今天小编分享的科学经验：为什么说MEMS-OXC在智算场景没有未来？，欢迎阅读。
智算中心是这一轮科技革命的算力 " 心脏 "，更是国际科技博弈的长期焦点。智算中心建设方案，一直牵动着国人的神经。
近期，OXC 光交换技术在智算场景的应用，走进了大众视野，这个技术及其解决方案，撑得起智算中心网络吗？
深入技术本质、落地实践、产业进程来看，恐怕都要说一句，"OXC 技术在智算场景其实没有未来 "。
技术上看，OXC 光交换技术在智算场景中会面临光电协同、不支持 AI 任务多对多传输等技术挑战，很难有效解决。
实践上看，当前业界仅谷歌一家商用 MEMS-OXC 设备，而谷歌 TPU 集群用 OXC 的核心目的是解决 Torus 拓扑的可用度问题，但网络可用度的短板其实是在接入端口，OXC 不解决网络可用度问题，所以实际上跟自动配线架没有本质区别。
产业上看，谷歌商用 OXC 全球仅此一家，根据 LightCounting 预测，到 2029 年 OXC 的全球市场空间约为 5 亿美元，其中大部分是谷歌，产业规模仅为电交换的二十分之一。
综合上述维度，不难得出结论，OXC 技术在智算场景中只是配线架，无法真的规模化落地，也支撑不了超万卡集群智算中心网络。
接下来咱们就从技术的起点到产业的终点，全面掀开智算场景 MEMS-OXC 的面纱。
简单来说，OXC 光交换技术就是在不同的光路径之间进行光信号交换。技术路径包括 MEMS、DLC、和 DLBS。其中，MEMS 技术是目前最主流的方案，MEMS-OXC 设备也是目前唯一被谷歌这一家所商用的。
但在超万卡集群的智算中心网络中，MEMS-OXC 发挥的作用其实就是配线架。
我们先来看看，智算中心组网是怎么实现的。ODCC（开放数据中心委员会）发布的《AI 数据中心网络建网》报告提到，AI 参数面网络有两层 Spine — Leaf，以及三层 CLOS 架构组网，而在 AI 集群组网实践中，通过三层组网达到十万卡以上的组网规模。
目前，Meta、OpenAI、微软等 AI 巨头，都是通过从两层向三层扩展的组网模式，去构建超大规模集群的，也就是在 Leaf 层、Spine 层之外增加 Core 层。其中，两层组网使用的是电交换机。比如目前业界唯一的 OXC 商用实践——谷歌也采用的是光电混合架构。
可以看到，智算中心网络如果采用两层组网，不需要 OXC；如果是三层组网，MEMS -OXC 设备在 Core 层主要发挥的作用是灵活配线，与自动配线架没有本质区别。
引入 MEMS-OXC，不仅无法给网络带来增益，还可能制造出额外的问题：
首先，光电协同问题。
如果在第三层引入 OXC 光交换机，但数据中心网络底层用的还是电交换机，这就需要光电之间的协同、通信、配合，对整个数据中心网络的冲击是比较大的。
举个例子，OXC 技术有灵活切换的特征，但对于整网来说，光交换机一会儿连通、一会儿断开，这就需要整个接入层和 Spine 层，都要随之进行策略调整。
试想一下，智算场景下的大模型训练大多采用并行训练，业务流随时变化，如果数据中心网络随时随地在进行秒级调整，那训练的可靠性就很难保证了。任何一个大模型研发团队，恐怕都无法接受训练的高频中断。
其次，OXC 与 AI 业务的适配问题。
OXC 光交换技术是不支持多对多通信的，只能进行纯物理的转发。而在智算场景中，AI 任务是有很多算法和算子的，不同算法的通信模式都不太一样，可能需要一对多、多对一、多对多等多种转发方式。这些算法的高效通信，OXC 技术就很难满足，导致相关智算业务无法开展。
第三大问题，就是 OXC 的耗能问题。
OXC 光交换机的插损很大，也就是信号在光折射的过程中产生了衰减。那么为了弥补 OXC 的插损，就不得不采用更大功率或更长距离的光模块，这又会导致能耗上升。此外，插损问题，还会导致光模块速率无法演进。
由于上述问题的存在，智算中心结合插损、功耗等多方面进行考量，算一笔综合账，就会发现 MEMS-OXC 设备还不如自动配线架。
MEMS-OXC 不如自动配线架的另一个关键因素，就是商用前景。
我们知道，一项新技术都必须在商业市场中完成闭环，能够通过使用来回收投资，才能吸引基础设施的进一步投入，形成良性循环。而 OXC 技术的产业化，良性商业闭环是很难的。
最首要的制约，是成本。
OXC 技术的落地需要光交换机的大量使用，并且所有的相关器件如光模块都需要进行更新，这会导致前期投资巨大，综合成本高。
ODCC（开放数据中心委员会）在《AI 网络光交换机技术报告》中提出，考虑到网络系统和 OCS（光交换机）本身的挑战，从端口数量需求、切换时间需求、低成本、高可靠性、拓扑易于管理等维度分析，光交换机还需要优化设计以降低插损和回波损耗，以及探索与电交换机组网方案来降低成本等。
而上述投资，都需要从产业用户身上完成商业回报。但如前所说，受限于光交换技术本身的瓶颈，许多 AI 任务及场景是短期内难以落地的，这就导致 OXC 的商业不确定性强。
这样综合考虑下来，就导致业界落地 OXC 的步伐明显冷静，基本处于观望状态。
技术不是生存在真空之中的，是寄生在人才、资金、产业、实体经济等多重因素的现实中。
中国智算产业仍处于追赶阶段，资源、人才等都相对不足，既要把握发展前景与机遇，也要面对当下生存、商业的现实挑战，甚至有的还要处理历史遗留问题。
这种情况下，如果国内智算产业将宝贵的资源，投入并不适合用来组网的 OXC 身上，可能会导致一系列连锁反应。
比如产业资源的分散，智算中心建设昂贵，而在组网规模、插损、功耗、成本等方面都没有优势的 OXC 设备，意味着低效投资，降低科技企业的抗风险能力。
MEMS-OXC 设备在智算集群中的落地效果并不显著，解决不了网络可用度问题，引入 OXC 会影响到 AI 算力的传输与供给，进而阻碍 AI 训练、AI 推理等业务的韧性开展。
更需要警惕的是，对 OXC 路线的炒作，可能导致国内智算错过对其他技术路线的探索，由此带来的机会成本，是无法估量的。
所以，只能作为自动配线架的 OXC，并不适合成为智算中心组网的选择，在智算场景没有未来。眼下，中国智算产业真正该做的，是把自身在成熟交换技术、现有宝贵资源、产业智能化机遇等方面的核心优势，进一步发挥好。
