华泰 | 通信：OCS——未来AI集群的全光底座

点击查看研报原文

核心观点

OCS是未来AI数据中心的全光底座，通过在物理层直接重构光路，减少传统光电转换和逐包处理，有望与电交换共同构成面向大规模AI集群的光电协同网络。我们认为：1）AI集群持续扩展、超节点由柜内走向跨柜，或将驱动OCS在Scale up场景加速渗透，Scale up有望成为未来OCS最大的应用机会；2）客户侧，谷歌已在TPU集群中完成OCS在Scale up场景的规模验证，目前龙头供应商正推进外部客户验证，未来其他CSP及AI芯片/算力设备商亦有望逐步采用。我们测算，28年全球Scale up/out OCS设备需求空间预计为113亿美元，26–28E CAGR约104%。建议关注海外OCS整体方案商及国内上游核心元器件配套商。

场景：Scale up有望贡献核心增量，Scale out受益网络代际升级

我们认为，Scale up有望成为OCS未来最主要的增量场景。随着AI训练和推理集群规模扩大，超节点Scale up域内芯片数量持续提升，OCS应用有望覆盖柜内及跨柜互联。OCS凭借光路直连和拓扑重构，在大带宽、低功耗和确定性流量场景中具备优势，有望成为Scale up网络的重要方案。Scale out方面，谷歌已在Apollo项目中验证OCS替代部分Spine层电交换功能的可行性；随着数通网络迭代加快，OCS有望凭借速率和协议透明性支持不同代际设备共存，降低网络扩容和升级成本，贡献长期需求。

商业化：从1（谷歌）到N；MEMS当前领先，硅光或赢长期

目前谷歌已在TPU体系中完成OCS在Scale up和Scale out场景的规模部署验证。谷歌以外，OCS正由产品开发进入客户验证和商业导入阶段：Lumentum已向多家超大规模客户送样，Coherent已由首单验证进一步扩展至多客户导入，华为亦已发布面向智算的全光交换OptiXtrans产品。技术路线方面，短中期MEMS凭借成熟度和量产优势仍将占主导，数字液晶形成重要补充；我们认为长期若硅光波导解决端口扩展、插损、良率和可靠性等问题，凭借高集成度、快速切换和无机械部件等优势，或成为主流路线。

与市场不同的观点

市场或担忧OCS缺乏包级处理能力、适用场景有限，且目前主要服务谷歌 TPU体系，难以成长为更广泛的AI网络方案。但我们认为：1）OCS并非全面替代电交换，而是与电交换协同，在大带宽、长持续时间和拓扑相对稳定的流量场景中承担光层重构功能并完成导入；2）谷歌已完成OCS在TPU Scale up和数据中心Scale out场景的规模验证，证明OCS能够支撑大型AI集群运行；3）LITE、COHR等厂商正由产品开发进入多客户验证和订单积累阶段，国内如华为亦已推出产品并规划后续导入超节点，若OCS进一步向其他CSP及AI芯片/算力设备商渗透，长期需求有望扩张。

投资结论

我们看好两条投资主线：1）AI超节点跨柜扩展以及数据中心网络代际升级，有望推动OCS整机需求增长，建议跟踪具备产品、客户和规模交付能力的海外整体方案商；2）OCS端口规模提升和批量交付将带动准直器阵列、微光学元件、MEMS晶圆制造、晶体材料及封装设备需求，建议关注取得产业链进展的国内上游配套厂商。产业链相关环节包括：I.整体方案商；II.上游重要元件及设备厂商。

风险提示：1）云厂商资本开支不及预期；2）测算结果风险；3）OCS技术迭代不及预期；4）涉及到未上市公司或未覆盖个股内容，均系客观公开信息整理，不代表对该公司的推荐或覆盖。

正文

报告核心观点

OCS：打破光电转换瓶颈，AI算力中心的新一代全光底座。OCS通过在物理层直接进行光路重构，摒弃了传统电交换机（EPS）的O/E/O（光-电-光）转换与逐包处理的机制。相较传统电交换，OCS具备较低时延、较低功耗以及对传输速率/协议的高度透明性。我们认为，尽管OCS缺乏报文解析调度能力并存在一定的微观插损，但其契合AI算力网络中“大带宽、长流传输、稳定拓扑”的场景特征，有望成为平滑数据中心跨代升级CapEx、突破传统电交换功耗墙的关键物理层方案。

OCS应用由Scale out拓展至Scale up，未来Scale up有望成为最大市场机会。谷歌最先通过Apollo项目在Jupiter数据中心网络中规模部署OCS，以替代部分Spine层电交换功能，后续又在TPU体系中完成OCS在Scale up场景的规模验证，证明可重构光交换能够支撑大规模AI集群运行。随着训练和推理集群扩大，超节点Scale up域内芯片数量持续提升，OCS潜在应用覆盖柜内及跨柜互联，有望凭借大带宽、低功耗、低链路时延和拓扑可重构等优势，成为Scale up网络的重要互联方案。谷歌以外，OCS在其他CSP及AI芯片/算力设备厂商中的应用仍处于客户拓展和加速导入阶段。我们认为，Scale up将贡献OCS未来最主要的需求增量，Scale out则有望受益于数据中心网络迭代和跨代升级，贡献长期需求。

商业化由谷歌规模部署走向多客户导入，产业生态正逐步形成。OCS需求外扩正在从谷歌内部验证走向开放生态和外部客户导入，核心变化是“单一大客户驱动”开始向“多供应商参与、多客户验证”演进。供应商层面，Lumentum于2025年3月披露R300 300×300端口OCS产品已向多家hyperscale客户送样，Coherent基于数字液晶技术的OCS产品已由首个客户订单进一步进入多客户验证阶段，华为亦已发布面向智算DCN的全光交换机OptiXtrans DC808，并规划在Atlas 950超节点内采用OCS互联。我们认为，OCS产业正由谷歌垂直自研驱动，逐步转向专业OCS供应商、CSP及AI芯片/算力设备厂商共同参与，后续客户认证、订单转化、产能爬坡及向不同AI算力生态的复制进度，将成为行业能否规模放量的关键。

技术路线短中期以MEMS为主，长期硅光波导有望成为主流。现阶段OCS技术路径尚未完全收敛，竞争核心在于端口规模、插入损耗、功耗、可靠性和量产成本的综合平衡。短中期看，MEMS商业化确定性较强，已在谷歌数据中心完成部署验证，并由Lumentum等厂商推进高基数OCS平台化供应；液晶路线凭借低功耗、低成本和大端口扩展能力形成重要补充。长期看，硅光波导若在大端口扩展、封装耦合和良率验证上取得突破，有望凭借芯片化、集成化优势提升份额；压电陶瓷则更多应用于自动配线、测试测量和光层调度等场景。

我们预计26-28年全球OCS交换机需求量为2.01/5.13/9.33万台，预计26-28年全球 OCS交换机市场规模为30.14/69.21/113.40亿美元, 26-28E CAGR 为 104.30%。其中：1）Scale up：ASIC出货增长、超节点Scaleup域内芯片数量持续提升，OCS或凭借大带宽、低功耗、低链路时延等优势快速拓展，我们测算26-28年全球 Scale up OCS 交换机需求量1.95/4.71/8.00万台，对应26-28年全球Scale up OCS市场规模29.21/63.53/97.20亿美元；2）Scale out：OCS凭借高度协议透明性和速率透明性有望逐步导入超大集群的上层网络，我们测算26-28年全球Scale out OCS交换机需求量0.06/0.42/1.33万台，对应26-28年全球Scale out OCS市场规模为0.93/5.69/16.20亿美元。

投资逻辑：关注OCS整体方案商及上游核心元器件和设备厂商。我们看好两条投资主线：1）AI超节点Scale up扩展及数据中心网络代际升级，有望推动OCS整机和系统方案需求增长，建议关注具备产品、客户验证及规模交付能力的整体方案商；2）OCS端口规模提升和批量交付，有望带动准直器阵列、微光学元件、MEMS晶圆制造、晶体材料及封装设备等上游需求，建议关注已取得订单、进入客户验证或实现小批量供应的核心配套厂商。

与市场的不同之处

市场或担忧OCS缺乏包级处理能力、适用场景有限，且目前主要服务谷歌 TPU体系，难以成长为更广泛的AI网络方案。而我们认为：

1）OCS并非全面替代电交换，而是与电交换协同，Scale up扩张有望放大其适用场景：OCS不具备逐包解析、缓存和实时调度能力，难以替代电交换承载突发性强、连接关系频繁变化的小流量，但其可通过光路直连和动态拓扑重构，减少中间节点的O/E/O转换及交换ASIC处理环节，更适合承载大带宽、长持续时间和拓扑相对稳定的流量。随着AI训练和推理集群规模扩大，Scale up域内芯片数量持续提升，OCS的潜在应用边界既包括柜内芯片及节点互联，也包括跨柜超节点扩展。我们认为，未来AI算力网络更可能形成“电交换负责包级转发和实时调度、OCS负责光层重构”的光电协同架构；OCS无需全面替代电交换，仅在Scale up网络中的大流量、低功耗及拓扑重构场景实现一定渗透，便有望形成较大的新增需求。

2）谷歌已完成OCS在Scale up和Scale out场景的规模验证，TPU出货增长有望带动可量化的设备需求：Scale out方面，谷歌通过Apollo项目在Jupiter数据中心网络中规模部署OCS；Scale up方面，谷歌自TPU v4起在超节点中量产应用OCS，并在后续产品中持续沿用。根据公开架构，我们测算，Scale out场景下约134,000颗TPU对应256台OCS；Scale up场景下，TPU 8t/8i与OCS的配置比例分别约为200∶1/230.4∶1。基于2028年谷歌TPU出货量达到1200万颗的假设，我们测算其相关Scale up/out OCS设备需求空间预计达到87.2亿美元。谷歌的规模部署亦验证了OCS与AI芯片、网络拓扑和控制软件协同运行的可行性。

3）产业生态正由谷歌垂直自研走向多供应商、多客户参与，OCS商业化有望加速：谷歌以外，OCS正由产品开发进入外部客户验证和商业导入阶段。供应商方面：I. Lumentum的R300已向多家超大规模客户送样，3QCY26公司表示近期OCS需求能见度显著提升，该业务有望成长为年收入数十亿美金的业务；II. Coherent在2QFY25披露基于数字液晶技术的OCS产品取得首个客户订单，2QFY26进一步披露OCS平台客户数已超过10家，1QFY27（3QCY26）明确表述2030年OCS市场将达到40亿美元以上；III. 华为已推出面向智算DCN的全光交换产品，并规划在新一代超节点中导入OCS。我们认为，随着专业供应商订单积累、客户覆盖扩大及算力设备厂商参与，OCS有望逐步摆脱单一客户依赖，并向其他CSP及AI芯片/算力设备厂商渗透。

OCS：AI数据中心的新一代全光交换方案

原理：摒弃光电转换的传统路径，实现全光信号交换

OCS（Optical Circuit Switch）光交换是指直接在光域实现光信号交换的传输技术，无需光电/电光（O/E/O）转换即可实现光信号的路由与转发。OCS的基本原理是直接对光信号进行物理路径的重新配置，从而在任意输入和输出端口之间建立一条专用的光通路。工作过程中，控制系统首先根据网络流量、业务需求或故障恢复要求计算目标端口连接关系，并向OCS设备下发重构指令；随后，OCS在物理层通过MEMS、数字液晶、压电陶瓷、硅光波导等方式改变输入/输出端口之间的连接关系，使指定端口之间建立专用光通路。连接建立后，光信号沿专用光通路直接传输，OCS本身不进行报文解析、缓存或O/E/O转换。

光交换的主要性能指标包括切换时间、插入损耗、回波损耗、串扰、耐用性和可靠性等，其中核心指标是插入损耗。切换时间代表OCS从一种端口连接状态切换至另一种连接状态所需的时间，直接影响数据中心网络的动态响应能力。插入损耗是光信号通过光交换时的功率损耗，影响信号质量和传输距离。回波损耗衡量光信号通过光交换时的反射程度，一般以反射光功率与入射光功率比值的对数形式表示，较高的回波损耗有助于减少信号反射和干扰。串扰代表不同光路之间的信号泄漏程度，低串扰有助于提升多端口并行连接下的信号质量。耐用性和可靠性代表光交换的使用寿命和故障率。综合来看，插入损耗是OCS最核心的性能约束，其直接决定光链路预算、信号传输距离与系统可部署规模。

应用溯源：谷歌早期使用OCS替代部分Spine层电分组交换功能

现代数据中心主要采用脊叶（Spine-Leaf）架构，Spine层和Leaf层通常均由电交换机构成，流量在多级交换节点间转发过程中需反复经历光电/电光转换。Spine-Leaf架构由两层组成：1）Leaf层为接入层，直接连接服务器、存储设备和其他网络设备，并将跨机架流量上送至Spine层；该层汇聚来自多个Leaf的流量，更容易形成大带宽、长持续时间的数据流；2）Spine层为核心骨干层，与各Leaf交换机互联，用于承接不同机架、不同Leaf之间的东西向流量转发；该层流量突发性强，连接数量多、单连接数据量相对较小。在传统电交换架构中，服务器侧电信号经网卡/光模块转换为光信号后进入光纤传输，到达Leaf或Spine交换机端口后，交换机端口光模块先将光信号转换为电信号，随后由交换ASIC完成报文解析、查表、缓存、调度和转发，再经端口光模块将电信号转换为光信号输出至下一段光纤链路。因此，跨机架通信每经过一级电交换机，通常都会发生一次“光→电→交换处理→电→光”的O/E/O过程，多级Leaf-Spine路径下，重复O/E/O转换、缓存和store-and-forward处理会带来额外的功耗和时延。

以谷歌Apollo项目为例，OCS在数据中心网络中的核心作用，是在Spine层建立光域直连通道，以替代部分Spine层电分组交换功能。传统层级式数据中心网络中，不同汇聚交换机（叶交换机）之间需通过Spine交换机（即电交换机）完成互联；Apollo计划则以直通式OCS替代Spine层的电交换机，由OCS在光域内直接重构汇聚交换机之间的连接关系，从而减少中间Spine电交换节点及其带来的O/E/O转换和电域报文处理。由于OCS连接建立后不进行逐包解析、缓存和转发，其更适合承载持续时间较长、带宽较大的东西向流量，而突发性强、小流量连接仍可由传统电分组交换网络处理，两者共同构成光电混合的数据中心互联架构。

电交换与OCS在数据中心网络中能分别适配不同流量特征。电交换机具备逐包解析、缓存、调度和转发能力，适合承载连接数量多、突发性强、需要灵活路由和QoS处理的流量；OCS则通过建立可重构光通路绕开中间电域处理，适合承载带宽大、持续时间较长、端口间映射相对明确的东西向流量。

优劣势：降本降耗优势显著，适用场景仍有边界

OCS突破了传统电交换在能效、带宽、延迟和扩展性上的瓶颈，在传输性能、技术兼容性、能效成本上优势显著：

1）低延迟与无阻塞运行：与传统EPS网络不同，OCS全程无光电转换、无数据包缓存和排队机制，端到端传输延迟仅受光速传播延迟影响（光纤中约5ns/m，自由空间约3.3ns/m），能实现接近光纤传播延迟的极低抖动，单跳延迟<100ns，比同等容量电交换机快100倍以上；

2）高带宽与全透明演进能力：OCS对光信号的速率、协议、调制格式和波长完全透明，不依赖固定速率，可直接利用光纤的全部物理容量，同一硬件可同时支持40G至800G乃至未来1.6T、3.2T等更高速率的光信号，以实现跨代设备的无缝互联，而电交换需因端口速率升级频繁更换交换机硬件；同时OCS亦不解析数据包的格式或协议，兼容以太网、InfiniBand等多样化通信协议。以上物理特性构成了OCS的长期经济价值——在数据中心网络的长期演进扩容中，同一台OCS硬件可支持不同代际的计算节点的无缝衔接；

3）超低功耗：OCS功耗仅与端口数相关，与信号传输速率无关，其功耗主要来自控制镜面等机械部件的微小能量，每端口功耗通常低于1W。例如谷歌Palomar 136端口OCS整机功耗仅约108W，仅为同规格电交换机（约3000W）的1/30。谷歌在Jupiter网络中大规模部署OCS并替换脊柱层（Spine层）电交换机后，数据中心网络功耗降低41%，资本支出降低30%。此外，OCS的超长生命周期大幅降低了设备更换频率，减少长期运营成本；

4）灵活部署与扩展：OCS支持增量部署与扩容，能按照1/8→1/4→1/2→全尺寸的路径逐步扩展，初期可只部署满足当前业务需求的最小规模，随着集群规模扩大可在线升级扩容，无需停机更换硬件。同时，OCS可根据工作负载动态重构网络拓扑，匹配不同AI模型的通信模式，例如谷歌TPUv4集群通过OCS动态重构3D Torus 拓扑，实现了3.3倍的性能提升和9%的功耗降低。此外，其提供全新的物理层故障恢复机制，可在毫秒级内绕过故障组件、恢复全带宽性能，并支持集群逻辑分区和隔离，提高了资源利用率和安全性。

OCS的技术特点也决定了其在特定场景下存在应用局限性：1）通道灵活性不足：OCS建立的是端到端的专用物理连接，一个输入端口在同一时间只能连接一个输出端口；而电交换可以将一个输入端口的数据包转发到多个输出端口，实现流量分发和负载均衡决策。这导致OCS不适合处理突发、随机的小包流量，更适合用于流量模式相对稳定、端口间映射关系明确的场景；2）插入损耗可能较高：光信号每经过一次OCS交换会产生1-2dB的插入损耗，且无法像电交换那样通过电子再生消除信号衰减。在不使用高功率激光器或光放大技术的情况下，额外插入损耗将OCS实际跳数限制在约1-2跳。相比之下，由于每个交换阶段都具备电子再生功能，EPS架构能够支持跨越多个跳数的扩展；3）切换速度有待提升：电交换能在纳秒级时间内完成单个数据包的转发决策切换，而OCS通常在毫秒级别重新配置信号传输路径，使其难以应对推理任务中高频、动态化的用户需求；4）缺乏数据包级处理能力：由于OCS在纯光域运行且不具备数据包处理功能，它无法执行QoS保障、包过滤、流量检测、缓存或逐包分析等功能。

技术路径：MEMS率先商用落地，多路线围绕性能、扩展性持续演进

目前OCS主要有四大主流技术路径，根据是否依赖动态的机械部件，可分为机械式与固态式两类。机械式方案通过微镜、压电执行器等机械部件改变光纤的连接关系，代表路线包括MEMS和压电陶瓷；固态式方案主要通过材料折射率、相位或波长选择特性调控光在液晶/波导等介质中的传播路径，代表路线包括数字液晶、硅光波导等。

路径#1：MEMS（微机电系统）

MEMS方案的核心是在硅晶圆上蚀刻微型反射镜阵列，利用静电、电磁等微执行器驱动微镜发生机械偏转，从而改变自由空间中输入光束的传播路径，将其精确路由至指定输出端口。MEMS是当前OCS中成熟度较高、产业化进展最快的技术路线，代表厂商包括谷歌、Lumentum、Calient。

MEMS光开关目前有2D、3D两种主流实现方式，二者的主要差异在于控制方式和光束重定向能力：

1）2D MEMS：采用交叉矩阵结构，微镜被布置在输入光路与输出光路的交叉点上。每个微镜一般只有两个状态：ON状态下进入光路并反射光束，OFF状态下则不干扰光束传播。由于微镜角度是ON/OFF二进制的，控制方式相对简单，但一个N×N端口的严格无阻塞光开关通常需要N2个微镜，因此端口数扩大后会面临微镜数量快速增加、系统复杂度上升和不同路径插入损耗不均匀等问题，更适合小规模端口的光交换应用。

2）3D MEMS：由双轴MEMS倾斜微镜阵列和光纤准直器阵列构成，每一个输入端口和输出端口都对应一个专用微镜，N×N端口的3D MEMS光开关通常仅使用2N个微镜。输入端口发出的光束先由光纤准直器阵列准直，随后被两组双轴MEMS倾斜微镜反射。由于微镜可以在两个方向上倾斜，光束也可以在二维方向上被偏转，通过控制每个微镜的倾斜角度，即可实现任意输入端口到任意输出端口之间的光路连接。综合来看，3D MEMS具备端口扩展能力强、插入损耗较低、适合大规模非阻塞光路连接等优势，成为MEMS OCS的主流方案。从应用实例看：I.谷歌的Palomar OCS采用3D MEMS光束偏转架构，实现了136×136端口规模，具备毫秒级切换时间、最差2dB插入损耗和-38dB回波损耗，已作为Apollo光交换层的重要组成部分支撑数据中心网络演进、拓扑重构和机器学习集群等场景；II. Lumentum于2025年3月正式发布R300 OCS（300×300端口MEMS OCS），具备超过万亿小时级微镜运行经验；9月推出R64 OCS，其支持最高64×64或可扩展至72×72的灵活端口配置，功耗低于150W，可承载超过100Tbps的光流量，相比电交换方案可实现约80%功耗下降。

谷歌MEMS方案详解：

谷歌Palomar OCS基于3D MEMS架构，内部核心部件包括：

1）光纤准直器阵列（Fiber collimator array）（下图蓝黑色带针脚模块），左右两侧分别为输入端/输出端，每个准直器阵列由NxN光纤阵列（Palomar OCS为136x136）和2D透镜阵列（2D lens array）组成，前者实现高密度端口排布，后者负责把光纤端面发散的光束准直成自由空间平行光束，并在输出端将平行光束重新聚焦耦合回输出光纤；

2）两组2D MEMS微镜阵列（2D MEMS array）（下图橙色方块），各包含136面可控微镜，其中128面对应主用端口、承担核心数据流量，剩余8面作为备用端口，用于测试、诊断等场景；每面微镜均可围绕两个轴向进行微小角度倾斜，通过改变镜面角度，能够将任意输入端口的光束精确转向任意输出端口，实现光路切换；

3）激光注入模块（Injection module）（下图绿黄色模块），该模块为校准光路的辅助光源，不承载实际通信数据，负责向MEMS微镜阵列发射850nm的监控光（下图红色光束），用于追踪光路的偏移情况；

4）相机接收模块（Camera module）（下图紫色模块），为图像传感器，作用是接收经MEMS微镜反射后的监控光，并拍下监控光打在传感器上的光斑位置；

5）二向色分束/合束器（Dichroic splitter）（图中淡蓝色模块），功能是利用不同波长光信号的透射/反射特性，将850nm监控光与业务信号光（O-band，如1310nm）在同一物理光路中进行合束或分束，使得监控光能进入MEMS微镜光路并传回相机模块，且不干扰信号光的端到端通路。

Palomar OCS的工作原理：携带数据的信号光（O-band）首先由输入端光纤准直器阵列进入，经2D透镜阵列准直为自由空间平行光束；同时，激光注入模块发出的850nm监控光穿透二向色分束器，与被反射的信号光进入同一物理光路。随后，两组2D MEMS微镜阵列通过调整倾斜角度，依次改变光束传播方向，使信号光最终对准目标输出端口。到达输出侧后，信号光与监控光经二向色分束器分束，信号光被反射并由输出端光纤准直器阵列聚焦至目标输出光纤，监控光则透过分束器进入相机接收模块用于校准。相机接收模块捕捉监控光打在传感器上的光斑，由于监控光与信号光在MEMS微镜区域共享相同的反射路径，光斑位置可以作为信号光对准状态的反馈依据；若光斑偏移正中心，控制系统会微调MEMS镜片的偏转电压，直至实现精准的端到端光连接。

路径#2：数字液晶（Digital Liquid Crystal）

数字液晶（DLC）方案的核心是利用液晶材料的电光效应实现光束偏转，是非机械的全光交换路线。液晶材料兼具液体流动性和晶体各向异性，其分子排列具有折射率各向异性和介电常数各向异性。当在液晶单元两端施加电压时，液晶分子取向发生偏转，引起双折射变化并产生相位延迟，从而改变入射光的偏振状态。DLC光开关将液晶可调延迟器与双折射晶体楔多级级联：液晶单元先根据电压控制入射光的偏振状态，不同偏振态的光再经过晶体楔后产生不同的离散出射角，由此实现光束在空间中的定向偏转，从而将输入光路切换至指定输出端口。

数字液晶光开关结构：由光纤准直器阵列、偏振处理模块和液晶光模块（LCLM）构成。其中，光纤准直器阵列提供N×N端口的光信号输入与输出；偏振处理模块对入射光进行S偏振与P偏振的分束与合束；LCLM由双折射晶体光楔和液晶可调延迟器级联组成，是实现光束偏转的核心单元。晶体光楔利用双折射效应，使不同偏振态的光束在通过晶体时经历不同折射率，从而在出射端形成固定方向和距离的空间偏移。液晶可调延迟器通过外加电压改变液晶分子取向，进而改变入射光的相位延迟和偏振状态。每一级液晶可调延迟器决定光束是否改变偏振状态，每一级晶体光楔则根据该偏振状态将光束向特定方向偏移，通过设置多级LCLM，系统可在X、Y两个方向上逐级累积光束偏转，完成N×N端口光路切换。

Coherent是数字液晶OCS技术路线的代表厂商。Coherent基于数字液晶技术的OCS端口规模覆盖64×64至512×512，并可进一步面向640×640配置扩展。该方案具备低驱动电压（<10V）、无机械运动部件、低静态/动态串扰、低功耗（<90W）等特点。依托公司在波长选择开关（WSS）领域的长期积累，截至2024年3月，Coherent已部署超过16万台WSS设备，累计303亿小时液晶器件运行时间。

路径#3：压电陶瓷（Piezo-electric）

压电陶瓷方案是利用压电陶瓷的机电耦合效应驱动光纤准直器或透镜发生位移和角度倾斜，从而改变光束传播方向并实现端口间光路连接。该方案通常将光纤准直器固定在压电陶瓷驱动器上，每个准直器尾端与压电陶瓷连接，并排列成二维准直器阵列，两组二维准直器阵列面对面放置，形成光开关矩阵。工作时，光信号从输入准直器阵列端口输入，直接传输至目标输出准直器，系统通过压电陶瓷驱动对应准直器位移和角度偏转，使两阵列对应端口对准和耦合，实现光路切换。该方案的特性：1）光路直接、损耗低：传输过程中无需经过其他光学系统反射或透射，光程较短，利于降低光信号传输及耦合损耗；2）大端口扩展受限：而随着通道数增加，交叉矩阵规模增大，对角端口等大角度交叉对准时，要求光纤准直器的转角与位移增大，这对压电陶瓷驱动的性能要求提高，且实现位移所需的空间体积增加，会拉长光信号传输距离并推高插入损耗，一定程度上制约了光交叉连接的规模。

HUBER+SUHNERPolatis是压电陶瓷路线的代表厂商。2023年，Polatis发布POLATIS 576 OCS，将产品规模扩展至576×576端口，配有MPO连接器的版本仅占用8RU机架空间。

路径#4：硅光波导（Silicon Photonics）

硅光波导方案是基于硅光子集成平台的片上光交换技术，在硅基芯片上刻蚀形成亚微米级光波导，并通过波导网络引导光信号在芯片内传输。结构上，硅光开关常用的基础单元包括马赫-曾德尔干涉仪（MZI）和微环谐振器（MRR）等。MZI通过调节两臂光路的相位差改变输出端口的干涉结果，MRR通过改变微环谐振条件控制特定波长光信号在直通端与下载端之间切换。上述相位或谐振状态通常可通过热光效应、电光效应或载流子注入/耗尽等方式调控。多个2×2基础开关单元可进一步按照Benes、Clos、Crossbar等拓扑结构级联，形成N×N片上光交换矩阵，实现更大规模的全光交叉连接。

硅光波导方案具备大规模生产潜力，但存在损耗、串扰等问题：1）高集成度与CMOS兼容，具备芯片化扩展潜力：硅光波导方案基于CMOS兼容平台构建，能够在较小芯片面积内集成大量波导、耦合器、相移器和开关单元，具备规模化制造潜力；2）切换速度和功耗有优化空间：硅光开关可通过热光、电光等机制调控，其中电光型MZI/MRR开关具备纳秒级切换潜力，热光型方案结构相对成熟但通常切换速度较慢、存在持续加热功耗；3）大规模扩展仍受损耗、串扰和封装约束：由于光信号在片上波导、开关单元、波导交叉和光纤耦合结构中传输，端口数提升后插入损耗和串扰容易累积。

目前iPronics、Salience Labs已推出各自32端口硅光OCS方案，并向64/128端口持续演进。iPronics于2025年3月发布全球首个32端口的硅光集成OCS产品ONE-32，采用CMOS硅光平台，1U机架式规格，时延低于30纳秒、重构时间低于300微秒。2026年OFC期间，公司进一步展示ONE Series硅光OCS系列产品，可提供不同radix配置，用于优化AI集群内部光互联。Salience Labs于2026年3月发布32端口全光硅光开关，支持最高200G（100Gbaud PAM4）测试速率，时延约10纳秒，总插入损耗低于2dB，重构时间低于300微秒，功耗低于1W/端口，并规划向64端口和128端口扩展。

OCS路径对比与总结

OCS四种主要技术路线在光路传播方式、端口扩展、损耗累积机制和控制复杂度上不同，现阶段MEMS最成熟，液晶与硅光波导方案正逐步突破。MEMS目前仍是商用部署最充分的路线，凭借较大的端口规模、较低插入损耗和较成熟的工程验证，在谷歌等超大规模数据中心场景中率先落地。Coherent、iPronics等厂商亦在加速布局数字液晶、硅光波导等方案。同时，微软、Meta、英伟达等CSP和芯片厂商也在积极评估和导入OCS，以满足AI集群对低功耗、低时延和动态拓扑重构的需求，行业正从单一头部客户验证走向多客户、多技术路线并行导入阶段。

OCS技术格局上，不同技术路径或将长期共存，其中MEMS/液晶短中期主导，硅光打开远期弹性。OCS技术路线的竞争核心在于端口规模、插损、功耗、可靠性和量产成本的综合平衡，而非单一性能指标。短中期看，MEMS和液晶路线商业化确定性更强，前者已有谷歌数据中心部署验证，并由Lumentum、Molex等推进高基数OCS平台化供给；后者以Coherent为代表，凭借低功耗、低成本和大端口能力形成重要补充。我们认为：2026-2028年MEMS/液晶有望合计占据主要份额，2030年前后，若硅光完成大端口扩展、封装耦合和量产良率验证，其份额有望提升。压电路线则更偏向自动配线、测试测量、IDC/运营商光层调度等场景，预计仍以场景型补充为主。

交换机格局上，OCS短期仍是光电协同增量逻辑，并非全面替代电交换机。OCS是在跨Pod、跨集群、跨数据中心等大带宽、相对稳定流量场景中，通过光路减少多级电交换和OEO转换。我们判断，未来AI数据中心网络更可能形成“电交换负责包级转发和实时调度、光交换负责大带宽拓扑重构”的混合架构；在OCS真正可参与的Spine替代、跨Pod/跨集群调度和Scale-across/DCI等高层网络场景中，其渗透率有望提升。

需求：AI算力网络重构，OCS从单点试水进入关键场景渗透

CAPEX视角：北美云厂商AI投入指引保持积极，国内紧跟趋势

我们认为，OCS交换机有望同时受益于“训练端规模扩张”与“推理端流量增长”的双重需求共振，或将自26年起开启新一轮长周期的景气上行：

训练端重在规模扩展与确定性互联。以谷歌 TPU 8t为例，其定位大规模预训练，单Superpod规模提升至9,600颗芯片，并继续采用适合训练吞吐的3D torus拓扑；同时，谷歌通过Virgo Network提升训练侧DCN带宽，支撑更大规模TPU芯片以低时延、非阻塞方式组成训练集群。训练端对OCS的需求落在更大规模集群下的跨Pod/跨机柜通信优化，当训练集群继续扩张，网络架构需要在带宽、时延、功耗和可扩展性之间重新平衡。OCS需求主要来自两个层次：1）在Superpod内部及跨机柜互联中，OCS通过可重构光路连接更多计算节点，承担Scale up光层重构功能；2）在更大范围的数据中心网络中，OCS可参与Scale out架构升级，降低不同代际网络设备协同和扩容的成本。

推理端对OCS的拉动来自MoE、reasoning、长上下文等负载提升后，对低尾延迟、大规模跨芯片互联和后端资源池化网络的需求上升。谷歌TPU8i定位sampling、serving和reasoning，采用Boardfly拓扑替代训练侧常见的3D torus，并在Pod结构中通过OCS连接36个group、最多1,024颗active chips，将任意芯片间最大通信跳数控制在7跳。相较3D torus在1,024芯片规模下最高16跳的网络直径，Boardfly通过高radix与OCS光连接降低All-to-all通信跳数，更适配MoE和reasoning模型中跨芯片路由token带来的低时延需求。

海外需求：北美CSP资本开支延续高增趋势并对未来保持乐观指引，有望支撑AI基础设施建设的持续推进。3Q26 MAMG（微软、亚马逊、Meta、谷歌）合计资本开支同比提升108%至2005.42亿美元，再创历史新高，MAMG四家均对2026年-2027年的资本开支保持乐观并部分上修指引：1）微软26年全年指引1700亿美金，较上期指引1750亿下降系第三方产能延迟导致；2）亚马逊计划在2026年全公司范围内投入约2200亿美元资本支出（维持），投资将主要集中在AWS部门；3）Meta上调2026 年资本支出下限，指引为1350-1450亿美元（前值：1300-1450亿美元）；4）谷歌维持2026年资本支出指引1950-2050亿美元，投资额将在年内逐步增加。英伟达于2025年8月的业绩会中判断，全球科技大厂对于AI基础设施的投入有望由2025年约6000亿美金增长至2030年的3-4万亿美金。

国内需求：BBAT继续推进AI投资，运营商持续加码算力。国内数通需求主要集中于大型互联网厂商和运营商：

互联网厂商：2025年阿里、腾讯、百度合计资本开支为2106.97亿元，同比提升36%，2Q26国内三大上市互联网厂商阿里、腾讯、百度合计资本开支为1318.52亿元，同比增长114%，环比增长105%。针对2026年，互联网厂商均给予积极的AI投资指引：1）字节：根据财联社2026年5月9日报道，字节正在进一步加大对AI的投资力度，将上调2026年投入至2000亿元以上，较此前的初步计划增加了25%；2）阿里：根据阿里在1Q26业绩会中的表述，考虑到AI基础设施需求，公司未来的AI相关投入或远超此前提出的3年3800亿元规划，公司将始终坚定不移地持续AI投资，在2Q26业绩会中表述当前AI Capex的投入回报确定性较高，投资回收期逐渐缩短至2.5年甚至2年；3）腾讯：腾讯在其1Q26业绩会中表示，公司此前已指引今年资本开支将高于去年，目前对此更加确认，并预计其资本开支将在下半年进一步增加，原因在于中国自研ASIC芯片的逐步供应；4）百度：根据百度4Q25业绩会，百度表示自23年3月以来百度在AI方面的累计投资已超过1000亿元，未来将继续保持这一投资强度。

运营商：2025年中国移动、中国电信、中国联通三家合计算力资本开支约614亿元，同比-27%，主要系央企提质增效战略影响，2026年各家将继续优化资本开支结构，向算力建设倾斜，2026年三家合计算力资本开支预计值为809亿元，同比+32%：1）中国移动预计算力网络资本开支同比提升62.4%至378亿元；2）中国电信预计算力基础设施投资同比提升26%至256亿元；3）中国联通预计算力资本开支占25年总资本开支（公司预计500亿元）的35%以上，即175亿元以上。

发展趋势：以Scale-up为主的需求有望推动OCS全面放量

趋势#1：“光入柜内”，由Scale out至Scale up，节点内互联空间广阔

OCS已成为AI数据中心构建高可扩展、灵活且能效优化网络的关键组件，并对应Scale-up（集群内互联）、Scale-out（数百至数万XPU互联）、Scale-across（跨数据中心互联）三大网络层级。从OCS发展历程看，OCS在数据中心的应用从最开始的out（Apollo项目）到up（TPU v4开始,成为量产起点），再到未来的across。

#1.1 Scale up场景：OCS未来主力的场景

谷歌从TPU v4开始在AI超级计算机中量产部署OCS（Scale up场景），该场景或成为推动OCS出货量高增的主要动力。Cignal AI指出，过去5年谷歌累计OCS支出介于5亿至10亿美元之间、已部署数万颗OCS端口用于Scale up场景。

OCS交换机在Scale-up场景下将64个单机柜（Cube）连接成一个Superpod，形成统一的“超级节点”。一个Superpod自下而上的拆分：4个TPU组成1个托盘，16个托盘组成1个Cube。Cube内由铜缆连接，Cube外延伸出96条光路（6个面x每面16条链路）。不同于英伟达的柜内Scale-up，谷歌TPU的Scale-up是跨机柜的。OCS作为桥梁通过有效端口将Cube与Cube之间的96条光链路连接在一起。复盘TPU v4到v7的内部互联架构，值得注意的是，从TPU v4（4,096颗）→ TPU v7 Ironwood（9,216颗），单Pod内48台OCS交换机数量保持不变，因为有效端口从128x128升级至288x288，单Pod内Cube的数量也有所增加（v4（64Cube）到v7（144 Cube））。

TPU 8t一个Superpod（150 Cube）对应9600颗TPU，Scale-up场景下TPU与OCS的配比关系是200：1（9600：48）。配比关系主要跟拓扑模型、单Pod内Cube数量以及OCS交换机的有效端口有关。OCS交换机的有效端口上限越高，单Pod内能容纳的Cube数量就会越高，TPU与OCS的配比就会越高，比如TPU v4 单Pod是64 Cube，4096颗TPU芯片，OCS有效端口是128，所以单Pod需要48个OCS交换机；TPU 8t单Pod是150Cube，9600颗TPU芯片，OCS有效端口是300（从288升级），所以单Pod仍需要48个OCS交换机。

TPU v8分成训练TPU 8t和推理TPU 8i芯片，TPU 8t沿用TPU v4的OCS配置逻辑，TPU 8i改用Boardfly拓扑结构，TPU与OCS的配比关系约为230.4：1（1152:5）。谷歌官方披露，TPU 8i的 Boardfly 拓扑采用分层结构：4颗TPU 8i芯片构成一个Building Block（BB），每个BB对外提供16条外部连接；8个BB通过铜缆全连接构成一个Group，其中每个BB使用11 条外部连接用于组内通信；36个Group再通过OCS连接形成一个TPU 8i Pod，官方称最多支持约1,024 颗活跃芯片。由此测算，单个Group的物理芯片数为 4×8=32 颗，36 个 Group 对应1,152 颗物理芯片；每个BB剩余16-11=5条连接朝向OCS，单Group对应 5×8=40条OCS 侧连接，单Pod对应40×36=1,440个OCS端口需求。若沿用TPU 8t中“单台OCS有效端口300”的测算口径，TPU 8i单Pod约需5台OCS。

我们认为，Scale up有望成为未来OCS最大的应用机会，主要基于：1）AI训练和推理集群规模持续扩大，超节点Scale up域内承载的芯片数量不断提升，带动高带宽、低时延互联需求增长；2）OCS的潜在应用边界既包括柜内芯片及节点互联，也包括超节点向跨柜扩展后的柜间互联，Scale up系统规模增长有望持续扩大OCS的适用场景；3）相较传统电交换及采用CPO光引擎的电交换架构，OCS不具备包级处理能力，但在大带宽、长持续时间、连接关系相对稳定的流量场景中，具备低功耗、低链路时延和拓扑可重构等差异化优势。谷歌已在TPU集群中完成OCS的规模验证，若未来其他CSP及AI芯片/算力设备厂商逐步完成产品验证和系统导入，Scale up有望成为OCS需求增长的核心驱动力。

#1.2 Scale out场景：OCS替代部分Spine层，缓解数据中心代际升级瓶颈

谷歌在Apollo中以OCS替代Spine层电交换机，核心是降低网络代际升级的摩擦成本：传统Clos架构升级需要同步替换多层设备，而OCS通过光层重构实现新旧设备兼容。

传统Clos网络通常需要在数据中心初建时提前部署整楼级Spine层，但数据中心生命周期长于单代交换芯片和光模块周期，后续新增的高速Aggregation Block会受既有低速Spine层压制；若整体替换Spine层，又涉及大量交换机机架和光纤改造，升级成本和运维复杂度较高。谷歌认为，其多租户、楼级网络流量相对可预测，且并不长期处于最坏情形流量排列（ALL TO ALL)，因此不必始终依赖传统Clos提供的完全无阻塞能力；基于此，OCS+SDN可以在保留电交换分组转发能力的同时，在光域重构Aggregation Block之间的连接关系，以更低成本实现增量升级和性能释放。

谷歌在Scale out场景中率先通过Apollo项目验证OCS的大规模部署价值。谷歌在Apollo中引入自研3D MEMS OCS（Palomar）、环形器和WDM光模块，以OCS层替代部分Spine Block，使Aggregation Block之间可在光域内直接建立cut-through连接，从而减少Spine层电交换机及其光模块带来的O/E/O转换、交换ASIC处理和缓存调度开销。谷歌披露，Jupiter在深度整合OCS、WDM和SDN后，数据中心带宽扩展至6Pb/s以上，同时相较最佳已知替代方案实现吞吐提升30%、流完成时间减少10%、功耗下降40%、成本下降30%、宕机时间降低50倍。

Scale out场景下，谷歌TPU与OCS的比例如何？

我们观察到，谷歌已在Jupiter网络中规模部署OCS，并针对TPU 8t推出Virgo Scale out网络。Jupiter主要承担数据中心前端网络连接，Virgo则面向TPU跨Pod的Scale-out互联。考虑两者网络功能及拓扑差异，我们分别测算Jupiter的OCS连接容量，并假设Virgo未来在顶部交换层引入300端口OCS，分析其配置变化：

1）Jupiter架构（OCS动态直连网络）：参照谷歌SIGCOMM 2022《Jupiter Evolving》论文及官方披露，Jupiter已由传统三层Clos演进为基于OCS的Aggregation Block（AB）间动态直连架构。单fabric最多支持64个AB，每个AB可提供最多512条面向ToR的下行链路及512条面向DCNI光交换层的上行链路。按满配置测算，全网对应32,768条上行光连接，若采用128有效端口的Palomar OCS，理论需配置256台OCS（32,768÷128），与谷歌论文披露的最大256台OCS规划容量一致，对应TPU与OCS的比例约为128:1（32,768:256）。

2）Virgo架构（两层无阻塞网络）：（注：Virgo网络目前尚未采用OCS交换，我们假设未来其顶部交换机或替换为OCS）2026年4月，谷歌披露Virgo Network单fabric最高可连接约13.4万颗TPU 8t，采用两层扁平化、多平面非阻塞网络。目前谷歌尚未披露Virgo采用OCS，我们假设未来其顶部交换层引入300×300端口OCS，并沿用两层Leaf-Spine网络的端口容量模型进行测算。假设底层部署512台512端口Leaf交换机，每台提供256条下行链路连接TPU、256条上行光连接，则单fabric理论支持131,072颗TPU（512×256），对应131,072条上行光连接。若按单台OCS可承接300条有效双向光连接计算，理论需配置约437台OCS（131,072÷300，向上取整），对应TPU与 OCS 的配置比例为300: 1（131,072 : 437）。

我们看好Scale out成为OCS需求的长期弹性来源，需求增长主要来自数据中心网络代际升级加快。Scale out场景解决的是更大范围内的集群扩展和网络升级问题：一方面，AI训练和推理集群规模持续放大，楼级网络需要在更高带宽、更低时延和更低功耗约束下连接更多计算单元；另一方面，传统Spine层电交换机在数据中心代际升级中容易形成性能瓶颈，而OCS具备出色的协议及速率透明性，OCS+EPS的组合可通过光域重构实现增量扩容和拓扑优化。

#1.3 Scale across场景：正在形成产业雏形

Scale-across场景下，OCS正在形成产业雏形。英伟达在25年提出Scale across概念，Scale across是一种新型AI计算互联架构，与现有的Scale up、Scale out方式相互配合，通过Scale across网络能够使分布在不同规模和地理距离的多个数据中心整合为一个统一的大型AI工厂，英伟达也在OCS的未来规划图中列入Scale across场景。除此之外，产业链上下游也在推进OCS在Scale across中的验证：Cignal AI将Campus Datacenter Interconnect和Virtual Meet-Me Rooms列入OCS数据中心应用；Lumentum R64明确面向GPU互联和DCI应用；Marvell与Lumentum也展示了R300 OCS与ZR/ZR+ DCI模块的互通方案。

与NVIDIA Spectrum-XGS Ethernet（Scale across）方案不同，OCS路线更偏向L1光层调度：前者通过以太网交换、拥塞控制、自适应路由和端到端遥测连接分布式AI数据中心，后者则通过可重构光通路实现跨站点大带宽直连、链路调度和资源池化。我们认为，OCS现阶段更适合作为以太网Scale-across fabric的光层补充，而非直接替代NVIDIA方案。随着单一园区逐步受电力、土地、散热和机房容量约束，AI集群扩展需要从单Pod、单fabric进一步走向跨楼宇、跨园区和跨数据中心互联，OCS在Scale across场景的空间有望逐步显现。

趋势#2：客户需求从谷歌单点验证走向外部客户导入

OCS需求外扩正在从谷歌内部验证走向开放生态和外部客户导入，核心变化是“单一大客户驱动”开始向“多供应商参与、多客户验证”演进。Cignal AI指出，过去一年数据中心OCS已从谷歌单一项目扩展为拥有真实部署、采购订单和商业化路径的多供应商市场。我们认为，当前OCS外扩虽尚未进入全面放量阶段，但谷歌以外厂商已经开始围绕标准、产品和客户验证建立产业基础。

LITE/COHR等头部供应商推进OCS进入外部客户导入阶段。Lumentum于2025年3月发布R300 300×300端口OCS，并已向Hyperscale客户出货；公司同时表示，R300面向AI集群和数据中心内部网络，可在10万级GPU部署中较传统InfiniBand或Ethernet方案实现65%或以上的网络功耗下降。Coherent方面，公司在2QFY25业绩材料中披露其基于数字液晶技术的OCS产品获得首个客户订单；此后客户验证持续推进，公司在2QFY26披露OCS平台已覆盖超过10家客户，3QFY26进一步将相关市场机会上修至40亿美元以上。我们认为，公司客户覆盖和市场机会持续上修，表明其OCS业务正由首单验证阶段向多客户导入和产能爬坡阶段演进；后续应重点跟踪客户认证转化、订单积累、生产基地爬坡及收入确认节奏。

国内算力参与商共同推进OCS产业落地。政策侧，工信部推动算力中心全光交换OCS、光电融合组网等技术应用，构成国内OCS落地的底层牵引；设备商侧，华为已推出面向AI智算DCN的OptiXtrans DC808全光交换机，并规划在未来Atlas 950超节点版本中采用OCS，验证大规模AI集群对低时延、高带宽和跨代际平滑演进的需求；国产GPU生态侧，曦智联合壁仞、中兴等推出光跃128卡商用版，以硅光OCS光交换芯片支撑光互连光交换GPU超节点，而曦智与沐曦合作的光互连电交换超节点也说明国产GPU厂商正在引入光互连方案。国内OCS及光互连需求正从运营商网络扩展至智算中心Scale out、超节点Scale up和国产AI算力生态。

我们认为，OCS向其他算力生态复制的关键，还在于光交换硬件与网络控制、通信软件及任务调度体系的协同适配。我们判断大型CSP及算力系统商有望较早实现规模导入，且OCS的生态扩展或呈现分场景、分阶段推进的特征。谷歌的成功并非仅依靠OCS设备本身：在Jupiter网络中，OCS与集中式SDN、流量工程及自动化运维共同实现光路重构；在TPU系统中，OCS则与计算节点分配、拓扑选择和故障恢复协同运行。谷歌TPU v4采用按训练任务配置拓扑的方式，任务运行期间可保持拓扑稳定。因此，其他生态导入OCS仍需要验证“光路如何建立、何时切换、切换后通信如何恢复”等系统问题，硬件参数达标或并不能直接复制谷歌的部署效果。我们认为：1）客户方面，具备网络架构和软件研发能力的CSP，以及能够统筹芯片、设备与软件的算力系统厂商，有望成为谷歌之外较早实现规模导入的客户；其他客户则更依赖整机商与系统集成商提供完整方案；2）场景方面，客户在部署OCS时，初期或可优先切入任务启动前组网、资源池划分及故障组件隔离等较低频重构场景，再逐步向任务运行期间的动态拓扑优化延伸。前者对实时调度和通信恢复的要求相对可控，后者则需要更深的软硬件联合开发。

空间：预计28年全球OCS交换机Scale up/out市场规模共113亿美元

我们测算，2026-2028年谷歌TPU所对应的OCS交换市场空间分别可达28.7/59.4/87.5亿美金，26-28E CAGR为87.37%。我们综合谷歌自身表述、Digitimes与TheNextWeb报道以及TrendForce预测，给予谷歌TPU 26-28年出货量预期分别为370万/800万/1200万颗。我们假设：1）OCS交换机将持续迭代，包括但不限于端口数增加；2）从商业化的规律来看，未来OCS单端口价格或将呈现年降趋势。分Scale up和Scale out两大场景：其中我们认为Scale up场景是未来OCS的核心增长机遇，根据前文中的计算，TPU v8t（训练）和TPU v8i（推理）对于OCS交换机的配比相差较小，为方便计算，我们统一以v8t的需求算法来计算，我们测算2026-2028年谷歌TPU对应Scale up场景下的OCS交换机需求量分别为1.85/4.00/6.00万台，对应Scale up OCS市场空间为27.75/54.00/72.90亿美元。Scale out场景以正常推进为主，我们认为OCS会逐步取代大型Fabric中的Spine层交换，测算2026-2028年谷歌TPU对应Scale out场景下的OCS交换机需求量分别为0.06/0.40/1.20万个，对应Scale out OCS市场空间为0.93/5.40/14.58亿美元。最终计算得到，2026-2028年谷歌TPU对应OCS交换机需求量分别为1.91/4.40/7.20万台，对应OCS市场空间分别为28.68/59.40/87.48亿美元，26E-28E CAGR为87.37%。

考虑到随着训练和推理集群扩大，超节点Scale up域内芯片数量持续提升，OCS潜在应用覆盖柜内及跨柜互联，有望凭借大带宽、低功耗、低链路时延和拓扑可重构等优势，成为Scale up网络的重要互联方案，目前从供应商角度看OCS已在下游多个重点客户（包括云厂商/AI算力硬件商）进行送样验证，我们预计未来OCS应用有望从一到十。因此假设：1）Scale up领域中，OCS拓展更快，26-28年谷歌的需求占全球总需求比例为95%/85%/75%，对应26-28年全球Scale up OCS交换机需求量1.95/4.71/8.00万台，对应26-28年全球Scale up OCS市场规模29.21/63.53/97.20亿美元；2）Scale out领域，OCS凭借高度协议透明性和速率透明性有望逐步导入超大集群的上层网络，26-28年谷歌的需求占全球总需求比例为100%/95%/90%，对应26-28年全球Scale out OCS交换机需求量0.06/0.42/1.33万台，对应26-28年全球Scale out OCS市场规模为0.93/5.69/16.20亿美元。

综上，我们预计26-28年全球OCS交换机需求量为2.01/5.13/9.33万台，26-28E CAGR为119.16%；预计26-28年全球OCS交换机市场规模为30.14/69.21/113.40亿美元，26-28E CAGR为104.30%。

产业链梳理：关注国内外整机龙头及关键上游配套商

产业全景：上游聚焦核心器件与制造配套，中游关注代工及品牌整机

OCS产业链可分为上游核心器件与制造配套、中游代工及品牌整机、下游应用与需求主体三大环节。

1）上游方面，核心光路重构器件主要包括MEMS、液晶、压电陶瓷和硅光波导四种技术路径；共通配套环节包括准直器阵列、微透镜阵列、分光镜、光纤阵列等精密光学元器件，以及驱动/监控芯片、封装结构、高密度光连接器、晶圆代工和封装测试自动化设备等；

2）中游方面，OCS代工及品牌整机商可按技术路线分为：I. MEMS方案，目前产业化程度及应用成熟度相对领先，主要厂商包括Lumentum、Calient、Molex、光迅科技、华为、光库科技等；II. 液晶方案，代表厂商为Coherent；III. 压电陶瓷方案，代表厂商包括HUBER+SUHNER旗下Polatis、凌云光等；IV. 硅光波导方案，代表厂商包括iPronics、德科立、Salience、曦智科技等。部分OCS整机厂商同时具备核心光路重构器件的自研能力，产业链上下游呈现一定的垂直整合特征；

3）下游方面，OCS的应用与潜在需求主要来自以谷歌为代表的云厂商及互联网厂商AI算力中心、以英伟达为代表的GPU算力网络整体方案商、以Anthropic和OpenAI为代表的前沿大模型厂商，以及电信运营商的算力中心和传输网络。

BOM拆解：核心成本在于光路重构器件与精密光学零部件

MEMS方案：核心成本集中于MEMS微镜、校准系统与二维阵列准直器。以Google Palomar 128×128 OCS为例，我们测算其广义生产成本约2.5万美元，其中MEMS微镜系统价值量约8500美元，占比约34%，为最大单项；校准系统约4000美元，占比约16%，主要由850nm监控光发射/注入模组及相机/接收模组构成，通过辅助光实现MEMS微镜位置监测与闭环校准；二维阵列准直器约3900美元，占比约16%，由二维光纤阵列和二维微透镜阵列组成，其中二维光纤阵列价值量约2800美元、二维微透镜阵列约1100美元。其他精密光学元件约800美元，占比约3%，主要包括二向色镜、反射镜、窗口片及滤光片等；控制电子、光纤/尾纤、连接器及机电结构等其他元器件约5300美元，占比约21%，整机制造、装调及测试约2500美元，占比约10%。以毛利率约55%计算，对应整机售价约5.6万美元。此外，OCS侧环形器位于整机之外，128端口对应价值量约3840美元。

液晶方案：无源精密光学件价值量显著提升，二维阵列准直器与偏振/双折射光学系统成为核心成本环节。以384×384数字液晶OCS为例，我们测算其广义生产成本约5.57万美元，其中液晶调制系统约1.8万美元，占比约32%，为系统最大单项；二维阵列准直器约1.35万美元，占比约24%，由输入、输出两套完整准直组件构成，其中二维光纤阵列约1万美元、二维微透镜阵列约3500美元。偏振分光及双折射光学系统价值量约1.3万美元，占比约23%，其中光束位移器/偏振分光器（BD）约1万美元、双折射晶体光楔约3000美元，主要承担偏振分束、偏振控制及光束偏转功能。其余控制电子、光纤/尾纤、连接器、PCB及机电件等约5600美元，占比约10%，整机制造、装调及测试约5600美元，占比约10%。以毛利率约63%计算，对应整机售价约15万美元。相较MEMS方案，液晶OCS的二维准直器与偏振/双折射光学件合计价值量约2.65万美元，占整机生产成本近一半，体现出更高的无源精密光学价值量。

海外厂商

Lumentum（LITE US）

Lumentum Holdings Inc. 是一家总部位于美国加利福尼亚州圣何塞的光学和光子学产品制造商，成立于2015年2月10日。公司于2015年从 JDS Uniphase 分拆出来并在纳斯达克上市。公司主要产品包括半导体激光器、光放大器、光模块、光开关等，广泛应用于数据中心、电信网络、消费电子和工业领域。在全光交换领域，公司拥有R300（300x300）和R64（64x64）两款MEMS OCS产品。公司在2027财年第一季度（3QCY26）业绩电话会上表示，OCS当季收入超过1.08亿美元，出货持续爬坡，并计划在后续季度进一步扩充产能，公司表示近期OCS需求能见度显著提升，该业务有望成长为年收入数十亿美元的业务。

Coherent Corp.（COHR US）

Coherent Corp.前身为II-VI Inc.，成立于1971年，2022年以约70亿美元收购Coherent Inc.后更名，公司总部位于美国宾夕法尼亚州萨克森堡，是全球覆盖从晶体生长到光模块全产业链的光子学IDM龙头。2025财年公司业务分三大板块：网络业务（59%）、材料业务（16%）、激光业务（25%）。公司在2027财年第一季度（3QCY26）业绩电话会上表示，OCS客户合作正由Scale out进一步拓展至Scale across及Scale up场景，320×320系统已实现出货，更高密度配置亦在推进，其中高密度产品预计更多应用于Scale up。公司正同步提升两个生产基地的产能，预计OCS将逐步成为收入增长和利润率提升的重要贡献来源，并判断2030年OCS相关市场机会至少达到40亿美元。

Calient（未上市）

Calient.AI是一家美国全光交换设备厂商，长期专注于基于3D MEMS的光路交换系统。公司S320光路交换机为全光OOO架构，可在单模光纤之间建立、监控和调整连接关系，具备协议无关、速率透明特征，可支持从40G/100G向400G及更高速率演进。根据公司官网，S320为320端口OCS产品，具备全无阻塞交换、30ns级低时延、低插入损耗等特征，主要应用于数据中心、HPC、测试自动化、电信网络等场景。

HUBER+SUHNER Polatis（HUBN SW）

HUBER+SUHNER成立于1969年，HUBER+SUHNER AG为瑞士连接与光通信方案供应商，股票代码HUBN SW；Polatis为其旗下全光交换业务品牌，成立于2000年。HUBER+SUHNER于2016年收购Polatis，后者自2000年以来专注于开发、生产和销售全光网络交换设备。Polatis产品基于DirectLight直接光束偏转技术，覆盖8×8至384×384端口矩阵，可用于数据中心、通信网络、广播生产、测试自动化等光层连接场景。2025年7月，公司公告称，已收到来自全球活跃的超大规模数据中心基础设施所有者和运营商的大批量POLATIS OCS订单，订单属于多年合作协议的一部分，预计未来三年贡献可观销售额。

iPronics（未上市）

iPronics是一家西班牙可编程光子学公司，成立于2019年，由瓦伦西亚理工大学iTEAM光子实验室孵化，专注于面向AI网络的硅光可编程光交换方案。公司于2025年3月发布ONE-32硅光OCS产品，定位AI数据中心与云基础设施，采用CMOS硅光平台，具备低时延、低功耗和快速重构能力。根据公司披露，ONE-32为32端口OCS，具有<30ns近零时延、<300μs重构时间、O-band平坦响应等特征；2026年3月，公司进一步宣布在Fabrinet建设ONE系列SiPh OCS封装、组装、测试和认证生产线，支持面向超大规模客户、AI系统集成商和加速器厂商的规模化交付。

Salience（未上市）

成立时间2020年11月20日。Salience Labs是一家英国光子解决方案公司，主要面向AI数据中心互联提供硅光全光交换方案。公司OC-32M全光交换模块为32端口非阻塞光交换产品，采用32输入光纤×32输出光纤架构，具备10ns输入到输出端口时延、<2dB总插入损耗、<300μs重构时间和<1W/port功耗等特征。2026年2月，Salience Labs与Tower半导体宣布合作，基于Tower硅光平台推进PIC-based OCS制造，合作已从研发进入预生产阶段，目标是面向下一代AI数据中心实现低时延、高带宽、低功耗光连接。

Molex（未上市）

Molex（莫仕）是一家全球连接器与光互连方案供应商，隶属于 Koch Industries 旗下，成立于1938年，总部位于美国伊利诺伊州Lisle。公司于2026年3月发布了 High-Radix OCS 平台，主要面向大规模AI集群网络的光层重构需求。根据公司官网，该平台目前最高支持544×544端口，并规划未来进一步支持1000+端口。其高端口密度有助于构建更扁平的AI网络架构，从而减少交换层级和通信跳数。同时，该平台通过低插入损耗、模块化的可维护设计以及软件可重构连接，有效提升了大规模GPU集群的互联效率与可维护性。

国内厂商

具体梳理详见研报。

风险提示

1. 云厂商资本开支不及预期；数据中心需求同云厂商资本开支相关，若云厂商放缓资本开支投入，对于数据中心整体需求将产生影响，OCS属于数据中心内部互联的派生需求，亦将受到影响。

2. 测算结果风险；本报告对谷歌TPU相关OCS需求空间以及全球OCS需求空间的测算亦基于TPU出货量、网络建设节奏及谷歌在全球需求中的占比等假设，若相关假设未能兑现，实际市场空间可能低于测算结果。

3. OCS技术迭代不及预期；OCS在大规模应用中仍需持续解决端口规模、插入损耗、切换速度、串扰、长期可靠性、封装耦合、量产良率、制造成本以及控制软件协同等问题。若相关技术指标改善、产品迭代或规模量产进度不及预期，OCS可能难以满足大规模AI集群对性能、可靠性和成本的要求，其在Scale up、Scale out等场景中的渗透率及客户拓展进度可能低于预期。

4. 本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。

文章来源

研报《OCS：未来AI集群的全光底座》2026年11月12日

王兴 分析师 S0570523070003 | BUC499

唐攀尧 分析师 S0570526040003

王珂 分析师 S0570524080005 | BWA966

陈越兮 分析师 S0570525070005

关注我们

华泰证券研究所国内站（研究Portal）

https://inst.htsc.com/research

访问权限：国内机构客户

华泰证券研究所海外站

https://intl.inst.htsc.com/research 

访问权限：美国及中国香港金控机构客户

添加权限请联系您的华泰对口客户经理

免责声明

▲向上滑动阅览

本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究报告的发布平台，本公众号仅供华泰证券中国内地研究服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。

本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。