Mae deallusrwydd artiffisial a cheblau ffibr optegol yn dibynnu ar ei gilydd yn fwy nag y mae'r rhan fwyaf o bobl yn y diwydiant telathrebu yn ei sylweddoli. Ni all systemau AI weithredu heb y{1}}cyflymder uchel,-trosglwyddiad data cuddni y gall opteg ffibr yn unig ei ddarparu. Ac mae rhwydweithiau ffibr, yn eu tro, yn dod yn llawer mwy effeithlon diolch i offer monitro ac optimeiddio wedi'u pweru gan AI. Mae'r berthynas ddwyffordd hon eisoes yn ail-lunio sut mae canolfannau data'n cael eu hadeiladu, sut mae rhwydweithiau'n cael eu cynnal, a sut mae technolegau ffibr newydd yn cael eu datblygu.
Mae'r erthygl hon yn esbonio sut mae'r berthynas yn gweithio'n ymarferol, wedi'i hategu gan ddata diwydiant y gellir ei wirio, a'r hyn y mae'n ei olygu i weithredwyr telathrebu, cynllunwyr canolfannau data, a phrynwyr seilwaith.
Pam mae angen Ceblau Ffibr Optegol ar Systemau AI
Mae hyfforddi model AI mawr yn golygu dosbarthu llwythi gwaith ar draws miloedd o GPUs, a rhaid i bob un ohonynt gyfnewid data yn barhaus. Mae hyn yn creu data traffig dwyrain{1} gorllewin - anferth sy'n llifo rhwng gweinyddwyr - sy'n gofyn am led band eithafol, ychydig iawn o hwyrni, a cholled signal dibwys. Ni all ceblau copr traddodiadol gadw i fyny. Dim ondceblau ffibr optegolyn gallu darparu'r trwygyrch y mae clystyrau AI modern ei angen, yn enwedig wrth i ganolfannau data drosglwyddo o 400G i 800G ac yn y pen draw cysylltiadau optegol 1.6T.
Mae'r gwahaniaeth yn y defnydd o ffibr yn ddramatig. Yn ôlRhagolwg canolfan ddata Corning ar gyfer 2025, mae canolfannau data AI cynhyrchiol eisoes yn gofyn am fwy na 10 gwaith y ffibr optegol o rwydweithiau canolfan ddata traddodiadol. Nododd SVP Optegol Ffibr a Chebl Corning fod angen nodau 72 - GPU Blackwell Nvidia 16 gwaith yn fwy o ffibr na raciau switsh cwmwl confensiynol. Mae STL, gwneuthurwr ffibr blaenllaw arall, wedi adrodd y gall raciau AI trwm GPU fynnu hyd at 36 gwaith yn fwy o ffibr na chyfluniadau traddodiadol sy'n seiliedig ar CPU.
Mae'r ymchwydd hwn yn y galw yn ymestyn y tu hwnt i'r hyn sy'n digwydd y tu mewn i'r adeilad. Mae llwythi gwaith AI yn cael eu dosbarthu'n gynyddol ar draws cyfleusterau lluosog, sy'n golygucysylltiadau rhyng-gysylltu canolfan ddata (DCI).hefyd angen llawer mwy o gapasiti ffibr. AAdroddiad 2025 gan y Gymdeithas Band Eang Ffibrrhagamcanir y byddai angen cynnydd o 2.3x yng nghyfanswm milltiroedd ffibr yr Unol Daleithiau erbyn 2029 i gefnogi twf hyperscale a yrrir gan AI yn unig.
Sut mae AI yn Gwella Gweithrediadau Rhwydwaith Ffibr Optegol
Nid yw'r berthynas yn un-cyfeiriadol. Mae AI yn datrys problemau gwirioneddol o ran cynnal a chadw rhwydwaith ffibr a pherfformiad y mae'r diwydiant wedi'i chael hi'n anodd ers degawdau.
Canfod a Chynnal Namau Doethach
Yn draddodiadol, roedd canfod a gwneud diagnosis o ddiffygion mewn rhwydwaith optegol yn golygu anfon technegwyr i archwilio olion OTDR (Optical Time-Domain Reflectometer) â llaw - proses araf, llafurddwys. Mae AI yn newid hyn yn sylfaenol.
Gall modelau dysgu peiriant nawr ddadansoddi data OTDR yn awtomatig i ganfod anghysondebau ffibr, dosbarthu mathau o ddiffygion, a nodi eu lleoliad. Mae ymchwil cyhoeddedig yn dangos bod systemau sy'n seiliedig ar AI-sy'n cyfuno awto-godyddion â rhwydweithiau niwral cylchol deugyfeiriadol yn cyflawni sgorau canfod namau F1 uwchlaw 96% a chywirdeb dosbarthiad yn fwy na 98%, gyda thrachywiredd lleoleiddio wedi'i fesur mewn ffracsiynau o fetr. Mewn un defnydd dogfenedig,llwyfan monitro a gynorthwyir gan AIgwell effeithlonrwydd canfod namau dros 98% o gymharu â phleidleisio confensiynol mewn amgylchedd canolfan ddata 1,024-dolen.
Ar gyfer gweithredwyr sy'n rheoli miloedd o gysylltiadau ffibr ar draws acanolfan ddata ffibr optigrhwydwaith, mae'r budd ymarferol yn glir: mae diffygion yn cael eu nodi a'u lleoli cyn iddynt achosi aflonyddwch gwasanaeth, ac mae cylchoedd diagnosis yn crebachu o oriau i eiliadau.
Optimeiddio Signalau a Chynllunio Cynhwysedd
Mae AI hefyd yn helpu i wasgu mwy o berfformiad allan o'r seilwaith ffibr presennol. Trwy hyfforddi modelau ar baramedrau dyfeisiau a data perfformiad cyswllt hanesyddol, gall dysgu peiriant optimeiddio modiwleiddio signal, rhagfynegi effeithiau gwasgariad, a chydbwyso dosbarthiad pŵer ar draws sianeli tonfedd. Mae hyn yn golygu y gall gweithredwyr gynyddu capasiti effeithiol llwybrau ffibr a ddefnyddir heb osod ceblau newydd - mantais cost ystyrlon wrth i brisiau ffibr barhau i godi.
Ffibr Craidd-Gwan: Sut Mae'r Galw AI yn Ysgogi Technoleg Ffibr Newydd
Efallai mai'r enghraifft gliriaf o sut mae AI yn gwthio arloesedd ffibr ymlaen ywffibr optegol craidd gwag-(HCF). Mae ffibr confensiynol yn arwain golau trwy wydr solet. Mae ffibr craidd gwag yn trawsyrru golau trwy sianel wedi'i llenwi ag aer yn lle hynny. Gan fod golau yn teithio tua 47% yn gyflymach mewn aer nag mewn gwydr, mae HCF yn cynnig gostyngiad sylweddol mewn hwyrni lluosogi - fel arfer 30 i 47 y cant, yn dibynnu ar yr amodau dylunio a defnyddio penodol.
Ym mis Medi 2025, cyhoeddodd ymchwilwyr o Brifysgol Southampton a Microsoft ganlyniadau ynFfotoneg Naturyn dangos HCF gyda record{0}}golled signal isel o 0.091 dB y cilomedr. Mae hyn yn arwyddocaol well na'r llawr tua 0.14 dB/km y mae ffibr silica confensiynol wedi bod yn sownd ynddo ers pedwar degawd. Mae Microsoft eisoes wedi defnyddio dros 1,200 km o ffibr craidd gwag sy'n cludo traffig byw yn ei rwydwaith Azure, acyhoeddi cynlluniau i leoli 15,000 km yn fwy, mewn partneriaeth â Corning a Heraeus ar gyfer-gweithgynhyrchu ar raddfa ddiwydiannol.
Ym mis Tachwedd 2025, cynhaliodd Scala Data Centres, Lightera, a Nokia y prawf cysyniad HCF cyntaf yn America Ladin a chadarnhau gostyngiad o 32% mewn hwyrni gan ddefnyddio offer prawf 400G sydd ar gael yn fasnachol.
Wedi dweud hynny, nid yw HCF yn disodli ffibr confensiynol heddiw. Mae costau gweithgynhyrchu yn uwch, mae angen technegau arbenigol ar gyfer splicing, ac mae safonau diwydiant yn dal i gael eu datblygu. Am y tro, mae'n fwyaf addas ar gyfer cuddni-cysylltiadau critigol - yn enwedig rhwng canolfannau data AI, lle mae hyd yn oed microeiliadau o oedi yn effeithio ar y defnydd o GPU ar draws clystyrau hyfforddiant dosbarthedig.
Cofnodion Trosglwyddo Ffibr yn Parhau i Gwympo
Mae'r nenfwd cynhwysedd ar gyfer ffibr optegol yn dal i godi. Ar ddiwedd 2025, dangosodd tîm rhyngwladol dan arweiniad NICT Japan gyfradd drosglwyddo o430 Tb/s dros -ffibr optegol sy'n cydymffurfio â'r safonyn ECOC 2025 - a chyflawnodd hyn gan ddefnyddio bron i 20% yn llai o led band na'r record flaenorol o 402 Tb/s a osodwyd yn 2024. Ar wahân, cyrhaeddodd Sumitomo Electric a NICT 1.02 petabit yr eiliad dros 1,808 km gan ddefnyddio ffibr 19-craidd gyda diamedr cladin safonol.
Mae llawer o'r datblygiadau hyn yn dibynnu'n uniongyrchol ar dechnegau prosesu signal a gynorthwyir gan AI, gan gynnwys-cydraddoli ar sail rhwydwaith niwral a dysgu peirianyddol-fformatau modiwleiddio optimaidd. Mae technolegau fel amlblecsu rhannu tonfedd aml-band ac aml-{5}}ffeibr craidd - wedi'u cyfuno ag AI-optimeiddio a yrrir gan AI - yn gwthio terfynau ymarferol bethffibr -modd sengla{0}}dyluniadau ffibr cenhedlaeth nesaf.
Goblygiadau Ymarferol i'r Diwydiant Telathrebu
Mae gan y berthynas ffibr AI-ganlyniadau pendant ar gyfer gwahanol rolau yn yr ecosystem telathrebu:
Gweithredwyr canolfannau dataangen cynllunio ar gyfer dwysedd ffibr sylweddol uwch fesul rac. Mae adeiladu clwstwr AI yn gofyn am nad yw -yn rhwystro ffabrigau optegol lle mae gan bob GPU gysylltiadau ffibr pwrpasol ar bob haen. Datrysiadau-dwysedd uchel megisceblau ffibr optig rhubanac mae cynulliadau MPO/MTP yn dod yn hanfodol yn hytrach nag yn ddewisol.
Timau cynnal a chadw rhwydwaithDylai werthuso offer monitro â chymorth AI fel ffordd o leihau amser segur heb ei gynllunio a symud tuag at waith cynnal a chadw rhagfynegol. Mae'r dechnoleg eisoes wedi'i phrofi mewn defnydd go iawn, nid mewn papurau ymchwil yn unig. Priodolprofion cebl ffibr optigynghyd â dadansoddeg AI yn gallu ymestyn oes ddefnyddiol y seilwaith presennol yn sylweddol.
Cynllunwyr seilwaith a phrynwyrdisgwyl pwysau pris parhaus ar ffibr a chydrannau optegol wrth i'r galw a yrrir gan AI fynd y tu hwnt i'r cyflenwad. Sicrhau cadwyni cyflenwi ffibr dibynadwy a gweithio gyda sefydledigdeunydd cebl ffibr optigbydd cyflenwyr yn dod yn fwyfwy pwysig.
Cwestiynau Cyffredin
Pam na all ceblau copr gefnogi traffig canolfan ddata AI?
Mae llwythi gwaith AI yn cynhyrchu llawer iawn o draffig data gweinydd i weinydd ar gyflymder o 400G ac uwch. Mae ceblau copr yn gyfyngedig o ran lled band ac yn cyrraedd ar y cyflymderau hyn. Mae ffibr optegol yn trosglwyddo data fel signalau ysgafn gyda lled band llawer uwch, hwyrni is, a diraddiad signal lleiaf posibl, gan ei wneud yr unig gyfrwng hyfyw ar gyfer y raddfa symud data y mae AI yn ei gwneud yn ofynnol.
Faint yn fwy o ffibr mae canolfan ddata AI yn ei ddefnyddio?
Yn ôl Corning, mae canolfannau data sydd wedi'u galluogi gan AI eisoes yn defnyddio mwy na 10 gwaith y ffibr o gyfleusterau traddodiadol. Ar gyfer-ffurfweddau GPU dwys, mae STL yn adrodd y gall y gymhareb gyrraedd 36 gwaith. Mae'r union luosydd yn dibynnu ar bensaernïaeth GPU, topoleg y rhwydwaith, ac a yw'r cyfleuster yn cefnogi hyfforddiant AI, casgliad, neu'r ddau.
Beth yw -ffeibr craidd gwag a pham ei fod yn bwysig i AI?
Mae ffibr craidd gwag yn tywys golau trwy graidd wedi'i lenwi ag aer yn lle gwydr solet. Oherwydd bod golau yn symud yn gyflymach mewn aer, mae HCF yn lleihau hwyrni trosglwyddo tua 30 i 47 y cant. Ar gyfer hyfforddiant AI gwasgaredig ar draws canolfannau data lluosog, mae'r gostyngiad hwyrni hwn yn gwella'n uniongyrchol y defnydd o GPU a pherfformiad cyffredinol y system. Microsoft yw'r gweithredwr cyfredol mwyaf, gyda chynlluniau ar gyfer 15,000 km ar draws ei rwydwaith Azure.
A yw monitro ffibr wedi'i bweru gan AI eisoes yn cael ei ddefnyddio?
Oes. Mae dadansoddiad OTDR a yrrir gan AI a chanfod namau rhagfynegol yn cael eu defnyddio mewn rhwydweithiau cynhyrchu heddiw. Gall systemau a gefnogir gan ymchwil ganfod namau ffibr gyda mwy na 96% o gywirdeb a'u lleoleiddio i drachywiredd is-metr. Mae nifer o weithredwyr telathrebu a darparwyr canolfannau data wedi mabwysiadu'r offer hyn i leihau costau cynnal a chadw ac atal ymyriadau i wasanaethau.
Pa fathau o ffibr a ddefnyddir mewn canolfannau data AI?
Mae'r rhan fwyaf o ganolfannau data AI yn defnyddio cyfuniad o -ffibr modd sengl (G.652.D fel arfer) ar gyfer cysylltiadau rhyng-adeiladu a DCI hirach, a ffibr amlfodd OM4 neu OM5 ar gyfer -cysylltiadau amrediad byr o fewn rhesi rheseli. Mae ceblau rhuban dwysedd uchel a chysylltedd MPO/MTP yn safonol ar gyfer rheoli'r nifer fawr o linynnau ffibr sydd eu hangen ar yr amgylcheddau hyn.