光计算：AI 算力困局的下一把钥匙

随着 AI 大模型对算力的需求持续膨胀，传统硅基芯片正逼近物理极限：电子迁移速度受限、电阻发热激增、晶体管密度难再提升，摩尔定律明显放缓。在此背景下，以光子为信息载体的光计算，被业界视为下一代算力革命的核心方向。

电计算为何走到瓶颈

CPU、GPU、NPU 等传统芯片本质上都依靠电子运动完成逻辑运算，底层通过晶体管通断来表达二进制的「0」与「1」。这套架构自上世纪 40 年代起支撑了整个信息时代，但面对今天的 AI 算力需求，已出现三类难以逾越的障碍。

• 速度受限：半导体中电子漂移速度仅 10³–10⁵ m/s，芯片电信号在铜介质中传播速度约为光速的 77%，延迟难以继续压缩。
• 功耗极高：电子运动必然产生电阻并转化为焦耳热，制程缩小后「热墙」效应愈发突出，电力与散热成本难以承受。
• 密度见顶：晶体管堆叠接近物理极限后，布线、散热、信号串扰等问题叠加，单位面积算力提升的边际效应持续递减。

光计算的核心优势

光计算以光子替代电子作为信息载体，利用光的传播、干涉、衍射、谐振与叠加实现二进制运算。相较传统电计算，它具备四项关键优势。

• 速度跃升：光在真空中的速度为 3×10⁸ m/s，光子传播几乎无延迟，运算速度可比传统芯片提升数百乃至上千倍。
• 功耗骤降：光子传输损耗极低，同等算力下功耗仅为传统芯片的几十分之一甚至百分之一。
• 超高并行：不同波长、不同光路的光信号互不干扰，可在同一通道并行传输，单颗光计算芯片即可完成海量矩阵运算。
• 抗干扰强：光信号不受电磁干扰，可在高温、强辐射等极端环境下稳定工作，适配军工、航天、自动驾驶等场景。

在实现路径上，光计算通过激光器、调制器、波导与探测器等光学器件集成硅光芯片，利用 MZI（马赫-曾德尔干涉器）等单元改变光的相位与强度，从而完成矩阵乘法等线性代数运算，与 AI 训练/推理所需的大规模并行计算高度契合。

光电混合：当下最现实的路线

光计算并非要在一夜之间取代电计算。业界共识是：现阶段应推动光电混合计算，让两者各司其职、协同工作。

• 电计算继续负责控制逻辑、任务调度、存储管理、高精度通用计算及复杂分支运算。
• 光计算承担 AI 矩阵运算、并行浮点运算、图像算力、信号处理等重复度高、并行度大的任务。

这种架构既能复用既有软件生态与硬件产线，又能充分发挥光在带宽与功耗上的优势，是现阶段最可行的演进路径。与此同时，NPO/CPO/LPO/XPO、OCS 等光互连技术的快速发展，也为光计算与光通信的融合铺平了道路。

产业进展：国内外加速布局

国际上，硅基 MZI 相干干涉路线是主流方向，代表企业包括 Lightmatter、Luminous Computing 等初创公司，Intel、NVIDIA 等巨头也通过并购或自研积极入局。其中，Lightmatter 推出的 Envise 光子加速板卡采用 CMOS 与硅光混合工艺，单卡算力达 300 TOPS，面向数据中心 AI 推理；搭载 16 颗 Envise 的 Envise 4S 服务器总功耗仅 3 kW，据称可将 AI 训练能耗降低约 90%。

国内主要走「MRR 微环谐振 + 光子存内计算」路线，清华大学、中科院上海光机所、上海交大、中科大等机构均有相关研究。WAIC 2026 期间，光本位科技发布了 256×256 光子存内芯片，并计划年内推出单卡千 TOPS 算力的第二代计算卡，对标主流 AI 推理 GPU；曦智科技、奇算光启等企业也在推进产业化落地。

需要指出的是，光计算在精密微纳光学结构、光路封装、光源与光电转换模块等方面仍不完善，良率低、成本高，叠加软件栈、编译器、工具链和标准体系的缺失，距离大规模商用仍有较长距离。但在 AI 算力需求持续膨胀、传统芯片红利见顶的双重驱动下，这条技术路线已不再只是实验室概念，而是正在成为下一代算力基础设施的重要候选。