过去十年，AI模型参数规模增长了数个数量级，而训练这些模型所需的算力几乎以同样的速度膨胀。电子芯片在摩尔定律放缓后，正面临着功耗墙、内存墙和互连带宽的多重夹击。光计算芯片的出现，提供了一种不同于传统冯·诺依曼架构的解题思路：用光子替代电子来完成关键计算。
光为什么能算
光子与电子最大的区别在于传播方式。电子在铜线中传输时会因电阻产生焦耳热，而光子在波导中传播几乎不发热。同时，不同波长的光可以在同一根波导中并行传输，天然具备复用能力。这些特性让光学矩阵乘法在能效和吞吐上拥有理论优势。
光计算芯片通常将输入信号编码为光的相位或幅度，通过可调谐的硅光干涉仪阵列完成矩阵运算。输出端再用光电探测器读取结果。对于Transformer中占比较大的线性层，这种架构理论上可以显著降低延迟和能耗。
从实验室到数据中心的距离
目前光计算芯片仍处在早期阶段。主要挑战包括：光电转换接口的损耗、波导工艺的良率、可编程性不足，以及与现有AI软件栈的兼容问题。多数方案以协处理器或加速卡形式出现，而非替代整个GPU。
2024年以来，多家初创公司发布了光计算原型产品，演示了在特定神经网络上的能效提升。但这些成果大多停留在较小规模的模型上，离大规模商用还有距离。
未来的定位
光计算最可能率先落地的场景是对延迟和能效极度敏感的推理任务，例如边缘侧的实时推荐、自动驾驶感知预处理等。随着硅光工艺成熟，光计算与电子计算的混合架构或许会成为AI芯片的常态，而不是单一替代。
光计算芯片不是摩尔定律的续命丹，但它确实为算力增长打开了一扇新门。
