2. 数据中心光互连挑战与OCS价值分析
在AI/ML集群规模从千卡走向万卡、十万卡的过程中，数据中心内部网络的压力已经从“够不够快”转变为“能不能同时满足带宽、时延、功耗和成本”。理解Lumentum OCS（Optical Circuit Switch，光路交换）的价值，需要先看清传统电交换在东西向流量爆发下暴露出的结构性瓶颈，再分析光路交换为什么能在带宽与功耗两个维度同时给出更优解。
东西向流量：从配角变成主角
传统数据中心以“南北向”流量为主，即客户端与服务器之间的请求—响应模式。这种流量可以用树形或叶脊（Spine-Leaf）架构较好地承载，因为大部分通信发生在接入层与核心层之间，路径相对固定。但在AI训练场景中，情况发生了根本变化：一次大模型训练需要成百上千张GPU协同完成梯度同步、参数交换和AllReduce集合通信，通信对象是“任意GPU到任意GPU”，流量呈现典型的“东西向”特征。
以典型的大模型训练为例，假设一个集群有4096张GPU，采用数据并行加张量并行混合策略。每一轮迭代中，AllReduce操作会让每张GPU与同组内其他GPU交换梯度数据。若单卡梯度数据量为数百MB，一轮通信量可达TB级别，而训练往往需要数十万轮迭代。这意味着集群内部的东西向流量可能比南北向高出1～2个数量级，且呈现突发性、周期性、全互联的特征。
这种流量模式对网络提出了三个硬性要求：第一，任意两点之间要有高带宽路径；第二，通信时延要低且稳定，否则会拖慢同步节奏；第三，网络功耗不能随端口数线性膨胀，否则电费和散热将不可承受。
传统电交换的三重瓶颈
传统电交换（基于SerDes、交换芯片和背板/铜缆）在东西向流量面前暴露出三个瓶颈。
带宽瓶颈。电交换芯片的容量受限于SerDes速率和芯片I/O数量。虽然单通道速率从25Gbps提升到112Gbps甚至224Gbps，但芯片总容量增长逐渐放缓。当集群需要数万条400G/800G链路时，需要多级电交换级联，每一级都引入时延和功耗。更关键的是，电交换的带宽扩展依赖“更多端口、更高速率”，而高速SerDes的功耗和信号完整性代价急剧上升。
功耗瓶颈。电交换每比特的能耗大约在数皮焦耳（pJ/bit）量级，且随着速率提升，均衡、时钟恢复、驱动等电路的功耗并未同比下降。一个典型的大型电交换集群，网络功耗可占集群总功耗的10%～20%。在AI集群中，GPU本身功耗已经很高，网络功耗的每一瓦都直接挤压算力预算。
时延与拥塞瓶颈。多级电交换意味着数据包要经过多次存储转发、排队和调度。在AllReduce这类同步通信中，最慢的一条路径决定整体速度，拥塞和尾时延会被放大。此外，电交换的缓存和调度机制在突发流量下容易产生排队抖动，影响训练稳定性。
光路交换的带宽与功耗优势
光路交换的核心思想是：在光域直接建立端到端的物理通道，让光信号从源端口透明传输到目的端口，中间不经过光电转换和电交换芯片。这与电交换的“存储—转发—调度”模式有本质区别。
从带宽角度看，OCS的通道带宽由光波长和光纤决定，单根光纤通过波分复用（WDM）可以承载数十甚至上百个波长，每个波长可达400G/800G。OCS本身不解析数据包，只负责切换光路，因此其“交换容量”可以做到很大，且与信号速率解耦——升级端口速率不需要更换交换核心，只需更换两端光模块。
从功耗角度看，OCS的功耗主要来自光开关的驱动、控制电路和光放大（如有），不涉及每比特的SerDes和交换芯片功耗。以Lumentum OCS采用的MEMS（微机电系统）光开关为例，其切换动作是物理镜面偏转，保持状态下几乎不耗电，功耗与端口数和切换频率相关，而不是与流量比特数线性相关。这意味着在流量持续增长时，OCS的功耗增长远低于电交换。
从时延角度看，光路一旦建立，信号以光速传输，没有电交换的存储转发和排队，时延可预测且极低。对于AllReduce这类对同步敏感的操作，稳定的低时延比平均时延更重要。
Lumentum OCS在AI/ML集群中的角色
在AI/ML集群中，Lumentum OCS并不是要完全取代电交换，而是承担“大带宽、长距离、周期性重配置”的骨干连接角色。典型的部署方式有两种。
第一种是作为Spine层的补充或替代。在叶脊架构中，Leaf交换机负责接入GPU服务器，Spine层负责Leaf之间的全互联。当Spine层需要承载大量东西向流量时，可以用OCS构建一个可重构的光纤骨干：每个Leaf通过光模块连接到OCS的端口，OCS根据训练任务的通信模式动态建立Leaf之间的光路。这样，Spine层的带宽不再受电交换芯片容量限制，功耗也大幅降低。
第二种是作为GPU直连的交换层。在更激进的架构中，GPU网卡直接通过光模块连接到OCS，OCS在GPU之间建立光路。这种架构下，通信路径最短，时延最低，但要求OCS端口数足够多、切换速度足够快，且需要上层调度软件配合，在训练任务开始前或通信阶段切换光路。
Lumentum OCS的核心器件是MEMS光开关矩阵，其特点是：端口数可做到数百甚至上千；切换时间在毫秒级；插入损耗较低；对波长和速率透明。这意味着它既能支持当前的400G/800G，也能平滑演进到1.6T，而不需要更换交换核心。对于AI集群而言，这种“速率无关”的特性非常重要，因为GPU和光模块的迭代速度远快于交换机的更换周期。
在实际工程中，OCS的价值还体现在“可重构性”上。AI训练任务的通信模式并非一成不变：数据并行、张量并行、流水线并行对应不同的通信拓扑。传统电交换依赖路由协议和拥塞控制来适应，而OCS可以在任务切换时直接重配置光路，把带宽“物理地”分配到需要的方向上。这种能力在万卡集群中尤为关键，因为任何一条链路的拥塞都可能拖慢整个同步过程。
价值判断：什么时候该引入OCS
判断一个AI集群是否适合引入OCS，可以从三个维度评估。第一，东西向流量占比是否超过50%，且呈现明显的周期性同步通信；第二，网络功耗是否已经占到集群总功耗的10%以上，且电交换扩容成本急剧上升；第三，集群规模是否达到数千张GPU以上，使得多级电交换的时延和拥塞成为训练瓶颈。
如果三个条件中有两个以上成立，OCS就值得纳入架构设计。它带来的收益不仅是带宽和功耗，还包括更可预测的时延、更平滑的速率演进路径，以及更灵活的拓扑重构能力。对于Lumentum OCS而言，其在AI/ML集群中的角色可以概括为：用光域的透明通道，承接电交换难以高效承载的大带宽、周期性、全互联通信，让网络不再成为算力释放的瓶颈。