November_AI Optical Communication｜2026 OCS in AI Data Center Development Trend Study(Up)

資料中心網路的擴充能力。目前AI伺服器集群的佈建趨勢已從單一機櫃內的Scale-Up，擴展至資料中心內多機櫃/Pod間的Scale-Out。接著，nVIDIA又新宣布「Scale Across」這個概念，進一步延伸至跨資料中心形成一個AI超級工廠的巨大架構。然而，網路交換器的性能未能跟上GPU算力的指數級增長，使得「交換架構」成為了最底層的瓶頸。傳統OEO交換機採用光-電轉換方式進行流量交換 ，這在AI等級的巨大數據量下，會產生三個核心問題，如表一。

表一、OEO交換器挑戰與影響

若以目前AI 伺服器擴張架構的趨勢，將會面臨的問題如下：

1. Scale-Up (機櫃內/Rack, 1~20 m)：這一層主要是 GPU 與 GPU或CPU 之間的直接互連。在ECOC 2025提到在800G（8×100G PAM4）與早期6T（8×200G PAM4）佈建中，100G/lane 的 SerDes 距離已逼近極限，銅纜 reach 多落在1~2公尺範圍。當向 200G/lane 過渡時，reach 會進一步縮短，同時功耗和散熱成為機櫃設計的首要難題。
2. Scale-Out (資料中心內, 數十至數百米)：這一層跨機櫃、跨 Pod 的 AI 集群佈建。從許多資料顯示，6T與未來3.2T 光模組的 DSP(Digital Signal Processing, 數位訊號處理器)、FEC(Forward Error Correction) 與 SerDes(序列／解序列) 將把功耗推升至不合理的程度，導致傳統主幹枝葉式架構中的Spine層交換機的功耗與延遲問題隨著集群規模的倍數增長而呈指數爆炸。因此巨量頻寬與功耗會是本層的瓶頸所在。
3. Scale-Across (跨資料中心, DCI)：nVIDIA提出的主要原由是，LLM、MoE、超大型 embedding 模型需要在多資料中心間同步訓練。根據資料指出，全球 Hyperscaler 有超過 95% 的資料中心距離落在 120 公里以內，瓶頸在於動態佈建能力與低延遲。當多個資料中心需協同運作，成為「一個AI集群」時，需要可動態重構佈建的傳輸路徑，以及跨區域的同步低延遲。此處剛好是 ZR(Extended Reach)與 OCS 可共同發揮的距離。

 

這三個層級各自有不同的物理限制，Scale-Up受到 I/O密度、銅纜物理極限與散熱限制，這些問題本質上屬於封包交換與電介面議題，沒有必要一定要靠光路佈建重構來解決(備註：CPO在能耗與密度上有優勢，但可靠度與維護成本仍需解決)。而另外兩層的瓶頸已經確認無法透過傳統 OEO交換機路徑優化解決。因此OCS被 Hyperscaler 模型推到台前。它並非更快的交換機，而是一種能動態重構光路的佈建、跳過 OEO的光電交換方式，使資料中心不需要再依賴 SerDes、DSP、或多層 spine switch 進行封包交換。特別在Scale-Out和Scale-Across層，OCS能提供動態、低耗、高速率無關的專屬光路，成為解決大規模AI集群網路核心痛點的關鍵技術。OEO與OCS概念如下圖一

圖一. OEO與OCS 交換節點之概念圖

source：東北證券，知乎

 

 

什麼是OCS？其運作機制與痛點解決原理

全光交換器（OCS）本質上是一種「光路重構」技術，其核心在於跳過光、電的轉換過程，而非「更快的交換機」或「新型光模組」。其結構定義是一種透過光路直接與光路連接的方式，在交換機內不碰觸電力介面，直接在光域完成連接或轉換的技術。它為每一條連線提供了一條「專屬光路」。透過光學元件（如微機電反射鏡或液晶陣列）直接改變光纖A到光纖B的路徑，不涉及電信號的處理、編碼或解碼，其速率、協議或調變格式皆不重要。

若以路徑來看，傳統OEO交換機為：

光 → 電（SerDes）→ ASIC（封包交換）→ 電（SerDes）→ 光

AI 訓練的數據量極其巨大，當數百 TB/s 的流量要不斷穿越多層交換網路時，這樣的 OEO 過程會產生非常高的功耗(DSP/SerDes 都是吃電怪獸)、交換延遲不穩定（buffer、queue、pipeline）、封包處理邏輯複雜、傳輸線路佈局難以變動。

而OCS做到的是：光纖 A 接到光纖 B，

光 → 光

中間完全不轉換成電訊號，不做封包。其中沒有DSP、沒有SerDes、也沒有電交換（ASIC）等晶片，因此功耗極低。因為沒有封包處理、沒有Buffer緩衝區、沒有ASIC線路分配，所以延遲極低且高度穩定。歸納而言，OCS能夠解決上述痛點的核心原理，在於其「專屬光路」的設計和「速率無關」的特性。在大規模AI訓練中，流量模式大多是穩定的、可預測的、且持續時間較長(例如：模型訓練期間的集體通訊)。OCS可以在流量路徑建立後，將光訊號直接導引至目的地，避免了在交換晶片中重複的O/E/O轉換。這直接消除了電交換的功耗和發熱問題，同時將延遲降到光速傳播的物理極限，顯著提升了AI集群的訓練效率。Google的實際部署結果證實，OCS能有效減輕Spine層的網路壓力

 

 

OCS and CPO Switch 的差異與關係

一談到光通訊的交換器(Switch)，相信許多人會直接聯想到目前很紅的共同封裝光學(CPO) 交換器。OCS與CPO Switch是AI網路架構中兩種不同的光學革新方向，它們並非是互相取代的競爭者，而是在大型AI 資料中心互補的雙核心夥伴。CPO的目標是解決機櫃內部將光學元件移近交換器ASIC，從而最大程度地減少電訊號的訊息損耗和功耗問題，其主要負責高速、短距離的封包交換，適用於機櫃內的TOR（Top-of-Rack）或Leaf層。因此 CPO 的「戰場」位置非常明確，用於 Scale-Up 與 Scale-Out 接近交換 ASIC 的短距離高速互連。從許多測試資料顯示，CPO相較於可插拔模組可節能約65%。而OCS的「戰場」是目標解決大規模集群間的光路佈建重構與互連（Scale-Out與Scale-Across），簡單的說是把交換行為從光電轉換領域搬到光域，使整個網路架構變得更扁平、更省電、可動態重構。它負責Spine層和DCI(Data Center Interconnect)的低功耗、長距離、動態連接。整體來說，CPO優化了AI節點內部的交換（縮短電訊號的傳輸距離，效率最大化）；OCS優化了AI節點之間的連接（拓撲彈性與功耗最佳化）。OCS 與CPO的比較表，如表二。

表二. OCS 與CPO的比較表