AI 浪潮席捲全球、資料中心電力與算力需求屢創新高下，「全光網路（All-Photonics Network, APN）」正成為支撐下一世代 AI 關鍵基礎設施。台灣雲協（CIAT）於2026 年 6 月 3 日Computex 期間於台北 101 主辦「Building AI Infrastructure for IOWN Use Cases」研討會，現場匯聚超過 200 位企業先進到場，充分顯示全光網路在 AI 資料中心時代的重要性。

本次研討會聚集 IOWN Global Forum成員夥伴，包括 NTT、1Finity、GigaIO、Saviah Technologies、Pegatron、Chunghwa Telecom、Accton/Edgecore、UfiSpace 以及 ITRI 等業者，於現場六大展區揭示透過 IOWN 全光網路打造分散式 AI 基礎設施，分享願景、技術與真實落地的應用案例。

開幕致詞：AI 時代的台灣機會與分散式基礎設施

台灣雲協執行秘書徐銘宏於開場致詞表示，台灣正處於 AI 驅動成長的關鍵時刻，AI 已成為帶動經濟發展與資本市場的重要引擎。面對 AI 主權、資安及隱私等挑戰，如何建構屬於台灣、覆蓋全島的 AI 基礎設施，已成為產業發展的重要課題。政府已啟動十大 AI 重點推動方向，目標是打造全島互聯的 AI 基礎設施，並透過全光網路串接分散各地的 AI 算力資源。相較於興建動輒 1GW 至 5GW 的超大型集中式資料中心，台灣與日本等地更適合發展以全光網路互聯的分散式 AI 基礎設施，而這也與 IOWN 在亞洲推動的發展方向高度一致。

IOWN Global Forum Board Director 李榮瑞表示，IOWN Global Forum 目前已匯聚約 180 家會員企業，其中台灣成員便有 12 家。並進一步指出，透過端到端 APN 建構分散式 AI 資料中心，逐步實現 AI Computing Continuum，將是邁向 2030 年的重要發展願景。

專題演講與產業分享

NTT：IOWN, Photonics Powered AI Infrastructure

NTT 指出，全球正迎來 AI 推論（Inference）時代。相較於集中式訓練，推論更強調即時回應、分散式部署與能源效率，對基礎設施提出全新的需求。由於光傳輸具備低功耗、低發熱等優勢，IOWN 透過全光網路與光電融合技術，打造涵蓋 Scale-up、Scale-out 與 Scale-across 的次世代 AI 基礎設施。為驗證這項願景，NTT 分享多項實際應用成果。在 AI 遠端機器人控制案例中，位於北海道的零碳資料中心透過 IOWN APN，跨越約 800 公里的距離即時操控千葉物流中心的自主移動機器人，展現運算資源得以突破地理位置與電力條件限制；在雲端內視鏡應用中，醫療影像可即時上傳分析並支援遠端診斷，大幅提升醫療服務效率。此外，在跨國場景方面，最新成果在 2026 年4月「Taiwan AI Impact」成功串聯相距 3,240 公里的台日分散式資料中心，以僅 19 毫秒的延遲完成跨境即時影像分析。NTT 以此宣告，IOWN 已正式從技術驗證邁向市場實作階段。

1Finity：Powering AI Across Scales with All-Photonics Network

1Finity 為富士通於 2025 年整併網路事業後成立的全資子公司，承襲超過 90 年的網路與光通訊技術經驗。1Finity 指出，隨著 AI 推論逐漸走向使用者端，資料中心與網路架構正從集中式邁向分散化。相較於以長距離輸電支撐龐大的 AI 算力需求，將訓練資料中心部署於電力充足的地區、將推論資料中心部署於接近使用者的位置，並透過全光網路（APN）互連，將是更有效率的發展模式。1Finity 並分享日本九州的實地驗證案例，透過 APN 串接不同資料中心進行分散式 GPU 大模型推論，導入 RDMA 後，資料傳輸時間較傳統 TCP/IP 大幅縮短。此外，也展示多資料中心互連架構，透過光網路串聯分布於不同地區的資料中心，實現「推論貼近使用者、學習貼近電源」的概念。1Finity 強調，全光網路技術正成為 AI 基礎設施的重要基石，協助分散式 AI 架構兼顧效能、能源效率與營運韌性。

GigaIO：Your Data Is Generated at the Edge - The Compute Is Finally Following

GigaIO 則從邊緣運算（Edge Computing）的角度切入，指出 AI 推論 正推動系統架構思維的轉變。根據其引用的數據，當今約 75% 的企業資料產生於邊緣端，但其中高達九成從未被有效利用，原因並非資料缺乏價值，而是在傳輸、成本與處理效率上面臨挑戰。隨著感測器持續產生更大量的資料，將運算能力部署至資料產生的位置，已成為更具效率的選擇。現場展示的多款運算平台中，包含以行李箱形式打造的 AI 運算系統，可快速攜帶至不同場域部署，展現將算力帶往資料端的能力。GigaIO 也分享美國陸軍在偏遠、無連線環境中執行臉部與語音辨識任務的案例，說明在無法依賴雲端連線的場景下，邊緣 AI 運算所能發揮的實際價值。

Saviah Technologies：Private 5G as the Last Mile for AI Edge — Why the Core Must Be Open and Programmable

Saviah Technologies則聚焦於 IOWN 架構中的無線與軟體層，指出私有 5G 正逐漸成為邊緣 AI 部署的重要基礎，可提供低延遲、安全且在地化的資料處理能力。然而，許多現行部署仍受限於封閉且缺乏彈性的核心網路架構，難以因應 AI 工作負載所需的客製化與動態調度需求。對此，Saviah Technologies 提出開放且可程式化的 5G Core 架構，將網路、運算與資料資源整合為單一系統。結合 IOWN APN 所提供的確定性傳輸能力後，不僅能將高效能連線延伸至最後一哩之外，更能提供端到端的效能保障，為大規模邊緣 AI 應用打造兼具安全性、可控性與最佳化效能的基礎設施。

Pegatron：IOWN APN-T 400G Muxponder for Cloud Edge Computing Pegatron

分享，AI 模型規模每兩年成長約 750 倍，使「算力」與「網路」之間的落差已拉大超過三個數量級，要餵飽分散在各地的 AI 訓練與推論，光靠單一資料中心內的 Scale-up、Scale-out 已不夠，跨資料中心的「Scale-across」成為關鍵。落到產品與應用，Pegatron 展示其 400G OLS／DCI 系統，並提出兩類實際部署案例，以 APN-T 400G Muxponder 搭配 ROADM 串接邊緣資料中心與 O-RAN 站點，把區域型中小資料中心整合成一張分散式 AI 網路；以及對應 NTT、Orange、Telefonica 於 OFC 展示的 IOWN DCX (Data Center Exchange) 服務，讓多座資料中心以「多對多」方式靈活互連。Pegatron 強調，IOWN APN 正是支撐這場資料中心互連（Data Center Interconnects）轉型、邁向 2030 願景的核心—讓分散各地的算力，能像在同一座資料中心般協同運作。

Chunghwa Telecom：IOWN APN Driven AI Use Cases Chunghwa Telecom

從應用面切入，指出 AI 的快速發展正推動運算與網路的深度融合。透過整合運算雲與 APN 網路管理，分散各地的算力資源得以跨雲協作，不僅提升運算效率，也強化整體系統韌性。以 2026 年攜手 NTT、國家高速網路與計算中心（NCHC）與 Accton／Edgecore 展出的「Taiwan AI Impact」智慧城市展演為例，Chunghwa Telecom 串聯台北、台南與東京等站點，透過國內 APN 與國際 IOWN APN，展示多項跨區域應用情境。即使算力分散在不同地點，街景影像辨識仍能以近乎在地運算的速度完成；當主資料中心發生異常時，推論模型也能快速移轉至異地接手運作，確保服務不中斷。此外，系統亦結合 5G Edge AI 與車聯網技術，在無號誌路口提供即時安全預警；在智慧醫療場景中，則能快速傳輸大型醫療影像，讓醫護人員即時取得診斷資料。Chunghwa Telecom 表示，從智慧交通到智慧醫療，IOWN APN 正逐步將即時跨域協作、高韌性基礎設施與智慧應用帶入現實。

Edgecore：Taiwan AI Impact - IOWN End to End DCI to APN Deployment Edgecore

以「Taiwan AI Impact」智慧交通監控 Demo，展示 IOWN 端到端系統在真實場景中的運作方式。現場透過路口智慧桿（Smart Pole）擷取車流影像，經由國家高速網路與計算中心（NCHC） 建置、長達 25 公里的 APN 光路，串聯南科與沙崙兩地的 IOWN 機櫃進行 GPU 推論。機櫃端則整合 APN-G、OWS、APN-T、CSR440、資料中心網路、SONiC 交換器以及 CDI 動態資源池等關鍵元件，建構完整的端到端基礎設施。實測結果顯示，無論影像送往哪一個站點運算，車流判讀皆維持「Smooth」狀態，推論時間穩定落在 1.3 至 1.5 秒之間，幾乎不受距離影響。對應用端而言，相距 25 公里的兩座資料中心如同同一座本地機房，能即時共享分散式算力資源。Edgecore 藉由開放式網路平台、資料中心交換器基礎設施、SONiC 網路方案及光網路相關設備，將 IOWN 從概念架構進一步落實為可部署、可管理且能與現有資料中心及電信環境整合的實際解決方案。

UfiSpace：The Photonics Revolution: 1.6T DCI Performance in an IOWN Framework

UfiSpace 指出，隨著 AI 帶動網路流量快速成長，資料中心互連（Data Center Interconnects）正朝向 800G 甚至 1.6T 時代邁進，傳統電子交換架構在功耗與延遲方面已逐漸接近極限，而以 APN 為核心的全光網路則被視為下一階段的重要發展方向。在分享中，UfiSpace 帶出兩項與NTT 合作的IOWN 實際案例作為說明。其中，在體育賽事轉播場景中，透過 400G IP over DWDM 技術，可在超過 80 公里的距離上即時傳輸 4K／8K 未壓縮影像，並維持極低延遲與抖動，讓現場攝影團隊與遠端製播中心如同在同一地點協作。另一項案例則聚焦於跨資料中心互連（Data Center Interconnects），透過開放式、解構化的 400G 網路架構串接多個資料中心，在提升傳輸效率的同時，也降低建置成本、營運支出及整體能耗。UfiSpace 表示，隨著 AI 叢集規模持續擴大，全光網路將成為支撐未來 AI 基礎設施的重要關鍵，協助 Scale-Up、Scale-Out 與 Scale-Across 等不同架構在高吞吐量、低延遲、能源效率與資料安全之間取得平衡。

結語：分散式 AI 基礎設施的時代已然來臨

產業對下一代 AI 基礎設施的共同願景：透過全光網路串接分散各地的算力資源，打造兼具高效能、低延遲、高韌性與能源效率的分散式 AI 架構。隨著 AI 應用快速普及，資料中心已不再只是單一據點的競爭，而是如何讓跨區域、跨雲的運算資源能夠如同一座資料中心般協同運作。本次活動吸引超過 200 位產業先進共襄盛舉，反映出產業對全光網路與分散式 AI 基礎設施的高度關注。從論壇分享、技術展示到實際應用案例，與會者共同見證了分散式 AI 資料中心正從概念逐步走向落地實踐。憑藉深厚的 ICT 產業基礎與完整供應鏈優勢，台灣正站在這場 AI 與光通訊融合發展的重要位置。台灣雲協也將持續攜手 IOWN 生態系夥伴，共同推動 AI Computing Continuum 的發展願景，迎向 AI 基礎設施的新時代。

Demo Solution Showcases