Token导航 LogoToken导航

AI 资讯 · 半导体行业观察

AI推理需求推动光计算芯片走向产业化

更新 2026-11-18半导体行业观察正文 4303字阅读约 14分钟

光计算并不是一个新概念。早在几十年前,研究人员就开始探索利用光完成计算,希望借助光的传播、干涉和调制等特性,解决传统电子计算在速度、能耗等方面面临的问题。但很长一段时间,这项技术始终停留在研究和实验阶段,距离真正的商业应用相当遥远。

如今,AI正在重新把光计算推到产业视野之中。

随着AI推理需求持续增长,数据中心面临的电力消耗问题越来越突出。GPU仍然是当前AI计算的主力,但围绕算力扩张带来的能源压力,产业正在寻找新的计算方式。光计算因此再次受到关注,一批创业公司开始尝试利用光完成矩阵运算、傅里叶变换以及其他计算任务,希望在特定工作负载上获得更高的能效。

IEEE Spectrum近日报道指出,光计算产业相关企业的市场估值总额已从2022年的约4亿美元增长至22.2亿美元。虽然这一市场仍处于早期阶段,但AI推理正在成为推动光计算发展的重要动力。

这一次,光计算面对的已经不只是实验室里的技术探索,而是AI数据中心对计算效率提出的现实需求。不同企业正在寻找不同的切入点,有的试图直接利用光进行AI计算,有的则希望将光计算嵌入现有数据传输路径,还有一些企业正在探索不同于传统GPU计算的算法和应用。

光计算能否真正成为AI计算的重要组成部分,目前仍存在不少技术挑战。但在AI算力需求和能源压力不断增长的背景下,这项曾经长期停留在研究阶段的技术,正在迎来新的发展机会。

光计算重新受到关注

AI推理的计算过程,尤其是大模型运行过程中,包含大量矩阵与向量运算。其中,矩阵-向量乘法是非常重要的一项计算任务,也是光计算希望切入的方向之一。

传统电子计算需要通过大量乘法和累加操作完成矩阵运算。随着矩阵规模扩大,计算量随之增加。而光计算的思路有所不同:通过将数据编码到光的强度、相位等属性中,再利用光学器件完成相应的运算。

早在1978年,研究人员就提出了利用光完成矩阵-向量乘法的方案。其基本思路是将向量信息编码到光源中,通过透镜将光扩展,再利用具有不同透光特性的矩阵元件完成乘法,最后通过另一组透镜收集光信号,实现累加,最终由探测器读取计算结果。

这种方案的吸引力在于,部分计算过程可以利用光传播和光学器件的物理特性完成,而不需要像电子计算那样,为每一次乘法操作单独消耗相应的计算能量。

理论上,当矩阵规模不断增大,光计算在能耗上的优势可能更加明显。传统电子计算的矩阵运算能耗与计算规模存在较强关联,而光计算在矩阵乘法阶段的部分能耗并不按照同样的方式增长,主要能耗可能集中在数据编码和结果读取环节。

不过,这并不意味着光计算可以轻易实现数量级上的能耗优势。

IEEE Spectrum报道指出,光计算的实际能耗还需要考虑数据编码、光电转换、结果读取等环节。即使光学计算本身非常高效,如果输入数据转换所消耗的能量过高,整个系统仍然可能不具备优势。

此外,AI推理并不只有矩阵运算。模型还包含非线性操作以及其他计算任务,光计算能够覆盖多少工作负载,最终决定了它在整个推理系统中能够发挥多大作用。

因此,目前光计算企业的目标并不是简单地宣称取代GPU,而是希望在特定计算任务上实现更高的能效。报道提到,部分光计算公司正在瞄准相较GPU提升10至80倍能效的目标,但这仍然是企业所追求的性能方向,能否在大规模应用中实现,需要进一步验证。

这也是光计算重新受到关注的原因。AI推理的能源成本正在成为产业问题,而光计算提供了一种不同于传统电子计算的解决思路。但从理论优势走向实际系统,仍需要解决数据转换、计算覆盖范围、规模化制造和系统集成等问题。

寻找不同的落地路径

目前,光计算产业并没有形成统一的技术路线。不同企业正在根据自身技术积累,选择不同的计算方式和应用场景。

英国初创公司Lumai选择了自由空间光学计算路线。与将光限制在芯片内部波导中不同,自由空间光计算允许光在空气中传播,通过透镜以及空间光调制器等器件完成计算。Lumai使用空间光调制器对光的强度和相位进行调节,将输入向量编码到光信号中,再通过光学系统完成矩阵运算,最终将结果转换回电子信号。

Lumai将重点放在AI推理中的Prefill阶段,即模型处理用户输入、建立上下文的过程。相比Decode阶段逐个生成Token,Prefill涉及更密集的计算,矩阵运算相对集中,因此被认为更适合光计算发挥优势。

该公司此前推出了用于评估的Iris Nova光计算服务器,并表示下一代Iris Aura将能够以大约十分之一GPU的能耗完成Prefill计算。不过,这一性能目标仍是公司披露的预期。

另一家位于美国奥斯汀的Neurophos,则试图通过超材料技术提高光计算的集成密度。

传统硅光子技术中的部分光学器件尺寸较大,限制了计算单元在芯片上的集成数量。Neurophos利用超材料结构设计能够在微米尺度操控光的器件,并将其用于矩阵运算。公司称,其设计能够在5毫米见方的芯片上实现1000×1000调制器阵列,相关器件的切换速度也远高于传统液晶空间光调制器。

Neurophos声称,其技术目标是实现相较英伟达Blackwell B200高出50倍的速度和35倍的能效,并计划在后续代际进一步提升。但这些仍属于公司提出的目标,而非已经得到全面验证的商业化性能。

Neurophos的另一项优势在于其技术路线兼容CMOS制造,希望借助现有半导体生产体系实现规模化制造。公司正在选择生产设施,并计划于2028年交付机架产品。

这两家公司都在尝试利用光计算完成AI推理中的核心计算任务,但它们所选择的技术路径并不相同:Lumai强调自由空间光学系统,Neurophos则希望通过微型化光学器件提高集成度。两者共同面临的问题,是如何在能耗优势、计算规模、制造成本和实际应用之间找到平衡。

相比自由空间光学计算,集成光子技术的另一个优势在于制造和规模化。上海的Lightelligence以及德国Q.ANT都在探索将光学计算直接集成到芯片中。集成光子器件能够利用芯片内部的波导传输和操控光信号,减少自由空间光学方案在透镜、装配和检测方面面临的制造复杂度。

Q.ANT采用的方案通过光脉冲编码输入数据,利用干涉器完成运算,再通过光电探测器和模数转换器输出结果。虽然这种方式在计算过程上并不像自由空间光学方案那样直接完成全部运算,但通过多个波长同时传输数据,也可以提高计算吞吐量。

Q.ANT的光计算服务器已经被德国部分研究机构使用,公司还宣布了向云服务商IONOS的商业销售。Lightelligence的PACE2处理器则能够完成128×128矩阵乘法。其2025年发布的研究成果还描述了1GHz频率下的矩阵-向量运算,以及3纳秒延迟。

但集成光计算仍然面临一个重要问题:光信号转换回数字信号所需要的能耗。尤其是在模数转换环节,如果无法同时实现高速、低能耗转换,光计算在整体系统中的优势就可能被削弱。

从这些企业的布局可以看出,光计算产业正在逐渐从单纯追求理论计算优势,转向更加具体的技术路线、应用场景和商业部署。自由空间光学、集成光子芯片以及超材料器件,正在尝试解决光计算在性能、集成度和制造能力上的不同问题。

光计算未必取代GPU

如果光计算的目标始终是取代GPU,那么这条路可能并没有想象中那么容易。

AI推理涉及的计算任务非常复杂,矩阵运算只是其中一部分。模型架构、算法以及软件生态仍在不断演进,而GPU已经形成了成熟的硬件、软件和开发体系。光计算即使能够在部分运算中取得明显优势,也未必能够覆盖整个AI推理过程。

IEEE Spectrum在报道中提到,光计算未来的发展方向未必只集中在矩阵-向量乘法。一些企业正在探索更适合光学特性的计算任务,例如傅里叶变换、微分方程求解以及网络内部计算。

以LightSolver为例,这家以色列公司开发的Laser Processing Unit(LPU)并不是简单追求更快的矩阵乘法,而是利用光在腔体内传播、相互作用并逐渐达到稳定状态的物理过程来求解问题。公司希望利用光的天然特性处理微分方程等任务,并探索将这种方式用于AI图像生成。

另一家英国公司Optalysys则选择了更加贴近数据中心现有架构的方向。

数据中心内部已经大量使用光纤进行数据传输。随着光连接逐渐向GPU和CPU靠近,数据在不同计算节点、处理器以及存储系统之间传输的过程,也成为系统能耗的重要组成部分。Optalysys希望将光学计算能力直接加入数据传输路径,让数据在传输过程中完成部分运算,而不必全部交由电子计算设备处理。

这意味着,光计算不一定需要重新构建一套完整的计算系统,也可以尝试从现有数据中心的通信链路切入。

尤其是在AI推理的Decode阶段,计算过程受到内存访问的影响较大,模型数据需要不断在内存和计算单元之间传输。Optalysys希望利用光学器件在数据传输过程中完成压缩、格式转换等操作,减少额外的计算负担。

这种思路与直接利用光完成矩阵运算有所不同。它并不是试图将GPU上的计算全部迁移到光学系统,而是寻找当前数据传输链路中可以被光学计算优化的部分。

从目前的产业布局来看,光计算正在形成多种发展方向:有企业希望直接承担AI推理计算,有企业探索不同于传统AI的计算方式,也有企业将光计算能力嵌入数据传输和网络系统。

因此,光计算未来未必会以一种统一的形态出现,也未必需要与GPU正面竞争。更现实的路径可能是,在不同应用中承担各自擅长的任务,与CPU、GPU以及其他专用计算单元共同构成新的计算体系。

IEEE Spectrum援引研究人员的观点认为,未来数据中心可能逐渐走向异构计算,不同类型的处理器承担各自更适合的工作,以降低能耗和运营成本。

光计算能否真正实现这一目标,仍取决于技术验证、能耗测算、制造能力以及商业化进展。但AI推理带来的能源压力,至少让光计算获得了一个过去很难拥有的产业机会。

几十年来,光计算一直试图证明光能够完成计算。如今,AI正在让这个问题变得更加现实:当传统电子计算的能耗和规模扩张越来越受到关注,光是否能够在某些计算环节承担新的角色?

这或许才是AI重新给光计算带来的机会。

本文严格依据 IEEE Spectrum《AI Is Giving Optical Computing Another Shot》报道整理,企业性能数据、能效目标及产品进展均按原报道中的公司表述呈现,不代表独立验证的商业化性能。

(来源:内容来自半导体行业观察综合)

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

文章标签芯片算力

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。