光计算 (Optical Computing)

1 3秒看懂

一句话定义：光计算是用光子替代电子，在特定计算任务（尤其是矩阵乘法）上实现高并行、低延迟、低功耗的新型计算范式，而非“用光跑所有程序”的通用处理器。

核心逻辑：后摩尔时代，电芯片的能效和带宽逼近物理极限，光子凭借波分复用、高速传播和低干扰特性，为数据中心中的 AI 推理与训练、光互连、高带宽网络交换 提供显著性能提升的可能。

关键数字（截至2024年底）：

• 光互连层面，单片硅光收发引擎可支持单波100 Gb/s以上、总带宽超800 Gb/s的模块（OFC 2023多家厂商展示）。
• 光计算层面，实验室与初创公司公布的AI推理能效比达数TOPS/W至数十TOPS/W，但官方可核实的量产产品参数极少，多数仍处于原型或小批量验证阶段。
• 整条产业链核心环节的全球公开市场规模约数十亿美元（含光模块、硅光子晶圆等），光计算专用芯片尚未形成独立统计口径。

一句话风险提示：光计算在非线性、存储与逻辑控制上存在天然短板，当前距离大规模商业部署仍有显著技术和生态差距。

2 3分钟产业解释

关键术语

• 光子计算 (Photonic Computing)：利用光子进行逻辑运算或线性代数加速的计算架构，常基于马赫‑曾德尔干涉仪（MZI）阵列、微环谐振器或逆向设计介质。
• 光互连 (Optical Interconnect)：以光纤或片上波导替代传统铜迹线，实现芯片间（chip‑to‑chip）、板间或机架间的高速数据搬运。
• 硅光子 (Silicon Photonics)：在SOI晶圆上集成调制器、波导、探测器和光耦合器，复用CMOS工艺，是目前成本最可接受的光子集成平台。
• 光电异构计算 (Electro‑Photonic Heterogeneous Computing)：电子负责存储、控制与非线性运算，光子负责矩阵乘法等规则密集操作，是目前最受产业认可的技术框架。

产业链简图 上游材料与设备（SOI晶圆、特种气体、光刻与刻蚀机） → 中游光子集成制造（光芯片设计、晶圆厂流片、高级封装与测试） → 下游系统集成与应用（AI加速卡、光I/O模组、光交换机、传感器）

核心优势

• 速度：光信号在介质中传播延迟接近物理极限，数据处理可在数十皮秒内完成。
• 带宽：单根波导可利用波分复用技术并行传输数十至上百个波长，总带宽可达Tbps量级。
• 能耗：在矩阵乘法等操作上，光学向量‑矩阵乘法的静态功耗几乎为零，动态功耗远低于同等带宽的电互联和电计算。
• 并行性：不同波长、偏振、模式可同时携带独立信息，天然支持多维度并行。

主要应用方向

• 数据中心光互连：可插拔光模块 → 共封装光学(CPO) → 片间光学I/O，持续降低互连能耗与时延。
• AI硬件加速：专用于矩阵乘法的光子张量核心，尤其适合大模型推理和部分训练步骤。
• 电信与无线基站：高速相干光收发机、前传/回传链路。
• 科学计算与信号处理：线性方程组求解、傅里叶变换、盲源分离等。

3 技术原理

光子计算的物理基础：用光执行乘加运算
光计算的核心思想是让光通过一个可编程的散射或干涉网络，网络的透射矩阵天然完成矩阵‑向量乘法。设输入信号为向量 x，网络参数为矩阵 W，输出信号为 y = Wx，整个过程以光速完成，能耗主要发生在产生输入光和读出结果电信号的光电转换环节。

主流实现方式：

1. 马赫‑曾德尔干涉仪（MZI）网格
   通过调节每个MZI内部的相移器，实现任意酉矩阵分解，再配合增益或衰减单元逼近任意实数矩阵。优点是理论完备，适合制作可编程的通用光学矩阵乘法器。缺点是单元尺寸较大（百微米级），大规模集成时相位误差校准极其复杂。

2. 微环加权阵列
   利用多波长光源，每个微环谐振器在特定波长上实现权值调制，多个加权通道直接在波导上叠加，即可实现向量‑矩阵乘加。体积小（数微米），可密集集成，但对温度漂移极敏感，需片上实时偏置控制。

3. 衍射与散射介质
   采用逆向设计或训练好的超表面、多模光纤、散射片等，让输入光经历复杂散射后在输出平面成像，散射过程等效于高维随机映射或卷积，可用于储层计算、随机投影等。

关键器件

• 光源：片上激光器（如分布式反馈激光器、量子点激光器）或外置激光器阵列，要求单模、窄线宽、高功率。
• 调制器：高速电光调制器将输入电信号加载到光载波上，典型材料有铌酸锂薄膜、硅、锗硅等。
• 波导与分束器：低损耗的硅波导（损耗＜0.5 dB/cm）及多模干涉耦合器、方向耦合器，完成光路的分配与合束。
• 探测器：锗硅PIN或雪崩光电二极管，将结果光信号转回电域，要求高响应度和低暗电流。
• 热光/电光移相器：用于实时调整干涉臂的相位，实现权值编程。

计算流程

1. 数据编码：电数字信号通过数模转换驱动调制器，光强或相位携带输入值（通常定点8‑16 bit）。
2. 光域计算：编码后的光进入权值网络，在若干光程内完成乘加操作。
3. 结果读出：光电探测器阵列并行接收输出光功率，经模数转换恢复为数字结果。
4. 电子后处理：执行非线性激活、池化、归一化等，电域完成网络剩余部分。

实际限制

• 精度：光学模拟计算受制于散粒噪声、热噪声、串扰和器件非理想性，目前多数光芯片的有效等效精度在4‑8 bit之间（Nature Photonics 2021, 15, 367‑373），难以直接支持高精度浮点任务。故通常需要通过混合精度训练或电域补偿。
• 计算密度与规模：单一光学乘法器的矩阵规模受限于光子器件数量，当前典型片上集成的可调器件数在数百至数千量级（Lightelligence的PACE在2022年公布包含超过12000个光子器件，但并非全部同时参与单一矩阵运算），仍远不及GPU的数十亿晶体管。

4 关键参数

评价光计算芯片的关键技术参数，需对照电芯片同类指标，特别关注能效、延迟、通量、精度四个维度。

1. 算力（TOPS/FLOPS）
特指光芯片实际可执行的MAC操作数/秒。受限于光电转换时间和芯片规模，公开可查的独立光加速器FLOPS尚在TOPS级别，而非电加速器的PFLOPS级。例如，曦智科技2022年发布的PACE原型在特定自然语言处理任务中，等效算力约为当时高端GPU的数十倍（公司白皮书），但由于未公开标准化基准测试，横向比较需谨慎。

2. 能效比（TOPS/W）
光子计算最具竞争力的指标。因为矩阵乘法采用无源光学传播，每MAC动态功耗可低至亚飞焦耳量级（fJ/MAC）。2023年发表于Nature的某光子张量处理器（Feldmann et al., Nature 2023, 620, 287–294）展示片上MAC能效约2 fJ/MAC，推理能效比超过50 TOPS/W。相比之下，同制程支持INT8的典型电加速器约为1‑5 TOPS/W。但需注意，该指标往往不包含光源、温控、电学接口和存储器访问功耗，系统总功耗可能数倍于芯片本体。

3. 单次推理延迟（Latency）
光信号通过片上网络的时间通常为几十皮秒，但整体推理延迟主要取决于：数据加载及模数/数模转换（纳秒～微秒级），探测器响应时间（~10 ps），以及电域后处理。成品系统端到端延迟多在纳秒至微秒量级，对边缘实时推理有利。

4. 芯上带宽和边带宽
利用波分复用，单个片上波导可承载100 GHz甚至更宽的频谱，TB/s级带宽仅受调制器和探测器电光响应限制。如Lightmatter的Passage光互连技术，声称芯间带宽可达Tbps/mm，但实际部署波长的数量与密度仍取决于集成工艺成熟度（来源：Lightmatter 2023年 Hot Chips演示）。

5. 计算精度（等效比特数）
如前所述，模拟光计算精度是最大软肋。常用指标**ENOB（有效位数）**衡量光电混合系统的信噪比。当前实验报道的最高ENOB约7–8 bit（Science 2024, 383, 1125‑1131），限制了其在训练任务中的应用。多数玩家通过定制训练算法引入误差感知、冗余校准，以在较低精度下维持模型准确率。

6. 集成规模与可重构能力
可编程光子单元总数、调制器/探测器阵列密度、每位元存储要求的面积，是反映芯片复杂度的指标。曦智科技2022年PACE宣称集成超过12000个光子器件；Lightmatter于2024年推出的Envise‑beta已在特定数据中心客户进行POC，但具体器件数未公开。此外，权值可重构速度（μs级热光，或ns级电光）直接影响实时推理适配能力。

数据缺失性声明：上述参数除注明年份和出处外，部分数据来自公司自行公开的白皮书或会议海报，并未经过第三方独立评测，因此不应直接作为对比依据。缺乏标准测试体系的现状，正是业界亟需解决的问题。

5 技术路线

光计算并不是一条唯一的路线，而是由多种技术和应用牵引交织而成。根据光子参与计算的深度，可划分为四大路线：

1. 光互连先行（Optical I/O）
核心思路：只把光子用于数据传输，不涉及计算。以Ayar Labs、Intel、Lightmatter的Passage为代表，通过片间光学I/O小芯片，实现内存与计算芯片之间海量数据的低功耗搬运。这被认为是近期内最确定可落地的方向，已进入产业链协同阶段。Intel在2023年的CXL光互连原型中演示了数米距离的光学内存池化；Ayar Labs计划2025‑2026年量产光学I/O小芯片（公司2024年路演资料）。

2. 光学模拟AI加速器
将矩阵乘法从电子搬到光域，电子仅负责剩余的控制和非线性操作。这是“光计算”一词最直觉的形态，也是初创公司最密集的赛道。代表：Lightmatter的Envise、曦智科技（Lightelligence）的PACE/Hummingbird系列、Luminous Computing（其超级计算机原型）、Celestial AI。目前大部分处于实验室原型或早期试用阶段，目标市场是先做AI推理，再拓展至部分训练。

3. 光电深度融合（Heterogeneous Compute）
在单一系统里动态调度电和光的计算资源，由编译器自动划分适合光加速的算子。这需要全新的编程模型和软硬件协同栈，复杂度最高。公众信息里尚无成熟解决方案，但曦智科技曾展示过光电混合服务器概念（2023年OFC报告）。

4. 全光数字逻辑与光神经网络
探索利用光实现全光布尔逻辑门、光存储和光控制流，意图彻底颠覆冯·诺依曼架构。学术界活跃，如利用光学双稳态、光子晶体腔构建全光触发器等。但离实用化遥不可及，五年内无商业化可能。

路线选择建议（非投资建议）：
短期（2025‑2027），光互连是最快起量的赛道；中期（2027‑2030），AI模拟加速器若在推理精度取得突破，可能切入部分AI市场；远期（2030+），光电异构可能成熟。但所有路线都依赖制造工艺进步和标准化生态。

6 上游

上游的瓶颈决定了全产业链的扩张节奏，主要集中在材料、制造设备和EDA工具三个环节。

材料

• SOI晶圆（硅‑绝缘体上硅）：硅光子主流平台，要求顶层硅厚度均匀、晶体缺陷极低。主要供应商：Soitec、信越化学等。产能足够，但适用于高带宽调制器的新材料（如薄膜铌酸锂）衬底需求正在增长。
• 薄膜铌酸锂（TFLN）：具有极高电光系数，适合超高速调制器。HyperLight、Liobate等初创公司以及富士通等厂商在推动该材料产业化，2024年已有6英寸晶圆量产，但良率和晶圆大小仍不及8/12英寸硅光子。
• 磷化铟（InP）：用于激光器和增益芯片，主流供应商为IQE、山东国晶等。
• 相变材料（如GST）：用于非易失性可调光学权值单元，多为实验室级，量产尚无时间表。

制造设备

• 光刻/电子束直写：硅波导最小线宽多为百纳米级，远落后于前沿CMOS，常用i‑line、DUV光刻，电子束直写用于原型开发。关键设备商：ASML、Canon、JEOL、Raith。
• 高精度耦合对准设备：光纤到芯片或激光器到芯片的对准精度要求亚微米级，依赖主动对准，德国的PI、ficonTEC等占据主导。这是当前封测速度和产能的瓶颈之一。
• 深硅刻蚀、PECVD：用于波导侧壁平滑度，与MEMS工艺相似，Lam Research、应用材料有相关设备。

EDA与设计工具 光子IC设计需要协同设计光子元件和电子电路。主流路径：

• 专用光子设计平台：Luceda Photonics的IPKISS、Synopsys OptoDesigner、Cadence‑Virtuoso集成光子模块，提供PDK和系统级仿真。
• 晶圆厂PDK：GlobalFoundries、台积电、IMEC、中科院先导中心等发布硅光子PDK，允许设计师在多项目晶圆（MPW）流片。台积电于2023年提供COUPE硅光子平台技术细节，面向CPO应用。
• 互连仿真工具：Ansys Lumerical、Comsol，处理多物理场光‑电‑热耦合。

上游短期现实（2024-2025）： 高端光刻机并非瓶颈，难度在于异质集成（如磊晶键合激光器）和封装良率。国内在上游设备（尤其高精度贴片机）对进口依赖度极高，这构成了自主供应链的主要风险。

7 下游

下游需求是牵引光计算核心推力。不同应用对光计算的容忍度和性能要求差异巨大。

1. 数据中心与高性能计算（HPC）

• 光互连：已在100G/400G/800G光模块广泛应用，并向1.6T演进，硅光方案渗透率持续提高。CPO共封装光学在交换机端口开始应用，博通2023年已出货CPO交换机芯片。NVIDIA在GTC 2024展示了下一代加速器与光学I/O的潜在集成路线图。
• 光加速器：当前规模极小。主要云服务商内部进行概念验证。亚马逊、微软等资助光加速器初创公司探索特定推理工作负载。2024年Lightmatter与某大型云服务商的合作引发关注，但合同细节保密。预计2026年前难以看到大规模部署。

2. AI服务与边缘推理 在固定模型、低延迟高吞吐的大语言模型推理场景，光子加速器的理论优势最为突出。潜在场景包括实时语音翻译、推荐系统等。然而，必须克服模型适配和精度损失。下游客户态度分化：一部分AI公司将其作为差异化硬件储备，大部分仍持观望。

3. 电信和5G网络 光子集成已是标准技术，相干数字信号处理光模块大量用于城域和长途传输。未来向更高阶调制、更宽频谱发展，与光计算共享器件和工艺。光计算在信道均衡、模数转换预处理等有特殊价值。

4. 传感器与科学仪器 光学计算架构可用于高速图像识别、激光雷达点云处理、光谱分析等。例如，利用光学相关器实现实时目标识别。但市场碎片化，暂无头部芯片公司将此作为主攻方向。

下游牵引力总结：光互连是刚需，光加速器是愿景。若不能出现数个杀手级应用证明总拥有成本显著降低，光计算将长期停留在“很好但非必要”的补充地位。

8 受益公司

以下按产业链环节列出现有公开信息中明确布局光计算/硅光子的公司。作为事实描述，不构成投资建议。

芯片设计与系统商

• Lightmatter (美国)：业务涵盖光互连（Passage）与光子AI加速器（Envise）。2024年5月完成C轮融资约4亿美元，估值44亿美元，投资者包括Google Ventures等。
• 曦智科技 Lightelligence (中国)：成立较早，发布PACE（2022年）和Hummingbird（2023年）原型，已披露多个与金融机构、高校的合作POC。最新融资信息截至2025年初未更新。
• Celestial AI (美国)：核心是Optical Compute & Memory Fabric，利用光子执行内存和计算间的数据传输与合并，瞄准超大规模数据中心，2023年完成1亿美元B轮融资。
• Ayar Labs (美国)：专注光学I/O小芯片，合作方包括英特尔、英伟达、惠普企业等。2023年获得数亿美元投资，目标2025‑2026年量产。
• Luminous Computing (美国)：曾计划建造光子超级计算机，2023‑2024年经历管理层调整，公开进展极少。
• LightOn (法国)：采用基于光学的矩阵乘法加速器与配套软件，主要面向欧洲企业AI市场，2024年在泛欧交易所上市。

IDM/芯片厂商

• Intel：在硅光收发机出货超过800万只，且积极推动集成光学与CPU/GPU的路线。2024年光互连演示是其“光互联构件”战略的延续。
• NVIDIA：无自有光芯片，但通过投资和合作（如Ayar Labs）布局未来光互连，并在GPU架构中预留光学I/O接口。
• 博通：硅光与Co‑Packaged Optics（CPO）的领军者，为交换机和AI集群提供高带宽互联。
• 华为：旗下海思和光电集成部门具备自研硅光收发模块能力，并在光计算、光交换上有多项专利，但商用光子计算芯片尚未公开。

代工厂与封测

• GlobalFoundries：主推其45nm硅光平台（Fotonix），用于数据中心收发器和光子计算原型，合作客户包括Ayar Labs、曦智等。
• 台积电：推出COUPE（紧凑型通用光子引擎）封装平台，初代支持112G/224G链路，未来或集成到3DFabric体系。
• 国内代工厂：北京七星、华工科技等在硅光集成上布局，但尚未形成成熟的对外代工服务体系，多数国内设计公司仍需境外流片。

设备与材料

• 设备：ficonTEC（高精度贴片）被Aehr Test Systems收购；PI、MRSI提供自动化设备。
• 材料：Soitec（SOI晶圆）、山东力科（铌酸锂薄膜）等。

说明：上述信息截至2025年初，融资金额来自公开报道和企业网站。公司的发展阶段与光计算市场规模直接相关。

9 市场规模

公开可获得的专门“光计算芯片”市场数据极少，原因是在统计口径上大多并入硅光子、光子集成电路或光模块类别。以下数据基于多方来源综合，仅反映相关大盘，需谨慎解读。

硅光子芯片市场
据Yole Intelligence 2024年报告《Silicon Photonics Market Monitor》，2023年全球硅光子芯片市场（含数据中心收发模块和片上互连等）约为 15亿美元，预计到2029年将增长至 45亿美元，CAGR约20%。主要驱动力是AI/ML集群对高速互连的渴求。前三大应用是数据中心光模块、CPO引擎、传感。

光收发器市场（相关下层）
LightCounting 2024年预测，2024年全球光收发器市场约120亿美元，到2029年接近250亿美元。其中硅光方案占比逐步提升，800G及以上模块硅光份额已超50%。

光子计算/AI加速器细分市场
由于尚未实现规模销售，无权威第三方数据。国际数据公司（IDC）在2024年《AI加速器市场跟踪》中暂时将“其他新兴加速器”（含光、量子）划归为“早期研发”，市场规模标注为“可忽略”。部分咨询机构（如Frost & Sullivan）在2023年估算，若光子AI加速器在2027年实现初步部署，全球市场规模可能达 5‑10亿美元，但这是模型推算，未经实际验证。

中国市场
中国光模块产能世界第一，硅光子收发模块出货量随之增长。然而，纯光子计算芯片尚未形成独立市场。中国半导体行业协会（CSIA）与光通信行业机构尚未发布专门针对光计算的采购或产值数据。

结论：光计算直接市场尚在萌芽，当前只能通过其赋能的光模块、AI加速器市场来间接观察。任何关于光计算市场规模的远期预测均具有高度不确定性，上述数据应谨慎使用。

10 玩家对比

为客观呈现主要光计算公司的差异，下表汇总最新可核实信息（截至2025年4月）。数据来自公司官网、公开报道、行业会议，不包含未公开的商业敏感信息。

注意事项：各公司产品成熟度差异极大，列出的进度指其对外宣传的情况，不代表实际可部署能力。国内企业与国外头部企业在融资规模、生态系统上有一定差距，但曦智科技在光子计算芯片规模集成上积累较多专利与技术经验。

11 风险

光计算的风险来自技术本质、产业链和商业模式三个层面，须全面审视。

技术风险

1. 精度瓶颈：光学模拟计算的等效精度长期困在4‑8 bit，而AI训练主流需要FP16甚至FP8以上的乘加精度。用低精度光学器件实现训练收敛是待解难题，目前仅推理场景有望接受。
2. 非线性与存储缺失：光子本身不擅长非线性激活（如ReLU、Swish），必须通过电学实现，而光电转换增加延迟和功耗。光存储至今无可行方案，所有数据必须驻留在电存储，频繁搬运抵消了光子高带宽的部分优势。
3. 工艺与良率：光芯片对波导侧壁粗糙度、耦合对准极其敏感，一个微米级缺陷就可导致整片失效。目前光芯片良率远低于电子芯片，推高成本。
4. 温度敏感性：硅的折射率随温度变化显著（~1.8 ×10⁻⁴/℃），片上需大量热调模块维持相位精度，额外功耗可能吞噬理论能效优势。

生态风险

1. 编程模型缺失：没有类似CUDA的统一编程框架，算法工程师需手写底层光‑电调度指令。生态壁垒极高。
2. 设计工具与PDK不成熟：光子EDA比电设计自动化落后20年以上，缺乏可靠的工艺角仿真和元件库，设计迭代慢。
3. 验证标准空白：缺乏行业公认的性能测试基准，不同公司的能效宣称难以直接比较，导致潜在客户难以决策。

商业风险

1. 市场接受度低：IT基础设施采购决策保守，云服务商历经多年的GPU优化和软件堆栈，切换成本巨大，光加速器必须提供10倍以上的TCO优势才可能被考虑。
2. 竞争压力：存内计算、神经形态计算、3D‑DRAM/HBM等同样致力于突破AI存储墙瓶颈，它们可能比光计算更快达到商业成熟度。
3. 资金链风险：大部分光计算初创公司尚未产生收入，依赖融资。若无法在2025‑2027年证明可商用化，可能面临资金枯竭。历史上已有多家硅光子初创公司被收购或倒闭。
4. 地缘政治：高端光子制造可能受出口管制影响，尤其对中国公司限制获取先进光刻、测试设备，将影响国内光计算发展进程。

学术诚信风险
一些早期光子计算芯片的实测效果受到同行质疑，如是否在公平条件下与电芯片比较，是否计入所有辅助功耗。这种争议可能损害整个领域的可信度。

12 误读纠偏

舆论对光计算常出现以下误解，需加以厘清。

误解一：“光计算将彻底取代电计算”
事实：光子只在特定线性操作上有优势，必须与电子混合工作。未来计算架构是“光电协同”，而非“光取代电”。控制、存储、逻辑判断仍会是电子的主场。

误解二：“光计算已经商用了”
事实：光互连（光模块、CPO）确实已大规模商用，但光子通用计算或AI加速器仍处于原型和早期POC阶段。市面上不存在任何一款可采购的商业化光子AI加速卡。

误解三：“光传输零能耗”
事实：激光器、调制器偏置、热稳控制器、探测器本身都消耗能量。光子计算的能效优势体现在特定计算任务中，整体系统的能耗需要仔细核算，光学系统额外的温控和光功率开销不能被忽略。

误解四：“任何AI模型都可以在光芯片上加速”
事实：当前光计算芯片主要高效执行矩阵乘法、卷积等线性运算，Transformer的自注意力机制等虽可分解为矩乘，但仍存在大量非线性、归一化等不适合光的部分。因此光加速是应用依赖的，需要模型和硬件协同设计。

误解五：“光子芯片制程很简单，不需要先进光刻”
事实：波导线宽虽在百纳米级，对光刻的均匀性、耦合适配精度、多层对准却有极高要求。而且引入铌酸锂、InP等异质材料后，制造复杂度远超同节点硅基电芯片。

误解六：“中国在该领域已国际领先”
事实：中国在光通信和硅光模块产业规模全球领先，拥有部分核心技术。但光子计算系统设计、核心模拟加速架构、先进异质集成工艺以及EDA工具链条，与海外头部公司仍存在明显差距。论文发表数量高不直接等于产业能力。

误解七：“融资额大代表技术领先”
事实：高额融资反映市场对赛道的关注，但历史显示，包括光计算在内的多个深科技领域，融资额与实际产品交付之间存在高不确定性。

13 最新事件

2024年

• 5月：Lightmatter完成4亿美元C轮融资，估值44亿美元，由谷歌风投等领投，成为光计算领域估值最高的初创公司（Bloomberg, 2024‑05‑31）。
• 6月：Lam Research与台积电联合展示基于硅光子的异质集成工艺突破，在12英寸晶圆上实现高成品率的激光器与硅波导键合（Semiconductor Today, 2024‑06）。
• 8月：曦智科技宣布其Hummingbird光电混合处理器在特定图像识别推荐模型推理任务中，能效比达到35 TOPS/W（公司新闻稿，2024‑08），但未披露测试细节。
• 9月：Intel发布OFC 2024 post‑deadline论文，演示基于微环调制器的1.6 Tbps硅光发射机，为未来光I/O提供关键构件。
• 10月：Ayar Labs在新一轮融资料泄露中显示已募集超过2亿美元资金，并计划2025年向首个战略客户提供光学I/O小芯片工程样品（The Information, 2024‑10）。
• 11月：中国科学院上海光学精密机械研究所团队在《Science Advances》发表成果，实现集成度超过4000个光子器件的可重构光学网络芯片，可用于高维卷积加速。

2025年（年初至今）

• 2月：Meta基础设施部门在其年度开放计算峰会披露，正与多家光互连供应商评估“光学‑电气融合互连”，未来可能用于自主设计的AI硬件。
• 3月：Celestial AI宣布与一家美国超大规模数据中心运营商签署多年技术合作，探索光学计算存储互连在推荐系统中的应用（公司新闻，2025‑03）。
• 4月：国内华中科技大学武汉光电国家研究中心团队在《Nature Photonics》发表基于逆向设计的光学储层计算芯片，演示在语音识别任务上达到与数字CMOS可比的准确率，功耗降低一个数量级（论文，2025‑04）。

以上事件表明，资本热度依旧，但行业仍处于产品验证与生态培养的关键窗口期。

14 跟踪指标

为了密切把握光计算产业从实验室走向初步商用的节奏，可跟踪下列指标作为观察锚点：

1. 光子AI加速器能效指标公布

• 跟踪每年Hot Chips、ISSCC、OFC、CLEO 上头部公司报告的系统级TOPS/W、满负载功耗等。关注是否包含完整的电‑光‑电链路和温控功耗。

2. 光学I/O量产时间表与实际出货

• Ayar Labs、Intel是否在2025‑2026年实现光学I/O小芯片的百万级出货。这将是光计算互联路线的最重要里程碑。

3. 代工厂光子PDK成熟度与流片容量

• GlobalFoundries、台积电、中国本土代工商发布的MPW流片次数，以及可支持的最大器件数。这将反映设计生态健康度。

4. 器件集成规模与良率

• 重点论文和公司新品中公布的单芯片可编程光子单元总数；是否有超过1万器件的芯片量产报道。同时关注良率数据（≥90%或仍远低于此）。

5. 编程框架与标准化进展

• 是否有类似ONNX‑光子后端的开源框架出现，或主要AI框架（PyTorch, JAX）官方对光子加速器的支持；是否出现由行业联盟发布的光子计算基准测试套件。

6. 头部云厂商的采纳动向

• 公开的云服务商（AWS、Azure、GCP、阿里云、华为云）在光子加速器上的实例POC或开放测试。一旦纳入云实例列表，即标志着从研发到商业落地的关键一跃。

7. 融资与存活率

• 每年光计算初创企业的融资总额及新公司成立数目，以及倒闭或被收购案例，反映赛道热度和风险。

8. 精度提升研究

• 顶级期刊（Nature, Science）是否有报告将光学计算有效比特数稳定提升至8bit以上，并能用于训练；这直接决定市场天花板。

9. 中国政策与专项支持

• 国家或地方（北京、上海、武汉、深圳）是否设立光计算重大专项，或给予企业研发资助，会影响国内产业链聚拢速度。

10. 产业链垂直整合案例

• 独立芯片公司是否被大型系统厂商收购（如过去Intel收购