光學架構整合主流 AI 工具的最大挑戰，在於如何將「光電融合」的物理特性轉化為軟體可調度的資源。目前 AI 生態如 CUDA 或 XLA 需處理大規模 GPU 協作，軟體層必須能自動化管理光學互連帶來的低延遲與高頻寬，並解決統一記憶體空間的存取調度。此外，隨著 CPO 技術普及，編譯器需具備跨架構的抽象化能力，讓開發者無需處理底層光學元件的複雜性，才能在維持效能的同時，降低從傳統電性互連轉向光學架構的技術門檻與生態轉換成本。
解鎖更多問題
科技新報粉絲團
加入好友
訂閱免費電子報