光计算芯片重获关注:AI推理需求推高产业估值至22.2亿美元
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....
光计算算不上新概念。几十年前就有研究人员尝试用光做计算,想靠光的传播、干涉和调制等特性,绕开传统电子计算在速度和能耗上的瓶颈。只是这项技术长期停留在研究和实验阶段,离真正的商业应用还很远。
AI正把光计算重新拉回产业视野。AI推理需求持续增长,数据中心的电力消耗问题愈发突出。GPU仍是当前AI计算的主力,可算力扩张带来的能源压力,让产业开始寻找别的计算路径。光计算由此再度受到关注,一批创业公司尝试用光完成矩阵运算、傅里叶变换等任务,希望在特定工作负载上拿到更高的能效。
IEEE Spectrum近日的报道提到,光计算相关企业的市场估值总额已从2022年的约4亿美元涨到22.2亿美元。这个市场还处在早期,但AI推理正在成为推动光计算发展的重要力量。
这一回,光计算面对的不再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。各家企业选的切入点并不相同:有的想直接用光做AI计算,有的打算把光计算嵌进现有的数据传输路径,还有企业在摸索区别于传统GPU计算的算法和应用。
光计算能不能真正成为AI计算的重要组成部分,眼下还有不少技术挑战。不过在AI算力需求和能源压力不断增长的背景下,这项长期停在研究阶段的技术,正迎来新的发展机会。
光计算重新受到关注
AI推理的计算过程,特别是大模型运行过程中,包含大量矩阵与向量运算。其中,
传统电子计算做矩阵运算,得靠大量乘法和累加一步步完成;矩阵规模越大,计算量也跟着水涨船高。光计算走的是另一条路——把数据编码进光的强度、相位等属性,再交给光学器件去完成运算。
用光来算的设想并不新。1978年就有研究人员提出利用光完成相关计算。这套方案之所以有吸引力,在于部分计算可以借光传播和光学器件的物理特性直接完成,不必像电子计算那样,每做一次乘法就单独耗掉一份计算能量。
从理论上看,矩阵规模越往上走,光计算在能耗上的优势可能越突出。传统电子计算的矩阵运算能耗与计算规模绑得很紧,光计算则在矩阵乘法阶段有一部分能耗不按同样的方式增长,能耗大头或许会落在数据编码和结果读取上。
但这不等于光计算就能轻松拿到数量级的能耗优势。IEEE Spectrum的报道指出,实际能耗还得把数据编码、光电转换、结果读取这些环节算进去。光学计算本身再高效,只要输入数据转换耗掉的能量过高,整个系统照样可能讨不到便宜。
AI推理也不只是矩阵运算。模型里还有非线性操作和其他计算任务,光计算能覆盖多少工作负载,最终决定它在整个推理系统里能起多大作用。
所以,眼下光计算企业的目标并非简单放话取代GPU,而是想在特定计算任务上做出更高的能效。报道提到,部分光计算公司正瞄准相较GPU提升10至80倍能效的目标,不过这仍只是企业追求的性能方向,能不能在大规模应用中兑现,还要进一步验证。
光计算重新受到关注,原因也在这里。AI推理的能源成本正变成产业问题,光计算给出了一条不同于传统电子计算的路子。可要从理论优势走到实际系统,数据转换、计算覆盖范围、规模化制造和系统集成等问题都还等着解决。
寻找不同的落地路径
光计算这个行当,眼下还没跑出一条统一的技术路线。各家手里攥着不同的技术家底,选的计算方式、盯的应用场景也就不一样。
英国的初创公司Lumai,把方向定在了AI推理里的自由空间光学系统上。
这家公司早前拿出过一台叫Iris Nova的光计算服务器,用来做评估。它还放话说,下一代的Iris Aura能用大约十分之一GPU的能耗跑完Prefill计算。当然,这个性能指标目前还只是公司自己给出的预期。
还有一家公司在美国,叫Neurophos。
传统
按照Neurophos的说法,它的技术目标是对比
这家公司的另一处长处,是它的技术路线能兼容
两家公司想做的事其实一样,都是用光计算去扛AI推理里最核心的那部分计算任务,可挑的路子完全不同。Lumai看重自由空间光学系统,Neurophos则想靠微型化光学器件把集成度提上去。摆在两家面前的共同难题是:能耗上的优势、能算多大规模、制造成本还有实际能不能用,这几样怎么摆平。
相比
Q.ANT走的是光脉冲编码输入、干涉器完成运算、光电探测器输出的路子,其光计算服务器已在德国部分研究机构投入使用,公司还宣布向云服务商IONOS实现商业销售。另一边,Lightelligence的PACE2处理器能跑128×128矩阵乘法;2025年公布的研究成果里,还记录了1GHz频率下的矩阵-向量运算和3纳秒延迟。
不过,集成光计算还卡在一个关键环节:光信号变回数字信号时的能耗。模数转换这一步尤其要命,高速和低能耗若不能兼得,光计算在整个系统里的优势就会被摊薄。
从这些企业的动作看,光计算产业的重心正从单纯讲理论计算优势,挪向更具体的技术路线、应用场景和商业部署。自由空间光学、
光计算未必取代GPU。若始终把取代GPU当作目标,这条路恐怕比想象中难走。
AI推理的计算任务相当复杂,矩阵运算只是其中一块。模型架构、算法和软件生态都还在变,GPU的硬件、软件与开发体系却已相当成熟。光计算即便在某些运算上优势明显,也未必罩得住整个AI推理流程。IEEE Spectrum在报道中提到,光计算未来的发展方向未必只集中在
以色列公司LightSolver就是其中一例,它开发的方向是
英国的Optalysys走了另一条路,更贴近数据中心现有的架构。
数据中心里光纤早就承担了大量数据传输。光连接一步步向GPU、CPU靠近,数据在计算节点、处理器、存储系统之间来回搬运,这个过程本身就吃掉了不少电。Optalysys的打算是把光学计算能力直接塞进数据传输路径,让数据边传边算,不必把所有运算都交给电子设备。
换句话说,光计算未必非要另起炉灶搭一套完整系统,从现有数据中心的通信链路切进去也是一种走法。
在AI推理这一块尤其如此,
这和直接用光做矩阵运算是两回事。它没打算把GPU上的计算整体搬到光学系统,而是盯住数据传输链路里那些能被光学计算接手的环节。
从眼下的产业布局看,光计算已经分出几条路:有的企业想直接扛起AI推理计算,有的在探索跟传统AI不一样的计算方式,还有的把光计算能力嵌进数据传输和网络系统。
所以光计算将来未必只有一种形态,也未必非要跟GPU正面硬碰。更现实的走法是各干各擅长的活,和CPU、GPU以及其他专用计算单元一起拼成新的计算体系。
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
能不能走到那一步,还要看技术验证、能耗测算、制造能力和商业化进展。不过AI推理带来的能源压力,至少给了光计算一个过去很难碰上的产业机会。
几十年来,光计算一直在证明光能做计算这件事。现在AI让这个问题变得现实起来:传统电子计算在能耗和规模扩张上越来越吃力,光能不能在某些计算环节顶上新的位置?
AI重新给光计算带来的机会,或许就在这里。
这篇内容依据 IEEE Spectrum 的《AI Is Giving Optical Computing Another Shot》报道整理而成。文中涉及的企业性能数据、能效目标以及产品进展,均按原报道中相关公司的表述呈现,并非独立验证过的商业化性能。