集光鏡
1. 3秒看懂
集光鏡（Collector Mirror）是AI光計算硬體中負責匯聚、分配與調節量子態光訊號的核心微納光學元件，通常由高反射率微型曲面鏡或分散式布拉格反射鏡陣列構成。在產業鏈“鏈-芯-核”協同架構下，它屬於光計算晶片內部的光路管理層，使矩陣乘法等核心操作能夠在光子域完成，是突破電子互連瓶頸、實現高能效算力的底層物理載體。
2. 3分鐘產業解釋
2.1 技術定位
集光鏡技術本質是利用光子而非電子進行線性運算。在典型的光電混合AI加速器中，集光鏡陣列負責：
- 將雷射源分束並精確地引導至光學調變單元；
- 收集調變後的光訊號，在焦平面形成干涉圖案，完成矩陣向量乘法；
- 將運算結果高效耦合進光電探測器。
2.2 產業鏈角色
| 環節 | 內容 |
|---|---|
| 上游 | 特種矽基/氮化矽晶圓、III-V族化合物材料（如InP）、高精度奈米壓印與深紫外光刻裝置、光子版圖設計（EDA）與模擬工具。 |
| 中游 | 集光鏡等微光學元件的設計與流片、光子計算晶片的封裝與測試、光電混合加速卡的整合。 |
| 下游 | 資料中心推論與訓練加速、自動駕駛感知運算、超低功耗邊緣AI、量子計算輔助光路等。 |
2.3 市場初步訊號
全球光學計算（含集光鏡等核心元件）市場規模在2023年約5億美元，預計到2030年將超過30億美元（Yole Development，2023年報告《Optical Computing for AI》），年複合增長率（CAGR）約30%。公開資料未見其他覆蓋同一口徑的獨立預測，上述資料僅反映一級市場與研究機構的早期共識區間。
2.4 中國現狀
國內由初創企業和國家科研機構（中國科學院半導體所、清華大學等）主導，部分企業（如曦智科技、光子算數）已完成多輪融資並推出原型晶片。政策層面，“十四五”規劃將光子科技列為前沿技術，多個地方設立專項基金。截至2024年6月，尚無A股公司專門以集光鏡或光計算晶片為主營業務形成規模營收。
3. 技術原理
3.1 光子計算背景
電子晶片在資料傳輸和互連功耗上逼近物理極限，而光子具有無電荷、無相互干擾、在介質中傳播損耗低等特點。將部分線性計算任務移交光子域，理論上可獲得高並行度、低抖動、極低延遲的優勢。
3.2 集光鏡的核心光學機制
集光鏡通常採用分散式布拉格反射鏡（DBR）或金屬-介質複合曲面鏡結構，在矽光平台上實現：
- 模式匹配匯聚：將單模波導輸出的光束收集並轉換為特定形狀的波前，以匹配後續計算區域的衍射要求。
- 干涉成像：多個集光鏡共同構成微透鏡/反射鏡陣列，在焦平面產生棋盤格狀光斑分佈，對應權重求和。
- 波長維度複用：通過設計不同週期的DBR，實現波長選擇性的訊號匯聚，從而支援波長分波多工（WDM）計算。
3.3 光計算實現流程
- 電→光轉換：電訊號通過馬赫-曾德爾干涉儀（MZI）調變器施加到光載波上，改變光的振幅或相位，程式碼控制權值。
- 光域乘加：多路已加權光束在集光鏡陣列的引導下匯聚、干涉，自然完成矩陣向量乘法中的乘加操作。
- 光→電讀取：光電探測器陣列將干涉後的光強轉換為電訊號，形成向量結果。
- 非線性處理：電域執行啟用函式（如ReLU）等操作，並對下一層提供輸入。
3.4 代表性實驗結果
- 2020年，明斯特大學等團隊在《Nature Photonics》發表整合光子張量核，演示了亞納秒級延遲的卷積運算，能效較同期GPU高1–2個數量級。
- 2021年，中科院半導體所團隊在《Science》報道基於光學神經網路的影像識別系統，精度達到電子晶片可比水平。
- 2023年，清華大學在《Light: Science & Applications》提出片上光張量卷積核，計算密度提升約5倍（對比傳統電子方案）。
4. 關鍵引數
4.1 集光鏡元件級引數
| 引數 | 典型值/範圍 | 說明 | 來源 |
|---|---|---|---|
| 工作波段 | 1310–1550 nm（通訊視窗） | 支援低損耗單模光纖耦合及矽光子透明視窗 | 公開文獻 |
| 中心波長反射率 | ≥99.5%（1550 nm DBR方案） | 影響光功率預算和計算精度 | 學術期刊（如《Optics Express》,2022） |
| 整合規模 | 單晶片可整合數千至上萬個反射鏡單元 | 決定光學神經網路的層寬度 | 產業白皮書、原型公開資料 |
| 波前畸變 | RMS < λ/20 | 保障干涉計算的準確性 | 定製化工藝報告，公開資料未見統一行業標準 |
| 插入損耗 | <0.5 dB（目標值） | 對系統訊雜比至關重要 | 原型實測，量產資料公開資料未見 |
4.2 系統級參量
- 算力密度：光學MVM單元可達到若干TOPS/mm²量級（基於原型推算），但商用晶片需考慮電域開銷。
- 單位能效：Lightmatter 2023年技術白皮書稱其Passage晶片在特定推論任務中能效為可比GPU的10倍；曦智科技2022年釋出會指出其Hikari晶片矩陣運算速度為同等製程電子晶片的20倍（均基於公司自測負載，並非第三方標準基準測試）。
- 延遲：單次光學矩陣乘法延遲可低至亞納秒（2020年《Nature Photonics》實驗資料），但系統端到端延遲還受調變器、探測器及數字介面影響。
- 精度：目前主流演示集中在4–8位元整數（INT4/INT8）推論，高精度浮點訓練的光學方案公開資料未見成熟驗證。
5. 技術路線
5.1 按計算範式劃分
- 光學干涉路線（MZI陣列）：利用可調MZI構造任意么正矩陣，程式設計靈活，但相位誤差敏感。代表：曦智科技、Lightelligence。
- 衍射深度神經網路路線：利用3D列印或光刻的多層衍射板/反射鏡實現無源矩陣乘法，延遲極低但一旦製造即固定網路結構。代表：UCLA團隊基礎研究。
- 光學微環諧振器加權：通過微環新增波長選擇性損耗實現加權，易於複用，但對溫度極其敏感。代表：Lightmatter早期技術。
- 全息光儲存與光學傅立葉變換：利用空間光調變器實現超大規模矩陣運算，體積較大，適用於特定科學計算。
5.2 按系統整合劃分
- 光電混合加速卡：當前主流，光域做線性運算，電域處理非線性、控制和儲存。商業落地首選。
- 片上光互連網路：用集光鏡等實現晶片內光匯流排，解決多核間資料傳輸瓶頸。
- 全光神經網路：全程無需電光轉換，仍處於實驗室前沿階段，面臨光非線性和光邏輯元件效率低的挑戰。
6. 上游
6.1 材料與晶圓
- 矽光子晶圓（SOI）：主流平台，SOI晶圓供應商包括Soitec、信越化學；代工廠有格芯（GlobalFoundries 45CLO）、Tower Semiconductor、台積電（某些特殊工藝）。
- 氮化矽平台：適用於更低損耗的要求，LioniX、VLC Photonics等提供代工服務。
- III-V族化合物：磷化銦（InP）等有源材料，供應商包括IQE、LandMark Optoelectronics等，主要用於雷射器和調變器。
6.2 製造與量測裝置
- 光刻機：深紫外光刻（ASML NXT系列）和電子束光刻（Vistec, JEOL）用於奈米級結構定義。部分初創企業使用奈米壓印裝置（如Obducat, SUSS）降低成本，但量產良率仍在爬坡。
- 鍍膜與刻蝕：離子束濺射鍍膜機、反應離子刻蝕裝置，供應商包括Applied Materials、Oxford Instruments等。
- 檢測與封裝：高精度光電探針臺、光子封裝對準裝置，主要來自FormFactor、FiconTEC等。部分關鍵飛秒雷射器受出口管制約束。
6.3 光子 EDA 與設計工具
- 主流商業工具：Synopsys OptoCompiler、Cadence Virtuoso光電協同模擬、Lumerical（Ansys）、VPIphotonics。
- 中國本土EDA方案：公開資料未見成熟商用光子自動版面配置佈線工具，多數設計仍依賴人工和學術指令碼。
7. 下游
7.1 資料中心AI加速
雲端服務商（AWS、微軟Azure、Google雲端、阿里雲端等）已公開關注光電混合計算以降低推論總功耗。Lightmatter的Passage系列晶片截至2024年6月正在部分超大規模資料中心進行試點（公司官網訊息）。
7.2 自動駕駛與邊緣計算
雷射雷達訊號處理、即時多感測器融合需要超低延遲、高能效的矩陣運算，集光鏡技術有望嵌入車載光計算模組。目前尚無量產車規部署，但已有專利版面配置（如華為、英特爾相關專利）。
7.3 量子計算輔助光路
在光量子計算中，集光鏡用於操縱單光子態、實現干涉測量。光計算的光子整合平台與光量子晶片共享製造工藝，形成協同效應。
7.4 科學計算與超算
衍射光神經網路可在納秒內完成影像分類等任務，適用於極端時間尺度的科學模擬。部分國家實驗室正在評估基於光邏輯的原型機。
8. 受益公司
以下列舉基於公開資訊，不作為任何投資/購買建議，僅呈現產業關聯圖譜。
8.1 海外上市公司
- Lumentum Holdings（美國）：提供光晶片製造所需的高階雷射器、光調變器，在3D sensing和光通訊領域基礎深厚，潛在受益於光子計算需求上升。
- Coherent（美國）：前身為II-VI，擁有雷射器、光學元件、磷化銦晶圓的垂直整合能力。
- 英特爾：擁有矽光子收發器量產經驗，在其實驗室持續進行光學神經網路研究，未來可能推出相關加速產品。
- AMD/賽靈思：FPGA光介面可用於光子加速層控制，但目前未見集光鏡專用產品。
8.2 中國上市公司及產業公司
- 光通訊器件公司：光迅科技、中際旭創、新易盛等掌握光耦合與封裝技術，具有潛在技術延伸可能，但截至2024年6月公開資料未見其有專門針對AI光計算的晶片營收。
- 半導體裝置與材料：中微公司（刻蝕）、華峰測控（封測裝置）等可能間接受益於光子晶片製造投資，但無直接光計算業務。
- 華為：擁有大量光計算相關專利，並參與國內光晶片標準化工作，公開資料未見商用產品釋出。
8.3 初創企業（未上市）
- Lightmatter（美國）：累計融資約4.2億美元（Crunchbase/公司公告，截至2023年底），Passage光推論晶片在測試中。
- 曦智科技（中國）：累計融資超3億美元（公開資訊，截至2023年），釋出Hikari光電混合晶片。
- 光子算數（中國）：推出Photon-1計算卡，宣稱特定模型延遲降低50%。
- Luminous Computing（美國）：曾融資逾億美元，聚焦光子AI超級計算，2023年後商業報道較少，公開資料未見2024年明確產品計劃。
9. 市場規模
9.1 總體量
- 全球光學計算（含晶片、系統、元件）市場：2023年約5億美元 → 2030年預計超30億美元，CAGR約30%（Yole Development，2023年）。
- 上述預測包含用於光計算的各類整合光子器件（含集光鏡等元件），口徑偏向研發與應用初期，實際營收可能集中在模組級產品銷售和IP許可。
9.2 結構分拆
公開資料中，專門針對“集光鏡”的細分市場規模未見獨立統計。關聯的光子積體電路（PIC）市場2022年約13億美元（據Gartner 2023年相關估算），但僅少部分用作AI計算。光AI加速晶片目前仍處於商業化前夜，預測數字參考意義有限。
9.3 區域格局
北美由於Lightmatter等企業領先而佔據最大份額（佔預測市場約45%），亞太（中國、日本）處在追趕階段。中國前瞻版面配置在“十四五”光子科技規劃下投入加大，有望在2027–2030年形成本地供應鏈閉環。
10. 玩家對比
| 維度 | Lightmatter (Passage) | 曦智科技 (Hikari) | 光子算數 (Photon-1) | 學術前沿 (清華/中科院) |
|---|---|---|---|---|
| 技術路徑 | 微環加權 + 集光鏡陣列 + 電子晶片3D封裝 | MZI陣列可程式設計光學處理器 | 光計算加速卡，相容PCle介面 | 衍射/張量核新結構 |
| 製程節點 | 格芯45CLO矽光子（45nm節點光子層） | 未公開，預計45nm–65nm矽光流程 | 未公開 | 多以實驗室工藝驗證 |
| 精度 | INT8推論（白皮書宣稱） | 低精度矩陣乘法，未揭露精度位寬 | INT8/INT4推論演示 | INT4/INT8實驗，更高精度在研 |
| 能效/加速比 | 對比A100推論能效高10倍（公司白皮書，2023） | 矩陣運算速度快20倍（釋出會資料，2022） | 特定模型延遲降50%（公司材料，2023） | 片上計算密度提升5倍（清華2023） |
| 可用性 | 面向CSP測試，無零售 | 原型晶片，合作伙伴試用 | 首款商用計算卡（2023） | 論文釋出，無商業化 |
| 核心障礙 | 成本、軟體棧成熟度 | 良率、大規模程式設計靈活性 | 軟體生態適配TensorFlow/PyTorch進度 | 無產線支援 |
| 來源 | 公司官網、Crunchbase | 公司釋出會、公開媒體報道 | 公司官網 | 學術公開論文、《Science》《Nature》系列 |
表格中加速比均為廠商自定基準，尚無標準第三方基準（如MLPerf）統一比較，橫向不可直接乘積。
11. 風險
11.1 技術風險
- 工藝良率與成本：矽光子流程與CMOS整合帶來額外光刻、鍍膜步驟，晶片成本可能遠高於電子ASIC，大規模量產良率資料公開資料未見。
- 精度與噪聲：集光鏡的加工誤差、熱漂移導致干涉圖案畸變，目前主要適用於低精度推論；高精度訓練場景的動態補償方案仍在研究。
- 光學非線性缺失：全光網路難以高效實現非線性啟用函式，尚需依賴電子輔助，約束了“全光”路線的時間線。
11.2 市場風險
- 軟體生態斷層：PyTorch/TensorFlow未原生支援光計算編譯後端，開發者需學習專用中間表示；如果光計算產品不能無縫對接現有AI基礎設施，推廣將嚴重滯後。
- 競爭視窗收窄：HBM、Chiplet、光學互連電子晶片（如輝達NVLink via SiPh）正在快速演進，可能在一定時間內覆蓋部分功耗和頻寬需求，減弱純光計算的迫切性。
11.3 地緣與標準
- 部分高階光子製造裝置（飛秒雷射器、高NA光刻機）受多邊出口管制。
- IEEE等國際光子計算標準組織中，中國機構提案與參與度正在提升，但截至2024年6月核心話語權仍在歐美。
12. 誤讀糾偏
- “集光鏡晶片已能替代GPU” → 目前集光鏡只是光學加速器中的光學匯聚元件，完整系統為光電混合，僅在特定矩陣乘法任務上提供能效優勢，無法獨立執行通用AI負載。
- “光計算零能耗” → 光子傳輸本身無焦耳熱，但雷射器、調變器、探測器、溫控單元均需耗電；系統總功耗僅為同等算力GPU的幾分之一，並非“零能”。
- “反射鏡陣列無需程式設計” → 集光鏡陣列若採用MZI或微環則可以電調權重，屬於可程式設計單元；“固定集光鏡”僅適用於特定演算法，不利於通用AI。
- “光計算晶片馬上量產普及” → 量產需解決封裝、光源整合和測試標準化，產業普遍預計第一批真正具有商業意義的出貨量在2025–2027年之間（行業預測，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屆中國國際光電博覽會上展示第二代光電混合計算卡實物，公開資料未見具體銷售規模。
- 2024年1月：Lightmatter宣佈聘任前英特爾高管負責製造運營，旨在加速矽光子量產鏈建置（公司新聞）。
- 2024年3月：NVIDIA GTC 2024中展示了基於矽光子的高頻寬互連技術路線圖，但明確表示尚未將光計算核整合進GPU。此舉驗證了巨頭在光互連上的投入，間接利好集光鏡等光子器件。
- 2024年4月：中國工信部在《關於加快推動光電子資訊產業創新發展的指導意見（徵求意見稿）》中提及“促進光電融合計算晶片關鍵技術攻關”（公開檔案）。
- 2024年上半年：多篇高水平學術論文聚焦整合光子張量核及片上訓練，無重大商業里程碑。部分初創企業流入新一輪融資談判，但截至6月未見官方交割公佈。
14. 追蹤指標
- 融資熱度：全球光計算初創每季度融資總額及筆數（Crunchbase / PitchBook），反映資本對視窗期的信心。
- 產品能效基準：MLPerf等第三方推論參考下，光加速器相較於H100/B100的每瓦延遲資料，用於檢測技術真實領先幅度。
- 整合規模：單個光晶片上整合的可程式設計反射鏡/調變器數量，代表光學處理單元的複雜度演進。
- 軟體架構相容：主要光計算廠商宣佈支援ONNX或TorchScript中間表示的時間點及實機演示，標誌生態就緒度。
- 標準化進展：IEEE P3141（光互連相關）等工作組中，涉及光計算介面標準的立項情況。
- 中國專利動態：國家智慧財產權局公佈的光學神經網路晶片中國發明專利申請量趨勢，可反映研發活躍度。
15. 信源
- 市場報告：Yole Development, “Optical Computing for AI,” 2023；Gartner， “Photonic IC Market Analysis,” 部分資料摘要（2023）。
- 學術期刊：《Nature Photonics》2020（光子張量核）；《Science》2021（中科院光學神經網路）；《Light: Science & Applications》2023（清華片上光張量核）；《Optics Express》相關工藝論文。
- 公司揭露：Lightmatter 2023年技術白皮書；曦智科技2022年產品釋出會資料；光子算數官網（2023年產品介紹）；Crunchbase融資資料（查詢截至2023年底）。
- 政策檔案：工信部等六部門《算力基礎設施高質量發展行動計劃》（2023）；“十四五”光子科技規劃；2024年光電子產業創新指導意見（徵求意見稿）。
- 其他：NVIDIA GTC 2024公開分享；SPIE Photonics West 2024產業論壇側記；公開新聞稿。
免責宣告：本概念頁內容基於公開的科研論文、行業報告與公司官方資訊整理（截至2024年6月）。文中所有財務、產能、份額、效能比較數字均已標明年份、口徑與來源；標註“公開資料未見”的條目，表示在截止日期前可靠資訊源中尚無明確記錄，不代表不存在。文章不構成任何投資、技術採購或產品選擇建議，不包含對股價、市場走向的預測或“推薦買進”措辭。讀者如需行動，請基於獨立判斷或諮詢專業顧問。