今天这篇文章，我们来聊聊OCS。
最近这几年，在AI浪潮的带动下，光通信产业发展迅猛。
AI离不开强大的算力，而算力的背后，是庞大的算卡集群。想让千卡、万卡甚至十万卡进行高效协同互联，就需要借助光通信技术的支撑。
OCS，是光通信技术发展到一定阶段的产物，也被公认为是最有前景的数据中心网络技术之一。包括谷歌、英伟达、微软、阿里、华为等在内的全球科技巨头，都在积极布局OCS。
那么，OCS到底是什么？它凭什么这么重要？它能用在什么场景？又有哪些优缺点？
█ 到底什么是OCS？
OCS，英文全称是Optical Circuit Switching，光路交换，简称光交换。
目前我们在用的传统主流交换技术，是电交换。
以前，是电交换+电通道。设备和设备之间，用的铜缆，走电信号。
后来，有了光通信技术，出现了光纤和光模块。设备之间的电通道，变成了光通道。整个系统，变成了“电交换+光通道”。
这种情况下，设备之间，虽然是通过光纤进行连接，但光信号一旦到达对端，需要通过光模块进行光电转换，变成电信号，再经过交换芯片进行转发处理，最后再通过光模块，转换回光信号，接着从光纤送出去。
这个过程，叫O-E-O（光-电-光）转换。
我们可以把它看作是高铁换乘——从北京到南京是高铁，然后，到了南京，乘客必须下车，走路到另一个站台，再换乘另一辆高铁，才能继续前往上海。
电交换的缺点，是显而易见的：
首先，多了反复转换的过程，增加了信号传递时延和系统复杂度。
其次，有电，就意味着更大的功耗。以前小枣君反复和大家强调过，电通信最大的缺点，就是功耗高。大容量芯片功耗持续增加，51.2T交换芯片功耗为450W，102.4T交换芯片功耗将超1000W，已达风冷散热极限。
第三，电交换，意味着需要DSP（数字信号处理）芯片等核心器件，成本更高。
第四，电交换芯片的容量，受制于半导体工艺制程，难以持续迭代。
OCS，就是要解决这些问题。它基于光信号直接进行路径切换，不再需要光电转换。
简单来说，就是建设一个光路矩阵（枢纽），让光信号也可以去往不同的方向。从北京到南京是高铁，然后，到了南京，乘客不用下车，高铁不用停，直接切换轨道，开往上海。
整条链路，一路直达，没有争抢、没有排队、没有转发延迟，速度更快，效率更高。
具体来说，OCS的优势如下：
功耗方面，OCS没有了电处理过程，可以显著降低功耗。以单台OCS交换机为例，其功耗仅100瓦，传统交换机按1000瓦算，耗电量大幅减少约90%。
时延方面，有了OCS，省去电层转发与处理环节，可以大幅降低数据传输时延。传统电交换机逐包解析、缓存排队，单跳延迟为2-5微秒，整网7-9跳后，延迟可达百微秒量级。OCS方案中，单跳延迟可降至100纳秒以下。
成本方面，砍掉了电处理的部分，肯定是省钱了。谷歌披露的数据显示，OCS及底层光学组件，占整个TPU系统的成本不到5%，功耗不到3%。
OCS还有一个非常重要的优点——灵活扩展。
网络总是要不断升级演进的，速率不断提升。对于电交换来说，电交换机和端口速率是绑死的。想升级网络速率？交换机、光模块都要成套换，旧设备全要淘汰。
OCS传的是“透明”的光，不管你是400G、800G还是1.6T、3.2T，同一条光路，照传不误。
换言之，光层交换架构，不受电交换芯片端口密度与转发容量的物理约束，设备端口规模可实现平滑快速迭代。同时，交换容量与光信号速率解耦，聚合吞吐量可随端口线性提升，无需重构网络架构，即可适配网络规模动态增长需求。
对于现在高速发展的AI算力集群网络来说，这是非常节约投资的技术方案。
AI大模型训练的流量类型，恰好也非常适合使用OCS。
大模型训练里的All-Reduce、All-Gather这些集合通信，数据量大、持续时间长、通信关系相对固定，基本可预测。这种“大象流”，根本不需要逐包分拣（电交换擅长这个）——提前把光路搭好，让它可劲儿跑就行了。
总而言之，不管从哪个角度来看，OCS都是优势显著。采用OCS光交换替代电交换，是非常诱人的选择。
█ OCS是如何工作的？
OCS的功能逻辑并不复杂，但是，技术实现难度大。
大家可以想一下，电信号和金属导线，想要实现路径切换或者信号一分多，其实并不难。但是，光纤里的光，怎么进行路径切换呢？想要把一束光变成多束光，或者让光拐弯，并不容易。
目前，业界主流的OCS技术路线，包括以下几条：
● 微镜阵列（MEMS）
MEMS（Micro-Electro-Mechanical Systems）是当前最成熟、最主流的路线，国外谷歌、Lumentum用的就是它，国内光迅、华为等厂商在这个技术上也有所布局。
MEMS系统通过在硅晶圆上蚀刻微型反射镜阵列（典型尺寸约1mm），利用静电或磁致动器驱动微镜倾斜（±2°~±10°），精确改变输入光束传播方向，并将其路由至指定的输出端口。
这个方案能够实现高精度的光路控制，并且具有较高的可靠性和稳定性，且具有成熟度高、插损低（约1.5–3dB）、切换速度快（约25ms）、端口规格扩展性强（可达300×300甚至更高）等核心优势，所以是目前的主流方案，市场占比超70%。
MEMS也有缺点。微镜偏转属于机械运动，切换速度是毫秒级的，快不起来。而且，存在微镜粘滞及高压驱动失效风险，可靠性稍微差一点。
● 数字液晶（DLC）
数字液晶（Digital liquid-crystal，DLC），是利用外部电场改变液晶材料的折射率，从而改变光的偏振态和相位，实现光路切换。
DLC系统的端口规模可达300×300以上，但切换速度较慢（约100ms），插损中等（约4dB）。它比较适合一些特定的场景。
● 压电陶瓷（DBS）
压电陶瓷，全称压电陶瓷直接光束偏转技术（Direct Beam Steering）。这个技术基于压电效应，通过电子信号控制压电陶瓷位移与偏转角，实现光纤精确对准。
DBS方案中，通过二维压电致动器，实现光纤准直器的精确转动，以直接空间耦合对准进行光信号交换。光信号从输入准直器阵列端口输入，通过自由空间传输到输出阵列，无需其他光学系统反射折射，因此具有较低的损耗。
与微镜阵列（MEMS）方案相比，DBS技术没有机械磨损，可靠性优势显著。但是它的成本相对来说比较高。
● 硅光波导（SiPh）
硅光波导是基于硅基光子集成技术，切换速度最快（可达纳秒级），但端口规模偏小（仅32/64端口）、端口间的串扰难处理、插入损耗高达9dB。技术目前成熟度不足，仍处于技术攻坚阶段。
█ OCS有哪些缺点？
前面说了OCS的优点。其实，OCS短板也很鲜明：
第一，资源利用率低。
光路建立后，即便业务空闲，资源也无法共享。只适合长期稳定的业务，不适合突发式短时流量。
第二，切换速度有限。
刚才也提到了，OCS（MEMS）依靠物理开关切换，存在毫秒级切换时延，无法做到分组交换的微秒级极速调度，不适合高频突发业务。
AI智算业务其实存在这种高并发强突发，以及流量随机变化的特征，OCS的切换速度很难满足这种流量的转发需求。
换言之，OCS更适合这种时间长流量，大规则比较清晰的这种部署场景，适合部分智算流量转发。对于一些快速变化的流量，以及一些复杂的拓扑调度，OCS的优势会被抵消。
第三，精细化调度能力弱。
OCS只能完成整条光路的通断切换，无法针对单数据包、单数据流做精细化管控和调度。OCS的动态组播、报文复制能力薄弱，难以适配小包突发与灵活多播业务。
光切换没有缓存的队列，难以实现这种纠错、重传等能力，这方面肯定也不如电交换。（电交换是把报文拆开来看的，自然容易处理。光交换是透传。）
第四，生态和标准尚不成熟。
OCS目前还处于早期阶段，标准不统一。不同厂商的硬件接口、管控协议以及API（SNMP、Netconf/YANG）各不相同，设备之间难以互通，运维也会变得更加复杂。
另外，OCS需要与上层应用和网络协议深度协同，依赖定制化的SDN控制器和通信库，技术门槛高。
对于甲方客户来说，想要拥抱OCS，需要慎重考虑以上因素。
█ OCS的应用落地进展
OCS目前最主要的应用落地场景，就是AI算力集群。在算力集群的Scale Up、Scale Out以及今年火起来的Scale Across场景中，都有OCS的用武之地，而且应用方式还不太一样。
Scale Up场景下，借助OCS，可按任务组成不同规模的超节点，通过光互联增强计算。
Scale Out场景下，OCS凭借光交换与端口速率无关、低功耗、低时延、无时延抖动等特点，使其替代顶层电交换机。OCS作为顶层交换机，集群以POD为单位建设，可以实现网络规模弹性扩展。
特别值得一提的是，大模型训练最怕故障，会导致巨大损失。如果将OCS部署在中间层，可快速完成故障隔离及切换，缩小故障面积，也可根据训练需求进行拓扑调整。
Scale Across场景下，OCS凭借高带宽、海量端口、速率无关、良好的可扩展性、拓扑重构等诸多特性，适合搭建DCI（数据中心之间）网络。
除了数据中心场景之外，也有国内运营商提出可以将OCS下沉到城域网场景，用于将运营商的CO节点打造成城域级AI推理算力池。
接下来，我们看看几个大厂的OCS落地进展。
说到OCS的商业化，肯定离不开谷歌。
谷歌是OCS技术的主要推动者。从2010年左右开始，谷歌就开始探索光交换技术的雏形。2015年，他们发表论文，提出引入MEMS光交换思路。2017年，正式披露3D MEMS架构OCS方案，明确采用三维微镜阵列，实现无阻塞全光端口切换。2022年，谷歌正式发布Apollo 项目，将OCS大规模引入Jupiter数据中心网络架构。
如果，谷歌已经实现了OCS的规模化部署，也形成了成熟的技术体系。OCS已逐步成为谷歌万卡级TPU超算集群跨Cube、超节点与Pod间统一互联的核心技术基石。
英伟达，是OCS的另一个主要支持者，但目前的实际落地仍以战略规划与生态投资为主。
2026年3月，英伟达展示了Feynman架构与OCS融合的“GW级AI工厂”网络方案。英伟达打算引入Dragonfly（蜻蜓）拓扑与OCS光交换相结合的全新网络架构，遵循“柜内CPO+柜间OCS”的分层思路。
英伟达非常看重OCS可以重构物理拓扑的优势。刚才我们也提到了，OCS适合用于控制故障范围以及快速恢复。
国内厂商方面，OCS相关进展也在推进之中。
华为昇腾950超节点中，已采用OCS全光交换机实现机柜间互连。中国电信完成全球首个光电协同的数据中心新型组网实验，结果显示GPU点到点时延下降14%，集群DCN功耗降低19%，可靠性提升17%。中国移动也已将OCS纳入智算网络升级路线图，认为这是从“电为主、光为辅”向“全光原生”范式转变的关键。
从国内的产业链情况看，光迅科技、中际旭创、新易盛等自研MEMS的整机端口数与国际主流已经进入同代。国内在光学组件、LC连接器、系统软件等环节完全可控，在MEMS微镜、硅光芯片、DLC面板、精密封装、驱动ASIC、FPGA、测试标定设备等环节具备部分制造能力，但良率与一致性仍有提升空间。
OCS，正在从谷歌定制技术转变为全球云厂商批量采购的通用技术。
根据Cignal AI测算，2025年全球OCS市场规模约为4亿美元，在AI需求驱动下，预计2029年将突破25亿美元，复合年增长率高达58%。
█ 结语
目前看来，OCS规模普及是大势所趋，只是时间早晚的问题。
理由很简单：AI集群规模还在膨胀，电交换的功耗和成本压力是真实的、持续加大的。性能需求和经济效应的优势是摆在眼前的，采用全光交换替代电交换，才能真正发挥光通信的全部潜力。
但需要注意的是，OCS的落地过程应该不会太快。毕竟，从技术成熟到产业链配套，再到标准完善，都需要时间。
更关键的是，电交换和光交换应该会长期并存。至少十年之内，光交换无法完全替代电交换。
原因刚才我们也提到的，电交换在细粒度调度、组播复制、流量整形等场景中仍有不可替代的优势，而光交换则在大流量、确定性强的场景下更具性价比。
电交换和光交换并非简单的替代关系，而更倾向于在各自擅长的场景中协同工作，共同构成智算网络的基础架构。
后续，OCS还会继续向前发展，端口规模会进一步扩大，损耗和干扰还需进一步克服，集成度、调控速度、可靠性等，都有待进一步提升。
我相信随着时间的推移，OCS技术将逐步走向成熟，真正成为打开全光之门的钥匙。
文章转载自微信公众号：鲜枣课堂