AI資料中心的瓶頸正從運算能力延伸至資料傳輸。面對PCIe 6.0/7.0與CXL的頻寬、延遲及距離挑戰，艾邁斯歐司朗提出microLED「低速寬通道」光互連架構，透過大規模並行傳輸，提升頻寬密度、降低功耗與成本，並以冗餘通道強化可靠性。結合車用技術經驗，未來可望拓展至晶片、記憶體及AI資料中心互連應用。
AI算力持續提升，資料中心的競爭焦點也從運算能力延伸至資料傳輸。當GPU、NPU效能不斷提高，若互連頻寬無法跟上，運算資源就難以充分發揮。
「現在的GPU、NPU資料處理能力已經非常高，如果資料傳輸跟不上，運算能力再強也沒有辦法完全發揮。」艾邁斯歐司朗（ams OSRAM）光互聯首席工程師趙自皓指出，互連架構必須隨AI運算走向高度平行而演進。
從「更快」轉向「更寬」
目前高速光互連主流採取Fast-and-Narrow策略，持續提高單一通道的傳輸速率。然而，單通道越快，對功耗、散熱、訊號完整性、封裝及驅動電路的要求也越高。
對此，艾邁斯歐司朗提出Slow-and-Wide思維，透過更多條相對低速的通道，累積更高的總頻寬，並以2D Photonics Engine探索高度平行的光互連架構，應用涵蓋Scale-Up、Scale-In、Intra-rack、Intra-row及Chip-to-Chip。
這項策略的核心，是將互連競爭從單一元件效能轉向系統效率，評估指標除了Gbps，也包括pJ/bit、頻寬密度、延遲、封裝複雜度與可靠性。
AI資料高度平行，互連也應平行化
GPU擁有大量運算核心，HBM則採用高度平行的記憶體架構，AI工作負載天然具有大量平行資料流。傳統互連卻往往透過SerDes將資料序列化，再以高速傳輸。
「既然AI的資料本來就是Parallel，為什麼我們一定要把它變成Serial，然後再想辦法把Serial做得非常快？」趙自皓表示。
艾邁斯歐司朗認為，透過大量平行通道分擔資料流，有機會降低單一高速鏈路的設計壓力。趙自皓強調：「我比較在意的是系統最後到底花多少功耗，才能把一個Byte送到目的地。」
因此，未來互連競爭不只是提高Gbps，更在於如何以較低功耗與整體成本搬運更多資料。
microLED的優勢在於大規模整合
短距離與成本敏感的應用中，銅線仍具成本及整合優勢；但隨傳輸距離與速率提高，訊號損耗、功耗、訊號調理及散熱問題也會加劇。艾邁斯歐司朗因此主張，互連選擇應從電源、散熱、機櫃功率及整體TCO評估，而非只比較元件成本。
這也是公司探索microLED光互連的原因。其吸引力不只在單一Emitter（發射器）的功耗，更在於尺寸小、可大量整合，適合高度平行的架構。「如果今天只需要一個Emitter，microLED不一定有什麼特別；但如果今天需要幾百個、幾千個Emitter，事情就不一樣了。」趙自皓說。
艾邁斯歐司朗過去在車用照明累積的EVIYOS經驗，提供大量microLED整合、控制與可靠性驗證的基礎。單一EVIYOS晶片最多可整合25,600個可獨立控制的microLED像素。
microLED本身已經具備量產能力，且在車用市場完成了實際驗證。不過，應用到資料中心的光學互連，相關技術仍然需要持續發展。資料通訊仍須解決晶片分離、基板整合、光纖或光波導耦合，以及高速驅動與封裝等問題。車用照明經驗可提供部分技術基礎，但不能直接等同於資料通訊能力。
3 Gbit/s不是終點，Scaling才是關鍵
艾邁斯歐司朗公布的microLED光互連測試，在約10公尺完整鏈路下，單通道速度達3.0 Gbit/s以上，能耗低於2 pJ/bit，BER低於10⁻¹⁵。
相較於現有高速光互連，3 Gbit/s並非單通道速度的領先水準，但Slow-and-Wide本就不以單Lane速率為主要目標。
「我們不是想證明一顆microLED可以跑到多快。」趙自皓表示，真正需要驗證的是，單一Emitter能否在相對低速下運作，再透過大量複製擴充整體頻寬。
大量平行通道也可能帶來備援優勢。相較於高度依賴單一高速鏈路的架構，多通道系統有機會在部分Lane故障時維持運作，提高容錯能力。
從光模組走向光進入封裝
從矽光子、CPO到Optical I/O，產業正將光源與光學元件逐步靠近運算核心。艾邁斯歐司朗預期，光互連將從機櫃內傳輸延伸至Chip-to-Chip，並進一步與2.5D、3D異質整合封裝共同設計。
「光源一定會越來越靠近Compute。」趙自皓指出，當光學元件成為封裝與運算架構的一部分，互連就不再只是外加介面。
艾邁斯歐司朗並未將microLED定位為取代雷射的單一答案。Fast-and-Narrow仍適用於需要極高單通道速率的場景；Slow-and-Wide則有機會在高密度、低功耗及高度平行的AI資料傳輸中發揮優勢。
未來值得關注的，不只是microLED能否達到更高速度，而是能否以合理成本、足夠密度與長期可靠性，整合數百甚至數千個Emitter。當AI運算持續走向高度平行，資料搬運是否也能透過更多通道，以更低能耗、更高密度及更好的容錯能力共同完成，將是下一代AI互連的重要課題。