光计算芯片：量产前夜的技术突围与产业博弈

文 | 徽声在线半导体频道

自集成电路诞生以来，摩尔定律始终是算力演进的核心驱动力：通过不断缩小制程节点、增加晶体管密度，芯片性能实现指数级跃升。然而，当制程工艺逼近物理极限，这套延续半个多世纪的法则正遭遇前所未有的挑战。

当前AI大模型参数规模呈现指数级膨胀趋势，算力需求周期被压缩至18-24个月，但电子芯片的物理瓶颈已清晰可见。功耗密度突破300W/cm²的「热墙」、内存访问延迟造成的「存储墙」、数据搬运能耗占比超60%的「带宽墙」，共同构成了制约GPU发展的三重枷锁。高端芯片中，仅数据搬运功耗就占据总功耗的40%以上，散热成本甚至超过芯片本身价值。

传统路径遭遇天花板之际，光计算技术以其颠覆性优势进入产业视野。这种以光子为信息载体的新型计算范式，通过波长、相位、偏振等多维度并行处理，理论上可实现1000倍能效提升和100倍延迟降低，被视为突破算力困局的关键钥匙。

在2026年世界人工智能大会（WAIC）上，光计算领域迎来里程碑式突破：

光本位科技发布的256×256光子存内计算芯片，创下全球算力密度（1.2 POPS/mm²）和计算精度（16bit）双纪录。该芯片采用独特的权重存储-计算融合架构，在持续推理场景下能效比达50 TOPS/W，较传统GPU提升两个数量级。

曦智科技推出的「天枢·光立方」计算盒，集成自主研发的PACE 2加速卡，实现光子矩阵计算与电控单元的片上集成。该系统在ResNet-50图像分类任务中，推理延迟较A100降低76%，能效提升4.3倍。

每刻深思联合合作伙伴展示的「空间光计算+大模型」全栈方案，通过自由空间光调制技术实现1024通道并行计算，在BERT-base模型推理中取得92%的能效优化。

行业热议背后，一个关键问题亟待解答：光计算是否已具备商业化落地条件？要回答这个问题，需先厘清「光芯片」的产业分类。

光芯片的三大技术路径

当前产业界所说的「光芯片」实际包含三个截然不同的技术方向：

光通信芯片：专注于长距离（公里级）光信号传输，是5G前传/回传、数据中心互联的核心器件。典型产品包括DFB激光器（传输距离达80km）、VCSEL阵列（用于短距互联）和APD探测器（灵敏度达-36dBm），其技术演进方向是提升调制速率至1.6Tbps。

光互连芯片：解决芯片间（厘米至米级）数据搬运问题，采用硅光技术实现高密度集成。最新一代CPO（共封装光学）方案可将光模块与交换芯片集成，使互连带宽密度突破100Tbps/mm²，较传统PCIe提升2个数量级。

光计算芯片：作为新型计算核心，通过马赫-曾德尔干涉仪（MZI）、微环谐振器等光子器件实现矩阵运算。其独特优势在于：利用光的波长复用实现天然并行计算（单芯片可支持1024通道）；光速传输带来纳秒级延迟；无电阻特性使能耗降低90%以上。

这种技术特性使其被业界视为「光子版GPU」，但实际定位更接近专用加速器（ASIC）。

光计算的商业化突破口

在算力产业格局中，光计算的目标并非取代GPU，而是构建「电+光」的异构计算体系。这种定位源于GPU的双重性：

作为通用计算平台，GPU在训练、推理、渲染等场景具有不可替代性，但其冯·诺依曼架构导致「存储墙」问题日益突出。以GPT-3训练为例，数据搬运能耗占总能耗的62%，有效算力利用率不足35%。这种「通用性换效率」的代价，正是光计算的突破口。

当前产业界形成两条创新路径：

• 存算一体技术：通过近存计算（如HBM3+3D封装）或存内计算（如MRAM阵列），将存储单元与计算单元距离缩短至10nm以内，使数据搬运能耗降低80%。
• 非GPU架构创新：如Sambanova的流式计算架构（通过数据流优化提升利用率）、谷歌TPU的脉动阵列设计（专为矩阵运算优化），均取得3-5倍能效提升。

但这些方案仍受限于数字电路的物理极限。在此背景下，光电混合计算通过「光做加速，电做控制」的分工模式，成为最具可行性的突破路径。其核心逻辑在于：将矩阵乘法等线性运算交给光子芯片（占AI计算量的70%-80%），将非线性激活、分支预测等复杂逻辑留给电子芯片。

以Transformer模型为例，光计算芯片可高效处理自注意力机制中的QK^T矩阵乘法（占推理能耗的65%），而电子芯片专注处理Softmax等非线性运算。这种分工使系统整体能效比提升4-8倍，延迟降低50%以上。

当前光计算的主要商业化场景集中在推理端：

• AI推理加速：在图像识别（ResNet-50）、语音识别（Wav2Vec2.0）等任务中，光计算芯片可实现10-100TOPS/W的能效比，较A100提升5-10倍。
• 边缘计算：每刻深思的空间光计算方案在端侧设备中实现0.5TOPS/W的能效，满足无人机、AR眼镜等低功耗场景需求。
• 科学计算：曦智科技的光子计算盒在气象预测（WRF模型）中，将计算速度提升3倍，能耗降低60%。

技术路线竞争：谁离量产更近？

国内光计算产业呈现「多路线并行」的发展态势，不同技术方案的商业化进度差异显著：

光电混合计算：作为主流技术方向，其通过电光/光电转换接口实现与现有CMOS工艺兼容。该路线已攻克关键工艺难题，曦智科技的光子计算处理器良率达85%，支持批量生产。

典型案例包括：

• 曦智科技：采用硅基MZI相干光计算路线，其PACE系列处理器已迭代至第三代，集成1024个光子计算核心，单芯片算力达256TOPS（INT8）。2025年该公司光计算芯片出货量突破10万片，与商汤科技共建的「光子AI实验室」已开发出光子版ResNet、BERT等模型。
• Lightmatter：美国光计算领军企业，其Envise平台采用可调谐激光源技术，通过增加波长数量实现算力线性扩展。最新Envise II处理器支持8波长并行计算，峰值算力达2PFLOPS（FP16），能效比为15TOPS/W。
• 光本位科技：首创光子存内计算架构，将权重存储与计算单元融合，在持续推理场景下能效比达50TOPS/W。其256×256芯片已通过阿里平头哥玄铁CPU的兼容性测试，可无缝接入现有AI生态。

自由空间光计算：每刻深思采用空间光调制器（SLM）实现光学运算，其技术路线更适合对集成度要求不高的场景。该公司与比亚迪合作的车载光计算方案，在ADAS域控制器中实现0.5TOPS算力，功耗仅5W，较传统方案降低70%。

全光计算：作为终极目标，全光计算试图在光域完成所有运算，但受限于非线性器件集成难题，目前仍处于实验室阶段。上海交通大学研发的LightGen芯片，通过光子神经网络实现图像生成任务，在VGG16模型中取得92%的准确率，但芯片面积达100mm²，商业化仍需突破工艺瓶颈。

高校科研方面，2024年清华团队提出的「分布式广度智能光计算架构」，通过异构集成技术将干涉仪、衍射元件等光子器件与CMOS电路单片集成，研制出太极（Taichi）芯片，在MNIST手写识别任务中能效比达160TOPS/W。2025年中国科学院上海光机所发布的「流星一号」芯片，通过多波长光源与可重构光计算阵列的融合，实现128通道并行计算，在CIFAR-10分类任务中准确率达91.3%。

量产瓶颈与突破路径

尽管光计算领域成果频出，但大规模量产仍面临四大挑战：

1. 工艺良率：光子器件制造需兼顾光学精度与电子集成，当前硅光工艺良率不足70%，导致芯片成本是GPU的2-3倍。
2. 转换损耗：光电混合方案中，电光/光电转换占系统总能耗的30%-50%，抵消了部分光子计算优势。
3. 软件生态：现有AI框架（如TensorFlow、PyTorch）缺乏对光子计算的原生支持，模型迁移需重新开发算子库。
4. 产业链配套：国内硅光晶圆产能仅占全球15%，高端光调制器、可调谐激光器等核心器件依赖进口。

突破这些瓶颈需要产业协同创新：曦智科技正与中芯国际合作开发12英寸硅光中试线，目标将光子器件良率提升至90%以上；光本位科技联合阿里云推出「光子AI开发平台」，提供模型量化、算子优化等工具链；每刻深思与比亚迪共建的联合实验室，专注于车载光计算场景的标准制定。

从真空管到晶体管，从单核到多核GPU，算力革命的本质是信息载体的迭代。当电子芯片逼近物理极限，光子计算正以「颠覆者」姿态开启下一代算力篇章。据Yole Développement预测，2030年全球光计算市场规模将突破600亿美元，其中光电混合芯片占比超80%。这场由光引发的计算革命，或许正在改写算力产业的未来图景。