摘要：想象一下：未来你的手机能流畅运行复杂AI模型，汽车的智能驾驶系统不再依赖大型数据中心，就连日常的温湿度传感器都能搭载AI功能——这不是天马行空的幻想，而是光子计算技术突破后，正在一步步走进现实的场景。

撰文 / 钱亚光

编辑 / 张 南

设计 / 柴文静

想象一下：未来你的手机能流畅运行复杂AI模型，汽车的智能驾驶系统不再依赖大型数据中心，就连日常的温湿度传感器都能搭载AI功能——这不是天马行空的幻想，而是光子计算技术突破后，正在一步步走进现实的场景。

如今，人工智能早已渗透到生活的方方面面，从手机解锁的面部识别，到跨境沟通的语言翻译，背后都离不开AI系统的支撑。

但你可能不知道，当前主流的AI系统，大多依赖传统的硅基处理器，而这类处理器有个“致命短板”：它得把所有信息都转换成二进制代码（0和1）才能处理。这个过程不仅耗电大，还会拖慢计算速度，成了AI发展的“绊脚石”。

随着AI模型越来越复杂，它的“胃口”也越来越大——对计算能力和能源的需求直线上升。国际能源署曾预警，到2026年，全球数据中心的电力消耗将占到总用电量的3%至8%，而AI计算正是推动这一数字上涨的主要原因。

更直观的是，训练一个大型语言模型所用的电力，足够给数千户家庭供电一整年。巨大的能耗不仅让电力供应承压，还推高了AI应用的成本，更给环境带来了不少碳排放负担。

就在这时，研究人员发现了新的突破口：用“光”来做计算，效率会比用电高得多。美国佛罗里达大学的沃尔弗尔・J・索尔格（Volker J. Sorger）教授和Hangbo Yang助理教授，联合多所高校团队，研发出了一款“划时代”的光基芯片。

这项成果发表在《先进光子学Advanced Photonics）》期刊上，还得到了美国海军研究办公室的资助。它最大的本事，就是让光和电协同工作，高效完成AI里像图像识别这样“耗电大户”的任务，能效比传统芯片提升了10倍甚至100倍以上。

要知道，卷积运算可是机器学习的“核心操作”——不管是识别图片里的物体，还是分析视频的内容，都离不开它，同时它也是AI计算中最耗能的环节之一。而这款光基芯片，就是专门为解决卷积运算的能耗和速度问题而来，通过把光学元件和传统电子元件结合，实现了效率的飞跃。

01
光基芯片的三大“王牌”

“能在近乎零能耗的情况下完成关键的机器学习计算，这对未来AI系统来说是巨大的进步，也会成为接下来几年提升AI能力的关键。”研究负责人索尔格这样评价这款芯片。

它的设计灵感很有意思，来自过去灯塔上用的巨大玻璃透镜——不过现在被“缩小”了，换成了激光和直接蚀刻在电路板上的微型透镜。在实验室测试里，它的准确率和传统芯片不相上下：识别手写数字时成功率达到了98%，但能耗却只有传统芯片的一小部分。

可能有人会问，光基芯片到底和传统电子芯片有啥不一样？简单说，传统电子芯片是靠电子在硅这类半导体材料里移动，来传输和处理0和1信号；而光基芯片（也叫光子集成电路）是靠光子——也就是光的基本粒子，在光波导（相当于光子的“导线”）里传输信号，完成计算。

正是因为用“光”代替“电”来执行卷积运算这个AI领域的“耗电大户”，光基芯片才能在保持传统芯片性能的同时，大幅节省能耗。

传统电子芯片做卷积运算时，得靠晶体管阵列完成乘法-累加MAC）操作，这就会遇到两个大问题：布线延迟（信号传输慢）和焦耳热损耗（耗电还发热）；而这款光基芯片基于相位共轭联合变换相关器（pJTC）原理，把计算过程转移到了光子域，直接避开了这两个瓶颈。

它的关键突破在于，首次在硅基芯片上实现了“傅里叶变换-卷积运算”一体化——要知道，传统光学系统得靠“分立透镜+光路校准”，结构复杂还占地方，而这款芯片面积只有5mm×5mm，还能和现在的Chiplet封装技术兼容，很容易融入现有产业链。

那它具体是怎么工作的呢？当执行卷积运算时，机器学习数据会先转换成激光信号，这些带着信息的激光信号，会穿过芯片表面蚀刻的两组微型菲涅尔透镜。这些微型透镜是灯塔菲涅尔透镜的“二维微缩版”，直径只有人类头发宽度的几分之一，却能精准控制激光束的传播和聚焦，完成复杂的数学变换；最后，变换后的结果再转回数字信号，AI任务就完成了。

得益于“电-光-电”的协同架构，再加上用多波长激光并行处理数据流，这款光基芯片的能效比达到了7162GOPS/W，是英伟达A100GPU的99倍。处理同样的任务，它的功耗只有8.2mW，还不到A100的1/100，甚至不需要主动散热——这对数据中心来说，能大大降低整体能耗。

“这是第一次有人把这种光学计算技术集成到芯片上，还用到了AI神经网络里。”Hangbo Yang表示。除了低能耗和高准确率，光基芯片还有个传统芯片比不了的优势：并行处理能力。研究团队证实，它能通过不同颜色的激光，同时处理多路数据流。

为啥能做到？因为光天生就适合“多任务并行”，而传统电子芯片受限于电子的串行传输特性，只能“一个接一个”地处理信息。比如，需要同时识别多张图片，或者分析大量文本数据时，光基芯片可以用不同波长（不同颜色）的激光，同时处理这些数据，效率自然大幅提升。

02
还有哪些类似光基AI芯片突破

就在佛罗里达大学团队发布成果的同时，全球不少研究团队和企业也在光基AI芯片领域发力，拿出了各自的突破性成果，形成了百花齐放的局面。下面我们看看今年同类研究的团队有什么进展。

清华大学：超低能耗、超高算力

2025年6月，清华大学陈宏伟团队《自然-通讯（Nature Communications）》发布了硅基衍射光神经网络（DONN）芯片，采用标准的绝缘体上硅（SOI）工艺，靠超表面结构实现被动光学计算。

它的亮点很突出：一是能效极高，完成一次MNIST手写数字分类的能耗只有1.1×10⁻¹⁷J/FLOP，是传统电子芯片的十亿分之一；二是算力密度惊人，0.3mm²的芯片就能实现13800TOPS算力，比现在的GPU提升了4个数量级；三是抗干扰能力强，就算制造过程中有误差，通过相位补偿算法也能恢复理论精度，在MNIST测试集上准确率达到86%。

这种技术靠光波衍射直接完成矩阵乘法，不需要主动光学元件，特别适合边缘设备（比如物联网传感器、小型智能终端）的低功耗推理任务，和佛罗里达大学的“主动光子芯片”形成了互补。

新加坡Lightelligence：5纳秒延迟的光子加速器

2025年4月，新加坡Lightelligence公司在《自然（Nature）》杂志发表了他们的PACE光子加速器，这款芯片集成了1.6万个光子组件，用2.5D封装技术实现光电子协同计算。

它的优势集中在速度和灵活性上：矩阵乘法延迟只有5纳秒，比英伟达A10GPU提升了500倍；能效达到2.38TOPS/W（包含激光器），在求解伊辛模型这类优化问题时表现突出；还支持动态重构权重，适合自动驾驶路径规划、物流调度等需要实时决策的场景。

它靠光电混合架构，平衡了光计算的并行性和电子控制的灵活性，和佛罗里达大学聚焦卷积运算的设计形成了差异化竞争。

东京大学：250端口并行的波导复用处理器

2025年6月，东京大学电子工程与信息系统系助理教授唐睿团队在《光学（Optica）》杂志发表了波导复用光子处理器，采用单波长、250端口并行架构。

它的创新点在于：一是架构简化，通过垂直p-i-n锗硅探测器，实现250路光信号同步处理，不用依赖波长复用，降低了复杂度；二是能耗低，在鸢尾花分类任务中准确率达到93.3%，功耗却只有同类方案的1/15；三是制造兼容性好，基于Advanced Micro Foundry的CMOS工艺流片，能和电子芯片实现三维堆叠。

这种单波长架构对精密校准的依赖度低，在传感器融合、工业检测等场景里有独特优势。

宾夕法尼亚大学：能用光训练的可编程芯片

宾夕法尼亚大学（University of Pennsylvania）材料科学与工程系教授Liang Feng研究团队开发出首款能用光来训练神经网络的可编程芯片。这项成果发表2025年4月在《自然・光子学（Natural Photonics）》杂志上，不仅能大幅提升AI的训练速度、降低能耗，还为“全光驱动计算机”的研发打下了基础。

这款芯片用了有光敏特性的特殊半导体材料，通过调整泵光的形状和强度，就能改变光的传播方式，实现实时学习。在简单的非线性决策边界任务中，准确率超过97%；在经典的虹膜数据集问题中，准确率也超过了96%。

03
未来可期，但挑战仍在

随着AI继续改变世界，它对能源的需求只会越来越大。而基于光的计算，不只是对现有技术的小修小补，更是对计算原理的重新思考——如果能成功落地，它很可能成为未来几十年AI可持续发展的关键钥匙。

这项技术能有效缓解AI模型复杂化带来的电力需求激增问题，还能推动边缘设备（比如自动驾驶汽车、物联网终端）的低功耗AI部署。目前，佛罗里达大学团队已经计划和英伟达合作，把光基芯片作为GPU的协处理器，目标是把整体能效提升15倍。

其实，像英伟达这样的芯片巨头，早就开始在AI系统的其他部分加入光学元件了，这也让光基芯片的卷积透镜更容易融入现有产品。

“在不久的将来，基于芯片的光学技术会成为我们日常使用的每一款AI芯片的重要组成部分，而基于光学的AI计算技术很快就会问世。”索尔格说。他同时还是佛罗里达半导体研究所战略计划的副主管。

对谷歌、微软、亚马逊这些拥有大规模AI业务的公司来说，节能可不只是环保那么简单——它意味着能大幅降低运营成本。一款能耗更低、性能却不打折的光基芯片，对他们来说吸引力十足。

除了AI领域，光基芯片还能加速那些现在需要数月才能完成的科学模拟，比如药物研发、气候模型构建等，甚至可能彻底改变这些领域的发展节奏。长远来看，它能改写从智能手机应用到全球数据中心的运作模式，给不堪重负的电网减负，引领AI走向更可持续的未来。

如果光基芯片能广泛应用，带来的影响会很深远：数据中心的碳排放量会降低，移动设备的电池续航会延长，那些以前因为太耗电而无法实现的实时AI应用，也能变成现实。而且，光基芯片被视为“绿色AI”的关键解决方案，一旦规模化落地，不仅能减少AI技术的碳足迹，还能为光子计算与量子计算的融合打下基础。

目前，英特尔、华为等全球科技巨头都在加速布局光计算赛道，有预测认为根据 LightCounting 预测，2028 年全球数据中心硅光模块市场规模将超过100亿美元，其中CPO方案占比将超过50%。Yole预测，2028年全球磷化铟光电子市场规模将达到70亿-80亿美元。到2030年，光基芯片的市场规模将达到120亿美元。

不过，光基芯片目前还面临不少挑战。

首先是架构适配性有限。如佛罗里达大学的这款芯片主要支持CNN（卷积神经网络）的卷积层运算，但对当前热门的Transformer架构（比如ChatGPT背后的技术）的自注意力机制适配不足，而Transformer架构在自然语言处理、多模态AI等领域应用广泛，这会限制光基芯片的适用范围。

其次是集成度低。目前光子元件的尺寸比电子晶体管大不少，想在单个芯片上集成更多元件难度很大，所以光基芯片的集成度远低于CPU、GPU这些电子芯片，很难实现复杂的逻辑控制。

第三是材料耐久度差。光基芯片的突破依赖特殊的谐振环和相变材料，它们能捕获光并高精度存储其特性，但传统存储系统是为电子设计的，不是为光设计的——光的传播速度极快，捕捉和存储本就困难，而且这些特殊存储器用多了还会失效，限制了芯片的使用寿命。

第四是制造良率低、成本高。比如芯片上的菲涅尔透镜，蚀刻精度要求极高（误差不能超过±3nm），目前量产良率只有65%，单芯片成本约80美元，是同性能ASIC芯片（约15美元）的5倍以上，这对大规模推广很不利。

第五是光信号损耗。硅基波导的传输损耗约为5.6dB/m，如果把芯片面积扩大到10mm×10mm，就需要增加光放大器模块，这会让功耗上升15%-20%，又会抵消一部分能耗优势。

当然，研究人员也明确表示，光基芯片不太可能完全取代传统处理器——传统处理器在通用计算领域仍有不可替代的作用，而光基芯片更适合特定任务，尤其是AI和机器学习相关的计算。

预计光基芯片会在2026-2028年进入规模化应用阶段，而全面普及预计需至2030年后。光基芯片的早期应用可能会出现在自动驾驶汽车、工业自动化等专业领域；而要在消费产品（比如手机、平板电脑）中广泛应用，还需要更长时间，得等技术更成熟、生产成本降下来才行。

但不管怎样，光基芯片的开发，已经标志着AI发展的一个重要转折点。通过借助光的力量，研究人员正在为AI铺就一条更强大、更可持续、更易普及的未来之路。

来源：轩辕商业评论