
利用光进行计算的构想已存在70余年,但直到最近仍主要局限于实验室。过去几年,光计算迅速演变为一个快速增长的行业:该领域公司估值总额已达22.2亿美元,远超2022年的4亿美元。预测显示,未来几年该市场将继续呈指数级增长。
这一激增背后的推手正是人工智能(AI)。特别是AI推理——即模型响应用户查询的过程——推动了高功耗数据中心的建设,而相对节能的光学系统被视为潜在解决方案。
“大多数对光子学的兴趣源于这样一个事实:AI推理已受到显著的功率限制,”康奈尔大学应用与工程物理学副教授彼得·麦克马洪表示。他从事光计算研究已逾十年。
理论上,光学能以极低功耗完成与当今GPU相同的数学运算。尽管从电子学转向光学是一种激进方案,但美、中、德、以等国的光计算初创企业仍如雨后春笋般涌现。虽然直接挑战英伟达等GPU巨头雄心勃勃,但相关投资也促进了替代AI算法设计、科学计算及网络内计算等互补方法的发展。
耶鲁大学应用物理学助理教授洛根·赖特认为,即使部分技术无法搭上AI浪潮,其开发出的光子系统在特定领域也将极具价值。
光学能否拯救推理?
推理占据了AI能源消耗的大部分。业界已投入数十亿美元设计先进芯片以优化推理效率,其核心操作是每秒执行无数次的矩阵-向量乘法。
1978年,光计算先驱约瑟夫·W·古德曼提出了一种用光进行矩阵-向量乘法的方法:通过发光二极管将向量编码为光强,经透镜扩展后穿过衰减器(代表矩阵),最后由探测器读取结果。该过程在原理上极为简单。
光学优势在于能耗缩放比例。在电子学中,N×N矩阵与长度为N的向量相乘需N²次乘法,能耗随N²增加;而在光学中,乘法步骤是无源的,能耗仅随N线性增加。随着矩阵规模扩大,光学能效优势愈发明显。
2022年,麦克马洪团队展示了一个光学神经网络,每次乘法能耗低于一个光子(约2.5×10⁻¹⁹焦耳),相比传统计算机的10⁻¹⁴至10⁻¹²焦耳,潜在能耗降低达10万倍。
但麦克马洪对此持谨慎态度。他指出,实际能耗还需考虑数据编码成本等常数项。若向量长度N较小,电子学可能仍占优。粗略估算,系统需达到N=1000至10000的规模,光学才开始占据优势。
此外,阿姆达尔定律同样适用:若只有部分代码能被加速,整体收益有限。在AI推理中,矩阵乘法仅是工作负载的一部分,其他非线性操作仍需处理。鉴于此,当今光计算公司旨在实现比GPU高出10到80倍的能效改进,关键在于能否在传统电子学追上之前大规模兑现承诺。
跨越自由空间的鸿沟
英国初创公司Lumai直接借鉴了古德曼的自由空间光学方案(光线在空气中传播)。其产品主管菲利普·布尔宣称,该技术将击败GPU。Lumai使用可编程的空间光调制器替代固定衰减器,在一个光学周期内完成完整的向量-矩阵乘法,随后由电子学处理非线性函数。
现代推理分为“预填充”(计算密集)和“解码”(内存密集)两个阶段。Lumai专注于预填充阶段,声称其将于2026年4月提供评估的Iris Nova服务器及下一代Iris Aura服务器,能将预填充能耗降至GPU的十分之一。
德州初创公司Neurophos则利用超材料技术,在微米尺度操纵光的相位和强度。其CEO帕特里克·鲍恩表示,传统硅光子晶体管尺寸过大,难以在芯片上集成足够算力。Neurophos设计的调制器切换速度比标准液晶设备快1万倍以上。
鲍恩声称,其性能优于英伟达Blackwell GPU:目标是达到B200速度的50倍和能效的35倍,并在后续世代实现250倍速度和约90倍能效提升。该方法与CMOS兼容,公司正选址建厂,计划2028年向客户交付机架。
Lumai和Neurophos均押注能在传统CMOS追上其节能效果前抢占市场。“数字效率提升缓慢且昂贵,而光学效率随矩阵增大而提高,”布尔指出,大模型和长上下文窗口正推动预填充向此方向发展。
跨越片上鸿沟
相比自由空间光学,集成光子学将光路直接集成在硅芯片上,更具可制造性。耶鲁大学的赖特指出,虽然自由空间方法在做大向量尺寸上有优势,但硅光子学拥有更完善的基础设施。
上海Lightelligence和德国Q.ANT等公司选择了集成光子路线。Q.ANT创始人迈克尔·福尔施表示,自由空间光学受限于组装策略,难以量产,而半导体可制造的集成光子电路更有希望实现批量生产。
在Q.ANT的方案中,输入数据被编码为光脉冲,通过片上马赫-曾德尔干涉仪执行乘法。虽然序列化方法比古德曼的一次性计算慢,但可通过多波长并行来缓解。目前,Q.ANT的原生处理服务器已在德国多个超级计算中心使用,并向云提供商Ionos进行商业销售。
Lightelligence发布的PACE2处理器支持128×128矩阵乘法。其在2025年发表的论文称,该处理器以1GHz频率和3纳秒延迟运行,延迟比传统GPU低两个数量级。但福尔施承认,由于模数/数模转换的高能耗,光学的通用能效优势尚未得到确凿证明。
超越矩阵-向量乘法
并非所有玩家都专注于矩阵乘法。Q.ANT认为其最大优势在于利用光子学原生处理傅里叶变换等复杂非线性函数,这在图像分类、分割及生成式AI中具有潜力。
以色列初创公司LightSolver则瞄准微分方程求解。其激光处理单元(LPU)将光置于腔体内来回反弹,通过增益介质积累强度直至达到稳态(即解)。仿真显示,LPU解决微分方程的速度比GPU快4万至8万倍。团队正开发基于LPU的AI应用,试图以不同方式训练和推理模型,从而大幅降低图像生成的能耗并提高速度。
传输中的计算
英国Optalysys公司另辟蹊径,将自由空间光学的傅里叶变换能力集成到硅平面被动组件中,用于数据中心网络。创始人尼克·纽表示,该技术可在数据传输途中近乎免费地执行压缩、格式转换等操作。
“我们实际上是在目前没有任何处理的地方添加处理,”纽说。这种方法特别契合受内存限制的解码阶段,能改善GPU与内存间的通信效率。
光计算的未来
光计算取代GPU的可能性有多大?赖特对此并不乐观,认为算法发展未必有利于光学。但他指出,英伟达和台积电在共封装硅光子学上的投资,为未来在互连中嵌入更多计算功能打开了大门。
无论最终形态如何,计算生态系统似乎正走向异构化。福尔施表示:“未来的数据中心将是CPU、GPU和光子NPU各司其职的异构系统。在最高效的硬件上运行每个任务,将显著减少能源消耗和运营成本。”