反射投影光學
概念：反射式投影光學計算 所屬鏈路：鏈 (Chain) - AI 計算基礎設施 核心定位：利用光（光子）代替電子，通過反射式空間光調變器進行並行運算的下一代AI算力基礎設施核心路徑之一。 關鍵資料：光計算在矩陣乘法上的理論能效比（TOPS/W）可達傳統電子晶片的10-100倍（來源：清華大學《光計算白皮書》，2023）。
1. 3 秒看懂
反射式投影光學計算是一種用光代替電進行計算的未來技術。其核心思路是：把AI模型中的矩陣運算，通過一面佈滿數百萬個可翻轉微小鏡子的晶片（即反射式空間光調變器，如數字微鏡陣列DMD）載入到雷射束上，讓光在透鏡組構成的“光學計算器”中以光速完成乘法和加法運算。它旨在解決AI大型模型時代傳統電子晶片面臨的“算力牆”與“功耗牆”物理瓶頸，是下一代高效能、低功耗計算的前沿路線之一。
2. 3 分鐘產業解釋
2.1 通俗定義與工作流程
反射式投影光學計算系統，其物理形態可理解為一臺“光計算機”。它的核心是反射式空間光調變器，最典型的代表是德州儀器發明的數字微鏡陣列 (Digital Micromirror Device, DMD) 或矽基液晶 (Liquid Crystal on Silicon, LCoS)。
工作流程可以類比膠片放映：
- 資料載入：待計算的矩陣數值，通過電訊號控制DMD上每個微鏡的物理翻轉角度（例如，+12°代表‘1’，-12°代表‘0’），形成一面代表資料的“光柵”。
- 光計算執行：一束相干雷射照射到DMD上，被編碼了矩陣資訊的反射光穿過一組精密設計的光學透鏡。根據物理光學原理，這組透鏡在物理上自動執行了傅立葉變換，即完成了矩陣乘法中最核心的乘積累加運算。
- 結果讀出：經過計算的光場照射到一個高速光電探測器陣列上，探測器讀取的光強分佈，直接就是矩陣乘法的運算結果。整個過程以納秒級的光速完成。
2.2 產業價值與戰略意義
在AI大型模型引數量從千億邁入萬億的時代，傳統電子晶片（如GPU）面臨兩個根本性挑戰：一是摩爾定律放緩導致的算力增長不及需求；二是驚人的能耗，單顆高階GPU功耗已破千瓦，資料中心電力成本成為制約AI發展的瓶頸。
光計算被產業界和學術界寄予厚望，根本原因在於其物理特性上的雙重優勢：
- 高並行性：一面DMD上數百萬個微鏡可以同時、獨立地工作，天然適配矩陣運算的並行本質。
- 超低理論功耗：光子在傳播和干涉過程中幾乎不耗能。理論分析顯示，光計算在矩陣乘法上的能效比（TOPS/W）可達電子晶片的10至100倍（來源：清華大學《光計算白皮書》，2023年）。主要功耗集中在雷射器和資料載入的電光轉換環節。
2.3 當前發展階段
截至2024年底，該技術正處於從實驗室原理驗證走向工程化樣機的“死亡之谷”跨越期。中國與美國是全球研發的第一梯隊，均已有若干初創公司推出了面向特定場景的測試樣機或開發平台，但尚無任何一家公司實現大規模、通用化的商業交付。行業當前的核心任務，是將光學實驗平台上的精密系統，轉變為可標準化生產、高可靠、成本可控的機架式產品。
3. 技術原理
3.1 運算物理載體：從電子透鏡到光學透鏡
傳統電子處理器中，矩陣乘法需要通過算術邏輯單元（ALU）反覆執行成千上萬次乘加指令。而反射式投影光學計算，利用的是阿貝成像原理（Abbe imaging theory）和傅立葉光學變換。在此架構下，一個精心設計的透鏡，其物理作用天然就是在對輸入光場進行二維傅立葉變換。這一物理過程，等效於在數學上完成了卷積或矩陣乘加的組合運算，且幾乎是零時延、零功耗的。
3.2 關鍵步驟分解
-
電子-光子資料轉換與載入 輸入的數字矩陣資料，通過控制電路驅動反射式空間光調變器。對於DMD，其表面數百萬個微米級鋁鏡在靜電驅動下，可進行±12°（或其他固定角度）的快速翻轉，從而以二值化方式對入射光進行幅度調變。對於LCoS，則通過液晶分子的偏轉改變每個畫素的相位和偏振。這相當於將矩陣的值“列印”在了光場的波前上。
-
衍射傳播與光學內積計算 被編碼的反射光束，進入由多個透鏡構成的光學衍射系統，如4f系統。光波在自由空間中的衍射和傳播，天然實現了大規模並行互聯。光束在經過首個透鏡後，在其後焦面上形成輸入訊號的傅立葉頻譜；再經過第二個透鏡，就會在輸出面上完成傅立葉逆變換，從而得到兩個函式的卷積或相關結果。這個過程物理地完成了矩陣乘法所需的大量內積運算。
-
光子-電子結果讀出與非線性處理 輸出平面的光強分佈由高速CMOS或雪崩光電二極體陣列（APD array）讀取，將模擬光強訊號轉換回數字電訊號。這個訊號即代表矩陣乘法的結果。之後，再載入到鄰近的電子晶片（如FPGA或ASIC）中，完成光域無法高效執行的非線性啟用函式（如ReLU、Sigmoid）、池化和邏輯控制等操作。
3.3 核心優勢與物理侷限
- 核心優勢：
- 算力密度極高：一塊光學晶片的計算能力，理論上僅受限於光調變器和探測器的解析度和速度，潛力遠超電子晶片的物理連線限制。
- 延時極低：光在系統中的傳播距離通常為釐米級別，計算延時在皮秒至納秒量級，遠低於電子在導線中的RC延遲。
- 物理與工程侷限：
- 計算精度受限：這是該路線最根本的挑戰。由於雷射器噪聲、調變器非理想性、探測器散粒噪聲和系統熱漂移，模擬光場的訊雜比有限，使得有效計算精度通常被限制在4到8位元（INT4~INT8）。這遠低於當前AI訓練必需的FP16/BF16甚至FP32精度。因此，目前它更適用於對精度不那麼敏感的推論任務，或在混合精度系統中承擔低精度矩陣運算。
- 可重構性差：DMD或LCoS雖然可重新整理，但重新整理速率（數十kHz）和載入新矩陣的開銷，使其不適合像GPU那樣在納秒級頻繁切換不同權重的運算元。它更適合執行固定或緩慢變化的權重矩陣，例如推論場景。
- 系統體積與魯棒性：自由空間光學系統對溫度、振動、空氣擾動極其敏感，需要複雜的主動對準、隔振和溫控系統，導致其系統體積在工程化初期遠大於成熟電子晶片。
4. 關鍵引數
理解本概念的效能和成熟度，需關注以下技術引數，任何指標均需明確是晶片級還是系統級，以及測試精度。
| 引數維度 | 具體指標 | 說明與2024年典型水平 |
|---|---|---|
| 算力 | 峰值算力 (TOPS) | 衡量矩陣運算速度。在INT8精度下，實驗系統可至數十到數百TOPS。注意需區分是有效矩陣乘算力還是等效峰值。 |
| 能效比 | 能效比 (TOPS/W) | 決定運營成本的關鍵。系統級（含雷射、驅動、電晶片、散熱）能效比是核心。實驗室報道的系統級能效比通常在1-10 TOPS/W量級，與頂尖GPU（如H100在INT8下約5-6 TOPS/W，來源：NVIDIA 2023白皮書）相比，尚無代際優勢。理論能效比（100 TOPS/W以上）僅在光學核心單元成立。 |
| 精度 | 有效位元位 (ENOB) | 衡量計算結果的準確度和噪聲水平。主流為INT4/INT8。這一指標決定了它能處理何種型別的AI模型和應用。 |
| 調變器/探測器引數 | 輸入/輸出畫素數、重新整理率 | 輸入畫素數（如DMD的1920x1080解析度）決定了可處理的矩陣規模上限。重新整理率（如DMD的10-30 kHz）決定了資料載入的延遲和吞吐率。探測器幀率需匹配。 |
| 系統延遲 | 端到端延遲 (ms) | 從輸入資料到獲得結果的總時間。包括資料載入、光傳播和讀出，是即時應用（如自動駕駛）的關鍵指標。光傳播延遲雖低，但數模轉換和資料搬運是主要的延遲瓶頸。 |
| 可靠性 | 長時間穩定性和壽命 | 關鍵器件如DMD的微鏡機械壽命（通常為數十萬小時）、雷射器的光衰、光學對準的長期穩定性，這些是商業化前的核心驗證項。公開資料未見有向第三方公開的批次可靠性測試報告。 |
5. 技術路線
反射式投影光學計算並非孤立路線，它在一個更廣闊的光計算技術譜系中，與其他路線存在競爭與借鑑關係。
5.1 內部路線：調變器之爭
- 數字微鏡陣列 (DMD)：速度與二值化優勢 DMD通過機械翻轉實現二值化幅度調變，速度極快（最高達數十kHz），且二值化特性對噪聲容忍度較高，但對多位元矩陣的表達需要通過分時多工或空間分塊，演算法效率會打折。代表公司為德州儀器（TI），其成熟的車規/工規DMD晶片是此路線的關鍵上游依賴。
- 矽基液晶 (LCoS)：多值化與相位調變潛力 LCoS通過對液晶施加不同電壓實現多級灰度或純相位調變，可直接表達多位元矩陣，資訊容量大。但液晶的響應速度（通常幾百Hz至幾kHz）遠慢於DMD，且對相位噪聲更敏感。代表廠商有日本的Sony、美國的Syndiant等，常用於高畫質投影和波長選擇開關（WSS）。
5.2 外部競合：光計算“光譜”中的定位
- vs. 片上整合光計算 基於矽光（SiPh）工藝，將調變器、波導、探測器整合到單顆晶片上。優勢是體積小、穩定性好、可量產。挑戰是規模受限、波導傳輸損耗和熱串擾。如Lightmatter的Envise和**曦智科技（Lightelligence）**的PACE平台。反射式自由空間方案的優勢在於其極致的並行規模（百萬級畫素），劣勢在於系統體積和裝調複雜度。
- vs. 衍射深度神經網路 (D^2NN) 通過3D列印或光刻的被動衍射薄片堆疊來實現神經網路推論，一旦製造完成，權重便不可更新。此路線極致低功耗、低成本，但靈活性為零。反射式方案保留了權重的可程式設計性，是D^2NN的進化和實用化版本。
- vs. 光學互連 (Optical I/O) 利用光在晶片或板卡間提供高頻寬、低功耗資料互聯，本身不負責計算。該技術可與任何計算路線（電子或光子）結合，是光計算的“近親”。光計算系統同樣需要光學I/O來發揮其頻寬優勢。代表公司有Ayar Labs、Lightmatter的Passage平台。
6. 上游：核心元件與材料
上游供應鏈決定了反射式投影光計算系統的“肉體”和物理極限。
- 最核心器件：反射式空間光調變器
- DMD：絕對主導供應商為美國德州儀器 (Texas Instruments)。其DMD產品廣泛應用於投影儀、光刻機、3D列印等領域，技術成熟，但對光計算這一新興市場的定製化支援、供貨優先順序和價格存在不確定性。這是該路線全球共同的“單點供應”風險。
- LCoS：供應格局相對分散，包括日本的Sony、JVC建伍，美國的Syndiant，中國的**豪威科技（OmniVision）**和部分科研院所也有相關產品。LCoS的灰度/相位調變精度更高，但開關速度是瓶頸。
- 關鍵光電器件
- 高相干性半導體雷射器：需要提供穩定的、窄線寬、高光束質量的光源。供應商包括Lumentum、II-VI (現Coherent)、**通快 (Trumpf)**等。在可見光波段和應用所需的特殊波長，可靠的國產替代方案是關鍵課題。
- 高速探測器陣列：用於結果高速並行讀出。主要基於CMOS影像感測器技術，需特化設計以實現高幀率（>10^4 fps）和高動態範圍。供應商包括Hamamatsu Photonics（濱松光子）、onsemi（安森美）、索尼等，長光辰芯（中國）等初創公司也在成長。
- 精密光學元件與系統
- 高階光學透鏡與鍍膜：需要亞波長面型精度的定製透鏡和極低損耗的反射/增透膜系。供應商為專業光學加工和鍍膜商，如Edmund Optics、Thorlabs，以及國內的中科院長春光機所孵化企業、鳳凰光學等。
- 精密組裝與對準：光機系統的6軸精密耦合機臺和主動對準演算法，是系統性能和量產良率的決定性環節。這部分能力和工藝訣竅基本由各開發商內部掌握，極少外購成品方案。
- 材料與基礎工藝
- 特種玻璃、非線性光學晶體、MEMS微加工工藝、高精度PCB等是基礎支撐，供應鏈相對成熟。
7. 下游：應用場景與生態整合
當前，反射式投影光計算的潛在應用場景很清晰，但尚未確立不可替代的“殺手級應用”。
7.1 目標應用場景（按落地潛力排序）
- 雲端資料中心AI推論 (首要目標) 大語言模型（LLM）和推薦系統的線上推論是當前最明確的市場切入點。推論任務具有高併發、低延遲且對精度（INT4/INT8）容忍度較高的特點，正契合光計算的特性。目標是以光計算加速卡形態，替代部分GPU負載，顯著降低資料中心的電力成本（TCO）和延時。
- 特定科學計算與模擬 求解偏微分方程（如天氣預報、流體力學、電磁模擬）的核心是迭代進行大規模稀疏或稠密矩陣運算。光計算可以在傅立葉域高效處理此類問題，為科研機構和高效能運算中心提供新的算力範式。
- 低延遲邊緣AI (遠期場景) 在自動駕駛、無人機、工業視覺等對毫秒級延遲有極致要求的場景，光計算的理論低延遲特性具有吸引力。但前提是需解決系統小型化、寬溫工作、抗震動等苛刻的工程挑戰。
7.2 生態整合挑戰
- 編譯器和軟體棧：如何將PyTorch/TensorFlow編寫的模型，自動識別並劃分適合光計算的運算元，編譯成光學調變器的控制指令和資料流，是整個生態從0到1最難的非硬體問題。初創公司Lightmatter和曦智科技均投入大量資源為此開發專門的編譯器（如Idiom, Optica）。
- 與現有資料中心架構的融合：光加速卡必須相容標準伺服器介面（如PCIe 5.0/6.0）和虛擬化、資源池化管理要求，才能被雲端服務商（Hyperscaler）採用。
- 潛在客戶群：
- 雲端運算服務商：AWS, Microsoft Azure, Google Cloud, 阿里雲端等，關注TCO和能效。
- 大型網際網路公司：Meta, 字節跳動，Baidu等，自有業務中有海量AI推論需求。
- 國家級實驗室與超算中心：對前沿計算架構開放，作為未來超算的異構節點進行探索。
8. 受益公司
以下公司按其在產業鏈中的位置和受益邏輯進行梳理，不代表任何投資價值判斷。
-
核心技術開發商（直接受益/高風險）
- 曦智科技 (Lightelligence，中國)：最早釋出光計算原型機（PACE），採用光電混合整合路線，與反射式自由空間方案有交叉，已獲數億美元融資，是觀察中國光計算產業化的風向標。
- 光子算數 (中國北京)：公開資訊顯示其專注於光電融合計算，產品可用於AI加速和科學計算，是國內該領域最受關注的初創之一。
- Lightmatter (美國)：光子計算領域估值最高的公司之一，同時版面配置光計算（Envise）和光互連（Passage），生態相對完整，是行業技術風向標。
- Optalysys (英國)：長期專注於基於空間光調變器的傅立葉光學計算，在密碼學和基因測序等特定搜尋領域有多年技術積累。
-
科技巨頭內部研發（間接受益/防禦性版面配置）
- 華為技術有限公司：旗下2012實驗室和中央研究院對光計算和光互連有長期研究投入，並與國內多所高校合作密切。
- 阿里巴巴達摩院：曾公開其在存算一體、矽光互聯上的研究成果，光計算可作為未來AI推論晶片的技術儲備。
-
上游關鍵器件供應商（間接受益）
- 德州儀器 (Texas Instruments)：作為DMD晶片的壟斷性供應商，是從該路線爆發中確定性最強的受益方。
- 索尼 (Sony)、濱松光子 (Hamamatsu)：分別是LCoS和特種探測器領域的領導者，任何LCoS路線的進步都將增加對其產品需求。
- 中科創達 (ThunderSoft)：作為作業系統和中介軟體廠商，若光計算生態成熟，其在異構計算系統軟體調優上的能力將有移植和新增市場機會。
9. 市場規模
由於反射式投影光學計算技術尚處產業化前夜，目前不存在針對它的成體系第三方商業市場報告。所有規模預測均基於相關市場的遠期推演，具有高度不確定性。
- 直接市場規模：公開資料未見有第三方機構（如Gartner、IDC、Yole）為該特定技術路線單獨提供2023年或2024年的市場營收資料。其市場規模目前可以認為是零。
- 潛在目標市場 (TAM) 估算：
- 可將AI推論晶片市場作為潛在的一個參考座標系。根據券商研究 (如富途證券引用的第三方資料，2023)，全球AI推論晶片市場規模預計到2027年將達到約600億至800億美元。
- 假設光計算方案能證明其商業價值，在2027-2030年間切入該市場並佔據一小部分滲透率（如1%-5%），則對應的光計算市場規模可能在6億至40億美元之間。這只是一個邏輯推演的數字，並非預測，更不代表必然實現。
- 下游牽引需求 (單位：市場規模)：
- 直接驅動力源於下游客戶的資料中心電費。據IDC等機構報告，2023年全球資料中心年耗電量超過350太瓦時 (TWh），AI相關工作負載貢獻的比例正快速上升。降低AI算力單位功耗，是每年百億甚至千億級美元電力成本市場的核心痛點，這是光計算商業化最大的價值錨點。
10. 玩家對比
下表對當前實施“反射式投影”或相近的自由空間光學計算路線的主要公開玩家進行定性對比。注意，各公司揭露資訊的詳細程度差異巨大。
| 特性維度 | Lightmatter (美) | 曦智科技 (中) | 光子算數 (中) | Optalysys (英) | 清華/中科院 (中) |
|---|---|---|---|---|---|
| 核心技術路線 | 光電混合整合 (矽光+MEMS) | 矽光整合+PIMC，系統亦涉自由空間 | 光電融合協處理，路徑涉反射式光算 | 純自由空間，基於SLM的傅立葉光算 | 衍射光學、空間光調變、光干涉 |
| 是否使用DMD/LCoS | 早期有涉及，後轉向整合式調變器 | 部分原型/系統有涉及 | 資訊未公開，存在涉及可能 | 是（核心器件） | 是，為實驗室主流工具 |
| 產品化階段(2024Q4) | 有Envision測試平台向夥伴交付 | 有PACE原型平台與測試卡 | 有可適配伺服器的協處理卡 | 提供特定演算法的加速系統 | 實驗室原理樣機 |
| 主要公開合作伙伴 | NVIDIA, GlobalFoundries | 默克、多家國內伺服器/雲端廠商 | 未公開揭露大型商業夥伴 | Earlham Institute, 英國國防部 | 華為、各類國家科研基金 |
| 融資階段與估值 | C輪後，估值數十億美金 | B+輪，獨角獸級別 | 多輪風險/政府投資，金額未公開 | 上市 (倫敦證交所：OPTS) | 非盈利，經費來自國家撥款 |
| 核心優勢 | 生態完整，團隊商業經驗豐富 | 資金充足，技術路線務實，整合能力強 | 中國本土政企市場優先接觸 | 技術專注，在位時間長，專利積累 | 基礎理論突破，人才輸出，噪聲低 |
| 主要挑戰 | 矽光子整合的熱/損耗難題 | 跨技術路線整合，軟體生態空白 | 商業化能力待驗證，公開資訊少 | 系統龐大，應用場景窄，資金有限 | 從論文到產品的工程轉化是巨大鴻溝 |
信源說明：以上公司資訊綜合自各公司官網、Crunchbase、企查查及公開新聞報道，截止2024年第四季度。合作伙伴關係基於已公開發布的新聞稿。融資輪次和估值可能在統計後發生變化。
11. 風險
從投資和產業觀察角度，此概念面臨以下現實且嚴峻的風險：
-
技術路線替代風險：
- 電子計算的持續進化：以NVIDIA為首的電子AI晶片技術仍在高速迭代，通過更先進製程（3nm及以下）、Chiplet先進封裝、更優的稀疏化演算法和新型儲存（如HBM4），其能效比仍在快速提升。光計算從實驗室到量產需數年，屆時可能其相對優勢已被大幅侵蝕。
- 其他新型計算範式競爭：存內計算（如Syntiant）、量子計算、甚至模擬存算一體AI晶片，都在爭奪“後摩爾時代”的算力制高點，光計算並非唯一的“顛覆者”。
-
工程化“死亡谷”風險： 將自由空間光學系統從光學隔振平台搬進灰暗嘈雜的資料中心，面臨對準漂移、灰塵汙染、溫度敏感性三大噩夢級工程挑戰。同時，大規模量產的良率、一致性和成本，對於依賴精密光機裝調的路線是生死考驗。
-
供應鏈的地緣政治單點風險： 高效能DMD晶片由美國TI公司絕對壟斷。任何以此核心器件的中國公司，在中美科技博弈的大背景下，其供應鏈的安全性和可持續性存在根本性的“卡脖子”風險。這是懸在該路線上的一把達摩克利斯之劍。
-
軟體生態“冷啟動”難題： 硬體開發僅完成10%的工作。在PyTorch/TensorFlow幾乎一統AI開發者天下的現實中，讓全球百萬級AI工程師去學習、適應一套全新、低精度、可重構性差的程式設計範式，其商業推廣難度不亞於創造一個全新的作業系統生態。
-
財務可持續性風險： 本領域初創公司普遍處於高強度研發投入階段，無實質規模性營收。在經濟下行、風險投資收縮的週期中，能否在現金耗盡前交出有商業吸引力的產品並得到標杆客戶背書，是最大的財務風險。Optalysys作為已上市的前車之鑑，其市值和流動性表現反映了市場對純自由空間光學計算路線商業化前景的謹慎預期。
12. 誤讀糾偏
- “光速計算 = 超光速”：錯誤。光計算是利用光速進行傳播和處理，其延時優勢在於晶片級的釐米光程對比電子微米級導線的RC延遲，並非顛覆物理定律。
- “光學計算零功耗”：錯誤。系統功耗雖然比高效能電子晶片低，但雷射源（電光轉換效率通常<50%）、調變器驅動、探測器陣列、訊號處理電子晶片及溫控系統同樣消耗可觀電力。宣傳的極高TOPS/W通常是剝離了這些系統開銷的“光學核心”理論值。
- “馬上就能替代GPU”：錯誤且有害。光計算處理器是協處理器，擅長且僅擅長特定運算元加速。未來長期的架構是光電混合，複雜的控制邏輯、高頻權重更新、高精度計算仍需電子晶片完成。它並非替代，而是異構計算的一部分。
- “中國/XX公司釋出了通用光計算晶片‘彎道超車’”：過度簡化。釋出的通常是特定功能演示的原型機或開發板，離“通用晶片”（意味著像CPU/GPU一樣可程式設計處理任意任務）有代際鴻溝。其可程式設計性和精度遠達不到通用計算的標準。標題黨式宣傳扭曲了該技術真實的產業化節奏和困難。
- DMD/LCoS的精度問題被系統性低估：業界和學術界常討論算力、能效，但對有效位（ENOB）這一數字與AI模型精度的嚴格對應關係討論不足。一個只能跑INT4推論的光處理器，其能處理的模型規模和產生的商業價值，與能跑BF16的GPU相比，不能簡單線性地用TOPS數字去對比。
13. 最新事件(截至2024年Q4動態回顧)
- 曦智科技釋出Hummingbird平台 (2024年下半年)：據報道，公司推出了第二代光計算原型平台，聚焦殘差網路（ResNet）和Transformer網路加速，並與某頭部雲端廠商合作開展概念驗證(PoC)專案。這標誌著中國頭部玩家正從單一晶片向系統解決方案邁進。 (信源: 公司官網部落格及科技媒體)
- Lightmatter獲得新一輪融資並投資封裝廠 (2024年中)：宣佈完成超億美元級融資，部分資金用於自建或合作建設先進的3D封裝線，旨在實現光子晶片與電子晶片的高密度混合整合，表明行業正著力解決工程化量產瓶頸。(信源: 公司官方新聞稿, Bloomberg報道)
- 清華大學團隊在《Nature Photonics》發文 (2024年)：研究團隊展示了可擴充套件的全光矩陣運算架構，利用新型智慧光學衍射處理器，在特定科學計算問題上相比GPU實現了精度相當的實驗結果。學術突破持續為產業路徑提供信心。(信源：發表於《Nature Photonics》的同行評議論文)
- 台積電展示矽光子封裝進展 (2024年北美技術論壇)：作為晶圓代工龍頭，台積電更新其3D矽光子堆疊（COUPE）技術路線圖，目標在2025年後實現量產。這雖主要服務於光互連，但其工藝、生態和設計工具鏈的成熟，將對所有矽光子相關計算路線（包括與自由空間方案的混合整合）構成間接但重大的基礎設施級利好。(信源: TSMC 2024 Technology Symposium 公開資料)
14. 追蹤指標
若希望持續追蹤該概念的產業化程序，建議重點關注以下先行指標，而非孤立的效能數字：
- 標杆客戶合作公告：企業是否宣佈與任一全球Top 5雲端服務商簽署了正式的商業評估或採購意向（而非免費測試），是驗證其產品化及客戶吸引力的里程碑式訊號。
- 標準化生態系統對接：檢查其SDK/編譯器是否宣佈對PyTorch/TensorFlow的某個大版本實現原生運算元支援，這體現軟體棧的成熟度。
- 可靠性白皮書/第三方認證：是否有公開的、有公信力的第三方機構（如貝爾實驗室、國家級質檢中心）系統性地測試其光計算系統的長期穩定性、故障率和效能劣化曲線，是產品能否獲准進入資料中心的前提。
- 供應鏈自主化進展：尤其對於中國企業，何時能釋出完全採用國產供應鏈核心器件（如全國產化的調變器、雷射器、探測器）的系統，是解決地緣政治風險和降低成本的關鍵訊號。
- 標準與專利地圖：關注IEEE P3119（光學加速器架構標準小組）等新興標準的參與公司和實質性推動進展，以及各國關鍵公司的專利申請方向和版面配置密度，這有助於判斷其長期戰略意圖和核心技術壁壘在哪裡。
- 功耗指標的單位界定：所有釋出的TOPS/W指標，必須嚴格分辨是“光學計算單元”還是“全系統”，是否包含驅動電路、光源、散熱的功耗。系統級功耗的定義和測試方法尚缺行業統一標準，是未來爭議和糾偏的焦點。
15. 信源
本概念頁內容基於對以下公開資料型別的研究梳理，截止至2024年第四季度：
- 學術論文與預印本：
- 《Science》, 《Nature》, 《Nature Photonics》, 《Optica》等頂級光學期刊上關於自由空間光學計算、衍射神經網路的相關論文。 (代表機構：MIT, Stanford, UCLA, 清華大學電子系/精儀系, 中科院上海光機所)
- arXiv.org 上相關領域的最新預印本，用於追蹤最新進展。
- 行業報告與技術白皮書：
- 清華大學等研究機構的非官方《光計算白皮書》。
- Yole Intelligence, LightCounting, IDC關於矽光子、AI晶片和資料中心功耗的市場研究報告 (2023/2024年版)。
- 公司官方資訊：
- 曦智科技 (Lightelligence), 光子算數, Lightmatter, Optalysys等公司的官方網站、官方部落格和經由認證社交媒體渠道釋出的新聞。
- Texas Instruments, Sony, Hamamatsu等上游器件供應商的公開產品資料手冊和Application Note。
- 德州儀器 (TI)、索尼 (Sony)、濱松光子 (Hamamatsu) 等上游器件供應商官網的產品技術資料。
- 財經與科技媒體：
- Bloomberg, Reuters, 財新網, 36氪等報道的公司融資、產品釋出和商業合作新聞。
- 各公司所在地的政府公開資訊（如“十四五”規劃相關產業扶持政策檔案）。
- 公司註冊與股權資訊：Crunchbase, Pitchbook, 企查查，用於核實公司融資輪次、股東背景等市場資訊。
重要宣告：本文內容僅為AI產業鏈技術概念介紹與資訊梳理，不構成任何投資建議、產品推薦或買賣指令。所有資料及進展描述均基於截止至2024年第四季度的公開資訊，具體商業應用的效能引數和交付時間線應以各公司官方釋出為準。部分領域，尤其是未上市公司的精確財務資料、具體量產時間表及內部效能指標，在公開資料中未見或無法核實。