芯耀
与非AI
256
过去几年，AI芯片的故事讲得最多的是GPU、HBM、先进封装和光模块。但当大模型越做越大，真正让数据中心“跑起来”的，不只是单颗芯片有多强，而是成千上万颗芯片能不能像一个整体一样协同工作。
这就引出了一个正在升温的新词：OCS，Optical Circuit Switch，光电路交换机，也常被称为全光交换机。
听起来很“通信”，但它其实和半导体行业密切相关。因为OCS里面最核心的部件之一，是MEMS微镜阵列；而决定OCS能不能真正进入AI数据中心的关键，也不只是“能不能把光切过去”，而是MEMS芯片、自由空间光路、准直封装、闭环校准、热稳定和量产一致性这一整套工程能力。
一、AI数据中心为什么突然需要OCS？
可以把AI数据中心想象成一个超级工厂。GPU、TPU、XPU是工人，每个工人都很强，但大模型训练不是一个人闷头干活，而是几千、几万名工人同时分工、交换中间结果、再继续计算。
问题来了：如果工人之间传话太慢，工人就会等；如果传话太耗电，电费和散热就会爆；如果路线太绕，整体效率就会下降。AI集群越大，网络就越像“算力工厂的道路系统”。
传统电交换机EPS更像一个大型邮局。每个数据包进来后，交换芯片要读取地址、判断去向、排队、转发。这个过程非常灵活，适合互联网业务里碎片化、随机性的流量。但AI训练有很多大颗粒、周期性、可预测的通信，比如不同GPU之间反复做参数同步、梯度交换和集合通信。对于这类流量，如果每次都进“邮局”拆包、看地址、排队，效率并不高。
OCS的思路更像铁路调度。它不打开车厢看里面装了什么，而是直接把轨道切好：从A站到B站，形成一条专用光路，光信号沿着这条路直接过去。它不关心传的是400G、800G还是未来1.6T，也不关心里面跑的是以太网、InfiniBand还是自定义协议。只要光功率够、链路预算够，它就是一条“透明的光纤高速路”。
所以，OCS不是要替代所有电交换机，而是在AI数据中心里增加一层“可编程的物理光连接层”。电交换机继续负责灵活的包处理，OCS则负责把高带宽、强规律、可调度的流量从电交换层中解放出来。
二、OCS到底改变了什么？
OCS最核心的变化，是把“网络拓扑”从固定的布线，变成可以软件定义的物理连接。
过去数据中心网络通常采用多级Clos架构，服务器先连ToR，再连Leaf、Spine，规模越大，交换层级越多，光模块、SerDes、交换ASIC、功耗和故障点都会增加。OCS引入后，可以在某些场景下替代部分Spine层，或者在GPU/TPU机柜之间建立动态直连光路，让数据少走弯路。
这带来三个直接价值。
第一是低功耗。OCS的数据路径本质上是光路重定向，不需要每一跳都做光-电-光转换，也不需要交换芯片逐包处理。对于功耗已经极高的AI数据中心来说，网络每省下一瓦，背后都是电源、散热和机房容量的改善。
第二是低时延。AI训练中很多通信是同步的，一个节点慢，全局都要等。OCS不做复杂包处理，等于减少了中间环节。
第三是跨代复用。电交换机的生命周期往往跟交换ASIC和端口速率绑定，从400G到800G再到1.6T，设备更新压力很大。OCS更像一套光纤基础设施，对速率和协议透明，只要光链路预算满足，就有机会跨代继续使用。
这也是为什么OCS不能只被看作“交换设备”。在AI数据中心里，它更像“算力资源组织工具”：把GPU/TPU机柜、训练Pod、备份资源池、不同任务切片，用光路重新组织起来。
三、Scale-Up、Scale-Out、Scale-Across，OCS分别能做什么？
AI集群扩展大致可以分三类。
Scale-Up，是单节点或单机柜内的纵向扩展，比如把更多GPU放进一个系统，让它们像一台更大的机器一样工作。这里对带宽和时延最敏感，OCS可以配合光互连，把机柜之间的边界进一步打薄。
Scale-Out，是多节点、多机柜、多Pod的横向扩展。现在大模型训练往往不是几十张卡的问题，而是几千、几万张卡如何协同的问题。OCS的价值在于可以根据训练任务，把某些机柜临时组成一个更紧密的拓扑，任务结束后再释放给其他作业。
Scale-Across，是跨数据中心扩展。它把地理上分散的数据中心连接成更大的AI工厂。这个阶段不仅考验带宽，还考验资源调度、故障恢复和成本控制。OCS虽然不是唯一方案，但它代表了一个方向：网络不再只是“传数据”，而是参与算力资源的编排。
以Google TPU集群为例，资料中提到TPU v4 SuperPOD由64个Rack构成，对应4096个TPU v4芯片；Cube内部通过PCB和铜缆互连，外部则通过光模块和OCS连接。可以理解为：小范围内用电连接追求极致密度，大范围内用光连接追求距离、带宽和灵活重构。
四、为什么MEMS是OCS的主流路线？
OCS有多种技术路线，包括MEMS、数字液晶/LCoS、直接光束偏转、硅光波导等。它们各有特点，但在高端口、低插损、协议透明的数据中心OCS中，3D MEMS自由空间光路目前最受关注。
MEMS OCS可以想象成一个微型“光学反射大厅”。输入端是一排排光纤准直器，把光纤里发散的光变成平行光束；中间是MEMS微镜阵列，每个微镜都可以在二维角度上精确偏转；输出端也是光纤准直器阵列。系统通过控制微镜角度，把任意输入端口的光束反射到目标输出端口。
这里的MEMS微镜不是普通镜子，而是半导体工艺制造的微米级可动结构。它既有芯片属性，又有机械属性，还要和光学系统深度耦合。这也是半导体行业关注OCS的原因：它不是传统通信设备的简单升级，而是“MEMS芯片+精密光学+先进封装+控制算法+自动化制造”的综合体。
相比液晶方案，MEMS的切换速度和端口扩展能力更适合高性能场景；相比硅光波导方案，3D MEMS自由空间路径在高端口下更容易保持较低插损和协议透明；相比机械式方案，MEMS更容易做到较高集成度和毫秒级切换。
当然，MEMS也不是万能。它有运动部件，需要高精度驱动，需要长期保持光斑耦合，还要解决温度漂移、振动、封装应力和阵列一致性问题。这些才是产业化真正的难点。
五、OCS的壁垒，不是“光能不能切过去”
实验室里让一束光从A端口打到B端口，并不是最难的。真正困难的是：几百个端口、几万种连接组合，每一条路径都要低插损、低回损、低串扰，而且在数据中心长时间运行中不能明显漂移。
插损可以理解为“路上损失了多少光”。OCS每多损失1dB，都会压缩光模块的链路预算，可能让客户不得不用更高功率、更贵的光模块。回损则像“光的回声”，反射太大，会干扰高速PAM4信号，影响误码率。温漂则像高速铁路轨道的热胀冷缩，微小偏移就可能让光斑没有准确耦合进目标光纤。
因此，优秀的MEMS Optical Core必须具备几项能力：一是高一致性的MEMS阵列芯片；二是高精度光纤准直器阵列和透镜阵列；三是稳定的自由空间光路结构；四是温度补偿和闭环监控；五是自动化装调和全连接标定；六是长期可靠性和可维护性。
换句话说，OCS的核心不是一面会动的小镜子，而是一套能在数据中心环境中长期稳定工作的“光学发动机”。
六、什么是MEMS Optical Core？
如果把OCS整机比作一辆车，机箱、电源、风扇、控制软件像底盘和车身，那么MEMS Optical Core就是发动机和变速箱。
它通常包括MEMS微镜阵列、光纤准直器阵列、透镜阵列、滤光片、监控光路、驱动控制、温控结构和标定算法。产业链中，整机厂可以做系统集成、网络管理、SDN接口和客户交付；而Optical Core厂商负责最难的光学核心。
这也解释了为什么很多具备MEMS、精密光学和自动化装调能力的企业，更适合先从核心模块切入，而不是一开始就直接做OCS整机。数据中心客户对整机可靠性、运维接口、生态适配要求极高，初创公司直接挑战整机并不容易。但如果能证明自己的Optical Core在插损、回损、温漂、校准和可靠性上达标，就有机会进入网络设备厂、云厂商自研平台或光模块/光器件产业链。
七、国产替代看什么？
OCS的国产替代，不应只看“有没有样机”，而要看能不能过工程化门槛。
第一，看参数分布。不是展示一条最佳光路，而是看所有端口组合的插损分布、最差值和温循后的变化。
第二，看回损和高速链路验证。真正的数据中心场景要接400G、800G甚至更高速光模块跑误码率和FEC裕量。
第三，看自动化制造。手工调出来的样机不等于可量产产品。OCS的装调和标定需要自动化设备、工艺窗口和一致性控制。
第四，看长期可靠性。MEMS微镜、镀膜、胶水、封装窗口、准直器阵列都会受到温度、湿度、振动和时间影响。
第五，看客户验证。OCS不是孤立器件，它必须接入真实AI集群的网络架构、调度系统和运维体系。
结语：OCS是AI算力网络的“光学底座”
AI数据中心的竞争，表面上是芯片算力的竞争，深层次是系统工程的竞争。GPU再强，如果网络跟不上，集群效率也会被拖住。OCS的意义就在于，它让数据中心网络从“固定道路”走向“可重构光路”，让算力资源可以更灵活地组织。
对半导体产业来说，OCS打开的是一个交叉赛道：MEMS工艺、精密光学、光通信封装、驱动IC、热设计、自动化装备和系统软件都会被卷入其中。未来真正有价值的企业，未必是一开始就喊出“做整机”的企业，而是能把MEMS Optical Core做到低插损、低回损、低温漂、可校准、可量产、可维护的企业。
AI时代，数据中心不只需要更强的芯片，也需要更聪明的“光路”。OCS，正是这条光路背后的关键基础设施。
