2024年光交换机行业专题报告：光是通信的必由之路，OCS已成功应用

一、使用光交换机能够显著提升AI超算集群效率

谷歌为何要发展OCS光交换机：提升计算集群性能支撑大模型

2023年12月7日，谷歌推出自身首个多模态大模型Gemini 1.0，其中高性能版本Gemini Ultra可对标GPT-4。 2024年2月16日，谷歌Gemini模型Pro版迭代出1.5版本： 该模型在长语境理解方面取得突破，显著增加可处理信息量，持续运行多达100万个tokens，是迄今为止基础模型中最长的上下文窗口 。Gemini 1.5 Pro可一次处理大量的信息——包括1小时的视频、11小时的音频、超过3万行代码或超过70万字的代码库 。谷歌透露其在研究中还成功测试了多达1000万个tokens 。 2024年2月22日，谷歌推出新型开源模型系列“Gemma”：该开源模型基于Gemini研究和技术开发，与Gemini相比，Gemma展示了更高的效 率和轻量化设计，同时免费提供全套模型权重，并明确允许商业使用 。 谷歌不断加速迭代大模型，大模型性能提升除了软件层面优化，更需强大算力支撑，算力一方面来自底层的芯片性能，另一方面则来自计 算集群效率，为了高效地将多个计算芯片连接起来，谷歌在通用解决方案基础上，创造性地引入OCS光交换机（Palomar）。

谷歌大模型 Gemini快速迭代，亟需算力支撑

谷歌大模型的迭代动作加快： 2023年初推出聊天机器人Bard：2023年2月6日，谷歌宣布将推出一款聊天机器人Bard，2023年3月21日，谷歌向公众开放Bard 的访问权限 。 2023年12月推出首个多模态大模型Gemini 1.0：模型共分为Ultra、Pro、Nano三个版本，同时将聊天机器人Bard背后的模型从PaLM2换成了 Gemini Pro，其中高性能版本Gemini Ultra可对标GPT-4，Gemini Ultra 在大型语言模型（LLM） 研发中使用的32 个广泛使用的学术基准中， 有30个的性能超过了当前最先进的结果 。 2024年2月16日，Gemini 1.0 Pro迭代至1.5：在文本、代码、图像、音频和视频评估达到了与Gemini 1.0 Ultra相当的质量，但减少了计算资源 ✓ 2024年2月22日，谷歌推出新型开源模型系列“Gemma”。

谷歌自研TPU单芯片性能不足，提高计算集群效率是破局关键

谷歌2016年涉足ASIC芯片，截止目前已推出6代版本： 2015年谷歌首次发布了第一代TPU，正式涉足定制ASIC芯片，2017年发布第二代TPU v2，2018年发布第三代TPU v3，第四代TPU v4于2021 年5月正式推出，此次迭代间隔三年，并于2023 年8月推出第五代TPU v5e，以及2023年12月6日最新发布TPU v5p 。 单芯片性能不足，提高计算集群效率（POD）是同英伟达竞争的关键：谷歌训练 Gemini Ultra所使用芯片为TPU v4、TPU v5e，性能无法与英 伟达H100相比，TPU v5e峰值算力只有英伟达三年前发布的A100 的六成，最新版本TPU v5p峰值算力不到H100的三成，且英伟达将于2024年 推出更高性能的B100产品。

TPU v4时期首次引入Palomar OCS提升计算集群性能

谷歌从TPU v2版本开始构建超级计算机集群：谷歌在2017年发布TPU v2的同时，宣布计划研发可扩展云端超级计算机TPU Pods，通过新的计 算机网络将64块Cloud TPU相结合。 TPU v3集群（Pod）：2018年与TPU v3芯片一同推出，每个Pod最多拥有1024个芯片 。 TPU v4集群首次引入OCS：首次引入Palomar OCS（Optical Circuit Switches，光交换机），一个集群总共有4096个TPU，是TPU v3的4倍。 TPU v5p集群：每集群TPU数量达到8960个，每集群可用 FLOP总数是TPU v4的4 倍，每秒浮点运算数（FLOPS）比TPU v4 提高一倍，每 Pod芯片数量增加一倍，可以提高训练速度的相对性能；TPU v5p集群同样使用了Palomar光交换机 。 短时间内，谷歌在单颗芯片性能上超过英伟达难度较大，通过其擅长的软硬件集成，提高计算集群效率，在支撑自身大模型训练的基础上，可 以通过出售算力资源获取收入，Salesforce 和 Lightrick等客户已经在使用Google Cloud 的 TPU v5p 超级计算机来训练大模型。

二、光交换机产业链增量明显，相关标的受益

TPU v4集群：总共4096个TPU互联

TPU v4集群：谷歌目前训练大模型的主要集群，一个集群共有4096个TPU互联，未来升级到TPU v5p集群，届时将 有8960个TPU互联，由于目前最新资料是基于TPU v4，本文后续将基于TPU v4论文进行OCS架构和产业链分析。 TPU v4集群中4096个TPU芯片的构成：一个集群有64个机架，每个机架16个tray盘，每个tray盘上4个TPU，共计 4096个芯片。

TPU v4集群：使用OCS光交换机对光模块用量的影响

光模块用量：每个cube（即每个机架）伸出来对立面上的2根线与每个光交换机互联，一共64 个机架，所以每个光交换机需要有64×2=128个端口，所以每个集群总共有有48个交换机*128 端口=6114个端口，所以在整个集群中TPU数量与端口数量之比为4096:6114=1:1.5，与英伟达 胖树架构的1:2.5相比，光模块用量变少了 。论文中表示每个交换机有136个端口，其中8个端口是检测校准和监控的，不实际传递信号。

三、光是AI时代高速传输的必由之路

从网络架构看光连接的驱动力：从电信到数通

电信市场：FTTx（光纤到任意终端）不断拓展、5G网络建设推进，整个电信网络各级光传输节点的数量和端口速率要求明显提升。数通市场：AI对算力的需求持续提升，数据中心、机架、服务器、计算芯片之间的互联架构变革，更多地使用光连接，且速率要求不断提升 。从整个网络架构的演进来看，随着数据交换速率的需求持续提升，光连接对应的线缆、组件、芯片需求不断提升。

光连接成为解决AI时代高速传输的必由之路

光所连接的节点的距离不断下沉，速率不断提高，同时伴随着CPO等新技术的不断涌现，成为AI时代的必由之路： 数据中心之间：目前使用400G ZR传输技术以及对应的光模块，2025年将主要使用800G ZR传输及对应光模块，均主要使用硅光技术 。 核心层和主干层之间：目前使用800G LR8传输技术以及对应的光模块，2025年将使用1.6T LR4/LR8传输及对应光模块 。主干层和叶交换机之间：目前使用800G DR8/FR8传输技术以及对应的光模块，2025年将使用1.6T DR8/2FR4/FR8传输及对应光模块，其中 800G DR8、1.6T DR8均主要使用硅光技术，CPO（共封装光学）技术将在后续进行规模化应用，应用在这一层级 。 叶交换机和架顶交换机之间：目前使用800G SR8传输技术以及对应的光模块， 2025年将使用1.6T SR8和1.6T DR8传输及对应光模块，集成的 VCSEL芯片升级为硅基光子芯片（Si PIC） 。 架顶交换机和服务器之间：目前使用200G电缆（DAC）或光缆（AOC），2025年将使用400G DAC/AOC。 服务器之间：将越来越多使用光接口芯片（OIO）进行CPU、GPU乃至Chiplet间连接，取代传统的电IO方案，芯片输入输出的IO变为光信号。

光连接产业链概览

光连接：利用光模块、光通信设备和光纤光缆，将用户终端、基站、数据中心、数据中心内部各级节点、乃至 CPU/GPU间连接起来，实现数据的传输 。 产业链概览：上游为光芯片、电芯片、光器件等基础器件供应商，中游包括光模块、光纤光缆、光通信设备等，下游 应用市场包括电信市场和数通市场。

报告节选：