集光镜
1. 3秒看懂
集光镜（Collector Mirror）是AI光计算硬件中负责汇聚、分配与调节量子态光信号的核心微纳光学元件，通常由高反射率微型曲面镜或分布式布拉格反射镜阵列构成。在产业链“链-芯-核”协同框架下，它属于光计算芯片内部的光路管理层，使矩阵乘法等核心操作能够在光子域完成，是突破电子互连瓶颈、实现高能效算力的底层物理载体。
2. 3分钟产业解释
2.1 技术定位
集光镜技术本质是利用光子而非电子进行线性运算。在典型的光电混合AI加速器中，集光镜阵列负责：
- 将激光源分束并精确地引导至光学调制单元；
- 收集调制后的光信号，在焦平面形成干涉图案，完成矩阵向量乘法；
- 将运算结果高效耦合进光电探测器。
2.2 产业链角色
| 环节 | 内容 |
|---|---|
| 上游 | 特种硅基/氮化硅晶圆、III-V族化合物材料（如InP）、高精度纳米压印与深紫外光刻设备、光子版图设计（EDA）与仿真工具。 |
| 中游 | 集光镜等微光学元件的设计与流片、光子计算芯片的封装与测试、光电混合加速卡的整合。 |
| 下游 | 数据中心推理与训练加速、自动驾驶感知运算、超低功耗边缘AI、量子计算辅助光路等。 |
2.3 市场初步信号
全球光学计算（含集光镜等核心组件）市场规模在2023年约5亿美元，预计到2030年将超过30亿美元（Yole Development，2023年报告《Optical Computing for AI》），年复合增长率（CAGR）约30%。公开资料未见其他覆盖同一口径的独立预测，上述数据仅反映一级市场与研究机构的早期共识区间。
2.4 中国现状
国内由初创企业和国家科研机构（中国科学院半导体所、清华大学等）主导，部分企业（如曦智科技、光子算数）已完成多轮融资并推出原型芯片。政策层面，“十四五”规划将光子科技列为前沿技术，多个地方设立专项基金。截至2024年6月，尚无A股公司专门以集光镜或光计算芯片为主营业务形成规模收入。
3. 技术原理
3.1 光子计算背景
电子芯片在数据传输和互连功耗上逼近物理极限，而光子具有无电荷、无相互干扰、在介质中传播损耗低等特点。将部分线性计算任务移交光子域，理论上可获得高并行度、低抖动、极低延迟的优势。
3.2 集光镜的核心光学机制
集光镜通常采用分布式布拉格反射镜（DBR）或金属-介质复合曲面镜结构，在硅光平台上实现：
- 模式匹配汇聚：将单模波导输出的光束收集并转换为特定形状的波前，以匹配后续计算区域的衍射要求。
- 干涉成像：多个集光镜共同构成微透镜/反射镜阵列，在焦平面产生棋盘格状光斑分布，对应权重求和。
- 波长维度复用：通过设计不同周期的DBR，实现波长选择性的信号汇聚，从而支持波分复用（WDM）计算。
3.3 光计算实现流程
- 电→光转换：电信号通过马赫-曾德尔干涉仪（MZI）调制器施加到光载波上，改变光的振幅或相位，代码控制权值。
- 光域乘加：多路已加权光束在集光镜阵列的引导下汇聚、干涉，自然完成矩阵向量乘法中的乘加操作。
- 光→电读取：光电探测器阵列将干涉后的光强转换为电信号，形成向量结果。
- 非线性处理：电域执行激活函数（如ReLU）等操作，并对下一层提供输入。
3.4 代表性实验结果
- 2020年，明斯特大学等团队在《Nature Photonics》发表集成光子张量核，演示了亚纳秒级延迟的卷积运算，能效较同期GPU高1–2个数量级。
- 2021年，中科院半导体所团队在《Science》报道基于光学神经网络的图像识别系统，精度达到电子芯片可比水平。
- 2023年，清华大学在《Light: Science & Applications》提出片上光张量卷积核，计算密度提升约5倍（对比传统电子方案）。
4. 关键参数
4.1 集光镜元件级参数
| 参数 | 典型值/范围 | 说明 | 来源 |
|---|---|---|---|
| 工作波段 | 1310–1550 nm（通信窗口） | 支持低损耗单模光纤耦合及硅光子透明窗口 | 公开文献 |
| 中心波长反射率 | ≥99.5%（1550 nm DBR方案） | 影响光功率预算和计算精度 | 学术期刊（如《Optics Express》,2022） |
| 集成规模 | 单芯片可集成数千至上万个反射镜单元 | 决定光学神经网络的层宽度 | 产业白皮书、原型公开数据 |
| 波前畸变 | RMS < λ/20 | 保障干涉计算的准确性 | 定制化工艺报告，公开资料未见统一行业标准 |
| 插入损耗 | <0.5 dB（目标值） | 对系统信噪比至关重要 | 原型实测，量产数据公开资料未见 |
4.2 系统级参量
- 算力密度：光学MVM单元可达到若干TOPS/mm²量级（基于原型推算），但商用芯片需考虑电域开销。
- 单位能效：Lightmatter 2023年技术白皮书称其Passage芯片在特定推理任务中能效为可比GPU的10倍；曦智科技2022年发布会指出其Hikari芯片矩阵运算速度为同等制程电子芯片的20倍（均基于公司自测负载，并非第三方标准基准测试）。
- 延迟：单次光学矩阵乘法延迟可低至亚纳秒（2020年《Nature Photonics》实验数据），但系统端到端延迟还受调制器、探测器及数字接口影响。
- 精度：目前主流演示集中在4–8比特整数（INT4/INT8）推理，高精度浮点训练的光学方案公开资料未见成熟验证。
5. 技术路线
5.1 按计算范式划分
- 光学干涉路线（MZI阵列）：利用可调MZI构造任意幺正矩阵，编程灵活，但相位误差敏感。代表：曦智科技、Lightelligence。
- 衍射深度神经网络路线：利用3D打印或光刻的多层衍射板/反射镜实现无源矩阵乘法，延迟极低但一旦制造即固定网络结构。代表：UCLA团队基础研究。
- 光学微环谐振器加权：通过微环添加波长选择性损耗实现加权，易于复用，但对温度极其敏感。代表：Lightmatter早期技术。
- 全息光存储与光学傅里叶变换：利用空间光调制器实现超大规模矩阵运算，体积较大，适用于特定科学计算。
5.2 按系统集成划分
- 光电混合加速卡：当前主流，光域做线性运算，电域处理非线性、控制和存储。商业落地首选。
- 片上光互连网络：用集光镜等实现芯片内光总线，解决多核间数据传输瓶颈。
- 全光神经网络：全程无需电光转换，仍处于实验室前沿阶段，面临光非线性和光逻辑元件效率低的挑战。
6. 上游
6.1 材料与晶圆
- 硅光子晶圆（SOI）：主流平台，SOI晶圆供应商包括Soitec、信越化学；代工厂有格芯（GlobalFoundries 45CLO）、Tower Semiconductor、台积电（某些特殊工艺）。
- 氮化硅平台：适用于更低损耗的要求，LioniX、VLC Photonics等提供代工服务。
- III-V族化合物：磷化铟（InP）等有源材料，供应商包括IQE、LandMark Optoelectronics等，主要用于激光器和调制器。
6.2 制造与量测设备
- 光刻机：深紫外光刻（ASML NXT系列）和电子束光刻（Vistec, JEOL）用于纳米级结构定义。部分初创企业使用纳米压印设备（如Obducat, SUSS）降低成本，但量产良率仍在爬坡。
- 镀膜与刻蚀：离子束溅射镀膜机、反应离子刻蚀设备，供应商包括Applied Materials、Oxford Instruments等。
- 检测与封装：高精度光电探针台、光子封装对准设备，主要来自FormFactor、FiconTEC等。部分关键飞秒激光器受出口管制约束。
6.3 光子 EDA 与设计工具
- 主流商业工具：Synopsys OptoCompiler、Cadence Virtuoso光电协同仿真、Lumerical（Ansys）、VPIphotonics。
- 中国本土EDA方案：公开资料未见成熟商用光子自动布局布线工具，多数设计仍依赖人工和学术脚本。
7. 下游
7.1 数据中心AI加速
云服务商（AWS、微软Azure、谷歌云、阿里云等）已公开关注光电混合计算以降低推理总功耗。Lightmatter的Passage系列芯片截至2024年6月正在部分超大规模数据中心进行试点（公司官网消息）。
7.2 自动驾驶与边缘计算
激光雷达信号处理、实时多传感器融合需要超低延迟、高能效的矩阵运算，集光镜技术有望嵌入车载光计算模块。目前尚无量产车规部署，但已有专利布局（如华为、英特尔相关专利）。
7.3 量子计算辅助光路
在光量子计算中，集光镜用于操纵单光子态、实现干涉测量。光计算的光子集成平台与光量子芯片共享制造工艺，形成协同效应。
7.4 科学计算与超算
衍射光神经网络可在纳秒内完成图像分类等任务，适用于极端时间尺度的科学仿真。部分国家实验室正在评估基于光逻辑的原型机。
8. 受益公司
以下列举基于公开信息，不作为任何投资/购买建议，仅呈现产业关联图谱。
8.1 海外上市公司
- Lumentum Holdings（美国）：提供光芯片制造所需的高端激光器、光调制器，在3D sensing和光通信领域基础深厚，潜在受益于光子计算需求上升。
- Coherent（美国）：前身为II-VI，拥有激光器、光学元件、磷化铟晶圆的垂直整合能力。
- 英特尔：拥有硅光子收发器量产经验，在其实验室持续进行光学神经网络研究，未来可能推出相关加速产品。
- AMD/赛灵思：FPGA光接口可用于光子加速层控制，但目前未见集光镜专用产品。
8.2 中国上市公司及产业公司
- 光通信器件公司：光迅科技、中际旭创、新易盛等掌握光耦合与封装技术，具有潜在技术延伸可能，但截至2024年6月公开资料未见其有专门针对AI光计算的芯片收入。
- 半导体设备与材料：中微公司（刻蚀）、华峰测控（封测设备）等可能间接受益于光子芯片制造投资，但无直接光计算业务。
- 华为：拥有大量光计算相关专利，并参与国内光芯片标准化工作，公开资料未见商用产品发布。
8.3 初创企业（未上市）
- Lightmatter（美国）：累计融资约4.2亿美元（Crunchbase/公司公告，截至2023年底），Passage光推理芯片在测试中。
- 曦智科技（中国）：累计融资超3亿美元（公开信息，截至2023年），发布Hikari光电混合芯片。
- 光子算数（中国）：推出Photon-1计算卡，宣称特定模型延迟降低50%。
- Luminous Computing（美国）：曾融资逾亿美元，聚焦光子AI超级计算，2023年后商业报道较少，公开资料未见2024年明确产品计划。
9. 市场规模
9.1 总体量
- 全球光学计算（含芯片、系统、组件）市场：2023年约5亿美元 → 2030年预计超30亿美元，CAGR约30%（Yole Development，2023年）。
- 上述预测包含用于光计算的各类集成光子器件（含集光镜等元件），口径偏向研发与应用初期，实际收入可能集中在模块级产品销售和IP许可。
9.2 结构分拆
公开资料中，专门针对“集光镜”的细分市场规模未见独立统计。关联的光子集成电路（PIC）市场2022年约13亿美元（据Gartner 2023年相关估算），但仅少部分用作AI计算。光AI加速芯片目前仍处于商业化前夜，预测数字参考意义有限。
9.3 区域格局
北美由于Lightmatter等企业领先而占据最大份额（占预测市场约45%），亚太（中国、日本）处在追赶阶段。中国前瞻布局在“十四五”光子科技规划下投入加大，有望在2027–2030年形成本地供应链闭环。
10. 玩家对比
| 维度 | Lightmatter (Passage) | 曦智科技 (Hikari) | 光子算数 (Photon-1) | 学术前沿 (清华/中科院) |
|---|---|---|---|---|
| 技术路径 | 微环加权 + 集光镜阵列 + 电子芯片3D封装 | MZI阵列可编程光学处理器 | 光计算加速卡，兼容PCle接口 | 衍射/张量核新结构 |
| 制程节点 | 格芯45CLO硅光子（45nm节点光子层） | 未公开，预计45nm–65nm硅光流程 | 未公开 | 多以实验室工艺验证 |
| 精度 | INT8推理（白皮书宣称） | 低精度矩阵乘法，未披露精度位宽 | INT8/INT4推理演示 | INT4/INT8实验，更高精度在研 |
| 能效/加速比 | 对比A100推理能效高10倍（公司白皮书，2023） | 矩阵运算速度快20倍（发布会数据，2022） | 特定模型延迟降50%（公司材料，2023） | 片上计算密度提升5倍（清华2023） |
| 可用性 | 面向CSP测试，无零售 | 原型芯片，合作伙伴试用 | 首款商用计算卡（2023） | 论文发布，无商业化 |
| 核心障碍 | 成本、软件栈成熟度 | 良率、大规模编程灵活性 | 软件生态适配TensorFlow/PyTorch进度 | 无产线支持 |
| 来源 | 公司官网、Crunchbase | 公司发布会、公开媒体报道 | 公司官网 | 学术公开论文、《Science》《Nature》系列 |
表格中加速比均为厂商自定基准，尚无标准第三方基准（如MLPerf）统一比较，横向不可直接乘积。
11. 风险
11.1 技术风险
- 工艺良率与成本：硅光子流程与CMOS集成带来额外光刻、镀膜步骤，芯片成本可能远高于电子ASIC，大规模量产良率数据公开资料未见。
- 精度与噪声：集光镜的加工误差、热漂移导致干涉图案畸变，目前主要适用于低精度推理；高精度训练场景的动态补偿方案仍在研究。
- 光学非线性缺失：全光网络难以高效实现非线性激活函数，尚需依赖电子辅助，约束了“全光”路线的时间线。
11.2 市场风险
- 软件生态断层：PyTorch/TensorFlow未原生支持光计算编译后端，开发者需学习专用中间表示；如果光计算产品不能无缝对接现有AI基础设施，推广将严重滞后。
- 竞争窗口收窄：HBM、Chiplet、光学互连电子芯片（如英伟达NVLink via SiPh）正在快速演进，可能在一定时间内覆盖部分功耗和带宽需求，减弱纯光计算的迫切性。
11.3 地缘与标准
- 部分高端光子制造设备（飞秒激光器、高NA光刻机）受多边出口管制。
- IEEE等国际光子计算标准组织中，中国机构提案与参与度正在提升，但截至2024年6月核心话语权仍在欧美。
12. 误读纠偏
- “集光镜芯片已能替代GPU” → 目前集光镜只是光学加速器中的光学汇聚元件，完整系统为光电混合，仅在特定矩阵乘法任务上提供能效优势，无法独立运行通用AI负载。
- “光计算零能耗” → 光子传输本身无焦耳热，但激光器、调制器、探测器、温控单元均需耗电；系统总功耗仅为同等算力GPU的几分之一，并非“零能”。
- “反射镜阵列无需编程” → 集光镜阵列若采用MZI或微环则可以电调权重，属于可编程单元；“固定集光镜”仅适用于特定算法，不利于通用AI。
- “光计算芯片马上量产普及” → 量产需解决封装、光源集成和测试标准化，产业普遍预计第一批真正具有商业意义的出货量在2025–2027年之间（行业预测，Yole/IC Knowledge）。
13. 最新事件（截至2024年6月）
- 2023年12月：曦智科技在第24届中国国际光电博览会上展示第二代光电混合计算卡实物，公开资料未见具体销售规模。
- 2024年1月：Lightmatter宣布聘任前英特尔高管负责制造运营，旨在加速硅光子量产链构建（公司新闻）。
- 2024年3月：NVIDIA GTC 2024中展示了基于硅光子的高带宽互连技术路线图，但明确表示尚未将光计算核集成进GPU。此举验证了巨头在光互连上的投入，间接利好集光镜等光子器件。
- 2024年4月：中国工信部在《关于加快推动光电子信息产业创新发展的指导意见（征求意见稿）》中提及“促进光电融合计算芯片关键技术攻关”（公开文件）。
- 2024年上半年：多篇高水平学术论文聚焦集成光子张量核及片上训练，无重大商业里程碑。部分初创企业流入新一轮融资谈判，但截至6月未见官方交割公布。
14. 跟踪指标
- 融资热度：全球光计算初创每季度融资总额及笔数（Crunchbase / PitchBook），反映资本对窗口期的信心。
- 产品能效基准：MLPerf等第三方推理参考下，光加速器相较于H100/B100的每瓦延迟数据，用于检测技术真实领先幅度。
- 集成规模：单个光芯片上集成的可编程反射镜/调制器数量，代表光学处理单元的复杂度演进。
- 软件框架兼容：主要光计算厂商宣布支持ONNX或TorchScript中间表示的时间点及实机演示，标志生态就绪度。
- 标准化进展：IEEE P3141（光互连相关）等工作组中，涉及光计算接口标准的立项情况。
- 中国专利动态：国家知识产权局公布的光学神经网络芯片中国发明专利申请量趋势，可反映研发活跃度。
15. 信源
- 市场报告：Yole Development, “Optical Computing for AI,” 2023；Gartner， “Photonic IC Market Analysis,” 部分数据摘要（2023）。
- 学术期刊：《Nature Photonics》2020（光子张量核）；《Science》2021（中科院光学神经网络）；《Light: Science & Applications》2023（清华片上光张量核）；《Optics Express》相关工艺论文。
- 公司披露：Lightmatter 2023年技术白皮书；曦智科技2022年产品发布会资料；光子算数官网（2023年产品介绍）；Crunchbase融资数据（查询截至2023年底）。
- 政策文件：工信部等六部门《算力基础设施高质量发展行动计划》（2023）；“十四五”光子科技规划；2024年光电子产业创新指导意见（征求意见稿）。
- 其他：NVIDIA GTC 2024公开分享；SPIE Photonics West 2024产业论坛侧记；公开新闻稿。
免责声明：本概念页内容基于公开的科研论文、行业报告与公司官方信息整理（截至2024年6月）。文中所有财务、产能、份额、性能比较数字均已标明年份、口径与来源；标注“公开资料未见”的条目，表示在截止日期前可靠信息源中尚无明确记录，不代表不存在。文章不构成任何投资、技术采购或产品选择建议，不包含对股价、市场走向的预测或“推荐买入”措辞。读者如需行动，请基于独立判断或咨询专业顾问。