光計算 (Optical Computing)
1 3秒看懂
一句話定義：光計算是用光子替代電子，在特定計算任務（尤其是矩陣乘法）上實現高並行、低延遲、低功耗的新型計算範式，而非“用光跑所有程式”的通用處理器。
核心邏輯：後摩爾時代，電晶片的能效和頻寬逼近物理極限，光子憑藉波長分波多工、高速傳播和低干擾特性，為資料中心中的 AI 推論與訓練、光互連、高頻寬網路交換 提供顯著效能提升的可能。
關鍵數字（截至2024年底）：
- 光互連層面，單片矽光收發引擎可支援單波100 Gb/s以上、總頻寬超800 Gb/s的模組（OFC 2023多家廠商展示）。
- 光計算層面，實驗室與初創公司公佈的AI推論能效比達數TOPS/W至數十TOPS/W，但官方可核實的量產產品引數極少，多數仍處於原型或小批次驗證階段。
- 整條產業鏈核心環節的全球公開市場規模約數十億美元（含光模組、矽光子晶圓等），光計算專用晶片尚未形成獨立統計口徑。
一句話風險提示：光計算在非線性、儲存與邏輯控制上存在天然短板，當前距離大規模商業部署仍有顯著技術和生態差距。
2 3分鐘產業解釋
關鍵術語
- 光子計算 (Photonic Computing)：利用光子進行邏輯運算或線性代數加速的計算架構，常基於馬赫‑曾德爾干涉儀（MZI）陣列、微環諧振器或逆向設計介質。
- 光互連 (Optical Interconnect)：以光纖或片上波導替代傳統銅跡線，實現晶片間（chip‑to‑chip）、板間或機架間的高速資料搬運。
- 矽光子 (Silicon Photonics)：在SOI晶圓上整合調變器、波導、探測器和光耦合器，複用CMOS工藝，是目前成本最可接受的光子整合平台。
- 光電異構計算 (Electro‑Photonic Heterogeneous Computing)：電子負責儲存、控制與非線性運算，光子負責矩陣乘法等規則密集操作，是目前最受產業認可的技術架構。
產業鏈簡圖
上游材料與裝置（SOI晶圓、特種氣體、光刻與刻蝕機）
→ 中游光子整合製造（光晶片設計、晶圓廠流片、高階封裝與測試）
→ 下游系統整合與應用（AI加速卡、光I/O模組、光交換器、感測器）
核心優勢
- 速度：光訊號在介質中傳播延遲接近物理極限，資料處理可在數十皮秒內完成。
- 頻寬：單根波導可利用波長分波多工技術並行傳輸數十至上百個波長，總頻寬可達Tbps量級。
- 能耗：在矩陣乘法等操作上，光學向量‑矩陣乘法的靜態功耗幾乎為零，動態功耗遠低於同等頻寬的電互聯和電計算。
- 並行性：不同波長、偏振、模式可同時攜帶獨立資訊，天然支援多維度並行。
主要應用方向
- 資料中心光互連：可插拔光模組 → 共封裝光學(CPO) → 片間光學I/O，持續降低互連能耗與時延。
- AI硬體加速：專用於矩陣乘法的光子張量核心，尤其適合大型模型推論和部分訓練步驟。
- 電信與無線基站：高速相干光收發機、前傳/回傳鏈路。
- 科學計算與訊號處理：線性方程組求解、傅立葉變換、盲源分離等。
3 技術原理
光子計算的物理基礎：用光執行乘加運算
光計算的核心思想是讓光通過一個可程式設計的散射或干涉網路，網路的透射矩陣天然完成矩陣‑向量乘法。設輸入訊號為向量 x，網路引數為矩陣 W，輸出訊號為 y = Wx，整個過程以光速完成，能耗主要發生在產生輸入光和讀出結果電訊號的光電轉換環節。
主流實現方式：
-
馬赫‑曾德爾干涉儀（MZI）網格
通過調節每個MZI內部的相移器，實現任意酉矩陣分解，再配合增益或衰減單元逼近任意實數矩陣。優點是理論完備，適合製作可程式設計的通用光學矩陣乘法器。缺點是單元尺寸較大（百微米級），大規模整合時相位誤差校準極其複雜。 -
微環加權陣列
利用多波長光源，每個微環諧振器在特定波長上實現權值調變，多個加權通道直接在波導上疊加，即可實現向量‑矩陣乘加。體積小（數微米），可密集整合，但對溫度漂移極敏感，需片上即時偏置控制。 -
衍射與散射介質
採用逆向設計或訓練好的超表面、多模光纖、散射片等，讓輸入光經歷複雜散射後在輸出平面成像，散射過程等效於高維隨機對映或卷積，可用於儲層計算、隨機投影等。
關鍵器件
- 光源：片上雷射器（如分散式反饋雷射器、量子點雷射器）或外接雷射器陣列，要求單模、窄線寬、高功率。
- 調變器：高速電光調變器將輸入電訊號載入到光載波上，典型材料有鈮酸鋰薄膜、矽、鍺矽等。
- 波導與分束器：低損耗的矽波導（損耗＜0.5 dB/cm）及多模干涉耦合器、方向耦合器，完成光路的分配與合束。
- 探測器：鍺矽PIN或雪崩光電二極體，將結果光訊號轉回電域，要求高響應度和低暗電流。
- 熱光/電光移相器：用於即時調整干涉臂的相位，實現權值程式設計。
計算流程
- 資料編碼：電數字訊號通過數模轉換驅動調變器，光強或相位攜帶輸入值（通常定點8‑16 bit）。
- 光域計算：編碼後的光進入權值網路，在若干光程內完成乘加操作。
- 結果讀出：光電探測器陣列並行接收輸出光功率，經模數轉換恢復為數字結果。
- 電子後處理：執行非線性啟用、池化、歸一化等，電域完成網路剩餘部分。
實際限制
- 精度：光學模擬計算受制於散粒噪聲、熱噪聲、串擾和器件非理想性，目前多數光晶片的有效等效精度在4‑8 bit之間（Nature Photonics 2021, 15, 367‑373），難以直接支援高精度浮點任務。故通常需要通過混合精度訓練或電域補償。
- 計算密度與規模：單一光學乘法器的矩陣規模受限於光子器件數量，當前典型片上整合的可調器件數在數百至數千量級（Lightelligence的PACE在2022年公佈包含超過12000個光子器件，但並非全部同時參與單一矩陣運算），仍遠不及GPU的數十億電晶體。
4 關鍵引數
評價光計算晶片的關鍵技術引數，需對照電晶片同類指標，特別關注能效、延遲、通量、精度四個維度。
1. 算力（TOPS/FLOPS）
特指光晶片實際可執行的MAC運算元/秒。受限於光電轉換時間和晶片規模，公開可查的獨立光加速器FLOPS尚在TOPS級別，而非電加速器的PFLOPS級。例如，曦智科技2022年釋出的PACE原型在特定自然語言處理任務中，等效算力約為當時高階GPU的數十倍（公司白皮書），但由於未公開標準化基準測試，橫向比較需謹慎。
2. 能效比（TOPS/W）
光子計算最具競爭力的指標。因為矩陣乘法採用無源光學傳播，每MAC動態功耗可低至亞飛焦耳量級（fJ/MAC）。2023年發表於Nature的某光子張量處理器（Feldmann et al., Nature 2023, 620, 287–294）展示片上MAC能效約2 fJ/MAC，推論能效比超過50 TOPS/W。相比之下，同製程支援INT8的典型電加速器約為1‑5 TOPS/W。但需注意，該指標往往不包含光源、溫控、電學介面和儲存器訪問功耗，系統總功耗可能數倍於晶片本體。
3. 單次推論延遲（Latency）
光訊號通過片上網路的時間通常為幾十皮秒，但整體推論延遲主要取決於：資料載入及模數/數模轉換（納秒～微秒級），探測器響應時間（~10 ps），以及電域後處理。成品系統端到端延遲多在納秒至微秒量級，對邊緣即時推論有利。
4. 芯上頻寬和邊頻寬
利用波長分波多工，單個片上波導可承載100 GHz甚至更寬的頻譜，TB/s級頻寬僅受調變器和探測器電光響應限制。如Lightmatter的Passage光互連技術，聲稱芯間頻寬可達Tbps/mm，但實際部署波長的數量與密度仍取決於整合工藝成熟度（來源：Lightmatter 2023年 Hot Chips演示）。
5. 計算精度（等效位元數）
如前所述，模擬光計算精度是最大軟肋。常用指標**ENOB（有效位數）**衡量光電混合系統的訊雜比。當前實驗報道的最高ENOB約7–8 bit（Science 2024, 383, 1125‑1131），限制了其在訓練任務中的應用。多數玩家通過定製訓練演算法引入誤差感知、冗餘校準，以在較低精度下維持模型準確率。
6. 整合規模與可重構能力
可程式設計光子單元總數、調變器/探測器陣列密度、每位元儲存要求的面積，是反映晶片複雜度的指標。曦智科技2022年PACE宣稱整合超過12000個光子器件；Lightmatter於2024年推出的Envise‑beta已在特定資料中心客戶進行POC，但具體器件數未公開。此外，權值可重構速度（μs級熱光，或ns級電光）直接影響即時推論適配能力。
資料缺失性宣告：上述引數除註明年份和出處外，部分資料來自公司自行公開的白皮書或會議海報，並未經過第三方獨立評測，因此不應直接作為對比依據。缺乏標準測試體系的現狀，正是業界亟需解決的問題。
5 技術路線
光計算並不是一條唯一的路線，而是由多種技術和應用牽引交織而成。根據光子參與計算的深度，可劃分為四大路線：
1. 光互連先行（Optical I/O）
核心思路：只把光子用於資料傳輸，不涉及計算。以Ayar Labs、Intel、Lightmatter的Passage為代表，通過片間光學I/O小晶片，實現記憶體與計算晶片之間海量資料的低功耗搬運。這被認為是近期內最確定可落地的方向，已進入產業鏈協同階段。Intel在2023年的CXL光互連原型中演示了數米距離的光學記憶體池化；Ayar Labs計劃2025‑2026年量產光學I/O小晶片（公司2024年路演資料）。
2. 光學模擬AI加速器
將矩陣乘法從電子搬到光域，電子僅負責剩餘的控制和非線性操作。這是“光計算”一詞最直覺的形態，也是初創公司最密集的賽道。代表：Lightmatter的Envise、曦智科技（Lightelligence）的PACE/Hummingbird系列、Luminous Computing（其超級計算機原型）、Celestial AI。目前大部分處於實驗室原型或早期試用階段，目標市場是先做AI推論，再拓展至部分訓練。
3. 光電深度融合（Heterogeneous Compute）
在單一系統裡動態排程電和光的計算資源，由編譯器自動劃分適合光加速的運算元。這需要全新的程式設計模型和軟硬體協同棧，複雜度最高。公眾資訊裡尚無成熟解決方案，但曦智科技曾展示過光電混合伺服器概念（2023年OFC報告）。
4. 全光數字邏輯與光神經網路
探索利用光實現全光布林邏輯閘、光儲存和光控制流，意圖徹底顛覆馮·諾依曼架構。學術界活躍，如利用光學雙穩態、光子晶體腔建置全光觸發器等。但離實用化遙不可及，五年內無商業化可能。
路線選擇建議（非投資建議）：
短期（2025‑2027），光互連是最快起量的賽道；中期（2027‑2030），AI模擬加速器若在推論精度取得突破，可能切入部分AI市場；遠期（2030+），光電異構可能成熟。但所有路線都依賴製造工藝進步和標準化生態。
6 上游
上游的瓶頸決定了全產業鏈的擴張節奏，主要集中在材料、製造裝置和EDA工具三個環節。
材料
- SOI晶圓（矽‑絕緣體上矽）：矽光子主流平台，要求頂層矽厚度均勻、晶體缺陷極低。主要供應商：Soitec、信越化學等。產能足夠，但適用於高頻寬調變器的新材料（如薄膜鈮酸鋰）襯底需求正在增長。
- 薄膜鈮酸鋰（TFLN）：具有極高電光係數，適合超高速調變器。HyperLight、Liobate等初創公司以及富士通等廠商在推動該材料產業化，2024年已有6英寸晶圓量產，但良率和晶圓大小仍不及8/12英寸矽光子。
- 磷化銦（InP）：用於雷射器和增益晶片，主流供應商為IQE、山東國晶等。
- 相變材料（如GST）：用於非易失性可調光學權值單元，多為實驗室級，量產尚無時間表。
製造裝置
- 光刻/電子束直寫：矽波導最小線寬多為百奈米級，遠落後於前沿CMOS，常用i‑line、DUV光刻，電子束直寫用於原型開發。關鍵裝置商：ASML、Canon、JEOL、Raith。
- 高精度耦合對準裝置：光纖到晶片或雷射器到晶片的對準精度要求亞微米級，依賴主動對準，德國的PI、ficonTEC等佔據主導。這是當前封測速度和產能的瓶頸之一。
- 深矽刻蝕、PECVD：用於波導側壁平滑度，與MEMS工藝相似，Lam Research、應用材料有相關裝置。
EDA與設計工具 光子IC設計需要協同設計光子元件和電子電路。主流路徑：
- 專用光子設計平台：Luceda Photonics的IPKISS、Synopsys OptoDesigner、Cadence‑Virtuoso整合光子模組，提供PDK和系統級模擬。
- 晶圓廠PDK：GlobalFoundries、台積電、IMEC、中科院先導中心等釋出矽光子PDK，允許設計師在多專案晶圓（MPW）流片。台積電於2023年提供COUPE矽光子平台技術細節，面向CPO應用。
- 互連模擬工具：Ansys Lumerical、Comsol，處理多物理場光‑電‑熱耦合。
上游短期現實（2024-2025）： 高階光刻機並非瓶頸，難度在於異質整合（如磊晶鍵合雷射器）和封裝良率。國內在上游裝置（尤其高精度貼片機）對進口依賴度極高，這構成了自主供應鏈的主要風險。
7 下游
下游需求是牽引光計算核心推力。不同應用對光計算的容忍度和效能要求差異巨大。
1. 資料中心與高效能運算（HPC）
- 光互連：已在100G/400G/800G光模組廣泛應用，並向1.6T演進，矽光方案滲透率持續提高。CPO共封裝光學在交換器埠開始應用，博通2023年已出貨CPO交換器晶片。NVIDIA在GTC 2024展示了下一代加速器與光學I/O的潛在整合路線圖。
- 光加速器：當前規模極小。主要雲端服務商內部進行概念驗證。亞馬遜、微軟等資助光加速器初創公司探索特定推論工作負載。2024年Lightmatter與某大型雲端服務商的合作引發關注，但合同細節保密。預計2026年前難以看到大規模部署。
2. AI服務與邊緣推論 在固定模型、低延遲高吞吐的大語言模型推論場景，光子加速器的理論優勢最為突出。潛在場景包括即時語音翻譯、推薦系統等。然而，必須克服模型適配和精度損失。下游客戶態度分化：一部分AI公司將其作為差異化硬體儲備，大部分仍持觀望。
3. 電信和5G網路 光子整合已是標準技術，相干數字訊號處理光模組大量用於城域和長途傳輸。未來向更高階調變、更寬頻譜發展，與光計算共享器件和工藝。光計算在通道均衡、模數轉換預處理等有特殊價值。
4. 感測器與科學儀器 光學計算架構可用於高速影像識別、雷射雷達點雲端處理、光譜分析等。例如，利用光學相關器實現即時目標識別。但市場碎片化，暫無頭部晶片公司將此作為主攻方向。
下游牽引力總結：光互連是剛需，光加速器是願景。若不能出現數個殺手級應用證明總擁有成本顯著降低，光計算將長期停留在“很好但非必要”的補充地位。
8 受益公司
以下按產業鏈環節列出現有公開資訊中明確版面配置光計算/矽光子的公司。作為事實描述，不構成投資建議。
晶片設計與系統商
- Lightmatter (美國)：業務涵蓋光互連（Passage）與光子AI加速器（Envise）。2024年5月完成C輪融資約4億美元，估值44億美元，投資者包括Google Ventures等。
- 曦智科技 Lightelligence (中國)：成立較早，釋出PACE（2022年）和Hummingbird（2023年）原型，已揭露多個與金融機構、高校的合作POC。最新融資資訊截至2025年初未更新。
- Celestial AI (美國)：核心是Optical Compute & Memory Fabric，利用光子執行記憶體和計算間的資料傳輸與合併，瞄準超大規模資料中心，2023年完成1億美元B輪融資。
- Ayar Labs (美國)：專注光學I/O小晶片，合作方包括英特爾、輝達、惠普企業等。2023年獲得數億美元投資，目標2025‑2026年量產。
- Luminous Computing (美國)：曾計劃建造光子超級計算機，2023‑2024年經歷管理層調整，公開進展極少。
- LightOn (法國)：採用基於光學的矩陣乘法加速器與配套軟體，主要面向歐洲企業AI市場，2024年在泛歐交易所上市。
IDM/晶片廠商
- Intel：在矽光收發機出貨超過800萬隻，且積極推動整合光學與CPU/GPU的路線。2024年光互連演示是其“光互聯構件”戰略的延續。
- NVIDIA：無自有光晶片，但通過投資和合作（如Ayar Labs）版面配置未來光互連，並在GPU架構中預留光學I/O介面。
- 博通：矽光與Co‑Packaged Optics（CPO）的領軍者，為交換器和AI叢集提供高頻寬互聯。
- 華為：旗下海思和光電整合部門具備自研矽光收發模組能力，並在光計算、光交換上有多項專利，但商用光子計算晶片尚未公開。
代工廠與封測
- GlobalFoundries：主推其45nm矽光平台（Fotonix），用於資料中心收發器和光子計算原型，合作客戶包括Ayar Labs、曦智等。
- 台積電：推出COUPE（緊湊型通用光子引擎）封裝平台，初代支援112G/224G鏈路，未來或整合到3DFabric體系。
- 國內代工廠：北京七星、華工科技等在矽光整合上版面配置，但尚未形成成熟的對外代工服務體系，多數國內設計公司仍需境外流片。
裝置與材料
- 裝置：ficonTEC（高精度貼片）被Aehr Test Systems收購；PI、MRSI提供自動化裝置。
- 材料：Soitec（SOI晶圓）、山東力科（鈮酸鋰薄膜）等。
說明：上述資訊截至2025年初，融資金額來自公開報道和企業網站。公司的發展階段與光計算市場規模直接相關。
9 市場規模
公開可獲得的專門“光計算晶片”市場資料極少，原因是在統計口徑上大多併入矽光子、光子積體電路或光模組類別。以下資料基於多方來源綜合，僅反映相關大盤，需謹慎解讀。
矽光子晶片市場
據Yole Intelligence 2024年報告《Silicon Photonics Market Monitor》，2023年全球矽光子晶片市場（含資料中心收發模組和片上互連等）約為 15億美元，預計到2029年將增長至 45億美元，CAGR約20%。主要驅動力是AI/ML叢集對高速互連的渴求。前三大應用是資料中心光模組、CPO引擎、感測。
光收發器市場（相關下層）
LightCounting 2024年預測，2024年全球光收發器市場約120億美元，到2029年接近250億美元。其中矽光方案佔比逐步提升，800G及以上模組矽光份額已超50%。
光子計算/AI加速器細分市場
由於尚未實現規模銷售，無權威第三方資料。國際資料公司（IDC）在2024年《AI加速器市場追蹤》中暫時將“其他新興加速器”（含光、量子）劃歸為“早期研發”，市場規模標註為“可忽略”。部分諮詢機構（如Frost & Sullivan）在2023年估算，若光子AI加速器在2027年實現初步部署，全球市場規模可能達 5‑10億美元，但這是模型推算，未經實際驗證。
中國市場
中國光模組產能世界第一，矽光子收發模組出貨量隨之增長。然而，純光子計算晶片尚未形成獨立市場。中國半導體行業協會（CSIA）與光通訊行業機構尚未釋出專門針對光計算的採購或產值資料。
結論：光計算直接市場尚在萌芽，當前只能通過其賦能的光模組、AI加速器市場來間接觀察。任何關於光計算市場規模的遠期預測均具有高度不確定性，上述資料應謹慎使用。
10 玩家對比
為客觀呈現主要光計算公司的差異，下表彙總最新可核實資訊（截至2025年4月）。資料來自公司官網、公開報道、行業會議，不包含未公開的商業敏感資訊。
| 玩家 | 總部 | 技術路線 | 核心產品 / 概念 | 商業進展 | 最新融資 / 估值（年份） | 關鍵合作 / 客戶 |
|---|---|---|---|---|---|---|
| Lightmatter | 美國 | 光子AI加速器 (Envise) + 光互連 (Passage) | Envise加速卡，Passage光學I/O平台 | 2024年提供POC測試，未公開商用訂單 | 2024年C輪 4億美元，估值44億（Bloomberg） | Google風投、某大型雲端服務商（未揭露） |
| Lightelligence（曦智科技） | 中國 | 光電混合計算 | PACE (2022)、Hummingbird (2023) 光電加速器 | 多個POC（金融、自動駕駛），無公開量產出貨 | 2022年後融資未更新 | 部分金融機構、高校 |
| Ayar Labs | 美國 | 光學I/O小晶片 | SuperNova多埠光I/O晶片 | 工程樣品，目標2025‑2026量產，已獲多個戰略投資 | 2023年獲得數億美元投資（未揭露） | 英特爾、輝達、洛克希德·馬丁、HPE |
| Celestial AI | 美國 | 光學記憶體與計算互聯結構 | Photonic Fabric™ | 工程樣品，POC進行中 | 2023年B輪1億美元（PitchBook） | 未詳細揭露 |
| Intel | 美國 | 矽光收發器 + 光學I/O | 整合光收發引擎，CXL光互聯原型 | 光模組出貨超800萬隻，與Ayar合作光學I/O原型 | 上市公司，無單獨光計算融資資料 | 微軟、超大規模客戶 |
| 華為 | 中國 | 矽光收發器、光交換、光計算研究 | OptiXtrans光模組，光子計算專利 | 自研自用光引擎和模組，外售電信級裝置，光子計算未商用 | 非公開 | 內部及運營商 |
| Luminous Computing | 美國 | 光子超級計算機 | 未公佈正式產品名 | 管理層動盪，2023年後幾乎沒有公開進展 | 2022年A輪1.05億美元 | 無 |
| LightOn | 法國 | 光子矩陣加速器 + AI軟體 | Photonic Engine 及配套Appliance | 歐洲少數商業客戶，2024年上市 | 2024年IPO (泛歐交易所) | 法國國防採購署、里昂信貸等 |
注意事項：各公司產品成熟度差異極大，列出的進度指其對外宣傳的情況，不代表實際可部署能力。國內企業與國外頭部企業在融資規模、生態系統上有一定差距，但曦智科技在光子計算晶片規模整合上積累較多專利與技術經驗。
11 風險
光計算的風險來自技術本質、產業鏈和商業模式三個層面，須全面審視。
技術風險
- 精度瓶頸：光學模擬計算的等效精度長期困在4‑8 bit，而AI訓練主流需要FP16甚至FP8以上的乘加精度。用低精度光學器件實現訓練收斂是待解難題，目前僅推論場景有望接受。
- 非線性與儲存缺失：光子本身不擅長非線性啟用（如ReLU、Swish），必須通過電學實現，而光電轉換增加延遲和功耗。光儲存至今無可行方案，所有資料必須駐留在電儲存，頻繁搬運抵消了光子高頻寬的部分優勢。
- 工藝與良率：光晶片對波導側壁粗糙度、耦合對準極其敏感，一個微米級缺陷就可導致整片失效。目前光晶片良率遠低於電子晶片，推高成本。
- 溫度敏感性：矽的折射率隨溫度變化顯著（~1.8 ×10⁻⁴/℃），片上需大量熱調模組維持相位精度，額外功耗可能吞噬理論能效優勢。
生態風險
- 程式設計模型缺失：沒有類似CUDA的統一程式設計架構，演算法工程師需手寫底層光‑電排程指令。生態壁壘極高。
- 設計工具與PDK不成熟：光子EDA比電設計自動化落後20年以上，缺乏可靠的工藝角模擬和元件庫，設計迭代慢。
- 驗證標準空白：缺乏行業公認的效能測試基準，不同公司的能效宣稱難以直接比較，導致潛在客戶難以決策。
商業風險
- 市場接受度低：IT基礎設施採購決策保守，雲端服務商曆經多年的GPU最佳化和軟體堆疊，切換成本巨大，光加速器必須提供10倍以上的TCO優勢才可能被考慮。
- 競爭壓力：存內計算、神經形態計算、3D‑DRAM/HBM等同樣致力於突破AI儲存牆瓶頸，它們可能比光計算更快達到商業成熟度。
- 資金鍊風險：大部分光計算初創公司尚未產生營收，依賴融資。若無法在2025‑2027年證明可商用化，可能面臨資金枯竭。歷史上已有多家矽光子初創公司被收購或倒閉。
- 地緣政治：高階光子製造可能受出口管制影響，尤其對中國公司限制獲取先進光刻、測試裝置，將影響國內光計算發展程序。
學術誠信風險
一些早期光子計算晶片的實測效果受到同行質疑，如是否在公平條件下與電晶片比較，是否計入所有輔助功耗。這種爭議可能損害整個領域的可信度。
12 誤讀糾偏
輿論對光計算常出現以下誤解，需加以釐清。
誤解一：“光計算將徹底取代電計算”
事實：光子只在特定線性操作上有優勢，必須與電子混合工作。未來計算架構是“光電協同”，而非“光取代電”。控制、儲存、邏輯判斷仍會是電子的主場。
誤解二：“光計算已經商用了”
事實：光互連（光模組、CPO）確實已大規模商用，但光子通用計算或AI加速器仍處於原型和早期POC階段。市面上不存在任何一款可採購的商業化光子AI加速卡。
誤解三：“光傳輸零能耗”
事實：雷射器、調變器偏置、熱穩控制器、探測器本身都消耗能量。光子計算的能效優勢體現在特定計算任務中，整體系統的能耗需要仔細核算，光學系統額外的溫控和光功率開銷不能被忽略。
誤解四：“任何AI模型都可以在光晶片上加速”
事實：當前光計算晶片主要高效執行矩陣乘法、卷積等線性運算，Transformer的自注意力機制等雖可分解為矩乘，但仍存在大量非線性、歸一化等不適合光的部分。因此光加速是應用依賴的，需要模型和硬體協同設計。
誤解五：“光子晶片製程很簡單，不需要先進光刻”
事實：波導線寬雖在百奈米級，對光刻的均勻性、耦合適配精度、多層對準卻有極高要求。而且引入鈮酸鋰、InP等異質材料後，製造複雜度遠超同節點矽基電晶片。
誤解六：“中國在該領域已國際領先”
事實：中國在光通訊和矽光模組產業規模全球領先，擁有部分核心技術。但光子計算系統設計、核心模擬加速架構、先進異質整合工藝以及EDA工具鏈條，與海外頭部公司仍存在明顯差距。論文發表數量高不直接等於產業能力。
誤解七：“融資額大代表技術領先”
事實：高額融資反映市場對賽道的關注，但歷史顯示，包括光計算在內的多個深科技領域，融資額與實際產品交付之間存在高不確定性。
13 最新事件
2024年
- 5月：Lightmatter完成4億美元C輪融資，估值44億美元，由Google風投等領投，成為光計算領域估值最高的初創公司（Bloomberg, 2024‑05‑31）。
- 6月：Lam Research與台積電聯合展示基於矽光子的異質整合工藝突破，在12英寸晶圓上實現高成品率的雷射器與矽波導鍵合（Semiconductor Today, 2024‑06）。
- 8月：曦智科技宣佈其Hummingbird光電混合處理器在特定影像識別推薦模型推論任務中，能效比達到35 TOPS/W（公司新聞稿，2024‑08），但未揭露測試細節。
- 9月：Intel釋出OFC 2024 post‑deadline論文，演示基於微環調變器的1.6 Tbps矽光發射機，為未來光I/O提供關鍵構件。
- 10月：Ayar Labs在新一輪融資料洩露中顯示已募集超過2億美元資金，並計劃2025年向首個戰略客戶提供光學I/O小晶片工程樣品（The Information, 2024‑10）。
- 11月：中國科學院上海光學精密機械研究所團隊在《Science Advances》發表成果，實現整合度超過4000個光子器件的可重構光學網路晶片，可用於高維卷積加速。
2025年（年初至今）
- 2月：Meta基礎設施部門在其年度開放計算峰會揭露，正與多家光互連供應商評估“光學‑電氣融合互連”，未來可能用於自主設計的AI硬體。
- 3月：Celestial AI宣佈與一家美國超大規模資料中心運營商簽署多年技術合作，探索光學計算儲存互連在推薦系統中的應用（公司新聞，2025‑03）。
- 4月：國內華中科技大學武漢光電國家研究中心團隊在《Nature Photonics》發表基於逆向設計的光學儲層計算晶片，演示在語音識別任務上達到與數字CMOS可比的準確率，功耗降低一個數量級（論文，2025‑04）。
以上事件表明，資本熱度依舊，但行業仍處於產品驗證與生態培養的關鍵視窗期。
14 追蹤指標
為了密切把握光計算產業從實驗室走向初步商用的節奏，可追蹤下列指標作為觀察錨點：
1. 光子AI加速器能效指標公佈
- 追蹤每年Hot Chips、ISSCC、OFC、CLEO 上頭部公司報告的系統級TOPS/W、滿負載功耗等。關注是否包含完整的電‑光‑電鏈路和溫控功耗。
2. 光學I/O量產時間表與實際出貨
- Ayar Labs、Intel是否在2025‑2026年實現光學I/O小晶片的百萬級出貨。這將是光計算互聯路線的最重要里程碑。
3. 代工廠光子PDK成熟度與流片容量
- GlobalFoundries、台積電、中國本土代工商釋出的MPW流片次數，以及可支援的最大器件數。這將反映設計生態健康度。
4. 器件整合規模與良率
- 重點論文和公司新品中公佈的單晶片可程式設計光子單元總數；是否有超過1萬器件的晶片量產報道。同時關注良率資料（≥90%或仍遠低於此）。
5. 程式設計架構與標準化進展
- 是否有類似ONNX‑光子後端的開源架構出現，或主要AI架構（PyTorch, JAX）官方對光子加速器的支援；是否出現由行業聯盟釋出的光子計算基準測試套件。
6. 頭部雲端廠商的採納動向
- 公開的雲端服務商（AWS、Azure、GCP、阿里雲端、華為雲端）在光子加速器上的例項POC或開放測試。一旦納入雲端例項列表，即標誌著從研發到商業落地的關鍵一躍。
7. 融資與存活率
- 每年光計算初創企業的融資總額及新公司成立數目，以及倒閉或被收購案例，反映賽道熱度和風險。
8. 精度提升研究
- 頂級期刊（Nature, Science）是否有報告將光學計算有效位元數穩定提升至8bit以上，並能用於訓練；這直接決定市場天花板。
9. 中國政策與專項支援
- 國家或地方（北京、上海、武漢、深圳）是否設立光計算重大專項，或給予企業研發資助，會影響國內產業鏈聚攏速度。
10. 產業鏈垂直整合案例
- 獨立晶片公司是否被大型系統廠商收購（如過去Intel收購