技術文章分析 | OCP 2026 白皮書：OCS 正式從 Google 內部專利，走進整個資料中心產業的工具箱

光通訊圈過去三年最常被引用、但也最常被誤解的一份文件，是 Google 在 SIGCOMM 2022 發表的「Jupiter Evolving」論文。那篇論文揭露了一件事：Google 已經把它的資料中心 Spine 層用光交換（Optical Circuit Switching，OCS）取代了——而且省下 41% 的網路功耗、30% 的 CAPEX。

這件事在當時看起來像「Google 又用了一個別人做不到的內部技術」。但 2026 年 4 月，Open Compute Project（OCP）發布了一份白皮書，作者群來自 iPronics、Lumentum、Ciena、Carnegie Mellon、Lumotive 五家不同立場的玩家，把 OCS 拉到產業共識的層級。

這份白皮書最重要的訊號不是技術內容，而是它的存在本身：OCS 已經從「Google 獨門武器」變成「OCP 社群正式背書的下一代資料中心骨幹」。整個產業——包括台灣供應鏈——應該開始把它放進工具箱裡，而不是繼續當成研究室裡的東西。

1、為什麼是現在

EPS（電子封包交換，Electrical Packet Switching）這條路撐了 30 年，但走到 AI 訓練世代撞牆了。白皮書點出三個結構性問題：

第一是功耗。每一台 EPS 都要做 OEO 轉換（光-電-光），這個轉換本身就是電老虎。白皮書直接給出數字：一座大型資料中心若用 64 台 16 槽機箱型 spine switch，每台 30kW 功耗（400G 半套相干光模組），光是 spine 層滿載時就要吃掉 1.9 MW。這還沒算冷卻。

第二是延遲與抖動。AI 訓練中的 collective operation（AllReduce、AllGather）是同步阻塞型的——只要有一個封包慢了，整批 GPU 都得等。EPS 的封包緩衝、佇列競爭、擁塞控制都是延遲變異的來源。論文 [9] 給的數字很直白：在大規模叢集中，網路效能變異會明顯拉低應用級擴展性。

第三是擴展性。封包交換機的單機 radix 隨著每埠速率提升反而下降——port count 跟不上頻寬，於是只能多層堆疊，每多一跳就多一次 OEO，功耗與延遲雙重劣化。

OCS 的解法很暴力：乾脆不轉成電。光從入埠進來，直接被導向另一個出埠，整條光路保持在光域。沒有封包緩衝、沒有 OEO、沒有 QoS 處理。代價是失去封包級的控制能力。

2、把 OCS 想成「玻璃窗」，不是「處理器」

白皮書裡有一段比喻寫得特別好。它說 OCS 應該被理解成「a clear glass window」——它只是把光導過去，不去讀它、不去處理它、甚至不知道光裡面在傳什麼。

這跟 EPS 是兩種完全不同的物種。EPS 像郵局：每個封包進來都要拆封、看地址、決定怎麼轉發、再封回去。OCS 像鐵軌切換器：扳一下道岔，整列火車就改方向，至於車廂裡裝什麼貨，跟它無關。

這個物種差異帶來四個直接後果：

• 好處 1：因為不讀內容，OCS 是 protocol-agnostic 與 rate-agnostic 的。同一台 OCS 今天可以接 100G，明天升 400G，後天升 1.6T，硬體不用換。對 hyperscaler 來說，這代表 spine 層可以一次部署、長期使用，不用每兩三年砍掉重練。

• 好處 2：沒有 OEO 轉換，沒有電子處理，於是功耗很低、延遲極低、抖動接近零。

• 代價 1：OCS 是電路交換（circuit switching），點對點建立連線後就一直保持，不能像封包交換那樣動態 fan-out 給多個目的地。所以它不適合處理高度動態、突發性、不可預測的流量。

• 代價 2：因為不讀封包，QoS、流量檢測、telemetry 這些功能全部做不到。Insertion loss 累積也限制了 OCS 的「跳數」——白皮書明確指出，目前實用部署大概只能撐 1-2 hops，再多就要加 SOA（半導體光放大器）來補損耗。

理解這四點，才能理解為什麼 OCS 不是 EPS 的「取代者」，而是「互補者」——它去吃 EPS 最痛的那塊（spine 層的長連線、大流量、慢變化），把封包級控制讓給 EPS 繼續做。

3、技術路線盤點：六條路、各有戰場

白皮書把目前可實作 OCS 的物理技術分成六大類，這張對照表是整份文件最值得收藏的部分

技術路線	Radix（埠數）	Insertion Loss	切換時間	適合場景
Robotic（機械式光纖 patch panel）	大	低	秒~分鐘	變化緩慢、超大規模
MEMS（微機電鏡）	中	中	毫秒	量產主流，Google TPU 用這個
Liquid Crystal（液晶）	中	中	毫秒	需偏振多樣化處理
Piezoelectric（壓電）	中	中	毫秒	精準對位、長期穩定
Silicon Photonics（矽光子 MZI）	低-中	高	奈秒~微秒	切換最快、可量產
Metasurface（超穎表面）	大	中	微秒	緊湊、無偏振依賴

• Robotic（機械式光纖 patch panel）：Radix 大、Insertion Loss 低、切換時間秒~分鐘、適合變化緩慢的超大規模

• MEMS（微機電鏡）：Radix 中、Insertion Loss 中、切換時間毫秒、量產主流（Google TPU 用這個）

• Liquid Crystal（液晶）：Radix 中、Insertion Loss 中、切換時間毫秒、需偏振多樣化處理

• Piezoelectric（壓電）：Radix 中、Insertion Loss 中、切換時間毫秒、精準對位、長期穩定

• Silicon Photonics（矽光子 MZI）：Radix 低-中、Insertion Loss 高、切換時間奈秒~微秒、切換最快、可量產

• Metasurface（超穎表面）：Radix 大、Insertion Loss 中、切換時間微秒、緊湊、無偏振依賴

這張表透露了三個產業判斷的關鍵：

判斷 1:MEMS 是現在進行式。Google TPUv4 Superpod 用的就是 128-port MEMS-based OCS，已經量產跑了好幾年。MEMS 的成熟度、可靠度、port count 三項都對齊產業需求，未來 3-5 年仍是主流。Lumentum、Coherent 這些公司就是衝著這條線在投資產能。

判斷 2:矽光子 OCS 是未來決勝場。為什麼？因為它的切換時間是奈秒到微秒級——比 MEMS 快 1000 倍。當 AI 訓練要做「在 iteration 之間動態重構網路拓樸」時，毫秒級的 MEMS 慢了，只有矽光子能跟得上。代價是 insertion loss 高、port count 受限，但這兩個問題可以用 SOA 整合 + 多級堆疊解決。下一個十年的設計戰場在這。

判斷 3:Metasurface 是黑馬。Lumotive 在白皮書作者群裡不是偶然——他們用 ±80° 的大角度光束導向、波長級子像素，做出緊湊、高密度、無偏振依賴的 free-space OCS。這條路線目前還在 narrative 階段，但如果 form factor 真的做得出來，會直接顛覆機架內互連的設計思維。

4、五個應用案例，三個量化里程碑

白皮書最有實用價值的部分，是把 OCS 的應用場景拆成五個具體案例，並給出可被檢驗的數字。我們只看三個最關鍵的：

案例 A：Google Jupiter — Spine 層替換

這是現在進行式、最成熟的應用。Google 把資料中心 spine 層的 EPS 全部換成大 radix、慢切換的 OCS。所有 leaf EPS 直接透過扁平的光層互連。

數字：41% 網路功耗下降、30% CAPEX 下降、5× 吞吐量提升、部署時間大幅縮短。這些不是模擬結果，是 Google 在 Jupiter Evolving 論文 [1] 公布的量產數據。

更重要的是，OCS spine 對 leaf 升級是「透明」的——當 leaf 從 100G 升到 400G 再升到 800G，spine 不用動。這在 EPS 架構下是不可能的。

案例 B：Google TPUv4 Superpod — 從靜態到動態 AI cluster

這是 OCS 第一次從「網路骨幹」走進「AI 計算結構」的標誌性應用。

Google TPUv4 把 64 個 Cube（每個 64 顆 TPU）組成一個 Superpod，總共 4096 顆 TPU。每個 Cube 連到 3 組共 48 台 128-port MEMS OCS（X、Y、Z 三個維度各 16 台）。這意味著 Superpod 的內部拓樸不是固定的——可以根據每個訓練任務的通訊模式，動態重構成 torus、ring、mesh 等不同形狀。

這張圖展示了可重構 Cube 的核心概念：同一個實體硬體叢集，能根據 job 需求被切成不同子單元。對 LLM 訓練的效益有多大？白皮書引用論文 [11] 的數字：比起靜態配置，TPUv4 Superpod 訓練大型語言模型獲得 3.3× 效能提升，同時功耗降低 9%。

這還沒算上故障恢復的好處。傳統 EPS 架構下，1024-TPU slice 在 99.9% 伺服器可用度的前提下，實際有效吞吐量只剩 25%；換成可重構的 OCS Superpod 後，同樣 slice 大小、同樣可用度，有效吞吐量拉到 75%。

案例 D：ACTINA — 把 OCS 做到 GPU 端口級

如果說 TPUv4 是「機架間動態重構」，那 Columbia 大學與 NVIDIA 在 SC 2025 發表的 ACTINA 論文 [5] 就是把這個思維推到極致——直接做到 GPU 端口級重構。

這張圖展示了 ACTINA 的核心創新：每顆 GPU 直接整合一顆「多埠、波長可重構的矽光子收發器」（用 MZI + DWDM comb-laser 實作），允許在訓練的單一 iteration 內就動態重新分配光路頻寬。

結果有多猛？相比 OCS-enabled 3D Torus（也就是 Google TPUv4 的拓樸），ACTINA 的 OCS-BCube 給出 1.84× 更快的 iteration 時間，同時保持相當的能源效率；相比 Google Jupiter 的 OCSFT-2L 架構，能源消耗降低 1.72×，tokens-per-joule 提升 1.75×。

ACTINA 的關鍵假設是：矽光子 OCS 切換速度夠快，可以在 GPU 計算階段完成下一階段的拓樸重構。這個假設成立的前提，就是前面講的「矽光子 OCS 是未來決勝場」這條判斷。如果矽光子 + SOA 整合的良率與成本能在 2028 之前對齊，這條路線會直接吃掉 MEMS 的高階市場。

案例 E：MixNet — 專為 MoE 訓練設計的混合電光網路

最後是香港科大團隊在 SIGCOMM 2025 發表的 MixNet [7]，這是另一個指向「矽光子 OCS + GPU 直連」的訊號。

這張圖展示了 MixNet 的混合架構：Local scale-up（NVSwitch）負責伺服器內 TP 流量、Global scale-out（EPS）負責 DP 與 PP、Regional OCS Fabric 專門服務 EP（Expert Parallelism）的 all-to-all 通訊。MixNet 利用了兩個觀察：EP 通訊是 localized 的（每次只有 8-32 顆 GPU 參與）、且 iteration 之間的變化是 gradual 的（所以可以用前一輪的 pattern 預測下一輪）。

實測結果：Mistral 8×7B MoE 模型的訓練時間比靜態 fat-tree 縮短 1.6×。

MoE 是目前 LLM 設計的主流方向（GPT-4、Mixtral、DeepSeek-V3 都是 MoE 架構），這意味著 MixNet 這條路線有真實、立即、規模化的市場需求。

5、產業判斷：三點宣判

整份白皮書讀完，給三個明確的產業判斷：

• 宣判 1：OCS 已從「狼來了」變「狼進門」。過去三年產業界對 OCS 的態度是觀望——畢竟只有 Google 在用。但 OCP 這份白皮書、ACTINA 與 MixNet 這兩篇學術論文，加上 NVIDIA 在 OCS resiliency 上的著墨（白皮書案例 C 來自 NVIDIA 的最新發表 [4]），意味著至少 Microsoft、Meta、Amazon、NVIDIA 都在內部評估或試行 OCS 架構。矽光子供應鏈現在已經進入「鎖產能、付訂金、搶配額」的階段（這跟我們之前在 法說精華：Tower Semiconductor（TSEM）｜2026 Q1 提過的判斷一致），OCS 是這波需求的重要驅動力之一。

• 宣判 2：矽光子 OCS 是技術路線的最終答案，但 MEMS 還會撐 3-5 年。MEMS 已經量產、可靠、便宜，是現在進行式的賺錢工具。但當資料中心拓樸需要「intra-iteration 動態重構」（也就是 ACTINA 與 MixNet 那個方向），毫秒級的 MEMS 就不夠用，必須換成奈秒級的矽光子 MZI。這個轉折點大約落在 2028-2030 年，跟 ZR 是肉，Coherent Lite 是骨:光收發器市場下一個十年的縱深戰 一文裡分析的 Coherent Lite 起量時間軸高度重疊——這不是巧合，整個光通訊產業在這段時間會經歷一次世代切換。

• 宣判 3:下一個戰場在「GPU 端口級重構」。ACTINA 與 MixNet 的論文都指向同一件事:把 OCS 直接整合進 GPU 收發器。這對台廠供應鏈意味著什麼？三個機會點：（a）矽光子 PIC 代工——Tower 已經在排隊，但產能不夠，給其他代工廠機會；（b）DWDM comb-laser 與 EML chip——量會跟著放大，台廠在這塊本來就有底；（c）整合封裝測試——CPO / NPO / XPO 這些封裝形式的技術 know-how 會直接遷移過來。台廠的卡位點還是在上游元件，不是 DSP 或系統整合。

  
  

2022 年 Google 公開 Jupiter Evolving 時，產業界多數人把它當成「Google 用了一個別人做不到的東西」。三年後的 2026，OCP 用一份白皮書告訴我們：別人也準備做得到了。對台廠來說，從「觀望這個技術」到「準備這個產能」之間，可能只剩 18 到 24 個月的時間窗口。

本文僅供技術與產業趨勢分析，不構成任何投資建議。