光学计算芯片公司推进大规模生产，将光子处理器定位为推理工作负载的电子GPU潜在替代品。

半个多世纪以来，摩尔定律推动了全球计算力的进步：随着制造工艺的缩小，晶体管数量增加，芯片性能得以提升。但这种发展模式正在达到其极限。

当今，大语言模型参数以近乎不可控的速度扩展，而计算需求周期不断压缩——电子芯片的物理天花板已变得清晰可见。功耗墙、存储墙和带宽墙是制约传统GPU演进的三大基本瓶颈。高端计算芯片功耗更大，散热越来越困难，数据传输损失造成的效率下降愈发严重。

通过堆积晶体管来增加计算能力的道路已不再可行。业界迫切需要一项根本性的新解决方案，而用光代替电进行计算已成为最具颠覆性和前景的答案。

在2026年WAIC大会上，光学计算领域展示了三家领先国内企业的核心技术：

光核心技术宣布成功流片一款256×256矩阵规模的光学存内计算芯片——目前全球计算功率密度和精度最高的光学计算芯片，面向包括AI推理在内的高计算场景设计。

Lightelligence推出全球首个一体化光电混合计算盒子天数光立方，基于其自主开发的PACE 2加速卡搭建。

MemryX展示了与合作伙伴结合"空间光学计算芯片+大模型应用"的全栈集成方案。

经过密集的发布会，一个反复出现的问题浮现出来：光学计算真的能实现大规模生产并颠覆计算力产业吗？

"光学芯片"是一个涵盖三个根本不同类别的总称：光通信芯片、光互连芯片和光学计算芯片。

光通信芯片处理长距离（公里级）信号传输，构成光纤骨干网和5G前传/回传基础设施的核心。代表产品包括激光芯片（DFB、VCSEL）、探测器芯片（APD、PIN）和调制器驱动芯片。其使命是最大化传输距离和信号完整性。

光互连芯片在芯片、电路板或服务器之间实现短距离（厘米到米级）连接，解决数据传输效率问题。典型形式包括硅光收发器和微环调制器阵列。其使命是提高带宽密度，降低每比特传输的能耗。

光学计算芯片有根本不同：它们不是传输通道而是计算核心。以光子作为信息载体，通过光信号传输、调制和干涉完成计算。与传统电子芯片相比，它们提供天然的并行性（利用波长、相位和偏振维度）、超低延迟（接近光速传输）和高能效（几乎没有电阻损耗）。虽然常与GPU相比较，但它们专注于数据处理。

必须建立一个关键的区分：光学计算的目标从不是替代GPU，而是"减轻它们的负担"。

GPU无疑表现卓越。其通用并行计算架构在训练、推理、渲染和科学计算中表现良好。但这种通用性也带来成本：功耗密度持续上升，散热系统成本逐年增加，芯片间互连带宽增长远滞后于计算能力改进。这严重制约了大规模集群中计算能力的有效利用。通用性提供了广度，但锁定了效率的天花板。

突破这一瓶颈产生了两条创新路径：存内计算技术，通过近存或存内方法集成存储和计算以缓解存储墙延迟和功耗；以及非GPU架构创新——如SambaNova的流计算和Google TPU的ASIC路线——通过晶体管级微架构重新设计来提高计算单元峰值利用率。但两者都仍受到数字集成电路基础的制约。

这就是为什么光电混合计算被视为下一代计算基础设施的"关键变量"。其颠覆性不在于替代而在于分工：将适合光学的计算分配给光，将复杂逻辑和通用控制交给电子。

在Transformer主导的AI时代，矩阵乘法占总计算量的70%以上——正是光学计算的核心优势。原理优雅：输入光信号分裂成多条并行路径，每条由可调谐马赫-曾德尔干涉仪（MZI）加权，然后在输出端自然汇聚，累积在光学域内瞬间完成。处理延迟取决于光在波导中的传播速度——接近物理极限——光传输产生的焦耳热几乎为零，比电子芯片功耗低得多。

业界已形成共识：GPU处理训练（需要复杂逻辑和高精度）；光电混合解决方案适合推理阶段。因此第一个重大商业化机遇在于AI推理——特别是对于图像和语音识别等高容量、高速率应用，加上气象监测和金融分析。

国内光学计算领域蓬勃发展，企业在不同实现阶段追求不同的技术路线，但大多数专注于光电混合而非全光计算。

光电混合计算将控制、存储和非线性操作分配给电子电路，而光学装置处理矩阵乘法和加法等线性加速任务。信号在芯片边界或计算层之间经历反复的电光和光电转换。这种方法利用了成熟的CMOS生态系统，代表了当今主流的可商业化解决方案。

追求光电混合路线的公司已取得重大突破。Lightelligence选择了基于硅的MZI相干光电混合计算路径，于2021年12月推出其第二代PACE高性能光子计算处理器，开创了集成光学和电子芯片架构，并引入了"光电混合计算力新范式"。从2024年到2025年，其光学计算芯片出货量连续两年全球排名第一。Lightelligence与SenseTime、StepStar、申万宏源、中科天算和OriSpace建立了战略合作伙伴关系，涵盖多个AI应用。