JESD330-4)

很多人第一眼看到:

「又是 HBM4?」

其實不是。

它不是 HBM4 的下一代,而是另一條全新的高速記憶體路線。


SPHBM4 是什麼?

如果把 HBM 比喻成豪宅,

那 SPHBM4 就像是:

不用住信義帝寶,也能享受九成豪宅生活。

它最大的概念只有一句話:

不用超豪華封裝,也能擁有 HBM 等級的頻寬。

過去 HBM 必須依靠:

  • 矽中介層(Silicon Interposer)
  • 幾千個超細微凸塊(Micro Bump)
  • 超高密度封裝
  • CoWoS

因此每顆 GPU 就像在蓋豪宅。

豪宅不是不好,

而是:

很貴,而且施工隊永遠不夠。


SPHBM4 到底改了什麼?

最大的改變就是:

1. 引腳直接砍掉 75%

HBM4:

2048-bit 超寬介面。

SPHBM4:

只有 512-bit

整整少了 75%

很多人看到這裡一定會說:

「蛤?線變少不是會變慢?」

正常來說是。

但是 SPHBM4 用了另一種方法。


少走四條路,改開四倍快

以前 HBM 的概念像這樣:

有 2048 條雙向車道。

每條不用開很快。

所以總流量很高。

SPHBM4 則變成:

只有 512 條車道,

但是:

每條都變成高速公路。

資料傳輸速度提高到約 32Gbps,大約是原本 HBM4 外部介面的四倍,因此即使線少了許多,整體頻寬仍可接近 HBM4 水準。

所以新聞才會說:

速度提升約 300%。

注意,

這不是 DRAM 本身變快。

而是:

每條資料線跑得更快。


最重要的一刀:不用矽中介層

真正讓整個半導體圈眼睛一亮的是:

SPHBM4 可以不用 Silicon Interposer。

這代表:

以前 GPU 和 HBM 必須黏得超近。

現在可以拉開到約 20mm 的距離。

改採一般有機基板(Organic Substrate)即可。

這件事的重要性,比很多人想像還大。

因為目前 AI 晶片最大的瓶頸不是晶片。

而是:

封裝。


可以提高良率嗎?

答案:

有機會,而且非常合理。

原因很簡單。

以前 CoWoS 要求:

  • 超高密度佈線
  • 超小間距
  • 巨大的矽中介層
  • 微凸塊大量焊接

只要其中一個地方失敗,

整顆封裝就可能報廢。

SPHBM4 因為:

  • 引腳變少
  • 間距變大
  • 基板比較容易製造

因此:

製程容忍度自然提高。

封裝流程也相對簡化。

雖然 JEDEC 並沒有直接宣稱「良率提高多少」,但整體封裝難度下降,通常有助於提升量產良率並降低製造風險。


可以降低成本嗎?

答案:

非常有機會。

目前 HBM 最大成本之一,其實不是 DRAM。

而是:

  • CoWoS
  • 矽中介層
  • 高階封裝

如果改用:

一般有機基板,

整體封裝成本有望大幅下降,同時也減少對先進封裝產能的依賴。

所以很多分析師都認為:

SPHBM4 真正解決的不是記憶體,

而是:

AI 晶片太貴。


那它跟 Intel 的 XBM 一樣嗎?

很多人看到新聞會問:

「這不是 Intel 前陣子提出的 XBM?」

答案:

有點像,但不是同一件事。

兩者共同目標都是:

把 HBM 從昂貴的豪宅搬到比較便宜的社區。

共同理念包括:

✔ 減少引腳數量

✔ 提高單條線速度

✔ 不依賴矽中介層

✔ 降低封裝成本

✔ 緩解先進封裝瓶頸

但最大的差別在於:

XBM 是 Intel 提出的架構概念。

而 SPHBM4:

已經變成 JEDEC 正式公布的產業標準。

意思就是:

三星、SK hynix、美光、AMD、NVIDIA、ASIC 廠商未來都能依照同一套規格設計產品,不再只是單一公司的構想。


SPHBM4 會取代 HBM 嗎?

我認為:

不會。

比較像:

以前大家都開法拉利。

現在多了一台性能很強的 Lexus。

頂級 AI GPU:

還是可能繼續採用最完整的 HBM4。

但是:

許多 AI 推論晶片、中階 AI Accelerator、企業 AI 伺服器,甚至未來部分 AI PC,都可能更適合使用 SPHBM4。

它不是追求最極致。

而是:

追求最高 CP 值。


結語:AI 時代,最值錢的不只是晶片,而是「怎麼把晶片組起來」

過去大家都把焦點放在:

GPU 多快、

HBM 多大、

CUDA 多強。

但真正限制 AI 爆發的,反而是那些平常不太被注意的封裝技術。

SPHBM4 的出現,不是讓記憶體突然變神,而是提供了一條更務實的道路:用更少的引腳、更簡單的封裝、更低的成本,換來接近 HBM4 的高頻寬。

未來 AI 晶片的競爭,或許不再只是誰的 GPU 算得最快,而是誰能用合理成本,把更多 AI 晶片穩定做出來。

畢竟,AI 世界有句新的生存法則:

不是最貴的記憶體最厲害,而是能準時交貨、價格合理的記憶體,才是真正的王者。

2026年7月8日 星期三

當 HBM 還在搭高鐵,Intel 卻直接蓋地下捷運?XBM 登場:AI 記憶體要變便宜了嗎? #AI #Intel #XBM #HBM #AI晶片 #高頻寬記憶體 #半導體 #GPU #AI資料中心 #記憶體技術 #晶片設計 #科技新知 #投資理財 #美股投資 #是德是瑞是克

 



如果把 AI GPU 比喻成世界最快的跑車,那麼現在最大的問題其實不是引擎,而是加油站。

NVIDIA、AMD、Google 的 AI 晶片越做越快,但資料卻常常跟不上,因此近幾年 HBM(High Bandwidth Memory,高頻寬記憶體)成了 AI 世界最熱門的明星。

問題是……

HBM 很快,也很貴。

現在甚至不少 AI GPU,不是 GPU 做不出來,而是 HBM 數量不夠、封裝太困難、成本太高。

就在這個時候,Intel 一份最新公開的專利,讓大家眼睛一亮。

它就是 Cross-Batch Memory(XBM)


XBM 到底是什麼?

根據 Intel 於 2026 年 7 月公開的專利,XBM 是一種全新的超高頻寬記憶體架構,希望解決目前 HBM 最痛的幾個問題。

目前的 HBM 大概長這樣:

GPU ↔ 矽中介層(Silicon Interposer)↔ HBM

看起來很合理,但真正昂貴的就是中間這片「矽中介層」。

它就像一座超大的高架橋,要把數千條超高速訊號全部接起來。

橋越大、施工越難、成本越高。

Intel 的想法則完全不同:

既然橋那麼貴,那乾脆不要橋。


Intel 怎麼做到?

XBM 最大的特色,就是把原本需要超寬匯流排傳輸的方式,改成高速序列傳輸。

它利用 UCIe(Universal Chiplet Interconnect Express) 作為高速互連,不再依賴超大的矽中介層,而是透過 Base Die 將資料高速序列化傳輸。

除此之外,Intel 還提出幾項重要設計:

  • 使用 Backend Transistor(BEOL)建立新的 DRAM 結構
  • 保留 TSV 堆疊技術
  • 加入大量備援記憶體
  • 內建 BISR(Built-In Self Repair)自我修復機制
  • 採用更容易封裝的 Memory-on-Package 架構

可以說,它不是「HBM Plus」,而是重新思考整個 AI 記憶體的設計方式。


XBM 能改善什麼?

1. 大幅降低封裝難度

目前 HBM 最大的成本之一,就是矽中介層。

它需要非常大的晶圓面積。

任何一點缺陷,都可能讓整片報廢。

XBM 改採高速序列介面之後,可以省去大型 Interposer。

代表:

  • 封裝更簡單
  • 良率更容易提升
  • 生產速度更快

這也是 Intel 最想解決的問題之一。


2. 成本有機會下降

很多人以為 HBM 貴,是因為 DRAM 很貴。

其實不完全是。

真正昂貴的是:

  • CoWoS 封裝
  • 矽中介層
  • 超高密度布線
  • 巨大的封裝尺寸

如果 XBM 能取消其中最昂貴的一部分,

整體封裝成本就有機會下降。

不過,目前仍只是專利,實際能便宜多少,還需要等產品驗證。


3. 有機會提升良率

答案是:

有可能,而且這正是 Intel 強調的重點之一。

XBM 在 Base Die 加入:

  • 備援通道
  • 備援記憶體
  • 自我修復(BISR)

假設其中某顆 DRAM 有小缺陷,

系統可以直接切換到備援區。

這有點像:

原本考試少一題直接零分。

現在老師說:

「沒關係,我給你補考。」

自然良率就可能提高。


4. AI 可以吃到更多資料

AI 最大瓶頸不是 GPU 不夠快。

而是 GPU 常常在等資料。

如果記憶體頻寬更高,

GPU 就能少發呆、多工作。

這也是整個 AI 產業一直在追求 HBM4、HBM4E 的原因。

XBM 就是希望用另一條路,達到甚至超越目前 HBM 的效果。


那 XBM 會取代 HBM 嗎?

先別急著替 HBM 辦退休派對。

目前 XBM 還只是專利。

距離真正產品還有很長一段路。

此外,Intel 採用的 Backend Transistor DRAM,目前仍沒有量產經驗,高速 UCIe 介面的實際效能、功耗與可靠度,也需要經過大量驗證。

所以短期內:

HBM4、HBM4E 仍然會是市場主流。


對投資人代表什麼?

如果未來 XBM 成功量產,

受影響最大的,可能不是 GPU。

而是整個 AI 記憶體供應鏈。

目前 HBM 幾乎由三大記憶體廠主導,

而封裝則高度依賴 CoWoS 與矽中介層。

如果 Intel 真的找到更低成本、更高良率的新架構,

未來 AI 記憶體市場就可能多出另一條技術路線。

當然,

專利不等於產品。

Intel 過去也有不少很有創意的技術,例如 Optane,最後未能成為市場主流,因此 XBM 能否真正量產,仍有不少變數。


德瑞克觀點

AI 時代最大的瓶頸,早就不是 GPU 算得夠不夠快,而是「資料能不能準時送到」。

Intel 的 XBM,真正想解決的不是把記憶體再加快 5%,而是重新設計整條高速公路,讓資料不用再塞車。

如果成功,它可能讓 AI 晶片變得更便宜、更容易製造,也有機會提升封裝良率,甚至降低整體成本;如果失敗,它也至少證明了一件事——大家都知道,HBM 已經快貴到像精品包,不找新路真的不行。

未來 AI 的勝負,也許不只是誰的 GPU 最快,而是誰能最快、最便宜地把資料送到 GPU 手上。畢竟,再厲害的天才,如果早餐一直送不到,也只能餓著肚子發呆。

2026年7月6日 星期一

當 GPU 每天都在等資料:AI 世界最努力工作的,竟然不是 NVIDIA,而是記憶體?HBM、HBF、HBS 下一場革命來了! #AI #人工智慧 #HBM #HBF #HBS #GPU #NVIDIA #記憶體 #半導體 #AI投資 #科技趨勢 #晶片產業 #資料中心 #AI基礎建設 #是德是瑞是克

 



過去兩年,只要提到 AI,大家第一個想到的大概都是 NVIDIA 的 GPU。

彷彿只要 GPU 越多,AI 就越聰明。

但如果把 AI 電腦比喻成一家餐廳,你可能會發現一件很有趣的事情。

GPU根本不是一直在炒菜的大廚,它比較像是一位站在瓦斯爐前,雙手插腰,不停喊著:

「我的食材到底送來了沒?」

最近,被稱為「HBM之父」的韓國KAIST教授金正浩,就提出了一個震撼整個科技圈的觀點。

100萬顆GPU,真正工作的時間可能只有10%。

第一次看到這句話,我還以為是哪個酸民在留言區反串。

結果,這竟然是長年研究HBM的專家所提出的分析。

GPU真的只有10%時間在工作?

很多人以為ChatGPT回答一句話,就是GPU一路瘋狂運算。

其實真正流程比較像這樣:

  1. 去HBM找資料。
  2. GPU開始運算。
  3. 再把結果寫回HBM。
  4. 下一個Token再重複一次。

問題就在於……

GPU算很快,但搬資料沒那麼快。

就像你請了一位世界最快的廚師。

結果外送員每五分鐘才送一根蔥進來。

廚師只能站在那裡發呆。

所以不是GPU不努力,而是在等待食材。

金正浩表示,真正耗費時間的是「讀取資料」與「寫回資料」,GPU真正計算的時間反而只占少數,即使透過演算法改善,利用率也很難超過30%。

也因此,他提出一句非常有意思的公式:

AI = Memory(AI就是記憶體)


為什麼AI愈來愈需要記憶體?

以前的大型AI模型,大部分時間都在「訓練」。

那時候GPU算力就是王道。

但現在不同了。

大家每天都在:

  • 問ChatGPT
  • 問Copilot
  • 問Gemini
  • 問Claude

AI開始大量進入「推理(Inference)」時代。

推理不像訓練一直重複計算,而是不停讀資料、找資料、再寫資料。

如果把GPU比成一級方程式賽車。

那HBM就是高速公路。

高速公路只有兩線道,再快的跑車也只能塞車。

所以近幾年大家一直看到HBM供不應求,不是沒有原因。

因為真正限制AI速度的,開始不是GPU,而是記憶體頻寬。


那HBM之後還有什麼?

這也是金正浩訪談最有趣的地方。

他認為HBM並不是終點。

未來還有兩位新角色準備登場。

第一位:HBF(High Bandwidth Flash)

目前HBM使用的是DRAM。

速度快。

但是容量有限,而且成本非常高。

HBF則是利用NAND Flash打造。

簡單來說。

如果HBM像你的電腦RAM。

那HBF就比較像SSD。

速度沒有HBM快。

但是容量可以做得超大。

未來AI Agent需要閱讀:

  • 幾百本PDF
  • 數萬頁文件
  • 一整年的影片
  • 整家公司資料庫

這些資料根本放不進HBM。

所以HBF就是AI的大型倉庫。

金正浩甚至預測,未來十年HBF市場規模可能超越HBM,因為AI推理需要的不只是速度,更需要龐大的資料容量。


第二位:HBS(High Bandwidth Storage)

如果HBF是大型圖書館。

那HBS更像整座國家圖書館。

概念就是把:

GPU

HBM

HBF

甚至儲存裝置

全部利用3D堆疊方式整合。

金正浩甚至形容未來AI晶片會像一棟100層摩天大樓

GPU不再位於中心,而是放在最上層方便散熱。

下面則是一層又一層的HBM、HBF與儲存架構,讓資料能以更短距離流動,大幅降低等待時間。

這聽起來很科幻。

但回頭想想。

十年前誰會相信今天一張AI顯示卡要價數十萬元?

科技總是比小說跑得快。


這對投資人有什麼啟發?

很多人現在只盯著GPU。

但如果金正浩的判斷方向正確。

未來真正受惠的,可能不只是GPU公司。

而是整個記憶體產業鏈。

包括:

  • HBM供應商
  • DRAM製造商
  • NAND Flash廠商
  • 先進封裝技術
  • 晶圓堆疊技術
  • CoWoS與3D封裝
  • 高速互連技術

未來AI競賽,很可能從「誰算得快」,變成「誰搬資料最快」。

就像高速公路再怎麼塞車,你買再好的跑車,也跑不出時速300公里。


最後,真正的AI瓶頸可能不是GPU

這次訪談最值得思考的,其實不是「GPU只有10%利用率」這個數字。

而是它提醒了大家一件事:

每一波科技革命,都會有新的瓶頸。

CPU時代,比的是運算能力。

手機時代,比的是低功耗。

而AI時代,比的可能是資料搬運效率

GPU依然重要,但它不再是唯一的主角。

真正決定AI未來高度的,可能是那些過去總被當成配角的記憶體技術。

也許幾年後,我們回頭看2026年的AI產業,會發現這是一個重要轉折點。

因為大家終於開始理解:

AI不是只有會思考的大腦,更需要一個超高速、超大容量,而且永遠不會塞車的記憶體。

畢竟,再厲害的天才,如果每回答一句話都得翻半小時的資料,也只能默默坐在旁邊,等著下一份「食材」送上門。

當 CoreWeave 的 GPU 開始「吃到撐」:營收暴增 24%,資本支出卻像開了氮氣加速器! #CoreWeave #AI #GPU #AI資料中心 #AI算力 #人工智慧 #AI基礎建設 #雲端運算 #科技股 #美股 #AI投資 #資本支出 #半導體 #NVIDIA #投資理財 #是德是瑞是克

  如果你以為 AI 產業的成長,就是大家買幾張 GPU、開幾台伺服器,那 CoreWeave 第二季財報可能會讓你重新認識「AI 到底有多燒錢」。 CoreWeave(NASDAQ:CRWV)在 2026 年第二季交出一份相當有戲的成績單:營收創新高、AI 雲端需求持續爆發,營...