光計算蟄伏八年，能否復制GPU神話？

一個熱鬧非凡、聰明人扎堆的領域，往往埋著陷阱。不湊熱鬧、在冷門中長期耕耘，直到被需求推上舞臺中央，這種劇本最近的一次完美上演，是英偉達的CUDA。那個早年被視為“吃閑飯”的邊緣團隊，在黃仁勛的默許下熬過好幾個“三年又三年”，終于在2012年等來了Geoffrey Hinton、Ilya Sutskever和Alex Krizhevsky發明的卷積神經網絡AlexNet。那一年，“谷歌貓”項目動用了16000顆CPU只做到74.8%的識別準確率，而AlexNet僅靠4顆英偉達GPU就沖到84%，GPU從此從游戲顯卡配角翻身成為深度學習算力主角，英偉達的市值也從百億美元量級一路飆升至今天的近三萬億美元。

類似的沉默與爆發，此刻正在光計算領域重現。

Transformer架構自2017年被提出以來，大模型參數量從億級膨脹到萬億級，每次推理生成一個Token，背后都需要天文數字般的矩陣乘法運算。而光計算，恰好在矩陣乘法和低功耗這兩個維度上握著天然優勢。它不是電計算的簡單升級，而是一種范式的根本重構——用光子替代電子，用光速替代電子漂移速度，用光場并行替代串行開關。已有驗證表明，在AI矩陣計算中，光計算的速度可以提升8倍、百倍乃至千倍。技術發展史從來沒有簡單重復，當舊范式逼近物理極限，新范式便會在邊緣處生長。

正方聲音認為，光計算天生就是為AI推理而生。深度學習的核心操作矩陣乘法y=Wx，實質上就是每個輸出分量按權重加權求和。在電子芯片里，這需要無數個開關不斷搬運并累加數字；而在光路中，輸入向量被編碼成各波導中的光場幅度和相位，經過馬赫?曾德爾干涉儀網絡按權重重新分配光場，最后在輸出端通過干涉和探測完成“求和”。一個標準MZI由兩個50:50分束器和中間的相位調制器組成，本質上是一個可調的2x2線性變換單元。把大量MZI按特定拓撲級聯起來，就能拼成高維矩陣網絡。假設4路輸入光信號要完成一個4x4線性變換，只需把光送入MZI網格，每個MZI調成某個耦合比，幾級之后，4個輸出端口的光強便自然對應了矩陣乘法的結果。整個計算借助波動疊加一步完成，低延遲且低功耗，不像電子芯片那樣依賴大量電荷搬運和開關翻轉，對大規模線性運算極度友好。

但反方觀點也一針見血：把這種原理優勢帶出實驗室，面前擋著兩堵墻。第一堵墻是存儲與計算的分離。AI推理時，模型參數需要從外部存儲頻繁搬運到計算單元，驟增的存儲帶寬需求成為整個系統的瓶頸。第二堵墻是規模化集成困難。受限于硅光平臺的芯片尺寸、翹曲變形和互連密度約束，傳統光計算方案想擴展算力規模并不是一件輕松的事情。以目前最主流的MZI路線為例，美國公司Lightmatter走的就是這條路。MZI路線的核心優勢在于可重構，通過熱光或電光效應精確調控光相位和振幅，能拼出可編程的高精度光學神經網絡。Lightmatter的首款3D堆疊硅光子引擎Passage，可以給XPU和交換機帶來高帶寬密度與能源效率，其計劃2026年下半年量產的Passage L20光學引擎，速率達到6.4 Tb/s，L200系列也已在路上，由GlobalFoundries和Amkor生產，利用GF Fotonix平臺將光子組件與CMOS邏輯集成到單一晶粒上。

然而，MZI路線的問題也暴露在功耗和控制上。它依賴熱調諧、反饋校準和溫度補償來維持光學狀態穩定，意味著持續的靜態功耗。傳統硅光波導器件的易失性調諧方式，需要持續供電來鎖定光學狀態，導致靜態功耗高、權重單元尺寸大、算力密度低，這些短板嚴重制約光計算網絡規模的進一步提升。換句話說，用這樣的光計算芯片去做大模型推理，能耗和面積很可能難以達到理想替換GPU的臨界點。

也正是看到這些瓶頸，2022年，兩個未滿30歲的年輕人押注了另一條路。熊胤江關掉在美國的公司，程唐盛暫停牛津大學的博士學業，雙雙回國創辦“光本位科技”。促使他們做出這個決定的，是一個正在逼近的拐點：AI需求爆發就在眼前，而光計算芯片或許是突破摩爾定律、解開算力焦慮的那把鑰匙。熊胤江是芝加哥大學碩士，有多年大模型算法與AI Agent的工程化經驗；程唐盛曾師從全球“相變材料光計算”第一人、英國皇家工程院院士Harish Bhaskaran。兩人在采訪中說了一句耐人尋味的話：“特別不喜歡在人扎堆的地方去做一件事情。我們可能會天然地覺得那是一個陷阱。在一個事情最熱的時候，我們是不敢去做它的，但相反，當我們有一些可能只有我們自己知道的一些advantage，在這個領域還沒有起來，或者沒有完全爆發的時候，才是去耕耘的時機。”這種對時機的判斷，貫穿了整個創業邏輯——2017年那篇光計算奠基論文雖然驚艷，但當時國內外制造、封裝等產業鏈環節遠未成熟；到2022年，AI爆發疊加產業鏈走向成熟，設計公司下場、需求牽引推動產業鏈加速迭代的條件才真正出現。

光本位科技給出的解法，恰好對準了兩堵墻。其核心突破在于光子存內計算，這是目前全球唯一一個同時實現了光子存內計算和玻璃基光計算的路線。光子存內計算對AI推理的巨大增益，在于它把大模型參數直接存儲在芯片內部，無需頻繁從外部存儲器中讀取參數。這讓計算和存儲融合在一個光子計算單元內，打破了存儲墻的限制，推理時數據搬運的能耗和時延大幅壓縮。與此同時，這一技術路線不依賴持續供電來維持權重狀態，可以規避MZI路線的靜態功耗和面積膨脹問題，為規模集成打開空間。當把模型權重固化在光子存內計算陣列中時，每一次矩陣乘法就像讓光流過一片已經被參數“雕刻”好的玻璃，光場級聯疊加后瞬間給出結果。

2017年，Lightmatter創始人Nicholas Harris在《Nature Photonics》上發表了一篇論文，利用納米光學回路證明了用光子進行矩陣計算在實際器件上是可行的。這篇論文第一次將光子計算從概念推進到可驗證的工程路線——硬件上，光學干涉網絡可以承擔可編程矩陣運算；算法上，可以圍繞光學硬件特點重構神經網絡計算流程。但那時的產業土壤還不適合播種。今天，當摩爾定律在電計算領域逐漸失速，當一塊H100的功耗已經推到700瓦，當萬億參數模型的一次推理要消耗掉一整個數據中心機柜的電力，用光子接棒電子的條件才真正成熟。

2012年，4顆GPU打贏16000顆CPU，標志深度學習訓練階段的算力革命完成。眼下，光計算接棒GPU，大概率會在大模型推理階段上演一場能效革命。雖然距離真正可大規模、可通用、可穩定部署還有距離，但當舊范式的物理極限與需求爆發的力量同時涌現時，窗口便會被推開。光本位科技選擇了一個沒人扎堆的冷門方向提前耕耘，它的判斷是：與其在已經目睹天花板的熱鬧里硬卷，不如去把一項原本被低估的技術，一步一步做成下一個時代的基礎設施。