ידע

בינה מלאכותית וכבלי סיבים אופטיים תלויים זה בזה יותר ממה שרוב האנשים בתעשיית הטלקום מבינים. מערכות בינה מלאכותית אינן יכולות לתפקד ללא העברת הנתונים-המהירות והנמוכה-הנמוכה שרק סיבים אופטיים יכולים לספק. ורשתות סיבים, בתורן, הופכות ליעילות הרבה יותר הודות לכלי ניטור ואופטימיזציה המופעלים על ידי AI-. מערכת היחסים הדו--ת הזו כבר מעצבת מחדש את האופן שבו בנויים מרכזי נתונים, את האופן שבו רשתות מתוחזקות וכיצד מתפתחות טכנולוגיות סיבים חדשות.

מאמר זה מסביר כיצד מערכת היחסים פועלת בפועל, מגובה בנתוני תעשייה הניתנים לאימות, ומה זה אומר עבור מפעילי טלקום, מתכנני מרכזי נתונים וקוני תשתית.
 

מדוע מערכות בינה מלאכותיות זקוקות לכבלי סיבים אופטיים

אימון מודל AI גדול כרוך בחלוקת עומסי עבודה על פני אלפי GPUs, שכולם חייבים להחליף נתונים ברציפות. זה יוצר נתונים מסיביים של תעבורת מזרח-מערב - הזורמים בין שרתים - הדורשים רוחב פס קיצוני, זמן אחזור מינימלי ואובדן אות זניח. כבלי נחושת מסורתיים לא יכולים לעמוד בקצב. רַקכבלי סיבים אופטייםיכול לספק את התפוקה שצריכים אשכולות AI מודרניים, במיוחד כשמרכזי נתונים עוברים מ-400G ל-800G ובסופו של דבר קישורים אופטיים של 1.6T.

ההבדל בצריכת הסיבים הוא דרמטי. לְפִיתחזית מרכז הנתונים של קורנינג לשנת 2025, מרכזי נתונים גנרטיביים בינה מלאכותית כבר דורשים יותר מפי 10 מסיב אופטי מרשתות מרכזי נתונים מסורתיים. סמנכ"ל סיבים וכבלים אופטיים של Corning ציין שצומתי 72-GPU Blackwell של Nvidia זקוקים פי 16 ליותר סיבים מאשר מתלים רגילים של מתגי ענן. STL, יצרנית סיבים מובילה נוספת, דיווחה כי מדפי AI כבדים של GPU-יכולים לדרוש עד פי 36 יותר סיבים מאשר תצורות מסורתיות מבוססות CPU.

הזינוק הזה בביקוש משתרע מעבר למה שקורה בתוך הבניין. עומסי העבודה של AI מופצים יותר ויותר על פני מתקנים מרובים, כלומרקישורי חיבור למרכז נתונים (DCI).צריך גם קיבולת סיבים גדולה יותר. אדו"ח לשנת 2025 של איגוד הפס הרחב של הסיביםהערכתי כי ארה"ב תזדקק להגדלה של פי 2.3 במספר המיילים של סיבים תזונתיים עד שנת 2029 כדי לתמוך בצמיחה מונעת בינה מלאכותית- בלבד.

כיצד AI משפר את פעילות רשת סיבים אופטיים

הקשר אינו חד-כיווני. בינה מלאכותית פותרת בעיות אמיתיות בתחזוקה וביצועים של רשת סיבים שהתעשייה נאבקת בהן במשך עשרות שנים.

איתור ותחזוקה חכמים יותר של תקלות

באופן מסורתי, איתור ואבחון של תקלות ברשת אופטית פירושו שליחת טכנאים לבדוק באופן ידני את OTDR (Optical Time-Domain Reflectometer) עוקב אחר תהליך - איטי ועתיר עבודה-. AI משנה זאת באופן מהותי.

מודלים של למידת מכונה יכולים כעת לנתח נתוני OTDR באופן אוטומטי כדי לזהות חריגות בסיבים, לסווג סוגי תקלות ולזהות את מיקומן. מחקר שפורסם מוכיח שמערכות מבוססות בינה מלאכותית- המשלבות מקודדים אוטומטיים עם רשתות עצביות חוזרות דו-כיווניות משיגות ציוני F1 של זיהוי תקלות מעל 96% ודיוק סיווג העולה על 98%, עם דיוק לוקליזציה הנמדד בשברירי מטר. בפריסה מתועדת אחת,פלטפורמת ניטור-בסיוע בינה מלאכותיתיעילות זיהוי תקלות משופרת ביותר מ-98% בהשוואה לסקרים רגילים בסביבת מרכז נתונים של 1,024 קישורים.

למפעילים המנהלים אלפי קישורי סיבים על פני אמרכז נתונים בסיבים אופטייםברשת, היתרון המעשי ברור: תקלות מזוהות ומאותרות לפני שהן גורמות לשיבושים בשירות, ומחזורי האבחון מתכווצים משעות לשניות.

אופטימיזציה של אותות ותכנון קיבולת

AI גם עוזר לסחוט יותר ביצועים מתשתית הסיבים הקיימת. על ידי אימון מודלים על פרמטרים של מכשירים ונתוני ביצועי קישור היסטוריים, למידת מכונה יכולה לייעל אפנון האות, לחזות אפקטים של פיזור ולאזן את חלוקת הכוח על פני ערוצי אורך גל. משמעות הדבר היא שמפעילים יכולים להגדיל את הקיבולת האפקטיבית של מסלולי סיבים פרוסים מבלי להתקין כבלים חדשים -, יתרון בעלויות משמעותי ככל שמחירי הסיבים ממשיכים לעלות.

Hollow-Core Fiber: כיצד ביקוש בינה מלאכותית מניע טכנולוגיית סיבים חדשה

אולי הדוגמה המובהקת ביותר לאופן שבו AI דוחפת את החדשנות בסיבים קדימה היאסיב אופטי חלול-(HCF). סיבים קונבנציונליים מובילים אור דרך זכוכית מוצקה. סיב ליבה חלול- מעביר אור דרך ערוץ מלא באוויר במקום זאת. מכיוון שאור נע בכ-47% מהר יותר באוויר מאשר בזכוכית, HCF מציע הפחתה משמעותית בהשהיית ההתפשטות - בדרך כלל ב-30 עד 47 אחוזים, בהתאם לתנאי התכנון והפריסה הספציפיים.

בספטמבר 2025, חוקרים מאוניברסיטת סאות'המפטון ומיקרוסופט פרסמו תוצאות בטבע פוטוניקהמדגים HCF עם אובדן אות-שיא נמוך של 0.091 dB לקילומטר. זה טוב יותר באופן משמעותי מאשר הרצפה של כ-0.14 dB/km שסיבי הסיליקה הרגילים תקועים בה במשך ארבעה עשורים. מיקרוסופט כבר פרסה למעלה מ-1,200 ק"מ של סיב ליבה חלול- הנושא תעבורה חיה ברשת ה-Azure שלה, והכריז על תוכניות לפרוס 15,000 ק"מ נוספים, בשיתוף עם Corning ו-Heraeus לייצור-תעשייתי בקנה מידה תעשייתי.

בנובמבר 2025, Scala Data Centers, Lightera ונוקיה ערכו את הוכחת ה-HCF הראשונה באמריקה הלטינית ואישרו הפחתה של 32% בהשהיה באמצעות ציוד בדיקה 400G זמין מסחרית.

עם זאת, HCF אינו תחליף אוניברסלי לסיבים רגילים כיום. עלויות הייצור גבוהות יותר, שחבור דורש טכניקות מיוחדות, ותקני התעשייה עדיין בפיתוח. לעת עתה, הוא מתאים ביותר לאחזור-לקישורים קריטיים - במיוחד בין מרכזי נתונים של AI, שבהם אפילו מיקרו-שניות של עיכוב משפיעות על ניצול ה-GPU בין אשכולות אימון מבוזרים.

רשומות שידור סיבים ממשיכות לרדת

תקרת הקיבולת של סיבים אופטיים ממשיכה לעלות. בסוף 2025, צוות בינלאומי בראשות ה-NICT של יפן הדגים קצב שידור של430 Tb/s על פני סיב אופטי תואם-סטנדרטיב-ECOC 2025 - והשיגו זאת באמצעות כמעט 20% פחות רוחב פס מהשיא הקודם של 402 Tb/s שנקבע בשנת 2024. בנפרד, Sumitomo Electric ו-NICT הגיעו ל-1.02 petabits לשנייה לאורך 1,808 ק"מ באמצעות סיב 19 ליבות עם קוטר חיפוי סטנדרטי.

רבות מפריצות הדרך הללו מסתמכות ישירות על-טכניקות של עיבוד אותות בסיוע בינה מלאכותית, כולל פורמטים מותאמים של אפנון- מבוססי רשתות עצביות ולמידת מכונה-. טכנולוגיות כמו ריבוי-ריבוי חלוקת אורכי גל וריבוי-סיבי ליבות - בשילוב עם -אופטימיזציה מונעת בינה מלאכותית - דוחפים את הגבולות המעשיים של מהסיב אחד במצב-ועיצובי סיבים-הבא יכולים לשאת.
 

השלכות מעשיות על תעשיית הטלקום

ליחסי AI-סיביות יש השלכות קונקרטיות על תפקידים שונים באקוסיסטם הטלקום:

מפעילי מרכזי נתוניםצריך לתכנן צפיפות סיבים גבוהה באופן דרמטי לכל מתלה. בניית אשכולות בינה מלאכותית דורשת בדים אופטיים לא-חוסמים כאשר לכל GPU יש חיבורי סיבים ייעודיים בכל שכבה. פתרונות בצפיפות גבוהה- כגוןסרט כבלים סיבים אופטייםומכלולי MPO/MTP הופכים להיות חיוניים ולא אופציונליים.

צוותי תחזוקת רשתצריך להעריך כלי ניטור בסיוע בינה מלאכותית- כדרך לצמצם זמן השבתה לא מתוכנן ולעבור לתחזוקה חזויה. הטכנולוגיה כבר מוכחת בפריסות אמיתיות, לא רק בעבודות מחקר. תָקִיןבדיקת כבל סיבים אופטייםבשילוב עם ניתוח AI יכול להאריך משמעותית את אורך החיים השימושיים של תשתית קיימת.

מתכנני תשתיות וקוניםצריך לצפות ללחץ מחירים מתמשך על סיבים ורכיבים אופטיים מכיוון שהביקוש מונע בינה מלאכותית- עולה על ההיצע. אבטחת שרשראות אספקת סיבים אמינות ועבודה עם מבוססיםחומר כבל סיבים אופטייםהספקים יהפכו חשובים יותר ויותר.

שאלות נפוצות

מדוע כבלי נחושת אינם יכולים לתמוך בתעבורת מרכז נתונים בינה מלאכותית?

עומסי עבודה של AI מייצרים כמויות אדירות של תעבורת נתונים משרת-אל-במהירות של 400G ומעלה. כבלי נחושת מוגבלים הן ברוחב הפס ומגיעים במהירויות אלה. סיבים אופטיים משדרים נתונים כאותות אור עם רוחב פס גבוה בהרבה, זמן השהייה נמוך יותר והשפלה מינימלית של האות, מה שהופך אותו למדיום הקיים היחיד עבור קנה המידה של תנועת הנתונים ש-AI דורש.

כמה יותר סיבים משתמש מרכז נתונים בינה מלאכותית?

לדברי Corning, מרכזי נתונים המאפשרים בינה מלאכותית- כבר צורכים יותר מפי 10 מסיבים של מתקנים מסורתיים. עבור תצורות אינטנסיביות של GPU-, STL מדווח שהיחס יכול להגיע לפי 36. המכפיל המדויק תלוי בארכיטקטורת ה-GPU, טופולוגיית הרשת, והאם המתקן תומך באימון בינה מלאכותית, מסקנות או שניהם.

מהו סיב ליבה- חלול ולמה זה משנה עבור AI?

סיב ליבה חלול-מוביל אור דרך ליבה מלאת אוויר- במקום זכוכית מוצקה. מכיוון שאור נע מהר יותר באוויר, HCF מפחית את זמן השידור בכ-30 עד 47 אחוזים. לאימון AI מבוזר על פני מספר מרכזי נתונים, הפחתת זמן ההשהיה הזו משפרת ישירות את ניצול ה-GPU ואת ביצועי המערכת הכוללים. מיקרוסופט היא המפיסה הנוכחית הגדולה ביותר, עם תוכניות ל-15,000 ק"מ ברחבי רשת ה-Azure שלה.

האם ניטור סיבים-מופעל כבר בשימוש?

כֵּן. ניתוח OTDR מונע בינה מלאכותית- וזיהוי תקלות חזוי נפרסים ברשתות ייצור כיום. מערכות מגובות-מחקר יכולות לזהות תקלות בסיבים בדיוק של למעלה מ-96% ולמקם אותן לדיוק של-תת-מטר. מספר מפעילי טלקום וספקי מרכזי נתונים אימצו כלים אלה כדי להפחית את עלויות התחזוקה ולמנוע הפרעות בשירות.

באילו סוגי סיבים משתמשים במרכזי נתונים בינה מלאכותית?

רוב מרכזי הנתונים בינה מלאכותית משתמשים בשילוב של סיבים- במצב יחיד (בדרך כלל G.652.D) עבור קישורי בניין- ארוכים יותר ו-DCI, וסיבים מרובי מצבי OM4 או OM5 לחיבורים- בטווח קצר בתוך שורות מתלים. כבלי סרט בצפיפות- גבוהה וקישוריות MPO/MTP הם סטנדרטיים לניהול המספר הגדול של גדילי סיבים שסביבות אלה דורשות.