OCS（Optical Circuit Switching，全光交換）：AI 資料中心的下一場光革命

過去兩年，AI 的爆發讓「資料中心的瓶頸」這句話第一次聽起來不再只是老生常談。問題不在 GPU、不在 HBM、不在 PCIe，而是在最底層的那張網：交換架構（Switching Architecture）。AI 集群愈做愈大，從原本一個機房塞滿 GPU，變成許多機房串成一座 AI 超級工廠。而每當规模增加 4 倍，網路交換器的布線、耗能與延遲就會以指數方式爆炸。

這讓整個產業都看到同一件事：

下一代 AI 網路的核心，不是更快的 SerDes，而是更聰明的拓撲＋更低功耗的交換方式。

OCS（Optical Circuit Switching，全光交換）於是受到注意。

為什麼大家開始認真看 OCS？

我認為原因在於：

光不應該被強制轉成電再轉回光。

傳統交換機（即 OEO 交換）會做的事包括：

1. 光 → 電

2. 在晶片內處理交換

3. 電 → 光

這聽起來合理，但當數據量大到 AI 等級，就變成三個大問題：

1. 電交換是瓶頸

所有流量都要經過交換晶片，因此：

• SerDes 速率拉不上去時，你的網路升級全部卡死

• 晶片功耗大到不合理

• 交換設備變得又大又熱又貴

2. OEO real-time 處理成本太高

1000+ 個機櫃，數萬個反覆進出的 data flow，每次都要經過 OEO 轉換，這成本是線性的，但流量是指數。

3. 效能無法隨集群擴大

大家都知道 GPU scaling 在走 diminishing return，但很少人注意到：

網路是讓 diminishing return 提前發生的主因。

OCS 的出現，就像把其中一條鐵軌換成無摩擦軌道。

OCS 的本質：跳過 O/E/O 的「光路重構」技術

它不是 “更快的交換機”

也不是 “新型光模組”

OCS 是：

• 一種用光路直接接光路 的方式

• 每一條連線都是「專屬光路」

• 速率、協議、調變格式都不重要

換句話說：

你把光纖 A 接到光纖 B，中間不碰電。

這也意味著：

完全速率無關（Rate-Agnostic）

→ 800G / 1.6T / 3.2T 甚至更高都不用換 OCS

Truly Low Power

→ 沒 DSP、沒 SERDES、沒交換晶片

高度可擴展

→ 想加端口？你只是在接更多的光纖

→ 不需要重新部署 Spine 層

延遲極低且穩定

→ 沒封包處理、沒有 buffer、沒有 ASIC pipeline

OCS 的四大技術路線

這是大量工程細節，但我用最簡單的方式整理：

1. MEMS：成熟但存在極限

• 反射鏡轉動，切換 ~25ms

• 插損低、規模大、率先商用

• Google TPU v4 / v5 / Ironwood 採用

→ 短期最成熟的 OCS，但長期瓶頸明顯。

2. 液晶（LC / DLC）：極高可靠度

• 來自 WSS 技術

• 可靠度世界排名第一

• 切換速度較慢（~100ms）

→ 適合需要高可靠、高穩定的大規模 Spine。

3. 壓電（Piezo / DLBS）：物理極限更強

• 完全無機構件

• 插損最低、反射損耗最小

• 擴展到超高端口時難度增加

→ 長線非常有潛力，但挑戰是 scaling。

4. 矽光波導（Si Photonics）：未來最值得看

• 切換速度最快（<100 µs）

• 可透過 SOA 補償插損

• 成本下降潛力最大（CMOS 工藝）

→ 非常有可能是最終的解決方案。

OCS 真正爆發的原因：三張 AI 網路同時卡住

AI 不是一張網，而是三種網：

• Scale-Up（機櫃內/Pod 內）

• Scale-Out（資料中心內）

• Scale-Across（資料中心之間）

OCS 同時在這三張網找到自己的位置。

1. Scale-Up：TPU 的 3D Torus 不靠 OCS 撐不起來

看 Google TPU 的拓撲演進就知道 OCS 的必要性。

TPU v4

• 4096 顆 TPU

• 48 台 136-port MEMS OCS

• 3D Torus 拓撲依靠 OCS 重構光路

• 延遲、功耗均顯著下降

Ironwood

• 9216 顆 TPU（超過兩倍規模）

• 要求 OCS 端口翻倍

• 架構完全沿用 OCS，而非 CPO

這說明一件事：

Google 不是“試用” OCS，而是把它變成 TPU 的系統設計一部分。

2. Scale-Out：資料中心 Spine 層的重新設計

Google 在 Jupiter 網路中植入 Apollo OCS，結果震撼全產業：

• 延遲降低 10%

• 吞吐提升 30%

• 整體功耗降低 40%

• 成本降低 30%

光交換在大規模 Data Center 的效果，遠比想像中明顯。

而這不是 “部分流量優化”

是 Google 在實際運行中得出的結論：

Spine 層放 OCS = 整棟 DC 網路壓力減輕

對 hyperscaler 來說，這是不可忽視的誘因。

3. Scale-Across：NVIDIA 推出的第三張網（跨資料中心）

NVIDIA 在 Spectrum-XGS 中提出新觀念：

Scale-Across 是 AI 時代的第三張關鍵網路。

當多個資料中心要變成「一個 AI 集群」時：

• 需要大量 DCI（長距離光連線）

• 需要可動態重構拓撲

• 需要跨區域同步低延遲

這些需求與 OCS 的特性幾乎完美對應：

DCI 需求	OCS 特性
高帶寬	不看速率，端口可擴展
動態拓撲	光路即時重構
長距離	低損耗、可搭配 C 波段
環境異質	協議完全無關

Coherent 更宣布：

→ 2026 推出 DCI 專用 C-band OCS

這代表：

Scale-Across 將是下一個 OCS 大爆發市場。

OCS vs CPO：不是敵人，而是 AI 網路雙核心

這是目前大家最常誤解的部分。

• 錯誤想法：OCS 會取代 CPO

• 正確觀點：CPO 與 OCS 是互補的

NVIDIA 的數據最清楚：

網路架構	功耗
可插拔	83 pJ/bit
可插拔 + OCS	50 pJ/bit
CPO	48 pJ/bit
CPO + OCS	31 pJ/bit（最低）

這證明：

• CPO 負責高速、短距離交換（Rack / TOR / Leaf）

• OCS 負責拓撲重構與 Spine / DCI

兩者合體 → 才是 AI SuperFabric 的終局形態。

供應鏈觀察：哪些產業鏈位置值得關注？

我將整個供應鏈拆成三層：

Layer 1：核心開關技術

MEMS

• 全球幾乎被一兩家掌握（如 Calient、Lumemtum）

液晶（LC / DLC）

• Coherent 技術最成熟

壓電（DLBS）

• Polatis + 凌雲光子聯合強推

矽光波導

• iPronics

• 中國的德科立也快速追上（提供 32×32、SOA 自研能力）

未來十年最值得關注的路線：SiPh OCS

Layer 2：光學/被動元件

包括：

• 光纖陣列

• FAU

• 透鏡陣列

• 偏振元件

• 光楔（YVO₄）

• 耦合組件

• WDM（Z-block）

Layer 3：整機／系統級 OCS

• Calient / Polatis（成熟）

• Coherent（液晶系統）

• TeraHop（旭創旗下）

• 光庫（代工切入）

• 德科立（SiPh OCS 原型）

這一層未來成長速度會非常快，尤其是：

• hyperscaler 自建 OCS

• 中國 AI 資料中心投入全光網路

最後：OCS 的本質不是「更快」，而是「更簡單」

AI 時代的網路演進正在從：

電交換 → 光電混合 → 全光網路（All-Optical Network）

OCS 不是一個 “更快的交換機”

而是一個：

讓網路拓撲重新變得有彈性、低功耗、可 scale 的新架構核心。

如果你在做：

• AI Infrastructure

• GPU/TPU/ASIC 集群

• Hyperscale Data Center 架構

• 光通訊模組 / SiPh

• Cloud Networking

那 OCS 這個名詞在未來五年會越來越常出現在你的會議與 roadmap 裡。

總結

OCS 是下一代 AI 資料中心的基礎設施，角色類似 GPU 之於 AI。它不會取代所有東西，但會重新定義所有東西的邏輯。

• 它會是 TPU / AI ASIC 的必須品

• 它會重塑 Spine 層

• 它會是下一代 DCI 的標準選項

• 它會與 CPO 並存，甚至成為最佳拍檔

• 它會推動光學供應鏈重新洗牌

• 它會成為 SiPh 產業的新戰場