传统网络交换机，如以太网或InfiniBand交换机，每个数据包都需要进行路由判断和存储转发，在处理海量、持续的数据流时，会引入不可避免的延迟和拥塞。

光学电路交换机OCS通过微机电系统MEMS反射镜阵列等技术，在物理层面改变光束的传播路径，从而实现任意输入端口与任意输出端口之间的直接光连接，这种连接是“电路交换”的，数据流就可以像火车一样，以光速、近乎零延迟、无冲突地通过，直到任务完成。

而随着AI大模型的持续迭代升级，运算量越来越大。一个千亿乃至万亿参数的大模型，其训练任务会被拆分到数千个TPU或GPU上同时进行，这些芯片需要在每个训练步骤结束后，立刻相互同步梯度数据，每个节点都需要与所有其他节点通信，这个通信量巨大且持久，对网络带宽和延迟的要求达到了极致，所以OCS的优势愈发凸显。

简单来说，后AI算力时代大规模并行训练，是当前OCS需求爆发的本质。

全球云服务厂商和大型企业都在疯狂建设AI数据中心，每个这样的数据中心，都可能包含数十个乃至上百个由数千颗加速芯片组成的集群，而每一个这样的集群，都需要一个或多个OCS作为其网络核心。

预计到2028-2030年，其市场规模将从2023年的数亿美元增长至数十亿甚至百亿美元级别，年复合增长率超过30%。

......

目前，OCS已经俨然成为谷歌TPU的黄金搭档，成为谷歌TPU爆发的最大增量。

OCS有两种主要技术路径，一种是基于MEMS（微机电系统）的OCS，这是目前最成熟、应用最广泛的商用方案，其核心是一个由微小镜面组成的阵列，通过精确控制每个镜面的角度，可以将入射的光束反射到任意指定的输出端口。技术成熟、功耗低，端口数可以做得很大，但有一定延迟。

另一种是基于硅光的OCS，是一种更前沿的技术，它利用硅波导和热光/电光效应，通过芯片上的干涉仪结构来改变光路，实现开关功能，切换速度更快，但是目前技术难度和制造成本较高。

谷歌是MEMS-OCS路径最坚定、最成功的实践者，从其公布的专利和研究论文来看，谷歌自TPU v23时代就开始研发并部署基于MEMS的OCS，并将其深度整合到其TPU v45 Pod的Jupiter数据中心网络架构中。

有数据显示，引入OCS定制化网络后，谷歌网络的吞吐量提升了30%，功耗降低了40%，网络宕机时间减少了50倍，最关键的是，它让资本开支减少了30%。成功实现了性能的大度提升，验证了其在超大规模AI计算场景中的实用价值。

在最新的谷歌TPU（Ironwood）集群中，48台OCS交换机连接了9216个TPU芯片，构建了一个低延迟、高带宽的动态光子网络。

如果按照目前每年400万颗TPU组网测算，仅谷歌一家就将带动约2-4万台OCS交换机出货。