NVIDIA的Janis Patronas在报告中指出，AI模型参数每年10倍的增长以及测试时扩展（例如o1模型）的出现，推动了对GPU计算和高带宽网络无止境的需求。AI模型规模的增长已使集群扩展到数十万GPU，OCS正从一个后台角色转变为一个首要的系统级考量因素。目前，OCS在横向扩展（故障容错/恢复）方面效果显著；未来若能解决集成难题，有望进入纵向扩展域，实现灵活拓扑的动态重构。

NTT的Kazuya Anazawa则从物理层揭示了电交换的极限：在200 Gbps速率下，纵向扩展网络被限制在1.5米以内，导致集群规模被卡在大约100个GPU的规模。他提出采用共封装光学（CPO）将能耗降至5 pJ/bit以下，并将纵向扩展域扩展到数百个GPU。并提倡使用解耦的OCS单元来构建灵活、模块化的环面拓扑结构。

在光开关的具体实现上，研讨会呈现出两条主要技术路径的争论。Lumentum的Peter Roorda强调，3D MEMS凭借其对数据速率的透明性和成熟工艺，成为当前满足高基数（目标1000+端口）需求的首选方案。然而，产业化仍面临可靠性验证（数百万次循环）和数千个端口的高通量自动化校准的挑战。

与之相对，nEye Systems的Ming Wu在“2D与3D架构”的问题上，主张采用2D MEMS阵列，认为其在控制系统简便性和可靠性方面更具优势，并展示了向1000×1000端口扩展的潜力，交换能力可达亚毫秒级，可充当AI工厂的自动化“配线架”。

Ciena的David Boertjes则从系统层面提出了行业“愿望清单”：要实现OCS的普及，需要数万个无阻塞端口、微秒级交换速度和更高的端口密度。同时，随着800G及以上速率链路的普及，链路预算已压缩至3-4 dB，这要求开发具有更好损耗预算的专用收发器，或引入相干光技术。

尽管技术路线图日益清晰，但多位演讲者揭示了OCS大规模部署前必须跨越的几道坎。

iPronics的Luis Torrijos进一步展示了硅光子可编程芯片的潜力，通过实时重配置实现交换与信号处理，在提供高带宽低延迟的同时，也面临着端口规模扩展和插入损耗的挑战。

综合七场研讨会的观点，行业普遍预期的“2028年大规模OCS采纳”仍面临显著障碍。谷歌的成功建立在垂直集成的堆栈和严苛的运维标准之上，对于大多数企业而言，OCS的高成本、标准编排软件的缺失以及运维层面的“维护危机”都是必须正视的问题。

OCS的技术本身正在成熟，其在AI时代的核心地位已不容置疑，但其生态、配套技术和运维体系的协同演进，将是决定光开关能否真正点亮百万AI集群的关键。未来几年，业界需要在器件可靠性、收发器突发模式能力、自动化运维工具等方面取得突破，才能将OCS从实验室愿景转化为数据中心现实。