OFC 2026前瞻：AI 数据中心光交换OCS相关成果梳理

一、产业界特邀报告

本章节聚焦谷歌、英伟达、阿里云等全球 AI 与算力产业龙头发布的 OCS 相关特邀报告、高分论文，覆盖 OCS 在 AI 超算集群的规模化落地实践、AI 工厂网络架构级方案、数据中心资源池化与高可靠组网等核心场景。

M3F.1（邀请报告）：Recent Advancements in Optical Circuit Switches for AI Applications

• 完成单位：Google
• 核心摘要：本文展示了谷歌为 AI 应用自研的两代 OCS 光交换，探讨了其设计、制造工艺，以及在多代 TPU 加速器超算集群中的落地应用。

M3F.6（邀请报告）：Optical Switching for AI Factories

• 完成单位：Nvidia
• 核心摘要：AI 技术的进步持续驱动算力生产力提升，GPU 集群的规模需求也随之激增。满足这一需求，需要前所未有的带宽、更优的能效与高鲁棒性的网络架构。本文将光交换技术作为应对上述挑战的架构级方案展开深入研究。

M3F.4（Top-Scored 高分论文）：Reconfiguration-Aware Direct-Connect AI Cluster Using Spatial-and-Wavelength Selective Switching

• 完成单位：哥伦比亚大学 / 麻省理工学院 / Nvidia/ 康涅狄格大学
• 核心摘要：本文通过将空间与波长选择性交换机与 Linux 网络栈集成，提出了一种完全可重配置感知的直连 AI 集群架构。实验验证了该架构可同时实现 6.4-TBytes 批量传输的网络重配置，以 及 4 个 ResNet-18 实例的多租户训练。

W2A.41：PCIe-Over-Optics With OSFP DR8 LPO and an Optical Circuit Switching Fabric for Composable CPU-GPU Resource Pooling

• 完成单位：阿里云/锐捷网络
• 核心摘要：本文实验验证了采用标准 OSFP DR8 LPO 模块的 PCIe5.0-over-optics 互连方案，x16 PCIe 链路实现了 100m 无误码传输。包含动态 OCS 光交换的系统级基准测试，验证了可组合化 CPU-GPU 资源池化方案的可行性。

W4H.6（邀请报告）：Research and Practice of Optical Network Technology for High Reliability Interconnection of Large Scale Data Centers

• 完成单位：中国电信
• 核心摘要：本文展示了一套可扩展光网络架构，该架构融合了 800Gbit/s 及以上速率相干传输、光交换OCS、电信级超快重路由技术，可实现高可靠、低延迟、大规模的数据中心内与数据中心间组网，相关方案已通过实验室与现网验证。

Tu2E.1：Optical Switching in PON: Improved Energy-Efficiency and Cost-Effective Protection

• 完成单位：诺基亚贝尔实验室/英国电信
• 核心摘要：本文将光交换技术应用于 PON 系统，实现了 OLT 功耗随流量动态适配，同时支持高性价比的网络保护。基于原型机验证，提出了实现不低于 B 类保护倒换速度、甚至更短业务中断时间的技术路径。

M3F.2：Experimental Demonstration of O-Band 4×4x8λ Wavelength Selective Switch at 100Gbps/λ for Data Center Networks

• 完成单位：埃因霍芬理工大学/ 华为技术有限公司（德国）
• 核心摘要：本文基于 400GHz 8 通道光子集成平顶 AWG 与 SOA 阵列，实验演示了偏振无关的 O 波段 4×4x8λ 波长选择开关（WSS）。测试结果显示，该器件的光纤到光纤插损小于3.5dB，通道间串扰＜-37 dB，实现了 42dB OSNR，在100Gb/s-PAM4 速率下的传输代价为 0.8dB。

二、OCS 核心器件与芯片级技术突破

本章节覆盖 OCS 核心光器件、硅光子集成芯片、交换矩阵与调度芯片的技术突破，是 OCS 实现高性能、高可扩展性、低成本落地的核心底座。

M2D.3（邀请报告）：High Port Count Silicon Photonic MEMS Circuit Switch

• 完成单位： nEye.ai 公司
• 核心摘要：将 MEMS 技术与硅光子集成，可赋予光电路开关超低功耗与高可扩展性优势。本文探究了硅光 MEMS OCS 的技术潜力与核心设计要求，涵盖开关速度、功耗、偏振特性与损耗等关键指标。

M2D.2：Curved Tunable Directional Couplers Empower Ultralow-Crosstalk, Low-Loss Optical Switch Fabrics

• 完成单位：英国剑桥大学/ 比利时根特大学
• 核心摘要：本文提出了一款紧凑型弯曲可调定向耦合器，可用于校正马赫曾德干涉仪的功率不平衡，基于该器件实现了超紧凑尺寸、超低串扰、低损耗的 4×4 交换矩阵。

M2D.5：Pixelated NOEM Grating for Wavelength Selective Switching and Spectral Shaping in ROADM Systems

• 完成单位：新加坡国立大学
• 核心摘要：本文提出了一款像素化纳光电机械（NOEM）光栅，可用于片上波长选择开关与光谱整形。该 NOEM 光栅实现了纳秒级重配置速度与超过 100nm 的带宽调谐范围，可支撑 WDM 系统中的高速可重构光分插复用应用。

M2D.6：O-Band SiPh 2x2x2λ Polarization Diversity Optical Switch with PDL ≤ 0.5dB

• 完成单位：美国加州大学圣巴巴拉分校
• 核心摘要：本文基于耦合环形谐振器（CRR），演示了一款 O 波段硅光 2x2x2λ 波长选择开关（WSS）。该光开关实现了创纪录的 0.41dB 平均偏振相关损耗（PDL）。

M3F.3：A 4,096×4,096 Strictly Non-Blocking Optical Circuit Switch Delivering 819.2 Tb/s via Space-and-Wavelength Routing

• 完成单位：日本名古屋大学
• 核心摘要：本文提出了一种融合空间与波长路由的无阻塞 OCS 架构，采用星形耦合器避免级联损耗。仿真验证了架构的可扩展性，实验在单层交换结构中实现了 4096×4096 端口交换，总容量达 819.2 Tb/s。

M4F.1（Top-Scored）：1024x1024 All-to-All Interconnect Thin CLOS-LION System Using 64 Lambda Routing on Athermal 64x64 ULCF AWGRs

• 完成单位：美国加州大学戴维斯分校/美国劳伦斯伯克利国家实验室/ Enablence 公司
• 核心摘要：本文基于无热化 64×64 均匀损耗的循环AWGR，通过 64 波长路由技术，设计、集成并测试了 1024×1024 全互连 Thin-CLOS-LION 系统，实现了低至 7.5dB 的系统级损耗与 - 24dB 的串扰指标。

Th2A.7：Leveraging a Nonvolatile MEMS Switch for Sub Lithography Silicon Photonics

• 完成单位： 瑞典皇家理工学院/Tyndall/根特大学/imec
• 核心摘要：硅光子技术正在加速高性能计算的发展，集成 MEMS 器件可实现低功耗重配置，但 MEMS 器件性能受限于光刻分辨率。本文基于非易失性 MEMS 开关，提出了一种后加工技术，可将光流片厂定义的 230nm 初始间隙缩小至 50nm。

三、面向 AI 大模型训练 / 推理的 OCS 架构与调度优化

本章节聚焦 OCS 与 AI 大模型训练、推理场景的深度融合，覆盖 LLM 训练流量感知的 OCS 重配置、集体通信加速、推理性能阈值分析、低延迟调度等核心方向，是 OCS 在 AI 集群落地的核心场景创新。

Th2A.35：HOCSS: a Hardware-Accelerated Optical Circuit Switch Scheduler for low-Latency Optimal Ports Matching

• 完成单位：中国科学院大学
• 核心摘要：本文提出了一款面向OCS的低延迟最优端口匹配调度器 HOCSS。基于硬件加速计算架构，最优场景下端口匹配延迟低于 1us，相比 CPU 实现方案实现了最高 68.8 倍的速度提升。

W2A.28：Performance Thresholds for Optical Circuit Switching in LLM Inference

• 完成单位：美国加州大学伯克利分校/Ayar Labs
• 核心摘要：本文针对 LLM 推理场景分析了基于 OCS 的网络架构，结果表明：无高链路扇出的场景下，亚 700ns 的重配置速度是 OCS 性能超越电分组交换（EPS）的核心条件；而在各类集体通信模式下，高链路扇出可使 OCS 即使在较慢重配置速度下仍具备竞争力。

M3F.5：Training-Phase-Aware Optical Circuit Switching Reconfiguration for Large Language Model

• 完成单位：英国剑桥大学/imec
• 核心摘要：本文提出了一种训练阶段感知的光网络，采用 OCS 动态重配置为阶段最优拓扑，同时结合 Rabenseifner/Bruck 映射与时隙分摊技术，在标准 LLM 训练配置下，相比静态光网络实现了 37.5% 的通信加速。

M4F.3：All-Optical Analog AllReduce and Digital Switching Using a Silicon Hybrid Computing-Switching Optical Processor

• 完成单位：日本AIST
• 核心摘要：本文通过动态配置 4×4 硅光开关，提出并实验验证了全光 AllReduce 运算 —— 这是 xPU 集群中的基础集体通信操作。该成果为未来超低功耗、低延迟 AI 数据中心提供了技术支撑。

M4F.4：High-Speed Optical Alternate Switching Between the Networks for Expert/Tensor and Data Parallelism

• 完成单位：日本AIST
• 核心摘要：本文提出了一种高效架构，利用 AI 并行处理的确定性交替通信模式，实现了硅光开关的高速控制与单边通信，光路径建立后的额外时间开销低于 2µs。

四、数据中心与算力网络 OCS 规模化研究

本章节覆盖 OCS 在 AI 数据中心组网、跨集群扩展、算力网络资源池化等规模化落地场景的创新方案，旨在解决 OCS 商用部署的扩展性、能效、兼容性等核心问题。

W4H.4：Auto-Allocating OCS Based on Real Time Flow-Granularity Controller for LM Training

• 完成单位：北京邮电大学/中国联通研究院/上海基流科技/中国科学院计算技术研究所
• 核心摘要：本文提出了一套面向光电混合网络的逐流控制系统，可将 All-Reduce 耗时降低 50.3%，带宽利用率提升 47.1%，相比全电网络实现了更快的语言模型训练速度，同时功耗降低 32.14%。

M4F.2：Accelerating LLM Training in Optical AI Clusters With Asynchronously-Invoked Hitless in-Job Partial TPE

• 完成单位：中国科学技术大学
• 核心摘要：本文提出了一套通用框架，可支撑光 AI 集群在 LLM 训练的不同通信阶段，对 OCS 进行作业内无中断部分重配置。通过将机架间拓扑动态适配训练过程中的时变流量矩阵，该方案提升了空闲连接的资源利用率，有效加速了 GPT-2 模型训练。

W4H.3：Cluster- and Reach-Scalable Optical Switching for Scale-Across AI System

• 完成单位：日本 KDDI 综合研究所/台湾 GeNopsys 科技有限公司
• 核心摘要：本文提出了一种基于 OCS 的跨尺度 AI 系统架构，具备集群与传输距离可扩展性，同时可减少部署光缆数量。实验结果表明，集群间 30km 的传输距离不会劣化 AI 作业完成时间。

W2A.31：OCS-Based Double Resource Pooling for Flexible Intra- and Inter-Rail Connectivity in AIDC Networks

• 完成单位：上海交通大学
• 核心摘要：本文提出了 ocs-DRP 方案，一种基于 OCS 的扁平化、可扩展 AI 数据中心网络架构，通过双资源池化实现灵活的轨内与轨间连接。相比轨优化胖树架构，ocs-DRP 在保持相当延迟性能的同时，功耗降低 40%。